Índice de temas
Errores de la IA generativa
Nos han prometido que la IA generativa va a cambiar la manera en la que trabajamos, según O’Reilly, en el último año un 67% de las empresas ya están usándola de una u otra forma y distintos estudios lo avalan, McKinsey tiene informes en los que habla de que se van a generar “billions de dólares” en todo tipo de sectores. Sobredimensionadas o no, esta vez no parece tan descabellado como anteriores promesas de la IA tradicional (aunque hablar de ‘tradicional’ e IA suene paradójico).
Hace un año ChatGPT nos deslumbró, pero los que trabajamos en este mundo ya hemos vivido cómo otras tecnologías lo hicieron y sus promesas fueron finalmente jarros de agua fría.
Evolución de los LLM (Grandes Modelos de Lenguaje)
Pero tras ver el proceso de evolución que han tenido los LLM (Large Language Models), junto con las grandes apuestas de los Big Players y, sobre todo, de haber podido trabajar con la tecnología en casos de uso reales, durante este último año, podemos decir sin miedo a equivocarnos que esta es una apuesta que hay que tomarse en serio.
La adopción de la IA Gen por parte de las empresas va a ser un must porque impacta directamente en el retorno financiero, la productividad de empleados y procesos. La IA Gen no va a quitar el trabajo a nadie, pero ojo, alguien que sepa utilizarla sí que lo hará.
Fallos de la IA por una adopción inadecuada
Sin embargo, la adopción de la IA generativa puede presentar varios problemas para las empresas si no se abordan de manera adecuada.
Uno de los problemas o errores más comunes es pensar que la IA gen no va con mi negocio o que está sobrevalorada. Estamos viendo cómo algunas empresas se muestran reticentes a la incorporación de esta tecnología pensando que será otro bluf o que directamente no van con su negocio.
Muchos se han quedado con la idea de que la IA Gen es ChatGPT y nada más lejos de la realidad. ChatGPT es un producto de OpenAI que usa IA generativa para generar una experiencia conversacional, pero la realidad es que cualquier empresa puede hacer uso directamente la IA generativa que subyace en ChatGPT para otras tareas como automatizar procesos, crear aplicaciones, mejorar procesos industriales, generar contenido, analizar datos masivos de múltiples fuentes y un largo etcétera.
ANA MARÍA GÓMEZ, PARADIGMA:
“Aunque puede ser tentador implementar soluciones puntuales sin una estrategia sólida, es crucial considerar varios ejes como el control de la inversión, el valor aportado o la capacitación técnica necesaria”
La IA generativa no vale para todo
Por el contrario, también es un error común pensar que la IA Gen vale para todo. Esto es muy frecuente ante cualquier tecnología disruptiva, tanto los grandes fans de la tecnología como los que quieren hacer algo cuanto antes con ella para buscar ese ansiado check, suelen cometer este error. Hay que forzarse a racionalizar en qué caso de uso merece la pena introducir este tipo de tecnología desde el punto de vista del esfuerzo a realizar. Evaluar si la modificación en el proceso en el que se introduce lo simplifica o mejora su eficiencia o, si por querer usar IA Gen, estamos haciendo “un arco de iglesia”.
Falta de comprensión y conocimiento
Muy relacionado con el problema anterior es la falta de comprensión y conocimiento sobre cómo aprovechar al máximo los beneficios de esta tecnología. Muchas empresas pueden verse tentadas a adoptar la IA generativa debido a su atractivo y a las promesas de revolucionar la forma en que operan. Sin embargo, implementarla sin un enfoque estratégico es un grave error que puede llevar a problemas y obstáculos importantes. Toda empresa debería diseñar primero una estrategia de adopción donde tener identificados casos de uso priorizados que han sido evaluados según complejidad y aporte de valor, así como un plan de implantación y necesidad de acceso a los datos.
Además, no hay que menospreciar el cambio en la forma de trabajar y la resistencia al cambio. La implementación de IA generativa suele implicar cambios significativos en los procesos y prácticas existentes en una empresa. Esto puede requerir tener que rediseñar servicios, procesos y herramientas, lo que ya sabemos que suele generar resistencia al cambio por parte de los empleados.
Es fundamental abordar adecuadamente la gestión del cambio y garantizar que los empleados estén preparados y dispuestos a adoptar y trabajar con la IA generativa.
La hiperestimulación genera ineficiencias
Por otro lado, la hiperestimulación de casos de uso puede generar ineficiencias y diluir los esfuerzos en toda la empresa. Cada departamento puede querer iniciar su propia iniciativa de IA generativa, lo que puede llevar a la duplicación de esfuerzos y a la falta de coordinación.
Además, la falta de homogeneidad en las soluciones puede ser un desafío. A menudo, diferentes equipos abordan un mismo caso de uso de manera diferente, lo que puede generar inconsistencias y dificultades en la implementación y mantenimiento a largo plazo. Es esencial establecer estándares y mejores prácticas para garantizar la coherencia y la eficiencia en la implementación de la IA generativa.
Esa visión estratégica de para qué incorporar la IA generativa en la compañía tiene que ir acompañada de una colaboración efectiva entre los diferentes equipos de negocio y tecnología para evitar duplicidades y maximizar el impacto en toda la organización, así como eficientar el esfuerzo invertido y las capacidades de la tecnología.
Otro de los errores más frecuentes es quedarse en fase de PoC o prueba de concepto y no llegar a ver nunca entornos productivos, lo que supone una inversión sin retorno. Pero… ¿por qué pasa esto? Aunque no hay una respuesta única, hay algunos problemas comunes en todas las empresas:
ERROR 5: No contar con expertos en IA Generativa
ERRO1: Falta de procedimientos estandarizados en el campo de la IA
Es uno de los más habituales y es que, al ser este un campo aún muy académico, el mundo empresarial carece de procesos claramente estandarizados. Cada científico/ingeniero de datos se suele manejar a su manera, lo que dificulta la colaboración y la coherencia en el desarrollo, prueba, despliegue y monitorización de los modelos de IA generativa.
ERROR 2: Adoptar Prompt Engineering
Con la aparición de IA Gen también lo ha hecho otro rol fundamental, el Prompt Engineer. Los prompt van a ser gran parte de la inteligencia de tu producto. Es ahí donde vuelcas tus reglas de negocio y como tal debe ser tratado como un activo de software. Debe disponer de su versionado, ciclo de ALM, tratado como artefacto en un repositorio y, en general, todas las buenas prácticas que atañen a un activo software. En la realidad es fácil encontrarse con empresas que piensan que la manera de usar IA Gen es a través de ChatGPT o Bard. Y no solo en equipos de negocio, donde podría tener más cabida, sino también en equipos de desarrollo que invierten tiempo no productivo escribiendo y reescribiendo prompts una y otra vez en lugar de seguir un enfoque más estructurado y procedimentado. Esto limita el potencial de la IA generativa y puede llevar a resultados inconsistentes. Es fundamental que los equipos adopten mejores prácticas y utilicen herramientas y enfoques más avanzados para maximizar el valor de la IA generativa.
ERROR 3: La falta de pruebas y monitorización también puede ser un problema
Las aplicaciones basadas en IA generativa deben ser sometidas a pruebas para garantizar su calidad y consistencia en las repuestas. A menudo, las empresas subestiman la importancia de las pruebas continuas y la monitorización en la implementación de estas soluciones. Esto puede resultar en modelos defectuosos o poco confiables que no cumplen con las expectativas. No solo hay que probar en fase de desarrollo, sino mantener una monitorización activa una vez en producción. Seguro que coincidiréis con nosotros en que siempre es mejor que tus sistemas te avisen de que algo va mal antes de que lo haga un Twitter incendiado haciendo mención a tu compañía.
Aunque todavía hay mucho trabajo por hacer, ya existen técnicas para controlar las respuestas: desde métricas como Bert Score, Rougue, similitudes vectoriales; sistemas de RLFHF (Reinforcement learning from human feedback ); o evaluadores basados en LLM.
ERROR 4: Seguridad y privacidad
Aún son muchas las dudas a este respecto y se tiende a abordar al final de un desarrollo. Sin embargo, estos dos requisitos deben formar parte desde el primer diseño de la solución.
Además, hay que tener claro que para un uso empresarial debes usar modelos fundacionales pensados para ello como Google PaLM2, Azure Open AI o AWS Bedrock, pero no sus versiones de consumo: Google Bard o ChatGPT. El primero te aseguran aislamiento de tus datos mediante tenants específicos que disponibilizan para tu uso único y exclusivo.
Por último, un quinto error es no contar con expertos en IA generativa. Nada nuevo que no sepamos. El mercado ya adolece de una brutal escasez de perfiles de IA y la IA generativa, aunque parece que viene para facilitar el acceso a ella, está levantando las necesidades de nuevos perfiles que hasta ahora no existían. Véase el ante smencionado Prompt Engineer o el LLMOps Engineer.
La realidad que nos encontramos es que, si queremos realmente industrializar soluciones basadas en LLMs y que aporten un valor real a la compañía, van a ser necesarios perfiles especializados que sepan trabajar con las múltiples piezas que componen estás aplicaciones.
Estas van desde componentes especializados en la ingesta y procesado de datos, pasando por lingüistas especializados en prompt engineering, hasta perfiles especializados en Operaciones para desplegar modelos de IA.
La parte buena es que aún estás a tiempo de subirte al carro. Nos encontramos en una fase temprana de adopción y es buen momento para formarse y empezar a recibir feedback de las soluciones que hagas. Las empresas que más avanzadas van en este país aún están lanzando sus primeros prototipos, pero… ¡no te despistes!
Conclusión
Por último, y como conclusión, es importante destacar que la IA generativa sigue siendo una tecnología emergente. Aunque puede ser tentador implementar soluciones puntuales sin una estrategia sólida, es crucial considerar varios ejes como el control de la inversión, el valor aportado o la capacitación técnica necesaria.
Creo que la implementación de IA generativa requiere un enfoque cuidadoso, de la colaboración entre las áreas de negocio e IT de la compañía y una planificación adecuada (esto no quiere decir que vaya a ser más costoso) para lograr un entorno controlado, seguro, escalable y mantenible.
En lugar de adoptar la tecnología de manera aislada y sin una visión a largo plazo, el objetivo final siempre debe ser el de fomentar un impacto continuo y significativo en la compañía. Si no, todo esfuerzo no habrá servido para nada.
