La IA generativa parece muy convincente. Sin embargo, conlleva problemas importantes que probablemente harán que las iniciativas fracasen o tengan un rendimiento sustancialmente inferior a su potencial. Este artículo presenta información sobre varios temas. Primero, veremos una cuestión clave que causa mucha resistencia a la adopción de la IA generativa: la tecnología presenta una respuesta probabilística como si fuera una respuesta determinista. Este blog ayudará a su empresa a comprender mejor dónde y cómo aplicar la IA generativa.
Las empresas informan que experimentan mucha resistencia y una sorprendente cantidad de problemas de gestión del cambio cuando intentan aplicar la IA generativa a sus negocios. Pueden conseguir que los altos directivos se comprometan con ello, pero los mandos intermedios y la gente de línea se resisten. Es comprensible que algunos se resistan debido a la posibilidad de perder el empleo o tener que repensar sustancialmente cómo harían su trabajo. Sin embargo, una cantidad significativa de resistencia se debe a que las empresas luchan con la cuestión de las respuestas probabilísticas versus deterministas cuando utilizan la herramienta de inteligencia artificial.
Las respuestas de la IA son probabilísticas
La IA generativa proporciona una respuesta probabilística, es decir, proporciona la respuesta más probable o el siguiente paso. Por lo tanto, cuando redacta cartas o trabajos escritos, proporciona la siguiente palabra, frase o idea más probable. Sin embargo, la respuesta más probable es diferente de la respuesta correcta. Es cierto que a menudo es una respuesta correcta y, con acceso a una gran cantidad de datos de capacitación, tiene una alta probabilidad de ser una buena respuesta. Pero eso es muy diferente de una respuesta correcta.
Para complicar aún más esta cuestión está el desafío de la pista de auditoría de verificación de cómo se obtuvo la respuesta. Muchos de los desafíos que enfrenta la implementación de la IA generativa provienen de aplicaciones donde se requiere una respuesta determinista y una explicación completa de cómo se obtuvo la respuesta. Cuando se necesitan, o se cree que se necesitan, respuestas que sean deterministas, las organizaciones y las personas que las integran se resisten a estas aplicaciones porque crean dudas sobre la utilidad o confiabilidad de los resultados.
Este resulta ser el caso incluso cuando se ofrece la IA como copiloto y se le pide a un humano que sea el árbitro final de la respuesta. La falta de explicación y la incertidumbre en torno a la ayuda generan desconfianza y resistencia.
El hecho de que la IA generativa presente respuestas probabilísticas no significa que no sea valiosa. Hay muchos casos de uso en los que resulta valioso. Sin embargo, si una empresa aplica esa respuesta a una pregunta que necesita una respuesta determinista, entonces parece mentir.
Las empresas experimentan frustración cuando buscan aplicar IA generativa a sus negocios, porque terminan usando respuestas probabilísticas cuando necesitan respuestas deterministas. Por lo tanto, necesitan aprendizaje automático en colaboración con un inicio probabilístico (por ejemplo, es un árbol porque tiene hojas verdes) y luego deben realizar pruebas para ver si hay problemas (como el otoño) que afecten la efectividad de esa respuesta.
¿Qué áreas son buenas para los modelos probabilísticos de IA?
¿Cómo deberían las empresas introducir la IA generativa en la programación? La industria tecnológica hizo algunas predicciones audaces de que la IA generativa o la IA pueden aprender a codificar y mejorar drásticamente la competencia o la eficiencia y la productividad de los codificadores. Bueno, eso es interesante.
Hay áreas de la codificación en las que esto resulta inmediatamente efectivo. Por ejemplo, probar el desarrollo de scripts de prueba es algo que inherentemente puede manejarse mediante un modelo probabilístico. Lo importante aquí es que una empresa pueda probar muchas condiciones y generar guiones de la manera más amplia y profunda posible. Crear pruebas efectivas para detectar violaciones de código y seguridad es esencialmente un ejercicio probabilístico; por lo tanto, la IA generativa brilla y los profesionales la adoptan fácilmente.
Por otro lado, no es bueno para desarrollar códigos. Una empresa quiere que el código sea correcto el 100% del tiempo. Eso requiere una respuesta más determinista. Sin embargo, es sobresaliente en la gestión del conocimiento que respalda el desarrollo de código y también puede crear excelentes conjuntos de inicio que mejoran significativamente la productividad.
Otro aspecto en el que la IA generativa es muy buena es en la síntesis o resumen de conocimientos. Por lo tanto, las áreas relacionadas con la gestión del conocimiento están maduras para la IA generativa.
