Cómo hacer que la IA generativa empresarial funcione

Si su organización sigue confiando en la experimentación ad hoc de los empleados con la IA generativa, es hora de cambiar de marcha. Aunque experimentos como el uso de Claude para redactar correos electrónicos o de ChatGPT para realizar lluvias de ideas pueden reportar beneficios de aprendizaje y productividad a nivel individual o de unidad, normalmente no están estructurados ni medidos y rara vez arrojan resultados a gran escala. (Creemos que esto es parte de la razón por la que las empresas aún no están viendo el impacto final de las inversiones en IA). Para encontrar un valor empresarial mensurable de la IA generativa, los líderes deben pasar de la experimentación individual abierta a despliegues estructurados y alineados con la empresa. Tanto si se centran en una sola unidad de negocio como en toda la organización, estas herramientas traducen las capacidades abiertas de la IA generativa en aplicaciones que abordan casos de uso específicos. Incluyen desde asistentes de conocimiento empresarial y agentes de atención al cliente hasta sistemas de ingestión y verificación de datos, supervisión automatizada del cumplimiento normativo y motores de generación de contenidos de marketing a gran escala. Somos investigadores que estudiamos la IA y sus aplicaciones empresariales, y hemos estado explorando específicamente cómo la IA puede apoyar la gestión de procesos en las grandes organizaciones. A medida que hemos observado cómo las empresas del mundo real van más allá de la experimentación individual para crear herramientas empresariales de IA, hemos visto que hacerlo requiere cambios en la forma en que las empresas enfocan tanto la infraestructura de datos como la colaboración. En este artículo ofreceremos las mejores prácticas para cada una de ellas y ofreceremos ejemplos del mundo real de empresas que están realizando con éxito el cambio hacia un enfoque empresarial y que miran hacia la IA agéntica. El cambio de la IA individual a la empresarial Debido a la forma en que están construidas, las aplicaciones de IA estructuradas y orientadas a la empresa ofrecen múltiples ventajas. La integración con múltiples sistemas supone una mayor variedad de datos, lo que mejora las recomendaciones y los resultados. Es más fácil conseguir escala, porque la misma herramienta puede dar soporte a miles de usuarios. Los resultados son más coherentes, ya que pueden estandarizarse. El uso está más controlado y es más auditable, lo que reduce el riesgo de gobernanza. Al evaluarse de cerca su impacto en los costes, la velocidad, la calidad o la innovación, también creemos que es más probable que produzcan un mayor retorno de la inversión, ya que con la medición viene la capacidad de abordar rápidamente los fallos y calibrar los costes. Algunas empresas ya han dado el giro necesario para construir este tipo de sistemas. A principios de este año, por ejemplo, Johnson & Johnson llegó a la conclusión de que la mayor parte de la experimentación individual no estaba produciendo un valor empresarial mensurable y decidió no dedicarle recursos adicionales. En su lugar, la empresa priorizó sólo unos pocos proyectos de IA generativa a nivel empresarial centrados en la aplicación de la tecnología a prioridades estratégicas para la empresa: desarrollo de fármacos, acceso a políticas de RRHH, ayuda a los representantes de ventas en la comunicación con los médicos e identificación y mitigación de los riesgos de la cadena de suministro. Coca-Cola también ha decidido centrarse en proyectos de IA a gran escala y orquestados por la empresa, como la creación de nuevos contenidos de marketing. La empresa está utilizando IA generativa para personalizar 10.000 versiones distintas de 20 activos de marketing propios para los 180 países y 130 idiomas en los que hace negocios en todo el mundo. Sin embargo, las mismas cualidades que hacen que los sistemas empresariales sean más beneficiosos, dificultan su construcción. Integrar datos de alta calidad en sistemas complejos, orquestar los flujos de datos y alinear los resultados con el negocio son retos enormes. Aunque se han debatido las conclusiones de estudios recientes que citan cifras bajas para la implementación en producción de iniciativas de IA, está claro que las empresas están luchando en estos frentes. Preparar los flujos de datos para los casos de uso de una empresa y centrarse en cómo colaboran los equipos de negocio y desarrollo durante el proyecto puede ayudar a abordar estos problemas. He aquí cómo. Prepare los datos La preparación de la organización para la IA generativa empieza por hacer que los datos no estructurados y sus flujos sean más visibles, estructurados y priorizados estratégicamente. Tomemos como ejemplo el asistente de conocimientos de Northwestern Mutual, que integra datos internos propios que han sido curados, actualizados y puestos a disposición de los usuarios de forma sistemática y fiable en primer lugar. Pero la mayoría de las organizaciones han centrado sus esfuerzos de calidad y gestión de datos en los datos estructurados durante las últimas décadas, y no han abordado los datos no estructurados que las organizaciones necesitan para adaptar los LLM a sus problemas empresariales específicos. Este trabajo procede mejor cuando se dirige a nivel de grupo funcional. Los grupos deben trazar un mapa de sus flujos de datos y procesos de trabajo e identificar los datos que se generan actualmente. Evaluarán si se necesitarán nuevos activos