Doxa 2104

En qué se diferencian la IA general y la IA analítica (y cuándo utilizar cada una)

Por Thomas H. Davenport y Peter High

Harvard Business Review

#Doxa #IA #generativa #analítica #organización #riesgo #empresa #aplicación #decisión #valor #tecnología #beneficio #negocio

Resumen. Las organizaciones que han descubierto recientemente la IA generativa corren el riesgo de pasar por alto una forma de IA más antigua y mejor establecida, que los autores llaman “IA analítica”. Esta forma de IA no está en absoluto obsoleta y sigue siendo un recurso importante para la gran mayoría de las empresas. Si bien algunas aplicaciones de IA emplean tanto la IA analítica como la generativa, los dos enfoques de IA son en gran medida independientes. Para tomar decisiones sobre la importancia y el valor relativos de la IA generativa y la IA analítica, las organizaciones primero deben comprender las diferencias entre las dos tecnologías y los diferentes beneficios y riesgos asociados con cada una. Luego pueden tomar decisiones sobre cuál priorizar en qué circunstancias en función de sus estrategias, modelos de negocios, tolerancia al riesgo y otras situaciones. Sin embargo, sin comprender sus diferencias, las organizaciones corren el riesgo de infrautilizar uno o ambos tipos para transformar sus negocios.

Desde que OpenAI anunció ChatGPT en noviembre de 2022, muchos ejecutivos de empresas han centrado su atención en la IA generativa. Esta tecnología relativamente nueva desató un frenesí en torno a la IA y provocó que las empresas le prestaran atención por primera vez. Se trata de un avance positivo, ya que la tecnología es potente e importante y permite muchas nuevas posibilidades comerciales.

Sin embargo, muchas empresas llevan años utilizando la IA con menos visibilidad. Las que han descubierto recientemente la IA generativa corren el riesgo de pasar por alto una forma de IA más antigua y mejor establecida, a la que llamaremos “IA analítica”. Esta forma de IA no está en absoluto obsoleta y sigue siendo un recurso importante para la gran mayoría de las empresas. Si bien algunas aplicaciones de IA emplean tanto la IA analítica como la generativa, los dos enfoques de IA son en gran medida independientes. Las empresas deben decidir qué tipo es el más adecuado para cada caso de uso específico.

Para tomar decisiones sobre la importancia y el valor relativos de la IA generativa y la IA analítica, las organizaciones primero deben comprender las diferencias entre las dos tecnologías y los diferentes beneficios y riesgos asociados con cada una. Luego pueden tomar decisiones sobre cuál priorizar en qué circunstancias según sus estrategias, modelos de negocios, tolerancia al riesgo y otras situaciones.

¿En qué se diferencian la IA generativa y la analítica?

Diferentes propósitos y capacidades

La IA analítica y la IA generativa difieren principalmente en su propósito, capacidades, métodos y datos. El propósito principal de la IA generativa es utilizar modelos de redes neuronales de aprendizaje profundo para generar contenido nuevo (como imágenes, texto, música, código de programación o incluso obras de arte completas) que imiten la creación humana. La IA analítica, por otro lado, se refiere a sistemas de IA basados ​​en aprendizaje automático estadístico que están diseñados para tareas específicas, como clasificación, predicción o toma de decisiones basada en datos estructurados. Por ejemplo, en una promoción de marketing para clientes, se utilizaría la IA analítica para decidir qué producto promocionar a qué cliente, y la IA generativa crearía el lenguaje y la imagen personalizados utilizados en la promoción.

La IA generativa puede producir contenido original y, a menudo, indistinguible del contenido creado por humanos. La IA analítica está diseñada para realizar tareas de predicción específicas de manera eficiente, como predecir cuándo una máquina necesita servicio, predecir el precio que pagará un cliente o recomendar productos según las preferencias del usuario, todo ello basándose en modelos estadísticos predictivos. La IA generativa no puede hacer estas cosas porque no maneja este tipo de datos.