Por ejemplo, dentro de la función CRM, Salesforce está logrando muchos avances en sus productos Einstein y otros productos que tienen como objetivo sintetizar o resumir información a partir de la información de los requisitos del cliente. Hacer que los vendedores sean más eficaces con la gestión del conocimiento es un caso de uso muy eficaz para la IA generativa.
El marketing es otra área donde una respuesta probabilística es maravillosa. Ejemplo: ¿Cuál es probablemente el mejor paso a seguir con este cliente? La IA generativa puede tener un enorme impacto inmediato al clasificar los datos de los clientes para determinar la mejor solución a sus problemas. Puede ser una herramienta poderosa allí.
Por el contrario, es necesaria una respuesta determinista en procesos como el procesamiento de reclamaciones. Ejemplo: ¿Cómo obtenemos la cantidad correcta de dinero para este reclamo de atención médica? Eso requiere una respuesta determinista. Hacerlo bien la mayor parte del tiempo no es suficiente; tiene que estar bien todo el tiempo.
Un comienzo eficaz para utilizar la IA generativa y reducir la frustración y la resistencia es plantearse las siguientes preguntas:
· ¿Dónde podemos utilizarlo productivamente de forma inmediata?
· ¿Dónde necesita casarse con otra tecnología?
· ¿Dónde no deberíamos usarlo?
¿Qué pasa con la ecuación humana?
Si bien es una herramienta útil para ayudar a resolver problemas, una respuesta probabilística es un punto de partida. Sin embargo, a menudo esto no eliminará a los humanos de la ecuación. En cambio, equipa a los humanos con herramientas mucho más sofisticadas, particularmente cuando una empresa determina que necesita llegar a respuestas deterministas.
Una empresa puede reducir la resistencia si utiliza la herramienta de inteligencia artificial para ayudar a organizar y resumir datos. Eso es útil. Pero al utilizarlo para tomar decisiones, las personas pueden sentirse incómodas con las decisiones porque no siempre son correctas. Y como no están seguros de cómo obtuvo la respuesta la herramienta de IA, tampoco saben cómo comprobarla.
¿Cuál es la solución a estos dilemas?
La solución es obtener una comprensión más profunda no solo del trabajo que se automatiza o recibe ayuda, sino también de cómo afecta el resto de las tareas humanas y brinda orientación y ayuda con el trabajo posterior u otras consecuencias no deseadas.
Esto requiere ser más maduro en cuanto a dónde aplicar la herramienta. Los usuarios deben ser reflexivos y pensar adecuadamente en las implicaciones. Además de evaluar la madurez del producto, es necesario considerar a los individuos y a la organización y las consecuencias no deseadas para que no se resistan y lo acaben.
Algunas cuestiones que requieren este proceso de reflexión incluyen:
· Piense no sólo en la tarea que se está automatizando sino también en las implicaciones del rol de una persona que se está automatizando.
· Piense en la realidad de cualquier mejora de productividad necesaria que resulte en que menos personas realicen la tarea. ¿Cómo vas a permitir eso?
· Piense en cómo probar la herramienta para que la gente pueda confiar en ella. Cuanta más incertidumbre genera una nueva tecnología disruptiva, menos gente quiere confiar en ella.
· Pensar en cómo poner a prueba la herramienta de IA para demostrar sus beneficios antes de pasar a un cambio a gran escala.
Algunas reflexiones finales
Después de un año de experimentación frenética con IA generativa, la industria realizó con éxito miles de pruebas piloto. Sin embargo, la mayoría de estos pilotos no lograron pasar a producción porque se vieron obstaculizados por una gran cantidad de desafíos de financiación, gestión del cambio y adecuación.
No obstante, donde la IA generativa encaja bien, está entrando rápidamente en producción y generando rendimientos impresionantes. El éxito de estos casos de uso de producción parece estar más impulsado por el ajuste del caso de uso a la naturaleza de la IA generativa que a la elección de la herramienta u otros factores.
Además, parece que para la mayoría de las funciones empresariales, la IA generativa tiene un papel productivo, casi centrado en la subfunción correcta. Dada la enorme inversión realizada para experimentar, quizás la forma más efectiva para que la mayoría de las empresas puedan descubrir dónde la IA generativa será eficaz para ellas es observar los casos de uso en los que la IA generativa realizó con éxito la transición del piloto a la producción. Cuando esta progresión se ha producido en masa, las empresas pueden estar seguras de que hay una buena adaptación y reducir sustancialmente el riesgo de desperdiciar esfuerzos y fondos.
