Escribe: Ana María Martínez, cofundadora de Kaudal.
Constantemente me encuentro con líderes empresariales ansiosos por utilizar la Inteligencia Artificial Generativa de forma integral en sus negocios. Los comprendo. Todas las personas a su alrededor hablan del tema, es lo que leen en internet, lo que escuchan en conferencias y lo que ven que hacen las startups (70% de las startups del último grupo de Y Combinator son de IA Generativa). Todo esto eleva su FOMO (Fear of missing out, temor a perderse de algo). Nadie quiere quedarse atrás en esta nueva ola tecnológica tan prometedora. Sin embargo, son muy pocas las empresas en el Perú que tienen claros casos de éxito de implementación de este nuevo tipo de IA. He visto repetidas veces que esto sucede porque los líderes omiten tres fundamentos esenciales para preparar el terreno por el cual andará “el Ferrari” de la IA Generativa. Son los siguientes:
LEA MÁS: Automatizar tareas podría liberar hasta 720 horas al año por colaborador
1. Tener las necesidades claras: La IA Generativa es el medio, no el fin. El fin sigue siendo satisfacer mejor las necesidades de usuarios externos o internos de la empresa. Las necesidades van primero y las herramientas después. Y esas necesidades a definir y priorizar deben ser lo más específicas posibles, pues las soluciones de IA generativa disponibles (o a desarrollar) son aplicables solo en casos específicos. No existe una IA que eleve la productividad empresarial de forma general, sino una IA que aborde casos específicos de improductividad. Les comparto tres ejemplos de necesidades y herramientas posibles que he visto en las empresas. Parto por la más común:
- Necesidad: Los colaboradores pierden demasiado tiempo haciendo reportes de datos de forma tradicional, copiando y pegando datos en hojas de cálculo para hacer gráficos y luego copiando esos gráficos en slides para presentarlos una y otra vez. Herramienta: Podría convenir que aprendan a utilizar Power Bi de Microsoft o Looker de Google para automatizar sus reportes, herramientas no-code, aún más potentes con la asistencia integrada de Copilot o Gemini.
- Necesidad: Los colaboradores pierden demasiado tiempo consultando ciertas fuentes de información propietarias de la empresa o esperando que personal senior les responda sus dudas. Herramienta: Se podría entrenar un LLM privado con los casos históricos. Para lograrlo, es útil contar con personal capacitado para entrenar al modelo y asegurar que la data no salga de la nube donde ya reside. Por eso es conveniente consultar al proveedor actual de cloud sobre este servicio y sus costos (AWS, Microsoft, Google, etc).
- Necesidad: Los clientes navegan mucho en la web y llaman al call center con preguntas relacionadas a los productos y esto sucede más en cierta categoría. Herramienta: Podría convenir entrenar a un LLM público con la data de los productos de esa categoría, sin preocuparse por la confidencialidad, pues la data ya es pública (manuales de uso, dimensiones, precios, etc). Hay muchas opciones para esto. GPT es la más conocida y MeetCody es la más fácil de usar que he probado hasta ahora.
LEA MÁS: El año en el que Taylor Swift triunfó sobre la IA
2. Estructurar bien la data: Luego de que las necesidades están claras y sobre todo cuando se quiere entrenar a un LLM o automatizar un proceso, es fundamental que la data a utilizar esté bien estructurada. Aunque es importante tener un gran volumen de datos, la calidad de esos datos es más relevante aún. Un alto volumen de datos mal estructurados puede llevar a modelos imprecisos. Hay que seleccionar bien la data, limpiarla y estructurarla bajo los patrones diversos y relevantes que representan la funcionalidad del modelo. Por ejemplo, si se quiere que el modelo converse con abogados de la firma sobre casos históricos de contratos legales, hay que alimentar al modelo con esos contratos y también conviene alimentarlo con tablas de posibles preguntas y posibles respuestas. Esto no es tarea fácil, pues en la mayoría de las empresas la data suele estar dispersa en distintas bases de datos, en SAP, en Excels, en correos, en archivos en el drive de distintos formatos y hasta en papel. Por eso es fundamental escoger una necesidad específica que se quiere abordar con IA generativa y preparar la data para entrenar al modelo o la automatización a utilizar. Esto es un trabajo operativo que una o varias personas bajo una gerencia experta de datos pueden hacer. Además, varios modelos de IA pueden generar “data artificial o sintética” que amplía la diversidad de los casos en base a los primeros casos reales suministrados. Estos datos deben ser igualmente revisados por humanos.
LEA MÁS: El futuro de la automatización en LATAM
3. Partir por lo más simple y medirlo: Finalmente, un comienzo fácil que a veces pasa desapercibido es partir por fomentar la adopción de herramientas de productividad ya disponibles en la suite ofimática que tiene la empresa. La gente usa en exceso las herramientas que ya conoce, cuando al lado, en la misma suite de Microsoft o Google, hay herramientas de productividad gratis o de bajo costo que pueden ahorrarles muchas horas. Copilot es gratis (para usarla con data no sensible) y Copilot Pro cuesta S/. 75 soles por persona. Si se mide cuántas horas se ahorran las personas que empiezan a usar Copilot Pro para hacer ciertas tareas puntuales, se puede medir el ROI de esta herramienta y luego expandir su uso, entrenando a la organización en cómo sacarle el máximo provecho en casos específicos.
Comienza a destacar en el mundo empresarial recibiendo las noticias más exclusivas del día en tu bandeja Aquí. Si aún no tienes una cuenta, Regístrate gratis y sé parte de nuestra comunidad.