Diferentes métodos algorítmicos 

En términos de métodos algorítmicos, la IA generativa a menudo emplea técnicas complejas como transformadores (que convierten entradas secuenciales de texto, por ejemplo, en salidas coherentes), mecanismos de atención (que predicen la siguiente palabra basándose en el contexto de las palabras que la preceden), redes generativas antagónicas (GAN, que compiten entre sí para lograr un resultado deseado, como ganar un juego) y autocodificadores variacionales (VAE, que son modelos que generan, eliminan ruido y detectan anomalías en nuevos datos derivados de datos existentes) para generar contenido. Estos modelos aprenden a comprender patrones en los datos para crear nuevas instancias de ellos. Los modelos suelen ser creados por proveedores (y personalizados por empresas usuarias ) porque son grandes, requieren amplios recursos computacionales y requieren grandes cantidades de datos.

La IA analítica utiliza una variedad de enfoques de aprendizaje automático generalmente más simples, que incluyen el aprendizaje supervisado (utilizando patrones en datos pasados ​​con resultados conocidos para predecir resultados desconocidos), el aprendizaje no supervisado (identificación de patrones en datos sin resultados conocidos) y el aprendizaje de refuerzo (recompensar a un modelo por optimizar un objetivo específico), así como varias arquitecturas de redes neuronales adaptadas a tareas específicas. Por lo general, las propias empresas entrenan a los modelos con datos pasados ​​y los aplican "por inferencia" para predecir nuevos datos (es decir, se aplican a situaciones del mundo real) utilizando sus propios datos.

Diferentes tipos de datos

Los dos tipos de IA también difieren en los tipos de datos que utilizan. La IA generativa utiliza texto, imágenes y otros formatos de datos relativamente no estructurados, todo en una secuencia que se puede utilizar para predecir otras secuencias. La IA analítica emplea datos estructurados, normalmente filas y columnas de números. La forma más común de IA analítica, el aprendizaje supervisado, requiere que los datos que se utilizan para entrenar el modelo tengan un resultado conocido y etiquetado. Por ejemplo, un modelo supervisado que intenta predecir si un paciente contraerá diabetes (utilizando variables predictivas como el peso, los niveles de ejercicio o los familiares con diabetes) se entrena en un conjunto de datos para el que sabemos si los pacientes contrajeron la enfermedad.

Diferentes retornos de la inversión

Las dos tecnologías de IA también difieren en los tipos de beneficios que pueden ofrecer a las organizaciones. En términos generales, es más probable que la IA generativa produzca ahorros de costos gracias a una mayor productividad en la generación de contenido, y la IA analítica puede generar mejores decisiones, ahorros de costos y un aumento de las ventas, aunque existen excepciones a esta generalización.

La IA generativa puede generar beneficios a partir de la generación de contenido al ofrecer costos reducidos en comparación con la creación de contenido por parte de personas, así como el potencial de generar contenido único y atractivo que atraiga y retenga a los clientes. Se puede aprovechar para crear contenido personalizado adaptado a las preferencias individuales. Esto puede generar una mayor participación del cliente, mayores tasas de conversión y una mejor satisfacción del cliente, lo que en última instancia impulsa el crecimiento de los ingresos. En industrias como la moda, la automoción o el diseño de productos, la IA generativa puede ayudar a generar variaciones de diseño y prototipos de manera rápida y eficiente. Esto puede conducir a ciclos de innovación más rápidos, menor tiempo de comercialización y ahorro de costos en el desarrollo de productos. En términos más generales, las herramientas de IA generativa pueden ayudar a los profesionales creativos brindándoles inspiración, generando ideas o automatizando tareas repetitivas. Esto puede mejorar la productividad, la creatividad y la calidad general de los resultados, lo que conduce a mejores productos y servicios.

En el servicio de atención al cliente, los chatbots con IA generativa pueden emplearse para responder preguntas de los clientes o abordar problemas como primera línea de respuesta al cliente. El ahorro de costes en términos de sustitución de trabajadores del centro de llamadas por IA suele ser el objetivo. Los chatbots basados ​​en IA generativa suelen ofrecer una mejor capacidad de conversación que los chatbots de lenguaje natural anteriores.

Aunque la IA generativa tiene muchos beneficios potenciales, su valor económico puede ser difícil de medir; para ello, generalmente se requieren experimentos controlados entre grupos que usan y no usan la tecnología, y mediciones detalladas de la productividad. El desempeño de algunos grupos (por ejemplo, los trabajadores menos experimentados) puede beneficiarse más o menos que el de otros. Muchos de los beneficios mencionados anteriormente también requieren el entrenamiento de los modelos de IA generativa en el contenido específico de una empresa, lo que puede aumentar los costos.

