¿Su estrategia de inteligencia artificial moldeará su futuro o lo descarrilará?
Por Konstantinos Trantopoulos, Yash Raj Shrestha, Amit Joshi, Michael Wade y Jingqi Liu
IA generativa
Harvard Business Review
#Doxa #estrategia #IA #futuro #descarrilar #generativa #arquetivo #empresa #disciplina #control #confianza #seguidor #resultado #solución #propiedad #ventaja #impulsar #ventaja #sostenida
Resumen. Al estudiar 100 implementaciones de marca de IA de última generación, los investigadores han descubierto cuatro arquetipos de cómo las empresas utilizan la tecnología estratégicamente. Los innovadores audaces buscan transformar sus mercados con IA de última generación. Los integradores disciplinados se centran en la confianza. Control y cumplimiento. Los seguidores rápidos buscan resultados rápidos, utilizando IA genérica para soluciones de bajo costo y alto impacto. Los desarrolladores estratégicos adoptan una visión a largo plazo, desarrollando IA genérica para poseer propiedad intelectual e impulsar una ventaja sostenida.
A medida que las empresas pasan de los proyectos piloto de IA generativa (IA gen) a iniciativas a gran escala con resultados medibles, muchas de ellas tienen dificultades para convertir la ambición en impacto. A pesar de su creciente adopción, la mayoría de las iniciativas de IA generativa no alcanzan el ROI, lo que pone de relieve la complejidad y el alto riesgo de la estrategia de IA generativa.
Los líderes se enfrentan a preguntas cruciales: ¿Dónde deberían enfocar la IA de generación para lograr el mayor impacto estratégico? ¿Deberían priorizar los sistemas propietarios para obtener una ventaja a largo plazo o las herramientas listas para usar para mayor velocidad? ¿Cómo pueden equilibrar una implementación rápida con estabilidad, confianza y cumplimiento normativo? ¿Y cómo pueden garantizar que su estrategia de IA de generación se alinee con los mecanismos de ejecución para impulsar la transformación con un impacto medible?
No se trata solo de cuestiones técnicas, sino de decisiones estratégicas que determinarán qué empresas lideran y cuáles se quedan atrás. El camino comienza con dos preguntas fundamentales: ¿Cuál debería ser nuestra estrategia de IA general? y ¿ Cómo podemos ejecutarla eficazmente?
Responder a estas preguntas requiere más que experimentación. Exige una priorización clara y una ejecución disciplinada. Priorizar implica sortear las disyuntivas en cuatro dimensiones: alinear los casos de uso con los objetivos estratégicos, elegir entre construir o comprar, calibrar la exposición al riesgo y equilibrar la velocidad con la estabilidad operativa. La ejecución, a su vez, depende de unas bases de datos sólidas, una infraestructura escalable, una gobernanza responsable, la preparación organizativa y el desarrollo de capacidades específicas.
En 2024, analizamos extensas fuentes de archivo, cobertura mediática e informes en línea para crear un conjunto de datos de 100 casos de uso de IA de última generación en sectores como logística, finanzas, salud, energía y comercio minorista. Este análisis reveló patrones clave de adopción, posicionamiento estratégico, decisiones de implementación y los modelos organizativos utilizados para respaldar la ejecución.
Utilizamos estos conocimientos para desarrollar un marco práctico que ayude a las organizaciones a diseñar y ejecutar estrategias que generen valor real, perfeccionado a través de debates en aulas ejecutivas y nuestra colaboración con empresas establecidas en la implementación de inteligencia artificial general en el mundo real.
Dando forma a una estrategia de IA para la generación
Los líderes de las empresas establecidas se enfrentan ahora a un nuevo tipo de desafío de cartera. A diferencia de las transformaciones digitales anteriores, que solían centrarse en la modernización de TI o la digitalización de procesos, la IA de última generación presenta un rompecabezas más complejo y multidimensional. Una priorización eficaz requiere un equilibrio entre los siguientes factores: los beneficios esperados y las implicaciones de costos, y la tolerancia al riesgo con el ritmo de implementación deseado.
Beneficios esperados y consideraciones de costos
Alinee los casos de uso de la IA con los objetivos estratégicos. Las organizaciones inteligentes utilizan la IA genérica para resolver problemas de alto impacto con resultados claros. Carrefour reduce las pérdidas y aumenta los márgenes mediante un inventario más inteligente. Novartis agiliza el diseño de ensayos clínicos. Zurich Insurance mejora el cumplimiento normativo y la confianza con una suscripción en lenguaje sencillo, lo que genera mejoras mensurables en velocidad y productividad. Empresas creativas como Netflix y Warner Bros. Discovery utilizan la IA genérica para localizar contenido, resumir guiones y explorar nuevas ideas, con el objetivo de acelerar la producción y la innovación.
Ya sea que se busque la eficiencia o la innovación, la clave es definir el valor buscado y elegir casos de uso que respalden directamente esos objetivos.
Tendrá que desarrollar o adquirir soluciones de IA. La adopción de la IA de última generación suele requerir una inversión considerable. JPMorganChase, con más de 1500 expertos en IA, crea modelos propios para combatir el fraude, el cumplimiento normativo y la atención al cliente, apostando por mejoras a largo plazo en el control y la ventaja competitiva. Las empresas más pequeñas o sensibles a los costes tienden a adquirir e integrar herramientas prefabricadas. Klarna utiliza un asistente basado en OpenAI para la mayoría de los chats con clientes. Enel combina la IA de última generación interna con API de terceros, mientras que Maersk combina herramientas comerciales para el modelado portuario con sistemas logísticos personalizados.
La pregunta clave no es solo cuánto invertir, sino dónde. La ventaja competitiva suele residir en crear soluciones propias en torno a contextos de datos únicos, mientras que la velocidad y la eficiencia se pueden obtener adquiriendo herramientas externas para capacidades más comunes, como la generación de lenguajes.
Tolerancia al riesgo y velocidad de implementación
Gestión del riesgo: Las empresas deben alinear su estrategia de riesgo de IA genérica con sus objetivos estratégicos, las necesidades de cumplimiento normativo y la tolerancia al riesgo. Por ejemplo, JPMorgan lanzó su versión segura de ChatGPT, LLM Suite, casi un año después de restringir el uso de ChatGPT a sus empleados debido a preocupaciones sobre la privacidad de los datos. El banco priorizó la protección de datos confidenciales, a la vez que facilitó su adopción en divisiones clave como la gestión de activos y patrimonios. En cambio, Duolingo utilizó GPT-4 para funciones como "Explica mi respuesta" y "Juego de roles", lo que le permitió obtener una ventaja en el sector de la tecnología educativa, un sector con menores preocupaciones en materia de gestión de riesgos que las finanzas o la sanidad.
El nivel adecuado de riesgo varía según la industria, el caso de uso y el entorno regulatorio. Lo que funciona para una empresa de redes sociales con tecnología de vanguardia puede ser inaceptable para una institución financiera o una empresa farmacéutica altamente regulada.
Equilibrar la velocidad y la estabilidad: La velocidad de implementación de la IA de generación puede ofrecer ventajas para quienes la adoptan por primera vez, pero también conlleva riesgos. Por ejemplo, General Motors adopta un enfoque más lento, probando la IA de generación para software, capacitación y tareas legales, con énfasis en la seguridad, la alineación y la minimización de las interrupciones del negocio antes de la implementación completa. En cambio, Snap Inc. implementa rápidamente funciones de IA de generación como Lentes de IA, Mi IA y Snaps de IA para mejorar la experiencia de Snapchat. El enfoque de la industria de las redes sociales en la rápida implementación de funciones permitió a Snap adoptar estas herramientas con rapidez, a menudo con menor preocupación por la interrupción de la estabilidad operativa.
Muchas empresas optan por una estrategia híbrida. Adobe desarrolló Firefly internamente y lo lanzó gradualmente, comenzando con usuarios beta antes de la integración completa con Creative Cloud.
Cuatro arquetipos estratégicos
Las disyuntivas estratégicas mencionadas anteriormente influyen en cómo las organizaciones establecen las prioridades de la IA general. Para abordarlas, describimos cuatro arquetipos estratégicos, cada uno con un enfoque distinto. Estos arquetipos ayudan a las empresas a alinear su estrategia de IA general con los objetivos generales del negocio, aclarando su postura sobre las disyuntivas clave.
- Innovadores audaces: Estas empresas buscan transformar sus mercados con inteligencia artificial de última generación, asumiendo riesgos para destacar. Heidelberg Materials, por ejemplo, utiliza inteligencia artificial de última generación para simular la química de reducción de carbono para cemento sostenible, una apuesta ambiciosa por la solidez de la propiedad intelectual y el liderazgo climático.
- Integradores Disciplinados: Estas empresas se centran en la confianza, el control y el cumplimiento normativo, garantizando que la innovación impulse la estabilidad operativa. Roche, por ejemplo, utiliza IA genómica en la monitorización de ensayos clínicos bajo una estricta supervisión regulatoria, protegiendo cuidadosamente los datos de los pacientes.
- Seguidores Rápidos: Estas empresas buscan resultados rápidos, utilizando IA de última generación para soluciones de bajo costo y alto impacto. CarMax, por ejemplo, implementó un motor de IA de última generación para resumir reseñas de autos usados, acelerando la interacción con el comercio electrónico sin grandes cambios de infraestructura.
- Constructores Estratégicos: Estas empresas adoptan una visión a largo plazo y desarrollan IA genérica para controlar la propiedad intelectual e impulsar una ventaja competitiva sostenida. Allianz ejemplifica este enfoque, desarrollando su propia infraestructura de IA genérica para siniestros, fraude y suscripción en los mercados globales para fortalecer su posición futura.
El arquetipo de IA gen de una organización suele ser flexible y evoluciona con los cambios en la madurez de las capacidades, la tolerancia al riesgo y las prioridades del negocio. Algunas transiciones son estratégicas, otras reactivas. Zurich Insurance, por ejemplo, comenzó como un Integrador Disciplinado aplicando IA gen a la suscripción bajo una estricta gobernanza, y posteriormente evolucionó a un Seguidor Rápido mediante la implementación de chatbots en la tramitación de reclamaciones. Novartis pasó de Seguidor Rápido a Constructor Estratégico al pasar de herramientas estándar a modelos propietarios en ensayos clínicos. Carrefour evolucionó del uso de IA gen para generar descripciones de productos a la implementación piloto de tiendas autónomas, ejemplificando un Innovador Audaz. Estos cambios subrayan la importancia de alinear los arquetipos con las cambiantes necesidades organizacionales en lugar de buscar un modelo superior.
Además, pocas organizaciones se ajustan a un único arquetipo. Diferentes funciones dentro de una misma empresa pueden adoptar enfoques distintos. Por ejemplo, una unidad de I+D podría operar como un Innovador Audaz, mientras que un equipo de atención al cliente funciona como un Integrador Disciplinado. La clave está en evaluar su posición en cuanto a beneficios, costos, riesgos y velocidad, y elegir una ruta alineada con los objetivos estratégicos.
Ejecutar con disciplina
Elegir el arquetipo adecuado es solo la mitad del camino. Implementarlo exige un enfoque disciplinado basado en bases de datos sólidas, una arquitectura tecnológica escalable, una gobernanza responsable, la preparación organizacional y el desarrollo de capacidades específicas. Recomendamos los siguientes cinco pilares de ejecución.
1. Disponibilidad de datos
Una IA genérica de alto rendimiento requiere datos de alta calidad y bien integrados. Muchas empresas subestiman el trabajo que supone depurar y alinear los datos entre sistemas, lo que genera resultados de IA poco fiables. American Express abordó este problema renovando su infraestructura de datos y unificando los datos de transacciones, atención al cliente y monitorización del fraude, garantizando así la coherencia, la precisión y la privacidad. Roche, en el sector sanitario, creó un modelo de gobernanza multifuncional para gestionar diversos tipos de datos conforme al RGPD, que respalda las herramientas de IA genérica en el diagnóstico y la investigación. La disponibilidad de los datos también exige una supervisión ética: las políticas de obtención, consentimiento, anonimización y explicabilidad son esenciales, especialmente en sectores regulados o de atención al consumidor.
2. Arquitectura tecnológica
La IA gen escalable requiere una arquitectura flexible y de alto rendimiento. Las empresas deben elegir entre configuraciones en la nube, locales o híbridas, garantizar la interoperabilidad y construir sistemas modulares que evolucionen con la tecnología y las regulaciones. Netflix utiliza un sistema en la nube a medida que impulsa las recomendaciones globales basadas en IA e integra microservicios para una implementación fluida de funciones. CarMax se asoció con Microsoft Azure para crear un motor de IA gen nativo en la nube que resume las opiniones de los clientes, lo que permite una rápida integración del comercio electrónico con cambios mínimos en la infraestructura. CVS Health combina sistemas en la nube y locales para equilibrar velocidad y control. Sus herramientas de IA gen para la revisión de reclamaciones se ejecutan en entornos modulares seguros que cumplen con la HIPAA. La arquitectura inteligente se adapta a las necesidades de TI actuales, facilita una implementación rápida y escala con el crecimiento del negocio.
3. Gobernanza
La gobernanza de la IA general es esencial a medida que los modelos se vuelven más complejos. Las empresas deben gestionar el cumplimiento normativo, el riesgo y la ética con marcos que garanticen los derechos de decisión, la supervisión de los modelos y la rendición de cuentas. Microsoft implementó un Estándar de IA Responsable, que exige a los equipos documentar los casos de uso, explicar los modelos y realizar comprobaciones de imparcialidad, con el apoyo de su Oficina de IA Responsable. Salesforce formó un equipo de Ética de la IA para guiar el desarrollo de productos mediante evaluaciones de riesgos. Incluso empresas más pequeñas como Hugging Face contribuyen, ofreciendo herramientas como "Tarjetas de Modelo" y "Declaraciones de Datos" para garantizar la transparencia. La mayoría de las organizaciones comienzan con auditorías, consejos asesores y pruebas de sesgo, y luego amplían la gobernanza a medida que crece su uso.
4. Preparación organizacional
La inercia cultural y estructural puede ralentizar la adopción de la IA genérica, incluso con herramientas y habilidades sólidas. La preparación organizacional implica alinear procesos, métricas y liderazgo para impulsar la transformación. Airbnb creó "equipos tigre" de IA multifuncionales para identificar e implementar rápidamente casos de uso, superando los obstáculos tradicionales. ING integró la IA en su modelo de escuadrón ágil, lo que ayudó a los equipos a pasar fluidamente de la idea a la producción. La gestión del cambio es clave. Los líderes deben explicar por qué se utiliza la IA genérica, cómo afecta a los empleados y qué apoyo está disponible. La resistencia es natural, pero se puede gestionar cuando la comunicación es clara e inclusiva.
5. Desarrollo de capacidades
La IA de última generación mejora la experiencia humana, lo que hace que la alfabetización en IA sea esencial en todos los roles. PwC está invirtiendo más de mil millones de dólares para capacitar a consultores en el uso de IA de última generación para tareas como el análisis de documentos y el modelado de riesgos, convirtiéndola en una habilidad fundamental. Unilever capacita a los equipos de marketing, finanzas y RR. HH. mediante talleres de ingeniería rápida y entornos de pruebas donde los empleados pueden experimentar de forma segura con herramientas basadas en IA. Los programas de capacitación más eficaces combinan la formación con el empoderamiento: enseñan a las personas a trabajar con IA de última generación, a la vez que rediseñan los roles y los flujos de trabajo para que la IA de última generación forme parte de los procesos empresariales cotidianos.
Vinculación de los arquetipos con los pilares de ejecución
La IA Gen no es una solución sencilla e inmediata. Para generar valor, los líderes deben elegir dónde enfocarse y cómo ejecutarlo. Nuestro marco combina los cuatro arquetipos estratégicos con los cinco pilares de ejecución para guiar este proceso y garantizar un impacto duradero.
Cada arquetipo (Innovadores Audaces, Integradores Disciplinados, Seguidores Rápidos y Constructores Estratégicos) requiere una configuración a medida en los cinco pilares: Preparación de Datos, Arquitectura Tecnológica, Gobernanza, Preparación Organizacional y Desarrollo de Capacidades. Estos pilares funcionan como un sistema y su alineación con los objetivos de cada arquetipo garantiza un encaje estratégico. A continuación, detallamos cada enfoque.
Innovadores audaces
Estas organizaciones buscan innovaciones, priorizando los altos beneficios y asumiendo mayores riesgos para obtener la ventaja de ser pioneras. Deberían aprovechar una combinación de modelos propios y de terceros para impulsar aplicaciones de vanguardia.
- Preparación de datos: Priorizar la integración rápida de datos de diversas fuentes, garantizando al mismo tiempo el abastecimiento ético y el consentimiento. Clave para casos de uso como la optimización de la cadena de suministro.
- Arquitectura tecnológica: cree sistemas flexibles basados en la nube que combinen API y modelos personalizados para respaldar la creación rápida de prototipos y escalamiento.
- Gobernanza: utilice una gobernanza liviana con controles de sesgo en tiempo real y revisiones éticas para mantener la confianza sin sofocar la innovación.
- Preparación organizacional: crear laboratorios de innovación multifuncionales que eludan la jerarquía para acelerar la experimentación.
- Desarrollo de capacidades: desarrolle habilidades avanzadas como ingeniería rápida y ajuste de modelos a través de talleres prácticos y entornos sandbox.
Integradores disciplinados
Estas empresas priorizan el control y el cumplimiento normativo, a menudo en sectores regulados, con baja tolerancia al riesgo e implementaciones más lentas. La colaboración con proveedores especializados para desarrollar modelos personalizados garantiza una gobernanza sólida.
- Preparación de datos: crear conjuntos de datos estructurados y que cumplan con las normas de privacidad con un sólido consentimiento y explicabilidad, esenciales para industrias reguladas como la atención médica y las finanzas.
- Arquitectura tecnológica: utilice configuraciones híbridas de nube local que enfaticen la seguridad y la interoperabilidad con los sistemas actuales.
- Gobernanza: Implementar marcos sólidos con auditorías, controles de imparcialidad y juntas de ética para gestionar el riesgo y garantizar el cumplimiento.
- Preparación organizacional: integrar la IA en los flujos de trabajo existentes con procesos claros y alineación de las partes interesadas para preservar la estabilidad operativa.
- Desarrollo de capacidades: combinar capacitación técnica con capacitación enfocada en gobernanza y adaptada a los roles para una ejecución disciplinada y conforme.
Seguidores rápidos
Estas organizaciones se centran en resultados rápidos con presupuestos moderados y buscan una ejecución rápida mediante soluciones listas para usar. Las API de inteligencia artificial de última generación para tareas como la generación de resúmenes o la atención al cliente ofrecen un impacto medible.
- Preparación de datos: concéntrese en la limpieza rápida de datos y utilice conjuntos de datos fácilmente disponibles para permitir la implementación rápida de herramientas basadas en API.
- Arquitectura tecnológica: confíe en las API en la nube y en plataformas prediseñadas para reducir los costos de infraestructura y acelerar la integración.
- Gobernanza: utilice plantillas de gobernanza proporcionadas por el proveedor con controles de sesgo básicos y medidas de transparencia para generar confianza sin demoras.
- Preparación organizacional: reestructurar los equipos en torno a flujos de trabajo ágiles para integrar la IA en áreas clave como el servicio al cliente con una interrupción mínima.
- Desarrollo de capacidades: ofrezca capacitación práctica en el uso de API y diseño de indicaciones básicas para ayudar a los equipos a aprovechar rápidamente las herramientas disponibles en el mercado.
Constructores estratégicos
Estas empresas apuestan por el largo plazo, priorizando la innovación, la propiedad intelectual y la personalización. Invertir en modelos de base con infraestructura segura garantiza la diferenciación competitiva.
- Preparación de datos: desarrollar lagos de datos centralizados y de alta calidad con fuerte anonimización y abastecimiento ético para impulsar la creación de modelos propietarios.
- Arquitectura tecnológica: diseñar arquitecturas escalables y personalizadas, generalmente en plataformas de nube seguras, para respaldar modelos personalizados y adaptabilidad a largo plazo.
- Gobernanza: Implementar sistemas avanzados con monitoreo automatizado, explicabilidad y protección de propiedad intelectual para asegurar inversiones estratégicas en IA.
- Preparación organizacional: integrar profundamente la IA mediante la reelaboración de procesos y KPI para incorporar la innovación impulsada por IA en toda la empresa.
- Desarrollo de capacidades: comprometerse con una amplia capacitación, desde la ciencia de datos hasta la estrategia de IA, para mantener un ecosistema de IA propietario y de nivel empresarial.
...
¿Su estrategia de IA genérica moldeará su futuro o lo descarrilará? El éxito depende de alinear prioridades claras con una ejecución disciplinada. Al elegir un arquetipo que se ajuste a sus objetivos, tolerancia al riesgo y recursos, los líderes pueden alinear los cinco pilares para construir una hoja de ruta definida. Ya sea superando los límites como un Innovador Audaz o escalando sistemas propietarios como un Constructor Estratégico, cada pilar debe respaldar el camino elegido. Con el marco adecuado, la IA genérica se convierte en una herramienta de transformación, impulsando un impacto real y resultados medibles.
Lea más sobre IA generativa o temas relacionados IA y aprendizaje automático, Tecnología y análisis, Algoritmos, Análisis y ciencia de datos, Gestión de datos, Indicadores de rendimiento, Automatización, Ciberseguridad y privacidad digital, Informática empresarial y Gestión de la información.
Konstantinos Trantopoulos es miembro del Instituto Internacional para el Desarrollo Gerencial (IMD).
Yash Raj Shrestha es profesor asistente y jefe de grupo en el Laboratorio de Inteligencia Artificial Aplicada de la Universidad de Lausana.
Amit Joshi es profesor de IA, Analítica y Estrategia de Marketing en IMD y se especializa en ayudar a las organizaciones a utilizar la inteligencia artificial y a desarrollar sus capacidades de big data, analítica e IA. Profesor e investigador galardonado, cuenta con una amplia experiencia en transformaciones impulsadas por la IA y la analítica en sectores como la banca, la tecnología financiera, el comercio minorista, los servicios, la automoción, las telecomunicaciones y la industria farmacéutica.
Michael Wade es profesor de estrategia y digital de TONOMUS y director del Centro Global TONOMUS para la Transformación Digital y de IA de IMD. Es coautor de Hacking Digital: Mejores prácticas para implementar y acelerar la transformación de su negocio (McGraw-Hill, 2022).
Jingqi Liu es estudiante de doctorado en ETH Zurich.
No hay comentarios:
Publicar un comentario