Potencia al cuadrado: Cómo las capacidades humanas potenciarán el impacto empresarial de la IA

Introducción: ¿Creer en el “hype”?

¿Está justificada toda la exageración en torno a la IA con oportunidades comerciales concretas? Las personas expertas en IA de Thoughtworks dicen que la respuesta es sí, pero con algunas advertencias.

 Un apetito por el conocimiento de la IA

Fuente: Deutsche Bank, Google Trends

"Muchas personas se centran en ChatGPT cuando es solo la punta del iceberg", dice Barton Friedland, Advisory Principal Advisory de Thoughtworks. "Las capacidades han existido durante algún tiempo. Lo que ha cambiado es que ahora podemos utilizar la propia IA como interfaz, por lo que si hay un sistema para algo como la detección de fraudes, la fijación dinámica de precios o la gestión de la cadena de suministro, en lugar de tener que señalar y hacer clic para llegar a una solución, simplemente puedes decirle al sistema lo que quieres, y puede entender y producir el resultado que esperas. Nuestra interacción con las computadoras será más fluida, porque ahora tenemos una mayor variedad de modalidades".

"La IA ha alcanzado un nivel de madurez donde su potencial se ha vuelto más visible y tangible para todos", dice Ossi Syd, Advisory Principal Advisory de Thoughtworks. "Veremos más y más oportunidades a medida que más organizaciones comiencen a comprender lo que podría significar para ellas y cómo se puede utilizar para resolver problemas".

Los verdaderos beneficios de este cambio solo se acumularán para las organizaciones que adopten un enfoque deliberado y se liberen de algunas de las ideas erróneas en torno a la IA.

Tomemos el mito común de que la IA requiere grandes cantidades de datos históricos "limpios", cuando en realidad eso no es necesariamente cierto. "Los datos aún desempeñan un papel crítico, pero hay cambios clave", señala David Colls, Director of AI and Data Practice de Thoughtworks.

"Las aplicaciones creativas y estratégicas no pueden basarse únicamente en mirar hacia atrás, sino que deben incorporar datos novedosos del mundo o de tu imaginación colectiva", dice. "El uso de servicios y modelos de IA, por otro lado, extrae grandes cantidades de datos externos pero no diferenciados en tu organización. Estos solo proporcionan una ventaja sostenible cuando se aprovechan con tu experiencia y, aunque sean externos, aún requieren una gobernanza considerada. Es necesario reexaminar cómo se conecta la IA con los datos".

Del mismo modo, a pesar de todo el enfoque en contratar científicos de datos, "la idea de que las consideraciones de IA son mejores dejadas a un equipo dedicado de expertos en IA y ciencia de datos es otro mito que debe desaparecer", continúa Colls. "Las soluciones de IA están diseñadas en última instancia para las personas, y un equipo multidisciplinario que comprenda tanto el dominio como la experiencia técnica, así como un enfoque humano, permitirá a las organizaciones.

Syd aconseja a las empresas que no se sientan demasiado intimidadas por lo que podría implicar la implementación de la IA, ni que esperen resultados inmediatos. "Existe la creencia de que la integración y adaptación de la IA es un gran salto que requiere inversiones significativas antes de producir resultados, cuando en realidad tanto la transformación como el proceso de la IA son más graduales", explica. "La misma creencia se asociaba con la transformación digital en el pasado".

Las organizaciones, y su personal, también pueden descartar las preocupaciones de que los modelos avanzados de IA generativa vuelvan obsoletos muchos roles. "Hubo un período en el que la automatización de extremo a extremo se consideraba la solución, pero una serie de incidentes han demostrado que no es un enfoque muy resistente", dice Colls. "Los roles no necesariamente serán reemplazados por completo, pero las tareas mundanas serán más fáciles de realizar. Las personas se dedicarán a establecer la dirección y manejar desviaciones de los parámetros normales, aplicando pensamiento creativo y resolución de problemas para lidiar con esas situaciones".

