Con las empresas con las cuales hemos venido trabajando en este último año introduciendo Inteligencia Artificial lo hemos hecho a través de Proyectos Pilotos de IA, con un Asistente de IA, el Copilot de Microsoft. De esta forma, hemos encontrado una excelente manera de dar los primeros pasos con IA, mientras simultáneamente se mejora la productividad de los miembros del equipo ejecutivo que participa en el proyecto.
Especial de Lazlo Beke
Por supuesto, esto permite una primera aproximación a IA en la empresa y genera productividad. Sin embargo, sabemos que eso no es suficiente y el fenómeno se le denomina «paradoja de la IA genérica”.
Casi ocho de cada diez empresas reportan utilizar IA genérica; sin embargo, otras tantas no reportan un impacto significativo en los resultados finales. En el centro de esta paradoja se encuentra un desequilibrio entre los copilotos y chatbots «horizontales» (que abarcan toda la empresa), que han escalado rápidamente, pero que ofrecen ganancias relativas y son difíciles de medir, y los casos de uso «verticales» (específicos de cada función), más transformadores, de los cuales aproximadamente el 90% permanecen estancados en modo piloto. Por ello, lo recomendado es introducirse en IA a través de Asistentes de IA, que permiten la creación de Agentes de IA a nivel personal, en preparación para los Agentes de IA que nos llevarán a manejar procesos.
Agentes de IA
Los agentes de IA ofrecen una manera de superar esta paradoja de la IA genérica. Esto se debe a que tienen el potencial de automatizar procesos empresariales complejos (combinando autonomía, planificación, memoria e integración) para convertir la IA genérica de una herramienta reactiva en un colaborador virtual proactivo y orientado a objetivos. Este cambio permite mucho más que la eficiencia. Los agentes potencian la agilidad operativa y crean nuevas oportunidades de ingresos.
Sin embargo, para aprovechar todo el potencial de la IA agéntica es necesario reinventar esos flujos de trabajo desde cero, con los agentes como eje central. Se necesita un nuevo paradigma de arquitectura de IA —la malla de IA agéntica— para gobernar el panorama organizacional de IA en rápida evolución y permitir que los equipos combinen agentes personalizados y listos para usar. Curiosamente, el mayor desafío será humano: ganarse la confianza, impulsar la adopción y establecer la gobernanza adecuada para gestionar la autonomía de los agentes y evitar una expansión descontrolada.
Para escalar el impacto en la era agéntica, las organizaciones deben replantear sus enfoques de transformación de la IA: de iniciativas dispersas a programas estratégicos; de casos de uso a procesos de negocio; de equipos de IA aislados a escuadrones de transformación multifuncionales; y de la experimentación a la entrega industrializada y escalable. Las organizaciones también deberán sentar las bases para operar eficazmente en la era agéntica. Deberán capacitar a su fuerza laboral, adaptar la infraestructura tecnológica, acelerar la producción de datos e implementar mecanismos de gobernanza específicos para cada agente.
En la «paradoja de la IA gen», el problema principal es el desequilibrio entre los casos de uso «horizontales» y «verticales». Los primeros, como los copilotos de empleados y los chatbots, se han implementado ampliamente, sirven como una buena introducción a la IA pero ofrecen beneficios empresariales relativos, mientras que los casos de uso verticales de mayor impacto, o específicos de una función, rara vez superan la fase piloto debido a barreras técnicas, organizativas, de datos y culturales. A menos que las empresas aborden estas barreras, la promesa transformadora de la IA gen permanecerá en gran medida desaprovechada.
La presencia de IA en las empresas
Incluso antes de la llegada de la IA gen, la inteligencia artificial ya se había forjado un lugar clave en la empresa, impulsando capacidades avanzadas de predicción, clasificación y optimización. El potencial de valor estimado de la tecnología ya era inmenso —entre 11 y 18 billones de dólares a nivel mundial—, principalmente en los campos de marketing (potenciando capacidades como la personalización del correo electrónico y la segmentación de clientes), ventas (puntuación de clientes potenciales) y cadena de suministro (optimización de inventario y previsión de la demanda). Sin embargo, la IA era en gran medida, dominio de expertos. Como resultado, su adopción por parte de las bases tendía a ser lenta.
La IA de Generativa ha ampliado el alcance de la IA tradicional en tres áreas innovadoras: síntesis de información, generación de contenido y comunicación en lenguaje humano. Se estima que la tecnología tiene el potencial de generar entre 2,6 y 4,4 billones de dólares en valor adicional, además del potencial de la IA analítica tradicional. Dos años y medio después del lanzamiento de ChatGPT, la IA de Generación Generativa ha transformado la forma en que las empresas interactúan con la IA. Su potencial transformador reside no solo en las nuevas capacidades que introduce, sino también en su capacidad para democratizar el acceso a tecnologías avanzadas de IA en todas las organizaciones. Esta democratización ha propiciado un crecimiento generalizado del conocimiento y la experimentación con la IA generrativa. Más del 78 % de las empresas utilizan actualmente la IA generativa en al menos una función empresarial (frente al 55 % del año anterior).
Sin embargo, este entusiasmo aún no se ha traducido en resultados económicos tangibles. Solo el 1 % de las empresas encuestadas considera que sus estrategias de IA generativa están maduras. En el corazón de la paradoja de la IA generativa reside un desequilibrio entre los casos de uso horizontales y verticales.
Las implementaciones de IA
Muchas organizaciones han implementado casos de uso horizontales, como copilotos y chatbots a nivel empresarial; por ejemplo, casi el 70 % de las empresas de Fortune 500 utilizan Microsoft 365 Copilot. Estas herramientas se consideran ampliamente como herramientas para mejorar la productividad individual, ya que ayudan a los empleados a ahorrar tiempo en tareas rutinarias y a acceder y sintetizar la información de forma más eficiente. Sin embargo, estas mejoras, si bien reales, tienden a estar dispersas entre los empleados y son solo un primer paso necesario, pero insuficiente.
En cambio, los casos de uso verticales (aquellos integrados en funciones y procesos empresariales específicos) han experimentado un escalamiento limitado en la mayoría de las empresas. Menos del 10 % de los casos de uso implementados superan la fase piloto; estos casos de uso suelen respaldar solo pasos aislados de un proceso empresarial y operar de forma reactiva al ser solicitados por un humano, en lugar de funcionar de forma proactiva o autónoma. ¿A qué se debe este desequilibrio? Por un lado, las aplicaciones copiloto implementadas horizontalmente, como Microsoft Copilot o Google AI Workspace, son soluciones accesibles y listas para usar, relativamente fáciles de implementar. Indudablemente, pronto aparecerán también soluciones de Agentes de IA que serán low code-no code lo cual facilitará su implementación.
La implementación y el alcance limitado de los casos de uso verticales se pueden atribuir principalmente a estos factores principales:
Iniciativas fragmentadas – Menos del 30 % de las empresas informan que sus directores patrocinan directamente su agenda de IA. Esto ha provocado la proliferación de microiniciativas desconectadas y una dispersión de las inversiones en IA, con una coordinación limitada a nivel empresarial.
Falta de soluciones consolidadas y preconfiguradas – A diferencia de las aplicaciones horizontales listas para usar, como las Copilot, los casos de uso verticales suelen requerir un desarrollo a medida. Si bien muchas empresas han invertido en científicos de datos para desarrollar modelos de IA, a menudo carecen de ingenieros de MLOps, que son fundamentales para industrializar, implementar y mantener dichos modelos en entornos de producción.
Limitaciones tecnológicas de las LLM – La primera generación de LLM se enfrentó a limitaciones que afectaron significativamente su implementación a escala empresarial. Las LLM pueden producir resultados imprecisos. Además, a pesar de su potencia, las LLM son fundamentalmente pasivas; no actúan a menos que se les solicite y no pueden gestionar flujos de trabajo de forma independiente ni tomar decisiones sin intervención humana. Las LLM también han tenido dificultades para gestionar flujos de trabajo complejos que implican múltiples pasos, puntos de decisión o lógica de ramificación. Por último, muchas LLM actuales tienen una memoria persistente limitada, lo que dificulta el seguimiento del contexto a lo largo del tiempo o la coherencia en interacciones extensas.
Equipos de IA aislados – Los equipos de centros de excelencia en IA han operado de forma aislada, desarrollando modelos de IA independientemente de las funciones centrales de TI, de los datos o de losnegocios. Esta autonomía, si bien útil para la creación rápida de prototipos, a menudo ha dificultado la escalabilidad de las soluciones.
Brechas de accesibilidad y calidad de los datos – Estas brechas tienden a existir tanto para los datos estructurados como para los no estructurados, y el material no estructurado permanece en gran medida sin gobernar en la mayoría de las organizaciones.Recelo cultural e inercia organizacional – En muchas organizaciones, las implementaciones de IA se han topado con una resistencia implícita por parte de los equipos de negocio y la gerencia media debido al temor a las interrupciones, la incertidumbre sobre el impacto laboral y la falta de familiaridad con la tecnología.
A pesar de su limitado impacto en los resultados hasta la fecha, la primera ola de IA de última generación ha estado lejos de ser desaprovechada. Ha enriquecido las capacidades de los empleados, ha permitido una amplia experimentación, ha acelerado la familiarización con la IA en todas las funciones y ha ayudado a las organizaciones a desarrollar capacidades esenciales en ingeniería rápida, evaluación de modelos y gobernanza. Todo esto ha sentado las bases para una segunda fase más integrada y transformadora: la era emergente de los agentes de IA.
Se hace referencia a Seizing the agentic AI advantage. También aparece en mi Portal https://tinyurl.com/yc5mvrhn.