La IA analítica suele ofrecer mejores retornos económicos a través de modelos predictivos que pueden ayudar a las empresas a pronosticar la demanda, optimizar la gestión de inventarios, identificar tendencias del mercado y tomar decisiones basadas en datos. Esto puede generar menores costos, una mejor asignación de recursos y mayores ingresos a través de una mejor toma de decisiones.

Los modelos de IA analítica también pueden analizar grandes volúmenes de datos de clientes para descubrir información, preferencias y comportamientos. Las empresas pueden utilizar esta información para adaptar las campañas de marketing, crear recomendaciones de productos y ofrecer experiencias personalizadas a los clientes, lo que genera una mayor satisfacción y lealtad de los clientes. La IA analítica también se puede utilizar para establecer precios de productos y servicios de forma dinámica, lo que a menudo mejora la rentabilidad.

La IA analítica también se utiliza ampliamente en la gestión de riesgos y la detección de fraudes: los algoritmos de IA pueden analizar datos en tiempo real para detectar anomalías, identificar riesgos potenciales y prevenir actividades fraudulentas. Esto puede generar ahorros de costos al minimizar las pérdidas por fraude, mejorar las medidas de seguridad y mantener el cumplimiento normativo.

Los beneficios de la IA analítica suelen ser más fáciles de medir que los de la IA generativa porque se reflejan en los sistemas transaccionales, lo que compran los clientes y los costos. En definitiva, tanto la IA generativa como la IA analítica pueden ofrecer un retorno de la inversión significativo a través de una mayor eficiencia, productividad, innovación y satisfacción del cliente, aunque de diferentes maneras según el caso de uso específico y la industria.

Diferentes riesgos

Las preocupaciones de seguridad en torno a la IA generativa y la IA analítica pueden diferir en función de sus respectivas aplicaciones, capacidades y riesgos potenciales. La IA generativa, por ejemplo, permite realizar “deepfakes” convincentes, que pueden utilizarse para desinformación, robo de identidad y fraude. Dado que los modelos de lenguaje de gran tamaño se entrenan con datos existentes, la IA generativa también puede infringir los derechos de propiedad intelectual al generar contenido que se asemeja al material protegido por derechos de autor existente, lo que puede dar lugar a disputas legales. Los modelos de IA generativa también pueden implicar riesgos de privacidad a partir de la información confidencial presente en los datos de entrenamiento o en los datos específicos de la empresa utilizados para personalizar un modelo. Los atacantes también pueden manipular los datos de entrada para engañar a los modelos generativos y lograr que generen resultados no deseados.

Los datos de entrenamiento de la IA analítica se enfrentan a los mismos riesgos de infracciones de ciberseguridad y ataques informáticos que otros datos confidenciales. Además, los modelos de IA entrenados con conjuntos de datos sesgados o incompletos pueden perpetuar sesgos existentes o discriminar a determinados grupos. La tecnología de la IA analítica se puede aprovechar con fines maliciosos, como lanzar ciberataques automatizados, difundir información errónea o realizar estafas de ingeniería social. Se deben implementar medidas de seguridad para mitigar estos riesgos y prevenir amenazas impulsadas por la IA.

Si bien tanto la IA generativa como la IA analítica presentan riesgos y preocupaciones de seguridad relacionadas con la privacidad de los datos, el sesgo y los ataques adversarios, la naturaleza de estas preocupaciones puede variar según las características y aplicaciones específicas de cada tipo de IA. Por el momento, la IA analítica parece implicar niveles más bajos de riesgo, en parte porque se ha utilizado en las empresas durante varias décadas.

