Modelos operativos para la IA empresarial

A medida que la IA se integra en los procesos de negocio principales, las conversaciones de los ejecutivos están cambiando hacia la durabilidad. Para los líderes técnicos, la pregunta ya no es si la IA puede aportar valor, sino si la organización está estructurada para respaldarla a lo largo del tiempo.

Me senté a conversar con Dael Williamson, director de Tecnología para EMEA, para explorar qué es lo que realmente distingue a las empresas que se toman en serio la IA de aquellas que simplemente están experimentando.

Lo que surgió fue una visión del modelo operativo de la IA empresarial, que destaca dónde la estructura y la propiedad importan más que las opciones tecnológicas.

Las señales que indican que una organización se toma en serio la IA

Catherine Brown: Cuando entra en una organización que invierte seriamente en IA, ¿qué es lo primero que busca en su modelo operativo y en sus opciones de plataforma?

Dael Williamson: La mayoría de las organizaciones hoy en día reconocen que la IA es real y que es importante. Lo que varía es la claridad con la que ese compromiso se refleja en el modelo operativo.

Lo primero que observo es la propiedad. Quién es el propietario de los datos y quién es el propietario de la IA, y qué tan cerca está esa propiedad del CEO. Si los datos y la IA son propiedad directa del director general o de alguien cercano a él, eso indica un alto nivel de importancia estratégica. Con más frecuencia, la propiedad se encuentra varios niveles más abajo y, en muchos casos, los datos y la IA pertenecen a grupos completamente diferentes.

Cuando la IA está estructuralmente alejada de los datos, el resultado tiende a ser casos de uso estáticos y experiencias fragmentadas. Pero el mundo en el que operan las organizaciones es dinámico. El tráfico cambia. Los mercados cambian. Las cadenas de suministro fluctúan. Si los datos y la IA están separados, se vuelve muy difícil responder a esa realidad en tiempo real.

Lo segundo que busco es si la organización tiene un inventario de sus activos de datos. Aunque los activos financieros y físicos están bien documentados, muchas organizaciones todavía están madurando la forma en que catalogan y comprenden los activos de datos. En muchos casos, las organizaciones no saben del todo qué datos tienen, dónde se encuentran o cuán valiosos podrían ser.

La tercera señal es la amplitud con la que la organización define los datos. Muchos todavía piensan en los datos principalmente como tablas o registros estructurados. Pero las imágenes, el correo electrónico, las herramientas de colaboración (documentos, hojas de cálculo) y el código contienen información operativa valiosa. Las organizaciones que amplían su definición de datos tienden a generar mucho más valor con el tiempo.

Por qué es importante la proximidad entre los datos y la IA

Catherine: Mucho de lo que has descrito se reduce a cuán estrechamente están conectados los datos y la IA. En la práctica, ¿por qué importa tanto esa proximidad?

Dael: Cuando los datos y la IA operan sobre la misma base, las organizaciones pueden admitir casos de uso más dinámicos. Cuando están separados, la IA tiende a depender de entradas más lentas y estáticas.

Las herramientas tradicionales de gobernanza y catalogación son muy eficaces para gestionar datos estructurados, pero tienen dificultades con las fuentes no estructuradas y que cambian rápidamente. Esa es una de las razones por las que es difícil ampliar el alcance de la gobernanza de datos y por las que los inventarios de datos exhaustivos siguen siendo poco frecuentes.

Si se intenta resolver problemas como el modelado de liquidez, el riesgo de crédito o la resiliencia de la cadena de suministro, se necesita que la IA trabaje directamente con datos oportunos y actualizados continuamente. De lo contrario, la toma de decisiones siempre se retrasa y los insights llegan después del momento en que son más útiles.

Catherine: ¿Cómo estructuran las empresas líderes la relación entre los equipos centrales y el negocio?

Dael: El líder responsable de los datos y la IA necesita un lugar en la mesa ejecutiva y una profunda comprensión de cómo funcionan realmente estos sistemas. La IA se comporta de forma diferente al software tradicional, y las organizaciones se benefician cuando el liderazgo refleja esa realidad.

En lo que respecta a las herramientas, las empresas líderes resisten la tentación de depender exclusivamente de las funciones de IA integradas en docenas de herramientas de SaaS. Aunque esas herramientas pueden mejorar la productividad individual, rara vez ayudan a los equipos a trabajar de forma cohesionada entre distintas funciones. Con el tiempo, ese enfoque tiende a reforzar las inconsistencias existentes en las definiciones, las métricas y los procesos.

Al mismo tiempo, estas organizaciones están reconsiderando la ecuación de desarrollar versus comprar. No pretenden desarrollar todo internamente, pero también evitan una dependencia excesiva de un solo proveedor. La portabilidad, la transparencia y el control sobre los activos de datos y de IA son cada vez más importantes.

Las organizaciones exitosas también gestionan las iniciativas de IA como una cartera. No todos los proyectos tienen éxito. Algunos deben pausarse. Otros justifican una inversión adicional. Tratar la IA como una cartera de apuestas, en lugar de una hoja de ruta lineal, permite a las organizaciones adaptarse a medida que evolucionan la tecnología y las condiciones del negocio.

Cómo será el modelo operativo de la IA empresarial en tres años

Catherine: Mirando hacia el futuro, ¿cómo prevé que cambien los modelos operativos de IA empresarial en los próximos tres años?

Dael: La mayoría de las organizaciones seguirán en alguna etapa de transformación, pero uno de los mayores cambios será la reducción de la brecha tradicional entre el área de TI y el negocio. Los equipos de negocio adquirirán más fluidez técnica, y los equipos técnicos estarán más alineados con los resultados del negocio. Ese cambio ya está en marcha y continuará.

Como resultado, es probable que las organizaciones de TI cambien de tamaño y forma. Históricamente, el área de TI se ha centrado en la gestión de riesgos, la gobernanza y la complejidad operativa. La IA es cada vez más eficaz en esas áreas, especialmente en ciberseguridad, soporte de TI y cumplimiento.

Cuando las organizaciones también reducen la complejidad heredada y se alejan de los ecosistemas de proveedores aislados, los modelos operativos comienzan a cambiar más fundamentalmente. Los equipos se definen menos por los sistemas que utilizan y más por los resultados que ofrecen.

Con el tiempo, esto puede llevar a organizaciones más eficientes o a la creación de unidades completamente nuevas centradas en nuevas formas de creación de valor. La forma exacta en que eso se desarrolle diferirá según la empresa.

Cómo evolucionan las habilidades y los roles en una empresa impulsada por la IA

Catherine: Ese tipo de cambio en el modelo operativo tiene importantes implicaciones para el talento. Para nuestra última pregunta, ¿cómo ve la evolución de las habilidades y los roles?

Dael: Muchas organizaciones de TI seguirán reduciéndose, en gran parte porque gran parte de la tecnología empresarial todavía se basa en sistemas de hace décadas que son costosos de mantener. Al mismo tiempo, el ciclo de vida del desarrollo de software está cambiando. Las tareas que antes consumían la mayor parte del esfuerzo, como la codificación manual, son cada vez más asistidas por la IA. Ahora se dedica más tiempo a la evaluación, las pruebas de comportamiento, las barreras de protección y el monitoreo continuo.

Ese cambio acerca más a los equipos de negocio y técnicos. Los equipos de negocio se involucran más en la definición y validación del comportamiento. Los equipos técnicos se centran más en los resultados, la confiabilidad y la gobernanza. Están surgiendo nuevos roles en torno a la observabilidad, la orquestación y la supervisión de sistemas. Estos roles a menudo combinan habilidades técnicas, operativas y organizativas, y no siempre provienen de formaciones de ingeniería tradicionales.

La gestión en sí misma también está evolucionando. A medida que la IA asume más trabajo administrativo, la gestión se reorienta hacia el análisis, el juicio y la mejora de cómo fluye el trabajo. El pensamiento crítico se vuelve esencial. A las personas que se sienten cómodas experimentando, aprendiendo y adaptándose les irá bien. Y las mentalidades analíticas y científicas serán cada vez más valiosas a medida que las organizaciones naveguen por esta transición.

Reflexiones finales

La preparación para la IA empresarial es, en última instancia, una decisión del modelo operativo. Los líderes que logran un progreso sostenido tienen una clara propiedad ejecutiva de los datos y la IA, tratan los datos como un activo conocido y gobernado, y se aseguran de que la IA trabaje directamente con datos oportunos y compartidos en lugar de a través de transferencias fragmentadas. Gestionan las iniciativas de IA como un portafolio, no como un proceso secuencial, con disciplina sobre dónde invertir, pausar o detenerse. Y organizan los equipos en torno a la evaluación, la supervisión y los resultados, en lugar de en torno a herramientas o proyectos. Las organizaciones que tengan éxito no serán las que predigan el futuro de la IA con mayor precisión, sino las que estén creadas para adaptarse a medida que cambie.

Para obtener más información sobre la creación de un modelo operativo eficaz, descargue el Databricks AI Maturity Model.

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