Los 5 errores más comunes al adoptar IA generativa en tu empresa.

IA generativa, la palabra de moda de 2023. A día de hoy se ha convertido en la tecnología con la adopción más rápida de la historia (según O'Reilly, en el último año un 67% de las empresas ya están usándola de una u otra forma) y la que más noticias acapara desde su creación en medios específicos, generalistas y hasta la televisión.

Nos han prometido que va a cambiar la manera en la que trabajamos, McKinsey tiene informes en los que promete además una generación de “billions de dólares” para cualquier sector. Sobredimensionadas o no, esta vez no parece tan descabellado como anteriores promesas de la IA “tradicional” (aunque hablar de “tradicional” e IA suene paradójico).

Hace un año ChatGPT nos deslumbró con su producto, pero los que trabajamos en este mundo ya hemos vivido cómo otras tecnologías lo hicieron y sus promesas fueron finalmente jarros de agua fría.

Sin embargo, esta vez, y tras ver durante este año el proceso de evolución que han tenido los LLMs (Large Language Models), junto con las grandes apuestas de los Big Players y, sobre todo, de haber podido trabajar con la tecnología en casos de uso reales, podemos decir sin miedo a equivocarnos que esta es una apuesta que hay que tomarse en serio.

La adopción de la IA Gen por parte de las empresas va a ser un must. Sobre todo porque atacan a algo que impacta directamente en el retorno financiero, la productividad de sus empleados y procesos. No seamos alarmistas, la IA Gen no va a quitar el trabajo a nadie, pero ojo, alguien que sepa utilizar IA Gen sí que lo va a hacer.

Sin embargo, aunque este oasis en medio del desierto resulte tentador, la adopción de la IA generativa puede presentar varios problemas para las empresas si no se abordan de manera adecuada.

Vamos a ver el top 5 de la realidad y las dificultades que nos estamos encontrando en su adopción empresarial:

1 Pensar que la IA gen no va con tu negocio o que está sobrevalorada

Estamos viendo cómo algunas empresas se muestran reticentes a la incorporación de esta tecnología pensando que será otro bluf o que directamente no van con su negocio.

Muchos se han quedado con la idea de que la IA Gen es ChatGPT y nada más lejos de la realidad. ChatGPT es un producto de OpenAI que usa IA generativa para generar una experiencia conversacional, pero la realidad es que cualquier empresa puede hacer uso directamente la IA generativa que subyace en ChatGPT para otras tareas como automatizar procesos, crear aplicaciones, mejorar procesos industriales, generar contenido, analizar datos masivos de múltiples fuentes y un largo etcétera.

2 Pensar que la IA Gen va a resolver todo

Por el contrario, también es un error común pensar que la IA Gen vale para todo. Esto es un error muy frecuente ante cualquier tecnología disruptiva, tanto los grandes fan de la tecnología como los que quieren hacer algo cuanto antes con ella para buscar ese ansiado check, suelen cometer el mismo error: ver IA generativa para cualquier solución a un problema u oportunidad existente.

Hay que forzarse a racionalizar en qué caso de uso merece la pena introducir este tipo de tecnología desde el punto de vista del esfuerzo a realizar. Evaluar si la modificación en el proceso en el que se introduce lo simplifica, mejora o eficienta o, si por querer usar IA Gen, estamos haciendo “un arco de iglesia”.

3 Adoptar IA Gen sin una estrategia

Muy relacionado con el problema anterior es la falta de comprensión y conocimiento sobre cómo aprovechar al máximo los beneficios de esta tecnología. Muchas empresas pueden verse tentadas a adoptar la IA generativa debido a su atractivo y a las promesas de revolucionar la forma en que operan. Sin embargo, implementarla sin un enfoque estratégico y cuidadoso puede llevar a problemas y obstáculos importantes.

Esto no consiste en marcar el check de que usas IA Gen. Toda empresa debería diseñar primero una estrategia de adopción donde tener identificados casos de uso priorizados que han sido evaluados según complejidad y aporte de valor, así como un plan de implantación y necesidad de acceso a los datos.

Además, no hay que menospreciar el cambio en la forma de trabajar y la resistencia al cambio. La implementación de IA generativa suele implicar cambios significativos en los procesos y prácticas existentes en una empresa. Esto puede requerir tener que rediseñar servicios, procesos y herramientas, lo que ya sabemos que suele generar resistencia al cambio por parte de los empleados.

Es fundamental abordar adecuadamente la gestión del cambio y garantizar que los empleados estén preparados y dispuestos a adoptar y trabajar con la IA generativa.

Por otro lado, la hiperestimulación de casos de uso puede generar ineficiencias y diluir los esfuerzos en toda la empresa. Cada departamento puede querer iniciar su propia iniciativa de IA generativa, lo que puede llevar a la duplicación de esfuerzos y a la falta de coordinación.

Además, la falta de homogeneidad en las soluciones puede ser un desafío. A menudo, diferentes equipos abordan un mismo caso de uso de manera diferente, lo que puede generar inconsistencias y dificultades en la implementación y mantenimiento a largo plazo. Es esencial establecer estándares y mejores prácticas para garantizar la coherencia y la eficiencia en la implementación de la IA generativa.

Esa visión estratégica de para qué incorporar la IA generativa en la compañía tiene que ir acompañada de una colaboración efectiva entre los diferentes equipos de negocio y tecnología para evitar duplicidades y maximizar el impacto en toda la organización, así como eficientar el esfuerzo invertido y las capacidades de la tecnología.

