La realidad es que las ambiciosas promesas de la IA no se han traducido en resultados corporativos o ganancias. Lo que estamos viendo ahora es un poco de desilusión. Y la razón es que hay mucho trabajo fundamental que debe hacerse para lograr esos resultados. Las empresas no pueden simplemente conectar un modelo de lenguaje (o LLM por sus siglas en inglés) y cosechar los beneficios de la IA. Primero deben establecer sistemas que recopilen, procesen, analicen y almacenen de manera efectiva datos estructurados y no estructurados desde múltiples fuentes. La diferencia entre invertir en promesas o generar valor real con IA está en tener la confianza de que las decisiones estuvieron basadas en datos actualizados y puestos en acción a través de soluciones probadas para ello.
La verdadera base para la IA tiene múltiples dimensiones y lo más importante es que los datos puedan aprovecharse en tiempo real. Los datos viejos no son útiles en el mundo actual y, la veracidad de esos datos también es crucial. Si los datos no son de suficiente calidad y no están listos para alimentar los modelos de IA, se obtendrán malos resultados.
Investigaciones recientes reflejan desconexión entre las expectativas de los líderes empresariales sobre la IA y los resultados reales que han visto hasta la fecha. Una encuesta de IDC encontró que, si bien el 89% de las organizaciones han renovado sus estrategias de datos para adoptar la IA generativa, solo el 26% ha implementado soluciones a escala y aunque el 80% de las organizaciones están invirtiendo en flujos de trabajo de IA agéntica, solo el 12% se siente seguro de que su infraestructura pueda soportar la toma de decisiones autónoma.
La capacidad de ingerir datos en tiempo real, darles sentido y tomar decisiones basadas en ellos a través de agentes inteligentes entrenados es esencial para no perder. Durante los últimos 10 años hemos tenido más eventos 'cisne negro' que en cualquier momento desde la Segunda Guerra Mundial; Covid, crisis climática o el impacto arancelario del entorno macroeconómico actual hacen que las situaciones se reconfiguren y los minutos importen aún más.
Personalmente paso una gran parte de mi tiempo escuchando clientes y sus necesidades, y, el componente ético, es algo que mantenemos muy presente intencionalmente, pues el avance tecnológico siempre supera la capacidad de la sociedad para regularlo. En esto, los gobiernos eventualmente buscan ponerse al día, pero la realidad es que el sector privado es dueño de parte de este proceso también.
Considero que, para lograr resultados sostenibles con IA, es clave partir de un problema real. En lugar de enfocarse en la visión abstracta de la IA, lo importante es identificar qué se quiere resolver. Más que hablar de futuro, se trata de operacionalizar la IA y llevarla al flujo diario del negocio. También es fundamental elegir una solución de IA y datos ágil que pueda escalar conforme evolucionan las necesidades de cada empresa. Muchas organizaciones caen en la trampa de pensar que la IA es una solución única, cuando en realidad debe adaptarse a cada dimensión del negocio, analizar bien el contexto y aplicar el tipo de IA que realmente le genere valor.
