Doxa 1646

Un marco para elegir el proyecto de IA generativa adecuado

Cómo identificar los casos de uso más valiosos y menos riesgosos para su empresa.

Por Marc Zao-Sanders y Marc Ramos

IA y aprendizaje automático

Harvard Business Review

#Doxa #IA #empresa #éticos #demanda #matriz #riesgo #aprendizaje #tecnología #innovación

Resumen. La IA generativa ha capturado la imaginación del público. Es capaz de producir primeros borradores y generar ideas prácticamente instantáneamente, pero también puede tener problemas con la precisión y otros problemas éticos. ¿Cómo deberían las empresas navegar los riesgos en su búsqueda de sus recompensas? Al elegir los casos de uso, necesitan equilibrar el riesgo (¿cuán probable y cuán dañina es la posibilidad de que se generen y difundan falsedades e inexactitudes?) y la demanda (¿cuál es la necesidad real y sostenible de este tipo de salida, más allá del rumor actual?). Los autores sugieren utilizar una matriz de 2×2 para identificar los casos de uso con el menor riesgo y la mayor demanda.

En los últimos meses, ha habido una gran cantidad de exageraciones y especulaciones sobre las implicaciones de los modelos de lenguaje grande (LLM) como ChatGPT de OpenAI, Bard de Google, Claude de Anthropic, LLaMA de Meta y, más recientemente, GPT4. ChatGPT, en particular, alcanzó los 100 millones de usuarios en dos meses, lo que la convierte en la aplicación para consumidores de más rápido crecimiento de todos los tiempos.

Todavía no está claro qué tipo de impacto tendrán los LLM y las opiniones varían enormemente. Muchos expertos argumentan que los LLM tendrán poco impacto (las primeras investigaciones académicas sugieren que la capacidad de los LLM está restringida a la competencia lingüística formal ) o que incluso un volumen casi infinito de datos de capacitación basados ​​en texto sigue siendo una gran limitación. Otros, como Ethan Mollick, argumentan lo contrario: “Las empresas que comprendan la importancia de este cambio, y actúen primero en consecuencia, tendrán una ventaja considerable”.

Lo que sí sabemos ahora es que la IA generativa ha capturado la imaginación del público en general y que es capaz de producir primeros borradores y generar ideas de forma prácticamente instantánea. También sabemos que puede tener problemas con la precisión.

A pesar de las preguntas abiertas sobre esta nueva tecnología, las empresas están buscando formas de aplicarla ahora. ¿Hay alguna forma de superar los argumentos polarizadores, la exageración y la hipérbole y pensar claramente dónde la tecnología llegará primero a casa? Creemos que hay.

Riesgo y Demanda

En cuanto al riesgo, ¿cuán probable y cuán dañina es la posibilidad de que se generen y difundan falsedades e inexactitudes? Bajo demanda, ¿cuál es la necesidad real y sostenible de este tipo de producción, más allá del rumor actual?

Es útil considerar estas variables juntas. Pensar en ellos en una matriz de 2 × 2 proporciona un análisis más matizado, de talla única, de lo que puede venir. De hecho, los riesgos y las demandas difieren entre las diferentes industrias y actividades comerciales. Hemos colocado algunos casos de uso comunes entre industrias en la siguiente tabla.

Piense en dónde podría ubicarse su función comercial o industria. Para su caso de uso, ¿cuánto se reduce el riesgo al introducir un paso para la validación humana? ¿Cuánto podría esto ralentizar el proceso y reducir la demanda?

A medida que su empresa decide dónde comenzar a explorar la IA generativa, es importante equilibrar el riesgo y la demanda. Una forma de pensar en eso es hacer dos preguntas: "¿Qué tan dañino sería si se generaran y difundieran falsedades e inexactitudes?" y "¿Cuál es la necesidad real y sostenible de este tipo de producción, más allá del rumor actual?" En esta matriz de 2 por 2, los autores clasifican los casos de uso comunes entre industrias por riesgo y demanda para brindar ejemplos de las aplicaciones más valiosas y menos riesgosas para una empresa. Para aplicaciones de alta demanda y bajo riesgo, sugieren marketing, aprendizaje, edición, revisiones de código, ideación y diseño y revisiones rápidos. Para aplicaciones de alta demanda y alto riesgo, sugieren diagnósticos médicos, código de producción, asesoramiento legal, inteligencia comercial, cumplimiento normativo y publicación técnica. Para bajo riesgo, uso de baja demanda, sugieren aplicaciones caprichosas, como biografías divertidas de Twitter, y resultados creativos y subjetivos, como imágenes, chistes y poemas. Para aplicaciones de baja demanda y alto riesgo, sugieren asesoramiento técnico especializado, por ejemplo, temas médicos de nicho.

Ver más gráficos HBR en Datos e imágenes

El cuadro superior izquierdo, donde la consecuencia de los errores es relativamente baja y la demanda del mercado es alta, inevitablemente se desarrollará más rápido y más lejos. Para estos casos de uso, existe un incentivo listo para que las empresas encuentren soluciones y hay menos obstáculos para su éxito. Deberíamos esperar ver una combinación de utilización inmediata y sin procesar de la tecnología, así como herramientas de terceros que aprovechan la IA generativa y sus API para su dominio particular.