4 PoCs imposibles de productivizar

La gran mayoría de las iniciativas se quedan en fase de PoC y no llegan a ver nunca entornos productivos, lo que supone una inversión sin retorno. Pero… ¿por qué pasa esto? Aunque no hay una respuesta única, sí que detectamos problemas comunes en todas las empresas:

• Falta de procedimientos estandarizados en el campo de la IA. Es uno de los más habituales y es que, al ser este un campo aún muy académico, el mundo empresarial tiene la dolencia de carecer de procesos claramente estandarizados. Cada científico/ingeniero de datos se suele manejar a su manera, lo que dificulta la colaboración y la coherencia en el desarrollo, prueba, despliegue y monitorización de los modelos de IA generativa. La falta de procedimientos claros puede generar confusión y retrasos, lo que puede afectar negativamente la eficiencia y la calidad de los resultados.
• Adoptar Prompt Engineering. Con la aparición de IA Gen también lo ha hecho otro rol fundamental, el Prompt Engineer. Los prompt van a ser gran parte de la inteligencia de tu producto. Es ahí donde vuelcas tus reglas de negocio y como tal debe ser tratado como un activo de software. Debe disponer de su versionado, ciclo de ALM, tratado como artefacto en un repositorio y, en general, todas las buenas prácticas que atañen a un activo software. En la realidad es fácil encontrarse con empresas que piensan que la manera de usar IA Gen es a través de ChatGPT o Bard. Y no solo en equipos de negocio, donde podría tener más cabido, sino también en equipos de desarrollo que invierten tiempo no productivo escribiendo y reescribiendo prompts una y otra vez en lugar de seguir un enfoque más estructurado y procedimentado. Esto limita el potencial de la IA generativa y puede llevar a resultados inconsistentes. Es fundamental que los equipos adopten mejores prácticas y utilicen herramientas y enfoques más avanzados para maximizar el valor de la IA generativa.
• La falta de pruebas y monitorización también puede ser un problema. Las aplicaciones basadas en IA generativa deben ser sometidas a pruebas para garantizar su calidad y consistencia en las repuestas. A menudo, las empresas subestiman la importancia de las pruebas continuas y la monitorización en la implementación de estas soluciones. Esto puede resultar en modelos defectuosos o poco confiables que no cumplen con las expectativas. No solo hay que probar en fase de desarrollo, sino mantener una monitorización activa una vez en producción. Seguro que coincidiréis con nosotros en que siempre es mejor que tus sistemas te avisen de que algo va mal antes de que lo haga un Twitter incendiado haciendo mención a tu compañía.
  Aunque todavía hay mucho trabajo por hacer, ya existen técnicas para controlar las respuestas: desde métricas como Bert Score, Rougue, similitudes vectoriales; sistemas de RLFHF (Reinforcement learning from human feedback ); o evaluadores basados en LLMs.
• Seguridad y privacidad. Aún son muchas las dudas a este respecto y se tiende a abordar al final de un desarrollo. Sin embargo, estos dos requisitos deben formar parte desde el primer diseño de la solución.
  Además, hay que tener claro que para un uso empresarial debes usar modelos fundacionales pensados para ello como Google PaLM2, Azure Open AI o AWS Bedrock, pero no sus versiones de consumo: Google Bard o ChatGPT. El primero te aseguran aislamiento de tus datos mediante tenants específicos que disponibilizan para tu uso único y exclusivo.

5 Falta de expertos en IA generativa

Nada nuevo que no sepamos. El mercado ya adolece de una brutal escasez de perfiles de IA y la IA generativa, aunque parece que viene para facilitar el acceso a ella, está levantando las necesidades de nuevos perfiles que hasta ahora no existían. Véase el ante mencionado Prompt Engineer o el LLMOps Engineer.

La realidad que nos encontramos es que si queremos realmente industrializar soluciones basadas en LLMs y que aporten un valor real a la compañía, van a ser necesarios perfiles especializados que sepan trabajar con las múltiples piezas que componen estás aplicaciones.

Estas van desde componentes especializados en la ingesta y procesado de datos, pasando por lingüistas especializados en prompt engineering, hasta perfiles especializados en Operaciones para desplegar modelos de IA.

La parte buena es que aún estás a tiempo de subirte al carro. Nos encontramos en una fase temprana de adopción y es buen momento para formarse y empezar a recibir feedback de las soluciones que hagas. Las empresas que más avanzadas van en este país aún están lanzando sus primeros prototipos, pero… ¡no te despistes!

Por último, y como conclusión, es importante destacar que la IA generativa sigue siendo una tecnología emergente. Aunque puede ser tentador implementar soluciones puntuales sin una estrategia sólida, es crucial considerar varios ejes como el control de la inversión, el valor aportado o la capacitación técnica necesaria.

Creemos que la implementación de IA generativa requiere un enfoque cuidadoso, de la colaboración entre las áreas de negocio e IT de la compañía y una planificación adecuada (esto no quiere decir que vaya a ser más costoso) para lograr un entorno controlado, seguro, escalable y mantenible.

En lugar de adoptar la tecnología de manera aislada y sin una visión a largo plazo, el objetivo final siempre debe ser el de fomentar un impacto continuo y significativo en la compañía. Si no, todo esfuerzo no habrá servido para nada.

¿Quieres saber más?

Te contamos más en este podcast: