Desde restar importancia a la gestión de datos hasta subestimar la criticidad de medir los resultados, demasiados proyectos de IA adolecen de descuidos y errores estratégicos clave.
Las empresas están invirtiendo mucho dinero en herramientas de inteligencia artificial (IA), servicios y estrategias internas. Pero, por desgracia, los grandes desembolsos no garantizan el éxito.
“La IA está en todas partes: transforma industrias, reestructura flujos de trabajo y promete un futuro de posibilidades ilimitadas”, afirma Paul Pallath, vicepresidente de IA aplicada en la consultora tecnológica Searce. “Pero por cada historia de éxito de la IA, hay un fracaso silencioso: proyectos piloto costosos que nunca se amplían, modelos que refuerzan los prejuicios y sistemas que se vuelven obsoletos en cuestión de meses”.
La diferencia entre el éxito y el fracaso radica en cómo se implementa, se gobierna y se mantiene la IA, dice Pallath. “Para acertar con la IA, las organizaciones deben evitar los errores más comunes y costosos”.
Aquí hay 11 formas en que las organizaciones fracasan con la IA, y sugerencias de formas de abordar estos escollos.
No incluir a los usuarios en la planificación de la IA
“¿La forma más rápida de condenar una iniciativa de IA? Tratarla como un proyecto tecnológico en lugar de una transformación empresarial”, afirma Pallath. “La IA no funciona de forma aislada, sino que se nutre de la intuición, la confianza y la colaboración humanas”.
La suposición de que el simple hecho de proporcionar herramientas atraerá automáticamente a los usuarios es un mito costoso, afirma Pallath. “Ha dado lugar a innumerables implementaciones fallidas en las que las soluciones de IA quedan sin utilizar, desalineadas con los flujos de trabajo reales o se topan con el escepticismo”, afirma. “La IA debe integrarse perfectamente en los flujos de trabajo, alinearse con las responsabilidades de los empleados y estar respaldada por una gobernanza clara. Sin aceptación, la IA corre el riesgo de ser infrautilizada o directamente rechazada, lo que hace que las inversiones sean ineficaces”.
Involucrar a los empleados desde el principio, hacerlos partícipes del desarrollo de la IA y fomentar la transparencia, dice Pallath. “Cocrear marcos de gobernanza que garanticen que la IA se alinee con las realidades empresariales, capacitando a los equipos para confiar, perfeccionar y maximizar su potencial”, explica. “La clave es construir la IA con tu gente, no a pesar de ellos”.
Descuidar la formación y la educación
La IA puede tener mala reputación, y los empleados temen perder sus puestos de trabajo en favor de las máquinas. Depende de los directivos garantizar que las personas entiendan cómo y por qué sus organizaciones utilizan herramientas y datos de IA.
Sin una plantilla que adopte la IA, “lograr un impacto empresarial real es un reto”, afirma Sreekanth Menon, líder global de IA/ML en la empresa de servicios y soluciones profesionales Genpact. “Esto requiere que los directivos den prioridad a una cultura digital y apoyen activamente a los empleados durante la transición”.
Para aliviar las preocupaciones de los empleados sobre la IA, los líderes deben ofrecer una amplia formación en IA en todos los departamentos, afirma Menon. “Al enseñar a los empleados cómo la IA puede mejorar su trabajo, no solo hacerlo más rápido, las organizaciones pueden fomentar una cultura de curiosidad y aceptación hacia la IA, lo cual es crucial para el éxito”, afirma.
“No hay un tipo de formación que sea adecuado para todo el personal que se verá afectado por la IA”, afirma Douglas Robbins, vicepresidente de Ingeniería y Creación de Prototipos de la empresa de tecnología e investigación y desarrollo MITRE Labs. “Por ejemplo, los desarrolladores prácticos necesitarán un nivel de comprensión de la IA diferente al de los de adquisición”.
Los líderes de TI no ignoran la importancia de la formación en IA, ya que el 95% cree que los proyectos de IA fracasarán si no cuentan con personal que pueda utilizar eficazmente las herramientas de IA. Sin embargo, solo el 40% de los líderes de TI afirma que sus organizaciones cuentan con formación formal en IA para los empleados, según una encuesta reciente de Pluralsight.
