5 pasos para empezar un proyecto de inteligencia artificial en las empresas

Dennis Herszkowicz, presidente de TOTVS. Foto: Backbase. Portal ERP LATAM. 

Considero que existen algunos pasos fundamentales para que las empresas comiencen a implementar proyectos de IA en sus operaciones. Actualmente podemos mencionar algunas ideas concretas sobre cómo pueden trabajar la inteligencia artificial ‘en casa’, a través de estos cinco pasos:

1. Identificación de necesidades y oportunidades

El primer paso parece sencillo, y lo es. Consiste en identificar las necesidades y oportunidades donde la IA puede generar valor. Como, por ejemplo, automatización de tareas creativas, personalización de productos o servicios, e innovación en los procesos existentes.

Es importante destacar que en este primer paso no se abordan temas técnicos de la solución. El objetivo en esta etapa es mapear fielmente la regla de negocio prevista, es decir, las necesidades, basándose en los problemas identificados. Un buen modelo que sirve de guía para este paso incluye lo siguiente:

1.1. Identificación del dolor (pain points): determinar el problema o frustración que se busca resolver, y los sentimientos negativos derivados de estos problemas.

1.2. Implicaciones objetivas para el negocio: resaltar las principales implicaciones para el negocio, como la ineficiencia operativa, el tiempo excesivo consumido por profesionales senior en tareas operativas y la insatisfacción de los clientes o prospectos.

1.3. Definición de la persona: identificar a la persona/profesional a la que se dirigirá la solución basada en IA generativa, para garantizar un enfoque adecuado al perfil del usuario, como por ejemplo los abogados del departamento jurídico.

1.4. Hipótesis de solución: proponer una hipótesis detallada sobre lo que es esperado que sea ejecutado por la aplicación de IA Generativa, especificando las acciones esperadas a lo largo de toda la jornada de la solución. Por ejemplo, un "Asistente de Revisión de Contratos" debe tener una interfaz amigable para la carga de archivos, confirmar el contenido, revisar el documento consultando una base de conocimiento, señalar elementos sensibles, poner a disposición el archivo revisado en un formato preestablecido y solicitar comentarios del usuario para retroalimentar el conocimiento.

1.5. KPIs: elegir los KPIs que reflejen adecuadamente el impacto de la solución sobre las implicaciones identificadas, como la reducción del tiempo invertido en tareas operativas, el aumento de la eficiencia operativa y la mejora en la satisfacción de los clientes.

2. Capacitación y entrenamiento de equipos

Invertir en capacitación para que los equipos comprendan y apliquen tecnologías de IA Generativa, sea por medio de capacitación interna o asociaciones con instituciones educativas. El segundo paso, que ya comienza a ser más difícil, es la capacitación y formación de equipos.

3. Selección de tecnología y herramientas

La selección de tecnologías y herramientas que se aplicarán en este desarrollo, para cada situación, para cada empresa, la respuesta podrá ser diferente. No habrá, al menos hoy, una receta universal o un patrón que pueda aplicarse sin evaluar, sin pensar exactamente cómo aplicarlo dentro de su negocio. Es decir, elija las herramientas y plataformas de IA generativa que mejor se adapten a sus necesidades particulares. Esto puede abarcar desde soluciones listas para usar hasta desarrollos personalizados con la ayuda de expertos en inteligencia artificial.

Una buena estrategia para esta etapa debe considerar lo siguiente:

3.1. Identificación de los vectores de costo: identificar los principales factores que influyen en el costo de desarrollo y mantenimiento de la solución, incluida la estimación de la solicitud de tokens al modelo de IA Generativa. Analizar alternativas para reducir el volumen de solicitudes y realizar un análisis financiero profundo para garantizar la viabilidad económica del proyecto.

3.2. Estrategia de uso del modelo de IA Generativa: Definir la estrategia para utilizar el modelo de IA Generativa. De manera simplificada, existen 3 grandes estrategias posibles:

Estrategia "Taker": utiliza un "agente de IA" listo y entrenado para un caso específico. Es la forma más rápida de adopción, pero con una baja oferta de agentes completamente listos.

Estrategia "Maker": usa un marco de trabajo de un proveedor para acceder a modelos de IA pre-entrenados y adaptarlos a una base de datos específica de la empresa. Requiere un equipo capacitado o apoyo de consultoría externa.

Estrategia "Shaper": crea un modelo de IA desde cero para una solución única y estratégica que ofrece una ventaja competitiva significativa.

3.3. Base de datos: Garantizar la disponibilidad de datos íntegros, accesibles y seguros en un repositorio predefinido (data warehouse, datalake, data market) al que el modelo accederá permanentemente. La arquitectura de datos debe estar en producción para servir este y futuros casos de uso de IA.

3.4. Requisitos de infraestructura: Detallar y contratar recursos compatibles con la arquitectura para garantizar el mejor rendimiento de la aplicación. Este es uno de los principales vectores de costo del proyecto y es crucial para su éxito.

4. Desarrollo e implementación de proyecto piloto

Implementar proyectos piloto para probar la efectividad de la IA generativa a pequeña escala antes de una implementación más amplia. Esto le ayuda a identificar desafíos y ajustar estrategias de manera eficiente.

No conozco ningún ejemplo de empresa que haya aplicado la IA directamente con éxito. Lo correcto es realizar una prueba piloto. El piloto le permitirá probar la eficacia, el resultado, probar si las elecciones que se han hecho están generando el valor imaginado y con el costo que le permite aprender. Si se salta este paso, está corriendo un riesgo en su operación y un eventual costo adicional que no es necesario.

5. Evaluación de resultados y escala

Obviamente, después de haber piloteado y medido el resultado, es posible implementar efectivamente el éxito del piloto a gran escala. Evaluar los resultados de los proyectos piloto y perfeccionar los enfoques, será necesario antes de avanzar. Los indicadores de éxito predefinidos deben reflejar si se están abordando las implicaciones del “dolor” empresarial original. Por ejemplo, la eficiencia operativa obtenida, los costes implicados, la satisfacción del cliente, o el porcentaje de acortamiento o simplificación de un flujo de trabajo.

Al seguir estos 5 pasos, se está garantizando un nivel de concreción de lo que hoy impacta directamente en el resultado de la empresa. El mercado solo habla de IA, como se suele decir, este tren ya ha salido de la estación. Todo el mundo se está moviendo. ¿Y su empresa? ¿La IA ya forma parte de su día a día? ¿De su negocio?