Cuando se trata de gobernanza, las empresas de retail necesitan un plano de control para el contexto

Los minoristas están entrando en una nueva fase de adopción de la AI.

Las primeras conversaciones en torno a la AI generativa a menudo se centraban en la experimentación. ¿Qué modelo deberíamos probar? ¿Qué chatbot deberíamos crear? ¿Qué equipo debería ejecutar el primer piloto? ¿Podría la AI mejorar las búsquedas, resumir documentos, enriquecer el contenido de los productos o responder preguntas internas?

Esos fueron puntos de partida importantes. Muchos minoristas, tiendas de comestibles, distribuidores y empresas orientadas al consumidor crearon un valor real a partir de esos primeros esfuerzos.

A finales de 2023, un gran distribuidor con el que trabajamos vio la oportunidad de combinar el machine learning tradicional y los grandes modelos de lenguaje para mejorar las operaciones del catálogo de productos. A medida que se incorporaban nuevos productos al catálogo, los modelos de machine learning ayudaban a categorizar y emparejar los artículos, mientras que los grandes modelos de lenguaje generaban descripciones de productos más completas.

En ese momento, aquello fue algo innovador.

La iniciativa requirió un integrador de sistemas, un equipo especializado (tiger team) y un sprint de aproximadamente 100 días para demostrar el valor, mientras el equipo definía los detalles de la arquitectura, el acceso a los datos, el comportamiento del modelo y el flujo de trabajo empresarial. Fue una iniciativa muy exitosa que ahorró millones de dólares y demostró que la AI podía mejorar sustancialmente un proceso crítico para el negocio.

Pero también representó un patrón común de la primera ola: un equipo, un caso de uso, una arquitectura, un sprint enfocado.

Hoy en día, ese mismo tipo de flujo de trabajo impulsado por AI se está convirtiendo en un requisito básico. La conversación está pasando de «Me pregunto si la AI podría resolver este problema» a «La AI debe ayudar a resolver este problema, y necesito los datos adecuados rápidamente para no ralentizar el negocio». Ese cambio transforma el desafío empresarial.

La siguiente fase de la AI en el sector minorista no consiste solo en tener un mejor modelo. Se trata de dar a cada experiencia de AI el contexto empresarial adecuado.

El contexto es lo que hace que la AI empresarial sea útil

Un modelo sin contexto minorista puede dar una respuesta genérica.

Un modelo con el contexto adecuado puede ayudar a un comerciante a evaluar el riesgo del surtido, a un responsable de tienda a priorizar el día o a un ejecutivo a obtener una respuesta confiable sobre las ventas y el margen. Para los minoristas, ese contexto abarca desde el inventario y los precios hasta los permisos y las políticas que deciden quién tiene permitido ver qué.

Ese contexto es lo que hace que la AI sea útil. Pero el contexto es también por donde el riesgo entra en el sistema.

¿Qué datos debería ver la AI? ¿En qué definiciones de negocio debería confiar? ¿A qué usuarios se les permite hacer qué preguntas? ¿A qué herramientas puede llamar el agente? ¿Qué modelo debería encargarse de la tarea? ¿Cuánto debería costar esa interacción? ¿Cómo debería auditar la empresa lo sucedido?

Por eso, la AI para el sector minorista necesita un plano de control para el contexto, una capa única que gobierne qué datos, modelos y herramientas puede utilizar cada experiencia de AI.

La gobernanza permite la velocidad

A veces se presenta a la gobernanza como algo que ralentiza a los equipos. Para los minoristas, ocurre todo lo contrario.

El propósito de la gobernanza es dar a más equipos más libertad para usar la AI de forma segura.

Si se implementan los controles adecuados, cada nuevo caso de uso de AI no tiene por qué convertirse en un ejercicio aislado de seguridad, compras y arquitectura. Los equipos de toda la empresa minorista pueden avanzar más rápido porque el acceso a los modelos, los permisos, el registro, el seguimiento y los controles de costos ya están integrados en la plataforma.

Ese es el verdadero valor de la gobernanza de la AI en el sector minorista.