Subestimar la importancia de una hoja de ruta de IA viable
El camino de cada organización hacia la madurez de la IA será ligeramente diferente, dice Robbins. “Desarrollar una hoja de ruta de IA que documente la propuesta de valor alineada con la misión, así como cuándo, quién y cómo se desarrollarán, probarán, desplegarán y mantendrán las capacidades”, dice. Aunque estaba comentando sobre las agencias del gobierno federal, el consejo puede aplicarse a cualquier organización.
Alcanzar el nivel necesario de madurez de la IA para cumplir los objetivos será un proceso de varios pasos, dice Robbins. “Centrarse tanto en lo que funcionó como en las barreras que aún existen será vital para informar sobre los esfuerzos futuros y guiar dónde poner los recursos para abordar problemas potencialmente de largo plazo, como las políticas o la contratación”, dice.
Las categorías generales que deben incluirse en una hoja de ruta para la madurez de la IA incluyen estrategia y recursos; organización y fuerza laboral; facilitadores tecnológicos; gestión de datos; uso ético, equitativo y responsable; y rendimiento y aplicación, apunta Robbins.
Minimizar la gestión de datos
Disponer de datos de alta calidad es vital para el éxito de la IA. “Sin una base de datos sólida, la adopción de la IA se vuelve casi imposible”, afirma Menon, de Genpact. Una reciente encuesta de Genpact y HFS Research realizada a 550 altos ejecutivos muestra que el 42% piensa que la falta de calidad de los datos o de estrategia es el mayor obstáculo para la adopción de la IA. Una mala higiene de los datos socava el éxito de la IA, afirma Menon.
“Construir una plataforma de datos centralizada para organizar y gestionar los datos procedentes de múltiples fuentes”, dice Meno. “Esto garantiza datos de alta calidad y bien seleccionados para impulsar con éxito los modelos de IA”.
Los datos deficientes e inexactos “no solo amenazan la toma de decisiones, sino que pueden dar lugar a contratiempos normativos”, añade Souvik Das, director de Productos y Tecnología de la empresa de software financiero Clearwater Analytics.
Las empresas deben establecer un marco de gobernanza para la gestión de datos. “La gestión de datos ad hoc está obsoleta, y lo que se impone es un marco estructurado que proporcione claridad y coherencia en las funciones, responsabilidades y procesos [como] garantizar que los datos se limpien meticulosamente y que el acceso esté controlado y sea conforme”, afirma Das.
La gobernanza de datos puede ser tan complicada como vital, con muchos escollos que evitar.
Suponer que la IA es una solución de ‘configurar y olvidar’
La IA no es una implementación puntual. “Es un sistema vivo que exige una supervisión, adaptación y optimización constantes”, afirma Pallath, de Searce. “Sin embargo, muchas organizaciones tratan la IA como una herramienta lista para usar, solo para verla quedar obsoleta. Sin equipos dedicados a mantener y perfeccionar los modelos, la IA pierde rápidamente relevancia, precisión e impacto comercial”.
Los cambios en el mercado, la evolución de los comportamientos de los clientes y los cambios normativos pueden convertir una herramienta de IA que antes era poderosa en una responsabilidad, afirma Pallath. Si no se controla, la IA podría producir resultados obsoletos o incluso perjudiciales, erosionando la confianza, los ingresos y la ventaja competitiva, afirma.
“Cree equipos especializados para supervisar el rendimiento de la IA, automatizar las actualizaciones y perfeccionar los modelos de forma continua”, afirma Pallath. “Trate la IA como un sistema vivo, que se nutre de la iteración, el aprendizaje y la gobernanza proactiva para ofrecer un valor sostenido. El éxito no consiste solo en la implementación, sino en el compromiso a largo plazo con la excelencia”.
Ignorar los marcos de IA responsables
Uno de los descuidos más peligrosos en la implementación de la IA es no establecer marcos éticos sólidos, dice Pallath. “Sin directrices claras para el uso responsable de la IA, las organizaciones corren el riesgo de desplegar algoritmos sesgados, manejar mal datos sensibles o perseguir casos de uso problemáticos que pueden desencadenar sanciones reglamentarias y daños a la reputación”, afirma.