Los mejores resultados se pueden lograr "no necesariamente siguiendo la exageración, sino reconstruyendo tu estrategia teniendo en cuenta esta evolución tecnológica", agrega Friedman. "La tecnología solo es realmente efectiva cuando amplifica lo que es distintivo de tu organización, reduce la fricción y apoya el crecimiento".

Syd advises companies not to be overly intimidated by what an AI implementation might involve – or to expect immediate payback. “There’s a belief that AI integration and adaptation is one giant leap that requires significant upfront investments before producing results, when in fact both transformation and the AI journey are more gradual in nature. The same belief was associated with the digital transformation back in the day.” he explains. 

Organizations – and their people – can also dismiss concerns that advanced generative AI models will render many roles obsolete. “There was a period where end-to-end automation was seen as the solution, but a number of incidents have shown that’s not a very resilient approach,” says Colls. “Roles will not necessarily be replaced wholesale, but mundane stuff will be made easier to do. People will be placed in a role of setting the direction and then handling deviations from normal parameters, applying creative thinking and problem solving to deal with those situations.” 

The best results can be achieved “not necessarily by buying into the hype, but by rebuilding your strategy to take into account this evolution in technology,” Friedman adds. “Technology is only really effective when it amplifies what’s distinctive about your organization, reduces friction and supports growth.” 

i. Por qué una estrategia de IA es ahora responsabilidad de todos 

Con prácticamente todas las industrias listas para verse afectadas por la IA, integrarla en la visión más amplia de cualquier empresa se ha vuelto crítico.

"Cualquier organización que busque mantener su cuota de mercado y seguir siendo competitiva en la próxima década debe prestar atención y actuar", dice Friedland. "El riesgo de no hacerlo es que los modos actuales de trabajo pierdan efectividad, o que los productos y el mercado mismo cambien de una manera que no permita a la empresa mantenerse al día".

"La urgencia se debe a que en los próximos años, todo el software, incluidos los casos de uso mundanos como la gestión de almacenes y la planificación de precios, tendrá IA integrada para que sea más autónomo, al tiempo que potencia la actividad humana", explica Syd. "En este tipo de mundo, ya no tiene sentido invertir en software que no sea de IA, ya que es casi tan costoso de producir sin el retorno de inversión y la eficiencia del software con IA integrada".

ativos.

"Las organizaciones pueden prepararse para el éxito identificando primero la oportunidad, luego construyendo una imagen general de esa oportunidad que muestre áreas de enfoque y similitudes entre diferentes partes del negocio, donde podrías aprovechar la misma solución o enfoque varias veces", explica Colls. "Idealmente, están trabajando con partes interesadas comerciales y un equipo de tecnología multidisciplinario para impulsar la aplicación".

Syd advierte a los ejecutivos que no se abrumen con todas las aplicaciones teóricas de la IA, ni que esperen que cree nuevas oportunidades desde cero para todos. Para muchos, se trata de mejorar las operaciones existentes, permitiendo que el negocio haga lo que ya hace mejor.

"Mi consejo sería no dejarse confundir por la IA", dice. "Ya has dirigido tu negocio antes y has tomado muchas decisiones de priorización que siguen siendo válidas. Tus servicios son, en muchos casos, los mismos servicios de antes; solo que ahora son más autónomos, eficientes o relevantes gracias a la IA".

ii. Casos de uso que generan resultados

Algunas de las oportunidades más convincentes de mejora mediante IA surgirán en torno a los recursos de datos de las empresas. En medio del cambio hacia la nube, muchas compañías siguen luchando con datos dispersos en sistemas diversos y con código que ya no cumple su propósito, lo que complica las operaciones y la toma de decisiones. Con la capacidad de la IA para asumir parte de la carga de unificar los datos, identificar problemas de software e incluso actualizar programas, puede ayudar a las empresas a establecer nuevas conexiones a la vez que contribuye a la resiliencia de los sistemas.

Friedland señala el ejemplo de Marimekko, una casa de diseño finlandesa que recurrió a Thoughtworks para mejorar el motor que recomienda sus productos a los clientes. Esto ya había sido un éxito, al haber aumentado los ingresos en un promedio del 24% por usuario, pero con la IA fue posible ampliar aún más las capacidades del motor.