Esto ya está sucediendo en marketing, donde varias empresas emergentes han encontrado formas innovadoras de aplicar LLM para generar textos e ideas de marketing de contenido, y han alcanzado el estatus de unicornio. El marketing requiere mucha generación e iteración de ideas, mensajes adaptados a audiencias específicas y la producción de mensajes ricos en texto que puedan atraer e influir en las audiencias. En otras palabras, existen usos claros y demanda demostrada. Es importante destacar que también hay una gran cantidad de ejemplos que se pueden usar para guiar a una IA para que coincida con el estilo y el contenido. Por otro lado, la mayoría de las copias de marketing no contienen muchos datos, y los hechos que son importantes se pueden corregir durante la edición.

Mirando la matriz, puede encontrar que hay otras oportunidades que han recibido menos atención. Por ejemplo, aprender. Al igual que el marketing, la creación de contenido para el aprendizaje (para nuestros propósitos, usemos el ejemplo de las herramientas internas de aprendizaje corporativo) requiere una comprensión clara de los intereses de su audiencia y un texto atractivo y efectivo. También hay contenido probable que se puede usar para guiar una herramienta de IA generativa. Preparándolo con la documentación existente, puede pedirle que reescriba, sintetice y actualice los materiales que tiene para hablar mejor con diferentes audiencias o para hacer que el material de aprendizaje se adapte mejor a diferentes contextos.

Las capacidades de la IA generativa también podrían permitir que los materiales de aprendizaje se entreguen de manera diferente, entrelazados con el flujo del trabajo diario o reemplazando las preguntas frecuentes torpes, los centros de conocimiento abultados y los sistemas de emisión de boletos. (Microsoft, accionista del 49% en OpenAI, ya está trabajando en esto, con una serie de anuncios planificados para este año).

Los otros usos en el cuadro de alta demanda/bajo riesgo anterior siguen una lógica similar: son para tareas en las que las personas a menudo están involucradas, y el riesgo de que la IA juegue rápido con los hechos es bajo. Tome los ejemplos de pedirle a la IA que revise el texto: puede enviarle un borrador, darle algunas instrucciones (quiere una versión más detallada, un tono más suave, un resumen de cinco puntos o sugerencias sobre cómo hacer que el texto sea más conciso). ) y revise sus sugerencias. Como un segundo par de ojos, la tecnología está lista para usar ahora mismo. Si desea ideas para alimentar una lluvia de ideas (pasos a seguir al contratar a un diseñador multimedia moderno, o qué comprarle a un niño de cuatro años al que le gustan los trenes para su cumpleaños), la IA generativa será una apuesta rápida, confiable y segura., ya que es probable que esas ideas no estén en el producto final.

Completar la matriz de 2 × 2 anterior con tareas que forman parte del trabajo de su empresa o equipo puede ayudar a establecer paralelismos similares. Al evaluar el riesgo y la demanda, y al considerar los elementos compartidos de tareas particulares, puede brindarle un punto de partida útil y ayudarlo a establecer conexiones y ver oportunidades. También puede ayudarlo a ver dónde no tiene sentido invertir tiempo y recursos.

Los otros tres cuadrantes no son lugares en los que deba apresurarse para encontrar usos para las herramientas de IA generativa. Cuando la demanda es baja, hay poca motivación para que las personas utilicen o desarrollen la tecnología. Producir haikus al estilo de un pirata de Shakespeare puede hacernos reír y dejar boquiabiertos hoy, pero tales trucos de fiesta no mantendrán nuestra atención por mucho más tiempo. Y en los casos en que hay demanda pero alto riesgo, el temor general y la regulación ralentizarán el ritmo del progreso. Teniendo en cuenta su propia matriz de 2 × 2, puede dejar de lado los usos enumerados allí por el momento.

El riesgo bajo sigue siendo riesgo

Una leve nota de advertencia: incluso en el aprendizaje corporativo donde, como hemos argumentado, el riesgo es bajo, existe el riesgo. La IA generativa sigue siendo vulnerable a sesgos y errores, al igual que los humanos. Si asume que los resultados de un sistema de IA generativa están listos y los distribuye de inmediato a toda su fuerza laboral, existe un gran riesgo. Se pondrá a prueba su capacidad para lograr el equilibrio adecuado entre velocidad y calidad.

Así que tome la salida inicial como una primera iteración. Mejórelo con uno o dos mensajes más detallados. Y luego modifique esa salida usted mismo, agregando el conocimiento del mundo real, los matices, incluso el arte y el humor que, por un tiempo más, solo tiene un ser humano.

Lea más sobre inteligencia artificial y aprendizaje automático o temas relacionados Tecnología y análisis e innovación

Marc Zao-Sanders es director ejecutivo y cofundador de filtered.com, que desarrolla tecnología algorítmica para dar sentido a las habilidades corporativas y el contenido de aprendizaje. Encuentra a Marc en LinkedIn aquí.

 SEÑOR

Marc Ramos es el director de aprendizaje de Cornerstone.