Cómo las empresas pueden lograr el equilibrio adecuado entre la IA analítica y la generativa

Las empresas tendrán que determinar cómo asignar la atención, las inversiones y el talento de la dirección a estos dos dominios diferentes de la IA. Una consideración primordial es el grado de familiaridad de las partes interesadas con los dos tipos de IA. En general, la IA generativa es la que abre las puertas. Hace que los ejecutivos y profesionales no técnicos se entusiasmen con la IA y ofrece pocas barreras para su uso. La IA analítica requiere una orientación más estadística para su uso eficaz, por lo que su público principal son los científicos de datos o las personas cuantitativas. Es probable que esa base de usuarios siempre sea menor que la de la IA generativa, aunque las interfaces de IA generativa pueden facilitar que las personas no técnicas realicen formas simples de modelos analíticos. Sin embargo, es probable que los ejecutivos de empresas con una gran cantidad de datos estructurados, como las de servicios financieros, comercio minorista y telecomunicaciones, estén familiarizados con la IA analítica.

Varias empresas nos dijeron que uno de los principales beneficios de la IA generativa era que los líderes sénior estaban más conscientes de la IA en general. Sastry Durvasula, director de tecnología, datos y servicios al cliente de TIAA, dijo: “ChatGPT ha sido un catalizador importante para nuestro cambio a una estrategia que prioriza la IA. Ha elevado nuestras iniciativas de IA a un pilar fundamental de nuestra estrategia empresarial”. La junta directiva y el comité ejecutivo de TIAA han adoptado el enfoque que prioriza la IA, reconociendo el potencial de la IA para mejorar los servicios al cliente, mejorar la eficiencia operativa e impulsar la innovación en toda la organización.

Bill Pappas, director de Tecnología y Operaciones Globales de MetLife, señaló: “Fomentar la colaboración y el aprendizaje continuo en todos los departamentos y funciones desempeña un papel fundamental a la hora de eliminar los silos y fomentar nuevas ideas y formas de pensar. La innovación no es solo tarea del departamento de TI. Los líderes más sólidos saben que la innovación depende del compromiso de toda la organización con el crecimiento”.

Los factores que describimos a continuación pueden proporcionar una guía sobre el énfasis relativo de la IA analítica o generativa dentro de una empresa e industria.

Considere su estrategia y modelo de negocio

¿La actividad principal de la empresa consiste en crear, vender o distribuir contenido? Si es así, la IA generativa debería ser su principal foco. Pero el “contenido” incluye una variedad de dominios. En Bristol Myers Squibb, el director digital y de tecnología Greg Meyers comentó: “La IA generativa es particularmente útil en industrias con gran cantidad de documentos y para crear contenido novedoso, como generar nuevas proteínas en biología computacional”. Esta aplicación ayuda a acelerar los ensayos clínicos y mejorar la eficiencia en el desarrollo de medicamentos. La empresa utiliza la IA analítica para tareas como la previsión, la planificación de la demanda y la predicción de la inscripción en los centros clínicos.

Sin embargo, incluso las empresas que se dedican a la generación de contenidos pueden encontrar problemático el aspecto de predicción de texto probabilístico de la IA generativa. David Wakeling, director global del grupo asesor de IA del importante bufete de abogados A&O Shearman, nos dijo en una entrevista que no ve la IA generativa como una amenaza existencial dada la tecnología actual. Cree que puede hacer que los abogados sean más productivos y eficientes, pero "la naturaleza fundamental de la IA generativa es cometer errores. Se necesita un experto en el tema o se obtendrán malas leyes", afirmó.

Considere el formato de los activos de datos exclusivos y propietarios

Si los activos de datos de la empresa son principalmente contenido no estructurado, como texto, imágenes o vídeos, la IA generativa debería tener prioridad. En Universal Music, por ejemplo, existe un gran interés en la IA generativa, ya que puede crear música, escribir letras e imitar las voces de los artistas. Naras Eechambadi, director global de datos y análisis de la empresa, dijo que la empresa y sus clientes están muy interesados ​​en la IA generativa. Dijo que espera que la tecnología gane impulso lentamente y que, con el tiempo, se produzca algún tipo de punto de inflexión. "De repente, nos daremos cuenta de que esta cosa ha tenido un impacto tremendo" en la industria y en la empresa.

Por otro lado, si la mayoría de los datos de la empresa son estructurados y numéricos, deberían gravitar hacia la IA analítica. Katya Andresen, directora digital y de análisis de Cigna, nos dijo que ofrecer mejores resultados sanitarios es la misión de la empresa. “La IA analítica”, comentó, “nos permite predecir las necesidades de los pacientes, mejorar la gestión de la atención y mejorar la eficiencia operativa”. Este uso de la IA es fundamental para mejorar los resultados sanitarios y reducir los costes. Cigna también está explorando la IA generativa para crear contenido (incluidos datos sintéticos para la formación) y experiencias personalizadas para los clientes.

Hay otras razones para inclinarse hacia un lado u otro en el enfoque principal de IA en una empresa, incluida la experiencia del talento en ciencia de datos, la tolerancia al riesgo de la empresa (la mayoría de las organizaciones consideran que la IA generativa es una tecnología más riesgosa) y la voluntad de tolerar la mayor incertidumbre de los beneficios con la IA generativa.

En definitiva, creemos que muchos casos de uso de la IA combinarán los dos enfoques. AT&T, por ejemplo, que ha empleado enfoques para democratizar la IA durante varios años, está utilizando la IA generativa para facilitar la IA analítica. Su aplicación “Ask Data” permite a los usuarios no técnicos crear análisis y modelos estadísticos (en otras palabras, IA analítica) con indicaciones sencillas en inglés utilizando la IA generativa. La IA generativa está actuando como una interfaz conversacional de interfaz para la IA analítica al escribir código para realizar ese tipo de análisis estadístico. Esperamos que muchas más organizaciones creen con el tiempo combinaciones similares.

Democratizando la IA

Si bien ambos tipos de IA son importantes para la mayoría de las organizaciones, es la IA generativa la que ayuda a democratizar el acceso a herramientas avanzadas. Durvasula de TIAA señala: “La IA generativa permitirá a los usuarios no expertos aprovechar las capacidades de IA de manera más eficaz. Nuestro objetivo es ayudar a que todos en la empresa se vuelvan competentes en IA”. La red de gremios de IA de la empresa ejemplifica este enfoque, ofreciendo capacitación y recursos a los empleados en diversas funciones.

Meyers, de Bristol Myers Squibb, reconoce el potencial de la IA generativa para hacer que las tecnologías avanzadas sean más accesibles. “La IA generativa está reduciendo la barrera para interactuar con la IA analítica. Cualquiera que sepa leer y escribir puede interactuar con la IA generativa, lo que amplía el grupo de personas que pueden utilizar estas tecnologías”, señala.

Andresen, de CIGNA, coincide y añade: “La IA generativa está democratizando el acceso a herramientas y conocimientos complejos, lo que permite que más empleados interactúen con los datos y las tecnologías de IA. Este cambio es crucial para fomentar la innovación y mejorar la toma de decisiones en toda la organización”.

Pappas, de MetLife, indicó que MetLife realizó una encuesta que concluyó que los empleados que creen que su empleador les proporciona la cantidad adecuada de capacitación e información sobre IA tienen más probabilidades de estar satisfechos con sus trabajos y de tener la intención de permanecer en ellos durante los próximos 12 meses. “A medida que el panorama se vuelve más competitivo para los empleadores, será fundamental que las organizaciones consideren cómo están aprovechando la tecnología disruptiva como herramienta para retener y atraer talento”, subraya. “Adoptar la tecnología emergente puede generar resultados más positivos para los empleadores”.

Las organizaciones que hemos descrito son una prueba de que es importante comprender tanto la IA analítica como la generativa, y aplicar cada una a sus respectivas fortalezas en los casos de uso. Juntas pueden impulsar nuevas estrategias y modelos de negocio, crear culturas más basadas en datos, generar mayores niveles de productividad y facilitar mejores decisiones. Sin embargo, si no se comprenden sus diferencias, las organizaciones corren el riesgo de no aprovechar al máximo uno o ambos tipos para transformar sus negocios.

Thomas H. Davenport es Profesor Distinguido de Tecnología de la Información del Presidente en Babson College, Profesor Bicentenario Corporal de Análisis en la Escuela de Negocios Darden de la UVA, académico visitante en la Iniciativa del MIT sobre la Economía Digital y asesor principal del Programa de Director de Datos y Análisis de Deloitte.

Peter High es el fundador y presidente de la consultora tecnológica, digital y de innovación Metis Strategy, y asesora anualmente a decenas de directores de tecnología y digitales de empresas de Fortune 500. También es autor de tres libros, incluido su último libro, Getting to Nimble , y presenta el podcast Technovation.