"Existen aciertos y desaciertos en el proceso de recomendación; la IA se puede utilizar para procesar esos datos secundarios y resaltar las brechas en la línea de productos, de modo que no solo se utilice para aumentar las ventas, sino también para desarrollar productos", dice Friedland. "Esa es una forma realmente importante de pensarlo. Cuando las organizaciones hacen una inversión significativa en IA, ¿por qué no pensar en la cadena de valor y en cómo se puede continuar el ciclo de vida de esos datos para crear más valor a partir de ellos?".

También se ha vuelto más factible utilizar enfoques basados en IA para escribir programas y reducir la cantidad de trabajo requerido, y para proporcionar rápidamente y de manera consistente la información necesaria para mantener operaciones complejas.

"Todo lo que se necesita es reentrenar el modelo o incluir nuevos datos cuando las situaciones cambien", dice Friedland. "Aún se necesitarán programadores para adaptar las interfaces gráficas de usuario a enfoques más avanzados para construir programas y para incorporar los datos. Pero uno de los problemas clave que resuelve la IA es que los programas probados se pueden cambiar a un costo muy bajo. Estas dos dinámicas: sistemas mejor conectados, con la capacidad de cambiarlos más rápidamente, deberían permitir a las organizaciones mantenerse al día con el ritmo del cambio de manera mucho más efectiva".

"Todo lo que actualmente involucra software se verá afectado por la IA", coincide Syd. "Cualquier problema empresarial que las organizaciones necesitaran resolver en el pasado, lo hacían con herramientas de software y las utilizaban para mejorar la eficiencia humana. La IA permite a las empresas automatizar aún más y potenciar la eficiencia humana más que cualquier software anteriormente".

Otro ejemplo es un cliente de aviación, donde Thoughtworks, en colaboración con expertos en gestión de instalaciones y estacionamiento, desarrolló un modelo para optimizar la asignación de espacios a los aviones que tiene en cuenta docenas de variables complejas para crear y afinar planes a un ritmo imposible de lograr manualmente. Desde su implementación, el modelo ha reducido los retrasos relacionados con los vuelos en el aeropuerto en más del 60%.

Con un historial de varios años de implementar soluciones generativas de IA, Thoughtworks ha sido testigo de su potencial para ir más allá de medidas predictivas o de mejora de eficiencia.

"Obtener ayuda para generar ideas, refinar diseños de productos y servicios o comprender opciones estratégicas también es igual o incluso más valioso", señala Colls. "Hay muchas oportunidades para ir más allá del enfoque de productividad pura y examinar cómo las herramientas de IA pueden ayudar en el descubrimiento creativo".

Esto se evidencia en cómo la IA ya se utiliza para establecer nuevos patrones o incorporar un mayor conocimiento especializado en el desarrollo. En uno de nuestros clientes, uno de los principales productores mundiales de alimentos para snacks, la IA está respaldando algunos elementos de la creación de recetas, lo que históricamente se complicaba debido a desafíos en la recopilación de datos, escasez de habilidades y gustos inconsistentes. Al asociar especialistas en productos con IA, la organización puede generar recetas de mayor calidad de manera exponencialmente más rápida. La IA no funciona de forma aislada, sino que potencia a equipos capacitados que brindan orientación y retroalimentación para mejorar aún más los resultados.

El sistema de la organización ha reducido la cantidad de pasos necesarios en el proceso de desarrollo de un nuevo producto de un promedio de 150 a solo 15. "Eso es realmente significativo porque si las organizaciones pueden crear productos de alta calidad rápidamente, podría cambiar la forma en que se comercializan y venden los productos: más ediciones limitadas, más deleite a los clientes con nuevas experiencias que los mantengan interesados y conectados a la marca", dice Friedland. "Es un cambio completo en el modelo de negocio".