Los marcos éticos sólidos no son restricciones, sino facilitadores que alinean las iniciativas de IA con los valores de la organización y la confianza de las partes interesadas, afirma Pallath. “Construir marcos de IA responsables e integrales desde el primer día”, afirma. “Priorizar la ética, el cumplimiento y la transparencia en cada iniciativa de IA. La IA responsable no se trata solo de mitigar riesgos, es una ventaja competitiva que genera confianza, credibilidad y resiliencia empresarial”.
Pasar por alto los riesgos
Las implementaciones de IA, como cualquier iniciativa de TI, conllevan riesgos. Algunos de ellos están relacionados con la ciberseguridad y otros con la integridad y la privacidad de los datos.
“La falta de consideraciones éticas estandarizadas sobre la IA crea desafíos en la gestión de los riesgos potenciales asociados a la IA, como los algoritmos sesgados y las brechas de seguridad”, afirma Menon. “Las repercusiones de estos problemas pueden ser graves y dar lugar a daños en la reputación y responsabilidades legales”.
Las empresas deben tomar medidas para proteger los datos de IA y garantizar la privacidad y la integridad de los datos.
“Al establecer barreras de seguridad desde el principio, de acuerdo con los principios de IA responsable y las creencias y estrategias de la organización, las organizaciones pueden mitigar los riesgos, fomentar la confianza de los clientes, distinguirse de la competencia y allanar el camino para la innovación a largo plazo”.
Actuar con demasiada rapidez para desplegar la IA de forma generalizada
Cubrir una organización con casos de uso de IA sin probar primero los conceptos y aplicaciones en unas pocas áreas seleccionadas podría resultar en un fracaso.
“Adopte un enfoque por fases”, afirma Robbins, de MITRE Labs. “Empiece con aplicaciones más sencillas y poco intrusivas y avance gradualmente hacia usos más complejos y potencialmente intrusivos. Las primeras aplicaciones de IA pueden ayudar en tareas como el análisis de datos, la traducción de idiomas en tiempo real y la automatización administrativa”.
Con el tiempo, se pueden adoptar usos más avanzados, como la identificación de patrones previamente indetectables, siempre que se cuente con los marcos de gobernanza adecuados, afirma Robbins.
No tener en cuenta los procesos existentes
“A medida que comienza la ejecución de la IA, es crucial aplicar el mismo enfoque en repensar los procesos sobre cómo se realiza el trabajo”, dice Lan Guan, responsable global de IA de Accenture.
“Los líderes empresariales tienen un mayor sentido de urgencia para hacer que las cosas sucedan”, pero no tener en cuenta los procesos puede perjudicar los esfuerzos para escalar la IA a largo plazo. “Debemos resistirnos a utilizar la IA para simplemente amplificar lo que ya está roto”.
Es de esperar que este problema se amplíe con la introducción cada vez mayor de la IA agencial orientada a la toma de decisiones en la empresa.
No establecer un retorno de la inversión demostrable
Comprar montones de soluciones de IA sin tener en cuenta el retorno de la inversión (ROI) de las compras es una buena forma de condenar las estrategias de IA.
“Muchas organizaciones se apresuraron a implementar la IA sin alinear sus estrategias con objetivos empresariales claros, lo que dificulta la medición del éxito”, afirma Menon. “Esta falta de alineación dificulta el impacto a largo plazo y la optimización de los recursos”.
Los líderes deben definir primero los beneficios esperados de la IA, asegurándose de que la estrategia apoya el crecimiento a largo plazo, afirma Menon. “La IA es voraz. No puedes permitirte simplemente dedicar más recursos al problema y esperar lo mejor. En su lugar, los líderes deben examinar cuidadosamente las implicaciones de costes de cada flujo de trabajo impulsado por la IA”.
Subestimar la importancia de medir los resultados
La IA sin medición es IA sin responsabilidad, dice Pallath. “Un error fundamental que cometen las organizaciones es lanzar iniciativas de IA sin métricas de éxito claras”, dice. “Sin marcos de medición sólidos, es imposible validar si los sistemas de IA están aportando un valor empresarial real o simplemente creando deuda técnica”.
La incapacidad de cuantificar el impacto socava tanto el rendimiento actual como las inversiones futuras, afirma Pallath. Las organizaciones deben establecer métricas claras antes de la implementación. “Haga un seguimiento tanto del rendimiento técnico como del impacto empresarial”, afirma. “Recuerde que lo que se mide se mejora, y solo el éxito medido de la IA puede replicarse y ampliarse”.
Fuente: CIO