De proyectos de IA a una capacidad operativa

A medida que las empresas avanzan más allá de los pilotos y las pruebas de concepto, surge una nueva pregunta en las conversaciones ejecutivas: ¿cuándo deja la IA de ser una serie de proyectos y empieza a formar parte del funcionamiento del negocio?

Naveen Zutshi, director de informática (CIO) de Databricks, trabaja en estrecha colaboración con otros CIO y líderes empresariales que están realizando la transición de la experimentación a la IA a escala empresarial. En esta sesión de preguntas y respuestas, Naveen se basa en sus anteriores funciones de liderazgo en empresas como Palo Alto Networks, Gap Inc. y Walmart, donde dirigió complejos esfuerzos de modernización que transformaron entornos heredados en arquitecturas escalables que priorizan la nube.

Lo que quedó claro en nuestra conversación es evidente: el punto de inflexión no se trata de los modelos. Se trata de modernización, gobernanza y disciplina operativa.

La IA está pasando de los experimentos al estado de pérdidas y ganancias

Catherine: ¿Cuál es la señal más clara que está viendo de que la experimentación con IA está dando paso a la IA como una capacidad operativa?

Naveen: Creo que la industria todavía tiene mucho trabajo por hacer para generar valor real a partir de la IA. Pero en los últimos seis a doce meses, he visto un cambio notable. Paso tiempo con CIO y líderes empresariales de todas las industrias, y se destacan tres patrones.

En primer lugar, escucho ejemplos cada vez más concretos del uso de la IA en el trabajo diario. Curiosamente, las industrias reguladas que se consideraban rezagadas en su transición a la nube (por ejemplo, los servicios de salud y financieros) ahora son las primeras en adoptarla. Vemos que la IA se utiliza para la automatización del back-office, la detección de fraudes, la generación de alfa en los rendimientos de las inversiones, la toma de notas de los médicos, el descubrimiento de fármacos e incluso el apoyo y la prevención en los centros de crisis. En segundo lugar, los líderes empresariales participan cada vez más en la conversación. Históricamente, los debates sobre la IA estaban dominados por ingenieros y científicos de datos. Ahora los grupos de negocio se sientan a la mesa para debatir cómo los datos y la IA pueden transformar sus funciones. Y lo que es más importante, están compartiendo ejemplos de cómo ya lo han hecho. La IA ha llegado de verdad cuando aparece en los KPI de la empresa.

En tercer lugar, la financiación ha cambiado. La IA solía proceder de presupuestos de innovación o de fondos discrecionales. Ahora es una partida importante en el estado de pérdidas y ganancias, financiada directamente por las unidades de negocio o de forma centralizada a través de la organización del CIO o del CTO. Ese cambio por sí solo es señal de un compromiso operativo. Puede que no pase mucho tiempo antes de que el gasto en herramientas de IA sea una partida importante después de los gastos de personal y en la nube. En Databricks, estamos separando el gasto en IA del gasto general en SaaS.

El verdadero cuello de botella: el legado, no el talento

Catherine: En las conversaciones con sus colegas de la industria, ¿qué temas comunes surgen como puntos de fricción para poner en producción los proyectos de IA?

Naveen: Esta semana estuve con 20 CIO y el talento volvió a encabezar los resultados de la encuesta como principal limitación. Pero, según mi experiencia, la causa principal suele ser el legado.

Las organizaciones cargan con sistemas heredados, la proliferación de SaaS, la proliferación on-prem y la complejidad arquitectónica. Con el tiempo, ya sea por inacción o por prioridades contrapuestas, no han tomado medidas decisivas para eliminarlo. Pero mantener los sistemas heredados es insidioso. La modernización no solo aumenta la velocidad, sino que los sistemas heredados también agotan el talento. Se vuelve más difícil atraer y retener a los mejores ingenieros cuando su trabajo principal es mantener todo en funcionamiento en lugar de crear sistemas modernos.

Cada vez que he optado por la modernización, ya sea en la computación, el almacenamiento, la arquitectura de datos o las capas de aplicación, me he arrepentido de no haberlo hecho antes. La modernización libera la productividad, restaura el sentido de la misión y simplifica el entorno. Siempre ha sido una decisión de la que no me he arrepentido.

Una arquitectura moderna y abierta que te permita conectar los mejores modelos de IA sin tener que desmantelar y reemplazar tu stack ofrece estos beneficios:

• Una capa de gobernanza unificada que reduce la complejidad del movimiento de datos.
• Simplicidad y velocidad al reducir la proliferación de herramientas.
• La capacidad de enfocar al mejor talento en trabajos de alto valor en lugar del mantenimiento.

Esa suele ser la verdadera solución.

Las decisiones de plataforma que determinan si la IA escala

Catherine: ¿Cuáles son las decisiones clave de la plataforma que más determinan si la IA escala?

Naveen: En primer lugar, la capa de datos. Tanto datos estructurados como no estructurados (que constituyen casi el 80 % de los datos empresariales). Debe combinar ambos bajo una capa de gobernanza común. Lo que es más importante, lleve los modelos a los datos, no los datos a los modelos. Mover datos entre entornos crea complejidad y desafíos de control. Una arquitectura unificada simplifica la gestión y mejora la seguridad.

También es fundamental evitar atarse a un único proveedor de modelos. Los modelos de frontera están evolucionando rápidamente. Una pasarela de IA o capa de abstracción le permite utilizar múltiples modelos y elegir el mejor para la tarea en cuestión.

Finalmente, trata la IA como una capacidad central invirtiendo fuertemente en observabilidad, calidad, validación y pruebas. El desarrollo se está acelerando. En las pruebas es donde la disciplina importa. Es posible que pases el 80 % de tu tiempo validando y refinando, y solo el 20 % construyendo. Y agregaría una cosa más: cada vez más, el contexto y el estado importan. Los sistemas de IA necesitan memoria y continuidad para poder mejorar con el tiempo.

Cuando los datos y la IA ya no son conversaciones separadas

Catherine: ¿Cuáles son las consecuencias de mantener a los ejecutivos de negocios fuera de las iniciativas de datos e IA?

Naveen: En muchas empresas, la estrategia de IA está dirigida por los equipos de datos. Pero también es un imperativo empresarial. Sin datos empresariales limpios y de alta calidad, la IA no será útil en un entorno empresarial. Los laboratorios de frontera entrenan modelos en la web. Las empresas deben posentrenar los modelos con sus propios datos. Al mismo tiempo, la innovación puede ocurrir en la periferia. Si se cuenta con una pila de datos e IA consistente con autenticación y controles de acceso adecuados, los equipos pueden crear agentes y aplicaciones de forma segura sin fragmentar la arquitectura. La clave es la consistencia y la gobernanza que sustentan la innovación distribuida.

Dónde está lista la IA agéntica, y dónde no lo está

Catherine: ¿Qué flujos de trabajo están más preparados para la propiedad agéntica?

Naveen: Más allá de los flujos de trabajo de desarrollo de software, que ya están maduros en el uso de la IA, estamos viendo un gran éxito en los flujos de trabajo de lanzamiento al mercado. Los equipos de marketing y preventa utilizan agentes para mejorar el alcance y la selección de clientes potenciales, superando a menudo los procesos manuales.

Los agentes también destacan en el procesamiento de grandes volúmenes de información para apoyar la toma de decisiones. En lugar de esperar semanas a los informes ad hoc de los analistas, los directivos pueden consultar los datos directamente y recibir información rápidamente, tanto de datos estructurados como no estructurados.

Donde los agentes aún no están listos es en los flujos de trabajo deterministas que requieren un 100 % de consistencia y precisión. La IA puede ayudar, pero no debe sustituir el juicio humano. También existe el riesgo de lo que se denomina “contenido basura de IA”: resultados que parecen verosímiles pero carecen de profundidad. Los líderes deben combinar la adopción con la supervisión.

Definir el éxito más allá de las expectativas

Catherine: ¿Cómo defines el éxito al escalar los datos y la IA?

Naveen: Me baso en cuatro dimensiones:

1. Eficiencia
2. Eficacia e impacto en los ingresos
3. Calidad de los resultados
4. Reducción de riesgos

Para los sistemas de IA, también me centro en los datos de entrada controlables. Por ejemplo, en un sistema de IA de ventas, ¿qué porcentaje de la entrada de datos está ahora automatizado por un agente? Esa métrica de entrada debería correlacionarse con el aumento de la productividad. O bien, ¿qué porcentaje de las recomendaciones del agente se adoptan y cuál es su eficacia en comparación con los métodos manuales? Puede hacer pruebas A/B con ellos. La reducción del tiempo de ciclo y el ahorro de costos son importantes, pero solo en el contexto de resultados empresariales más amplios.

12 meses para empezar, detener y continuar

Catherine: Si tuvieras que darles a tus colegas un plan de 12 meses sobre qué empezar, detener y continuar, ¿cuál sería?

Naveen: Yo diría que dejes de alimentar a la bestia del legado. Deja de tratar la gobernanza y la seguridad de la IA como algo secundario. Y evita reemplazar la proliferación de SaaS por la proliferación de agentes. Si los agentes no se adoptan o no aportan valor, elimínalos.

Luego, diría que adopten un enfoque basado en habilidades o en las tareas a realizar. En lugar de sustituir aplicaciones enteras, identifique tareas específicas que los agentes puedan realizar mejor. Genere credibilidad a través de victorias específicas. Trace su recorrido de gatear, caminar y correr. Y, por último, diría que continúen invirtiendo en datos y gobernanza, especialmente para los datos no estructurados. Y lo más importante, mantenga un enfoque centrado en el negocio. Empiece por el usuario, el cliente y el resultado. La tecnología por sí sola no crea valor.

El punto de inflexión ejecutivo

El punto de inflexión ejecutivo se trata de la preparación operativa, la arquitectura moderna, la gobernanza unificada, las pruebas disciplinadas, los resultados medibles y la alineación con el negocio.

La IA se convierte en una capacidad operativa cuando pasa de la experimentación a la rendición de cuentas, cuando aparece en los KPI, las partidas presupuestarias y las decisiones de arquitectura. Las organizaciones que reconozcan pronto este cambio no se limitarán a desplegar más IA. Construirán empresas estructuralmente preparadas para ello.

Para obtener más información sobre cómo crear un modelo operativo eficaz, descargue el modelo de madurez de IA de Databricks.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original