Superar la fase piloto: Por qué tantos proyectos de prueba de IA tienen problemas de escalabilidad

Es una historia cada vez más común en las empresas de hoy: el proyecto de IA tiene un rendimiento admirable durante las pruebas en la fase piloto, recibe luz verde para una implementación más amplia… y luego deja de funcionar correctamente; o no logra entregar los resultados empresariales esperados. 

Las acusaciones, recriminaciones y el desconcierto no se hacen esperar.

El problema no siempre es la tecnología. De hecho, la falla suele estar en la planificación, los procesos y las expectativas que las empresas han establecido —o no han establecido— en torno a sus proyectos de IA, según líderes empresariales que participaron en una mesa redonda en Fortune Brainstorm Tech este mes. 

Para empezar, no todo proyecto de IA merece ser implementado ampliamente, afirmó Sean Bruich, Director de Tecnología (CTO) de Amgen. 

"Con un piloto es muy fácil dejar que mil flores florezcan", dijo. Eso no es malo, ya que fomenta la experimentación. Pero, añadió, "la clave para que los pilotos escalen con éxito es tener un gran número de ideas, pero una gobernanza muy estricta sobre qué pilotos realmente reciben luz verde".

Un criterio clave antes de dar el siguiente paso, señaló Lashonda Anderson-Williams, Directora de Clientes y Comercial de Salesforce, es comprender el resultado previsto del proyecto. Demasiadas empresas están enfocadas en la implementación exitosa de funciones de IA —los detalles tecnológicos llamativos— en lugar del resultado empresarial, afirma. 

Esa mentalidad es una receta para la decepción: las funciones de IA funcionan muy bien, pero la nueva tecnología no está generando resultados empresariales significativos.

Los Agentes de IA necesitan un mapa

En lo que respecta a la IA agéntica, Anderson-Williams señaló que una comprensión detallada del flujo de trabajo —qué personas, grupos o puntos de contacto son necesarios para completar una tarea— es fundamental. Lo que muchas empresas están descubriendo, dijo, es que la documentación del flujo de trabajo no existe o está mal documentada: "Cuando colocas IA sobre eso, la expectativa es que vas a ver algo mágico, y no hay magia ahí".

El acceso a los datos es un obstáculo especialmente común que los proyectos de IA encuentran en la transición de la fase piloto a la implementación completa. Con los datos a menudo dispersos en diferentes silos dentro de una organización, y con todos esos datos regidos por diferentes privilegios de acceso y por diversas consideraciones de privacidad y seguridad, las cosas pueden complicarse rápidamente. Es importante trazar los contornos del proyecto de IA y todos los datos potenciales que se requerirán con anticipación, subrayaron los panelistas. "Cuanto antes podamos descubrir eso en la fase de exploración, mejor estaremos preparados para el éxito", dijo Caitlin Halferty, Directora de Datos de Thomson Reuters. 

Eso también implica obtener el respaldo de los grupos y partes interesadas adecuados dentro de la organización. "¿Hay algún elemento de PII (información de identificación personal) o datos confidenciales que vaya a activar la privacidad?", dijo Halferty. Si la respuesta es sí, entonces las personas adecuadas deben formar parte del proyecto. "¿Hay un elemento cibernético? Incorporemos al equipo de seguridad", afirmó. 

Bruich, de Amgen, se hizo eco de la importancia de un respaldo amplio, señalando que un proyecto de IA que sea transformador para la empresa involucrará necesariamente a líderes de finanzas, tecnología, RRHH y otros grupos de la organización. Un proyecto de IA verdaderamente impactante, dijo, necesita hacer más que simplemente hacer los procesos de trabajo más eficientes para un pequeño grupo de empleados. Necesita entregar "un resultado que importe para la empresa".

Esta historia fue publicada originalmente en Fortune.com