No es gobernanza por el simple hecho de gobernar. Es gobernanza para que los empleados puedan usar la AI con más confianza, atender mejor a los clientes y tomar decisiones más rápidas con datos confiables.

Los equipos se sienten cada vez más cómodos con la AI integrada en sus flujos de trabajo. Necesitan libertad para explorar, crear y ofrecer resultados. Pero darles libertad no significa eliminar los controles. Significa ofrecerles una forma gobernada de avanzar rápidamente con los datos adecuados, los modelos correctos, los permisos apropiados y los controles de costos necesarios ya establecidos.

La siguiente fase es la adopción de la AI en toda la empresa

En mi trabajo con líderes tecnológicos del sector minorista, he visto que la conversación pasa por tres fases.

1. Primero, los equipos preguntaban por dónde empezar con la AI generativa.
2. Luego, crearon casos de uso específicos como el emparejamiento de productos, el enriquecimiento de catálogos, la búsqueda, la síntesis, los asistentes de conocimiento interno y la generación de contenido.
3. Ahora la conversación está cambiando de nuevo: ¿cómo escalamos la AI en las tiendas, los equipos de la sede central y los canales digitales sin crear una gobernanza fragmentada, un gasto descontrolado en modelos o un acceso inconsistente a los datos empresariales?

Esto es importante porque el sector minorista no es una industria de un solo usuario y un solo flujo de trabajo.

La mayoría de estos empleados no están sentados en un escritorio eligiendo una herramienta de AI. Su experiencia con la AI está integrada en una aplicación de la tienda, un panel de control o un flujo de trabajo que ya utilizan, y debe responder a una pregunta diferente para cada función. Cada función necesita datos diferentes. Cada función tiene permisos distintos. Cada función puede necesitar un modelo diferente. Cada función tiene un perfil de costos y un perfil de riesgo distintos.

Por eso, la AI en el sector minorista no se puede resolver con un solo modelo.

Los minoristas necesitan una forma gobernada de ofrecer múltiples experiencias de AI en toda la empresa, al tiempo que controlan qué usuarios pueden acceder a qué datos, qué modelos pueden usar, cuánto gastan y cómo se monitorean esas interacciones.

La parte difícil es escalar sin perder el control

A medida que la AI se extiende por toda la empresa, los minoristas corren el riesgo de crear un modelo operativo fragmentado.

Un equipo utiliza Claude directamente. Otro crea una aplicación RAG. Otro utiliza Copilot. Los desarrolladores recurren a Cursor. Los usuarios de negocio experimentan con Claude Cowork. Los equipos de datos ponen en marcha sus propios flujos de trabajo basados en agentes.

Cada herramienta puede tener su propio acceso a modelos, acceso a datos, registros, permisos, costos y proceso de gobernanza.

Eso puede funcionar durante la fase de experimentación. No funciona como modelo operativo para la AI empresarial.

Sin un plano de control, los minoristas pueden acabar rápidamente con:

• Contratos separados con proveedores de modelos
• Herramientas de AI y marcos de trabajo de agentes separados
• Registros de prompts y respuestas separados
• Centros de costos separados
• Modelos de permisos separados
• Lugares separados donde reside la lógica de negocio
• Respuestas diferentes para la misma pregunta de negocio

Los minoristas pasaron años intentando reducir la fragmentación en los datos y la analítica. La AI no debería volver a introducir el mismo problema con una forma nueva.

Los minoristas necesitan arneses de AI abiertos, no callejones sin salida cerrados

A medida que la adopción de la AI se escala, surge otra pregunta: ¿dónde debería residir el arnés de AI?

Algunos arneses son cerrados. El usuario obtiene una experiencia de AI empaquetada, un modelo predeterminado y un control limitado sobre cómo se gobiernan los datos, las herramientas, los prompts, los costos y la selección de modelos. Eso puede ser útil para la productividad individual, pero resulta limitante cuando la empresa quiere controlar qué modelos se utilizan, cómo se accede a los datos, cómo se gestionan los costos y cómo se auditan las interacciones de AI.

Otros arneses son más abiertos. Permiten a la empresa elegir el modelo adecuado para cada tarea, conectarse a datos y herramientas gobernados, canalizar las llamadas a los modelos a través de una pasarela centralizada y conservar la flexibilidad a medida que cambia el panorama de los modelos.

Esa distinción es importante.

En una conversación reciente durante una cena, el CIO de un minorista de descuento compartió que los grupos de homólogos de CIO están debatiendo activamente si deberían adquirir GPUs para aprovechar los modelos de código abierto de menor costo. Al mismo tiempo, los equipos ya están experimentando con diferentes superficies de AI: los desarrolladores utilizan Cursor y asistentes de codificación, los equipos de negocio exploran Claude Cowork, los equipos empresariales evalúan experiencias de tipo Copilot y los equipos de datos crean agentes y aplicaciones personalizados.

Esta es la realidad para la mayoría de los minoristas. La adopción de AI no se estandarizará de forma sencilla en torno a un solo modelo, un solo asistente o un solo proveedor.

Y cuando preguntamos a los CIO qué modelo creen que ganará, la respuesta casi siempre es alguna versión de: “No lo sé”. Es una respuesta racional. El panorama de los modelos está cambiando demasiado rápido como para que cualquier CIO apueste la estrategia de AI empresarial al modelo predeterminado de hoy dentro de la herramienta preferida de hoy.

Los minoristas necesitan flexibilidad de modelos sin el caos de modelos.

Necesitan admitir modelos de frontera donde la calidad y el razonamiento importan. Necesitan acceso a modelos de código abierto donde el costo, el control o la especialización importan. Necesitan admitir asistentes de codificación, agentes de negocios, aplicaciones para asociados y aplicaciones personalizadas. Pero también necesitan una forma común de gobernar el acceso, monitorear el uso, controlar el gasto, registrar las interacciones y garantizar que la AI se base en un contexto empresarial de confianza.

Ese es el papel de un plano de control de AI.

Hacer benchmarking del modelo manteniendo la opcionalidad

El panorama de los modelos avanza demasiado rápido como para que los minoristas tomen decisiones de arquitectura a largo plazo en torno a un único proveedor de modelos o a un único asistente predeterminado.

La investigación de Databricks está demostrando que los modelos de código abierto manejan tareas cada vez más complejas que no hace mucho habrían requerido modelos de frontera premium. Esto es importante para los minoristas, especialmente para los supermercados y las tiendas de descuento, donde los márgenes son estrechos y el uso de AI a gran volumen puede encarecerse rápidamente.

Pero la solución no es asumir que los modelos de código abierto siempre son lo suficientemente buenos. La solución es hacer benchmarking.

Un flujo de trabajo de contenido de producto puede funcionar bien en un modelo de menor costo o de código abierto. Un análisis de comercialización complejo puede requerir un modelo de razonamiento más sólido. Un asistente para asociados de tienda puede necesitar baja latencia, permisos estrictos y un costo predecible. Un asistente de codificación o un agente de planificación de varios pasos puede beneficiarse de un modelo de frontera. El modelo adecuado depende de la tarea, los datos, el requisito de precisión, el requisito de latencia y el perfil de costos.

Por eso los minoristas necesitan flexibilidad de modelos sin el caos de modelos. La pregunta no debería ser: “¿Qué modelo ganará?”. La mejor pregunta es: “¿Qué modelo es el mejor para este trabajo, con este contexto, a este costo y con este requisito de gobernanza?”.

Los entornos cerrados de AI a menudo ocultan o limitan esa opción. Un plano de control abierto permite a los minoristas evaluar, cambiar y optimizar los modelos a medida que cambia el mercado.

Un plano de control para el contexto de AI minorista

Así es como se ve un plano de control en la práctica. Cuatro capacidades de Databricks funcionan juntas para ofrecerlo: Unity Catalog, Unity AI Gateway, Foundation Model APIs y Genie.

• Unity Catalog gobierna el contexto empresarial: datos, permisos, linaje, modelos y definiciones de confianza.
• Unity AI Gateway gobierna el acceso a los modelos: enrutamiento, visibilidad de uso, registro, presupuestos y límites de velocidad.
• Foundation Model APIs proporcionan acceso centralizado a modelos comerciales, de código abierto y personalizados.
• Genie permite a los usuarios empresariales hacer preguntas en lenguaje natural sobre datos gobernados, de modo que las respuestas se mantengan basadas en un contexto de confianza.

Juntas, estas capacidades ayudan a los minoristas a pasar de éxitos aislados de AI a una adopción de AI en toda la empresa.

El objetivo no es obligar a todos los usuarios a utilizar una única aplicación de AI. Se trata de dar a la empresa una estrategia única de gobernanza y acceso a modelos que se mantenga sin importar qué aplicación, agente o interfaz esté utilizando un empleado.

El objetivo no es evitar que los equipos utilicen las herramientas de AI que les gustan. El objetivo es permitir que los equipos avancen más rápido al tiempo que se le da a la empresa el control sobre el modelo, los datos, el contexto, el costo y el riesgo.

Cómo se ve esto en los equipos minoristas

El CIO de una tienda de descuento compartió recientemente un ejemplo muy revelador. Su CEO quería que la AI se basara en datos más amplios de la empresa para que pudiera ser realmente útil para la toma de decisiones ejecutivas.

Esa solicitud refleja a la perfección el desafío de la AI empresarial. La CEO no estaba pidiendo un modelo más inteligente. Estaba pidiendo uno en el que pudiera confiar para el negocio. El instinto es correcto. La AI se vuelve más valiosa cuando comprende el negocio. Los CEO quieren una respuesta basada en sus propios números, no en números genéricos.

La solución no es simplemente dar a cada herramienta de AI acceso sin restricciones a cada conjunto de datos sin procesar. La solución es dar a cada usuario la experiencia de AI adecuada, basada en los datos correctos, con los permisos, el linaje, las definiciones y la auditabilidad adecuados.

Evitar otra capa de AI desconectada

Muchos minoristas ya están invirtiendo fuertemente en gobernanza de datos, modernización de lakehouse y analítica de confianza. A medida que se acelera la adopción de la AI, el riesgo es crear una capa de AI separada que se ejecute fuera de ese patrimonio de datos gobernados. 

Eso puede introducir problemas reales.

• La lógica empresarial puede duplicarse fuera de la plataforma de datos. 
• Es posible que sea necesario volver a crear los permisos en varios sistemas. 
• Los agentes de AI pueden acceder a los datos sin un linaje coherente. 
• El uso de los modelos puede extenderse a través de diferentes proveedores y contratos. 
• La visibilidad de los costos puede fragmentarse por equipo o aplicación. 
• Los registros de prompts y respuestas pueden desconectarse de los flujos de trabajo de gobernanza.

Los minoristas deben evitar recrear la misma fragmentación que muchos pasaron años intentando eliminar en los datos y la analítica.

El futuro del comercio minorista agéntico exige que la AI se acerque a los datos gobernados, en lugar de trasladar la lógica empresarial, los permisos y el contexto de confianza a otra capa desconectada.

Para los minoristas que ya invierten en Unity Catalog, el siguiente paso es gobernar los sistemas de AI creados sobre él. Al hacer esto, cada nuevo caso de uso de AI heredará los mismos permisos, registro de auditoría y controles de costos que ya están implementados, en lugar de comenzar desde cero.

El resultado empresarial: más libertad con más control

Con un plano de control de AI gobernado, los minoristas pueden permitir que los equipos avancen más rápido con libertad mientras mantienen el control empresarial. Cada función obtiene una AI diseñada para su forma real de trabajar, desde el piso de venta hasta el equipo de finanzas, sin tener que esperar a una revisión de seguridad o de compras excepcional para lograrlo.

Al mismo tiempo, los líderes de IT pueden mantener la visibilidad sobre quién está utilizando qué modelos, a qué datos se está accediendo, cuánto cuesta cada flujo de trabajo y cómo se gobiernan las interacciones de AI.

Ese es el equilibrio que necesitan los minoristas. Ni un solo chatbot. Ni un solo modelo. Ni otra plataforma de AI desconectada.

Un plano de control para el contexto.

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