Las últimas iteraciones de la IA incluso pueden tener implicaciones estratégicas de gran alcance al permitir incluir una gama mucho más amplia de puntos de vista y consideraciones, incluidas aquellas que suelen quedar marginadas, en la toma de decisiones.

"Cuando un consejo ejecutivo toma una decisión, probablemente haya varias personas que representen perspectivas o intereses muy diferentes y que vean el mundo desde sus propias perspectivas", explica Friedland. "Pero para tomar mejores decisiones, realmente necesitamos comprender diferentes preocupaciones y cómo se interconectan. Eso no es algo que las mentes humanas hagan muy bien, pero si creas un reflejo con una computadora modelando las suposiciones que las personas hacen sobre lo que los grupos, como los trabajadores, quieren, cuáles son las necesidades financieras, cuáles son las metas y aspiraciones del marketing, junto con consideraciones como la sostenibilidad, pueden surgir nuevas conexiones e ideas completamente nuevas".

iii. Límites y buenas prácticas  

En medio de la emoción, también se debe reconocer que los avances en IA presentarán a las empresas nuevos desafíos.

Mientras se persiguen ganancias de productividad con IA, "las organizaciones también deben ser conscientes de la calidad, algo que puede ser difícil de evaluar", advierte Colls. "Dependiendo del nivel de tolerancia a fallas que tengan las organizaciones, el caso para la adopción podría cambiar".

A medida que las soluciones se vuelven más sofisticadas y se incorporan con más frecuencia y profundidad en el software, los productos y las operaciones diarias, "también aumenta su potencial para permitir que las personas cometan errores más fácilmente o logren objetivos con malas intenciones", señala Syd.

Investigaciones ya señalan un aumento en los incidentes y controversias de IA, ya sea en forma de videos deepfake de líderes políticos y empresariales, o sesgos que influyen en la vigilancia y el análisis de datos. Las consecuencias reputacionales y regulatorias hacen que sea esencial que las empresas tomen medidas proactivas para garantizar que su experimentación con IA se mantenga éticamente sólida y cumpla con la ley.

Aumento constante en incidentes y controversias de IA reportados durante la última década.

Fuente: Institute for Human-Centered AI, Stanford University, April 2023

Sin embargo, el potencial de contratiempos no debe provocar parálisis. Los principios básicos de la tecnología responsable, que garantizan que las soluciones se basen en valores como la equidad, la accesibilidad y la sostenibilidad, valores que muchas empresas ya tienen, forman una primera línea de defensa significativa. La IA responsable, en otras palabras, se convierte en una extensión natural delenfoque tecnológico responsable.

"Los problemas que la IA se utiliza para resolver en la mayoría de las empresas están naturalmente completamente aislados de los derechos humanos fundamentales o las preguntas de privacidad", dice Syd. "En cualquier caso, una sólida cultura empresarial y normas éticas son las guardias más importantes. Los principios fundamentales de los negocios éticos y responsables siguen siendo igual de necesarios y válidos en la era de la IA".

La diversidad en las organizaciones y los equipos de desarrollo también es una consideración primordial, señala Colls. Al incorporar una pluralidad de puntos de vista en el desarrollo y evaluar las posibles consecuencias de las soluciones a través de una variedad más amplia de enfoques, es más probable que los modelos eviten sesgos y otros problemas.

"La ética es uno de esos ámbitos en los que nunca se termina, de la misma manera que las empresas continúan buscando un crecimiento y rentabilidad mejores", señala Friedland. "Siempre se puede analizar una cadena de valor y mejorar los resultados éticos".

La IA responsable también reconoce que no hay atajos.

"Algunas soluciones de IA no se han construido con prácticas de ingeniería sólidas que les permitan implementarse con confianza en producción o evolucionar fácilmente", señala Colls. "Los desafíos para que los equipos de negocio o dominio accedan a un entorno de experimentación seguro y bien gobernado también pueden ser una barrera, por lo que el costo de oportunidad de no poder perseguir una serie de buenas ideas se convierte en otro fracaso".

"Las organizaciones deben ser igual de rigurosas en las pruebas de los modelos de IA como lo serían para cualquier otra aplicación, lo cual no siempre es el caso cuando las empresas se apresuran a lanzar cosas al mercado", coincide Friedland. "Un enfoque de desarrollo basado en pruebas puede incluir casos de uso extremos en los que las organizaciones desean asegurarse de establecer límites desde el principio para reducir los riesgos".

Los costos de apresurarse con la IA generativa ya se han hecho dolorosamente evidentes para empresas como Google, que vio reducido su valor de mercado en más de 100 mil millones de dólares después de lanzar rápidamente una competencia de ChatGPT respaldada por Microsoft que ofrecía respuestas defectuosas a algunas consultas. La empresa se comprometió a abordar esto a través de pruebas más rigurosas.

Para evitar este tipo de problemas, las soluciones de IA deben contar con los mismos principios de entrega continua que respaldan el buen desarrollo de productos, con avances realizados a través de cambios incrementales que pueden revertirse fácilmente si no tienen el impacto deseado.

Esto también asegura que los modelos evolucionen en lugar de surgir masivamente complejos, y por lo tanto más propensos a problemas o fallas, desde el principio. "Puede ayudar a las organizaciones a construir iterativa y gradualmente la complejidad de un modelo y desarrollar una buena idea de cómo varía el comportamiento en comparación con los casos más simples con los que comenzaron", dice Colls.

Esto incluye continuar evaluando y mejorando las soluciones después del lanzamiento, otro proceso en el que se puede utilizar la IA, e incluso retirarlas si es necesario.

Especialmente cuando el rendimiento de la IA es variable o incierto, "las empresas deben diseñar experiencias para el fracaso, de modo que siempre que sea posible, puedan degradarse de manera elegante y proporcionar algún nivel de experiencia sin IA", dice Colls. "Así siempre tendrán la opción de cambiar la experiencia rápidamente si surge algo inesperado".

Ser cuidadoso acerca de cómo se obtiene y se aplica la información también permite a las organizaciones minimizar los riesgos desde el principio. A veces, esto significa simplemente saber cuándo decir "basta".

"La seguridad y la privacidad de los datos son preocupaciones fundamentales para las iniciativas de IA, por lo que todo lo que puedas hacer para reducir tu dependencia de grandes cantidades de datos, especialmente datos sensibles de los clientes, se amortiza muchas veces", explica Colls. "Si bien los enfoques centrados en los datos son efectivos, cuando los datos conllevan costos o riesgos, las organizaciones deben analizarlos de manera crítica y preguntarse: '¿Realmente necesitamos estos datos específicos para brindar esa experiencia?'"

"Cuanto más puedas hacer para que la aplicación sea una buena experiencia desde el punto de vista de la privacidad, mejor servirá a los clientes", agrega.

Un concepto clave a tener en cuenta durante todo el ciclo de vida de una solución de IA es la explicabilidad o interpretabilidad, en términos generales, la capacidad de identificar cómo el modelo llega a su resultado y los factores que influyeron en el proceso. "Los modelos simples tienden a ser más explicables que los modelos más complejos, que tienden a tener un mejor rendimiento", dice Colls.

Al intentar desarrollar un modelo que logre el delicado equilibrio entre rendimiento, transparencia y confiabilidad, una táctica es ponderar diferentes medidas de rendimiento para asignar un valor a la explicabilidad o un factor de compensación entre la explicabilidad y la precisión del modelo. La calibración de estas métricas depende del caso de uso y el contexto.

"Es importante comprender el costo del fracaso", señala Syd. "En algunos casos, las personas están dispuestas a aceptarlo si entienden que están trabajando con IA. En algunos contextos, el fracaso no es una opción en absoluto. Las personas pueden morir debido a ello".

"Si, por ejemplo, estás tratando de detectar cáncer, quieres asegurarte de no pasar por alto ningún caso real de cáncer", dice Colls. "En el ámbito financiero, el lavado de dinero o el incumplimiento de sanciones pueden acarrear sanciones mucho más graves que el fraude, que suele ser simplemente un gasto empresarial. Entonces, podrías establecer los umbrales en consecuencia".

Generalmente, las organizaciones tienen más flexibilidad en cuanto a la explicabilidad en casos de uso internos. Como señala Colls: "Si el modelo de IA se utiliza para ayudar a priorizar tareas, es posible que no sea necesario proporcionar una explicación a los empleados sobre por qué una tarea tiene el puesto número uno y no el número dos. Una explicación sobre los factores que el algoritmo considera puede ser suficiente".

En situaciones en las que las técnicas podrían desafiar los requisitos de explicabilidad, Colls recomienda "anticipar las expectativas de los consumidores en cuanto a la explicabilidad y lo que se requiere desde una perspectiva regulatoria". Las organizaciones también pueden explorar herramientas como modelos aproximados para explicar por qué se toman decisiones dentro de una cierta área de un sistema complejo, incluso si es difícil proporcionar una explicación universal.

"Algunos de estos problemas se pueden abordar mediante lo que llamamos 'desplazamiento hacia la izquierda', donde los problemas éticos y de seguridad se abordan al principio del proceso de desarrollo, no como una ocurrencia tardía", dice Friedland.

iv. Guiando el negocio hacia adelante con IA y un toque humano capacitado

En esencia, en lugar de intentar cubrir todas las posibles brechas éticas o de seguridad, las organizaciones deben buscar un equilibrio entre alentar a las personas a adoptar la IA, asegurarse de que sigan siendo sensibles a los problemas que pueda presentar y permitir espacio para la innovación.

"Intentar resolver este desafío haciendo que sea 100% 'impermeable' a través de medios tecnológicos probablemente conducirá a inversiones costosas equivocadas", dice Syd. "Se trata más de lograr que las personas se comporten éticamente".

Puede ser necesario establecer pautas para navegar por los dilemas de propiedad intelectual presentados por modelos que se basan en fuentes externas, como ChatGPT. "Debe haber parámetros de gobernanza cuidadosos en torno a eso, ya que no quieres volverte dependiente o estar expuesto a riesgos", dice Colls. "Pero quieres establecer esos parámetros al tiempo que permites que los equipos lo hagan, lo cual es una forma más sostenible de mantenerse actualizado".

Dado que la mayoría de los desafíos en torno a la IA tienen tanto que ver con las personas como con la tecnología, se sigue que la conciencia y el apoyo del usuario son determinantes importantes del progreso. Para mitigar los riesgos y la frustración, las soluciones deben considerarse a la luz de las capacidades y el impacto de quienes trabajarán con ellas.

Since most of the challenges around AI have as much to do with people as technology, it follows that user awareness and support are major determinants of progress. To mitigate risks – and frustration – solutions have to be considered in light of the capabilities of, and their impact on, those who will work with them.   

"Los usuarios expertos pueden corregir fallos, mientras que debemos tener cuidado de exponer a los usuarios novatos a una alta incidencia de fallos, ya que es posible que ni siquiera los reconozcan como tales", señala Colls.

Parte de esto puede implicar desechar suposiciones sobre dónde se debe aplicar la IA y permitir que los equipos tengan voz en dónde puede mejorar su trabajo, ya que, después de todo, ellos lo conocen mejor que nadie.

"Muchas empresas sufren por falta de participación en torno a su estrategia de IA", dice Friedland. "La estrategia aparece mágicamente y nadie sabe muy bien qué hacer. Funciona mucho mejor si las organizaciones pueden realmente fomentar o obtener contribuciones de la comunidad y hacer participar a las personas en el proceso de cambio. Las personas pueden tener ideas realmente buenas para mejorar la eficiencia del flujo de trabajo si las organizaciones solicitan sus contribuciones y realmente apoyan su participación, y las recompensan por ello".

Las personas y las empresas para las que trabajan también necesitan estar seguras de que todo lo que hacen con la IA crea valor. Con el tiempo, el éxito y la relevancia de una solución de IA se reducirán a medir el rendimiento en función de los objetivos correctos.

"Hagas lo que hagas, asegúrate de que la IA lleve a tu negocio hacia adelante de alguna manera, puede ser algo más que dinero, y prepárate para demostrarlo con números", dice Syd. "Los objetivos empresariales son el fundamento que constituye la prueba definitiva para todo lo que hagas en una empresa".

"Cuando los equipos de entrega no reciben métricas claras para determinar cómo su trabajo se alinea con la estrategia empresarial, no importa lo que construyan; no necesariamente los llevará en la dirección correcta", coincide Friedland. "A medida que las organizaciones construyen algo, deben ser capaces de medir si está teniendo impacto en clientes y alcanzando los objetivos empresariales, y obtener comentarios en tiempo real sobre lo que falta".

Al mismo tiempo, un conjunto separado de métricas de IA puede introducir sesgos dependiendo de cómo se diseñen. "Las mismas métricas que las organizaciones utilizan para evaluar el éxito de su negocio funcionarán igual de bien con la IA", dice Syd.

"Es lo mismo que con la digitalización", agrega. "Podría perjudicar a tu negocio si te dejas engañar por métricas semiautomáticas para demostrar cuán 'digital' o 'de IA' eres ahora. Las preguntas clave deberían ser: ¿Estás haciendo un mejor negocio? ¿Tienes una visión realista de cómo escalar el negocio cuando experimentas éxito?".

Dependiendo del contexto de la organización, la productividad y la experiencia del cliente suelen ser consideraciones importantes desde el principio. Pero "las medidas de capacidad interna, como la conciencia del potencial de la IA para los equipos, la comodidad para explorar, adoptar o implementar soluciones de IA, también son indicadores principales para brindar a las organizaciones confianza de que están en el camino hacia esos indicadores rezagados de experiencia del cliente, productividad y mejora de ingresos", dice Colls.

Para las organizaciones que dudan sobre dar el salto o cómo justificar los presupuestos necesarios, las personas  expertas de Thoughtworks les instan a ver la IA como una inversión incremental en el cambio empresarial continuo, en lugar de un ejercicio independiente impulsado por la tecnología, y como algo que evolucionará con la empresa.

"Trata la IA como has tratado las computadoras y el software hasta ahora", dice Syd. "No se trata de si usas computadoras o software en tu negocio, sino de cómo lo haces. Si bien la IA tiene el poder de generar cambios mayores, las preguntas que se hacen son similares, no si usarla o no, sino cómo".

"Recuerda que en este momento estamos viendo un fragmento en el tiempo", dice Colls. "No dejes que las soluciones actuales dicten tu pensamiento; no han aparecido de la noche a la mañana. La IA ya es omnipresente. Este período es un paso más pronunciado que impulsa la IA hacia adelante en la experiencia del usuario, pero es solo un paso en una larga escalada hacia una IA ubicua. Por lo tanto, cualquier respuesta debe considerar seguir de manera sostenible la trayectoria futura, así como aprovechar las capacidades actuales".

Los esfuerzos para practicar una IA responsable y regulaciones más estrictas impulsarán "mejores formas de manejar los fracasos para poder aprovechar los momentos en que se hace bien", explica. "Los avances en la confiabilidad de los modelos complejos permitirán que las personas tengan la confianza de que funcionarán como se espera, lo que abrirá un nuevo mundo de oportunidades que las organizaciones aún no persiguen en este momento porque no tienen esa garantía de seguridad o previsibilidad".

El impacto empresarial total de la IA dependerá "no tanto explícitamente de la IA en sí misma, sino de cómo las iniciativas se aprovechan y amplifican mediante lo que la IA puede hacer", señala Friedland. Y es el potencial para ampliar aún más las conexiones entre los datos, los sistemas, lo humano y lo técnico lo que él ve como una revolución en los negocios en los próximos años.

"Si interconectas de manera efectiva la estrategia con la IA, los datos y la ingeniería que lo respalda, permitirás que las personas obtengan valor de los datos y sus experiencias diarias, de modo que puedan generar ideas mucho mejores que cualquier individuo por sí solo, y obtendrán sistemas de mayor rendimiento", dice.