de datos y, en caso afirmativo, cuáles. Este trabajo puede suponer un reto para los equipos empresariales porque a menudo lo consideran secundario -y una distracción- respecto a sus responsabilidades "reales". Para combatir esto, enmarque el esfuerzo subrayando los beneficios de la IA empresarial, explicando que la información sobre un producto o servicio puede ser tan valiosa para la organización como el propio producto. Los líderes deben designar una propiedad clara dentro de la unidad para la curación y la calidad de los datos en adelante, con incentivos, si es posible. Veamos cómo ha afrontado Accenture este reto. La rama de marketing de la empresa, bajo la dirección de la directora de marketing y comunicaciones, Jill Kramer, ha creado 14 agentes de IA personalizados que han agilizado considerablemente los flujos de trabajo de la organización. Al poner en marcha el proyecto, Kramer incitó a toda su función a cuestionar sus flujos de trabajo internos y sus normas de documentación, explicando que proceder a cualquier desarrollo de IA sin este trabajo no haría más que "acelerar el caos". La administración de los datos nunca había sido fundamental para la identidad de los agentes de marketing, pero Kramer la replanteó como un imperativo de liderazgo, como "la única forma" de garantizar que los agentes tuvieran una experiencia óptima con el uso de agentes. Preguntó: "¿Cuál es nuestro proceso? ¿Qué partes son 10 veces más molestas de lo que deberían ser?" y designó la propiedad del proceso de encontrar las respuestas a estas preguntas ampliamente en toda la función. Esto ayudó a su equipo a emprender con éxito una importante iniciativa de infraestructura de datos, mapeando flujos de trabajo tales como la forma en que se construían los planes de marketing, cómo se creaban y accedían a los documentos y activos, y cómo se tomaban las decisiones en toda la función. Este esfuerzo condujo a una mejor visibilidad de los datos y, en última instancia, al desarrollo de agentes que ayudan en la investigación, la planificación editorial y la asignación de recursos, áreas identificadas como cuellos de botella a través de su trabajo de mapeo de flujos de trabajo. Estos agentes han permitido a la función de marketing de Accenture llevar una campaña al mercado un 25-35% más rápido. Mejorar la colaboración La IA requiere a menudo nuevas formas de colaboración -y nuevas colaboraciones- tanto para los equipos empresariales como para los técnicos. Los equipos empresariales no pueden limitarse a traspasar los requisitos, como es habitual en los proyectos de IT; deben permanecer profundamente implicados, curando los datos e iterando sobre los resultados de la IA y los casos de uso que ofrece el equipo de desarrollo. Al mismo tiempo, los equipos de desarrollo deben aceptar que la gobernanza y la evaluación no pueden resolverse únicamente mediante soluciones técnicas, y que deben solicitar y trabajar con las aportaciones del equipo empresarial. El reto de colaboración del equipo de desarrollo se ve amplificado por la necesidad de orquestar el uso de la IA para todo un ecosistema de equipos de distintas funciones (BI, equipos comerciales, operaciones, RRHH, finanzas, etc.), muchos de los cuales pueden tener estructuras, culturas, flujos de datos y necesidades muy diferentes. Todos los grupos deben convertirse en socios activos y continuos. Esto hace que la claridad de roles -a quién pertenece qué, cómo se toman las decisiones y cómo se estructuran los bucles de retroalimentación- sea a la vez especialmente crítica e inusualmente compleja. Normalmente, esto significa que los equipos empresariales se implican más en el proceso que en los proyectos tecnológicos tradicionales. Deben convertirse en socios activos, implicados en el proceso iterativo de diseño y evaluación de la nueva tecnología desde el principio, curando sus datos específicos de dominio, administrando sus propios robots y respondiendo a los comentarios de los usuarios. Y ambos grupos deben definir en colaboración las políticas de acceso, los enfoques y normas de evaluación y la formación de los usuarios. En segundo lugar, un marco de medición y evaluación es fundamental para ayudar a los equipos colaboradores a mantenerse alineados. El equipo debe definir conjuntamente al inicio del proyecto cómo se van a definir, medir y vincular el progreso y el éxito a los objetivos empresariales clave. Tomemos, por ejemplo, el desarrollo por parte de JetBlue de BlueBot, una herramienta impulsada por LLM que permite a las funciones empresariales de toda la empresa, como comunicaciones y RRHH, acceder a datos y conocimientos en función de sus funciones y necesidades específicas. (Esta historia se ha extraído de una charla impartida por Sai Ravuru, director senior de ciencia de datos y análisis de la aerolínea, y de las conversaciones que una de nosotras [Melissa] mantuvo con él después). Al principio del proyecto, el equipo de desarrollo se centró en la construcción y en la infraestructura tecnológica que permitiría a los usuarios curar sus datos y evaluar los resultados de BlueBot para su función, y las funciones empresariales se centraron en seleccionar y curar los datos estructurados y no estructurados y en dar retroalimentación continua, con derechos de decisión elevados a la C-suite. La implicación del equipo empresarial de estas formas específicas permitió que las diversas y descentralizadas funciones empresariales asumieran la responsabilidad de la calidad de los resultados de BlueBot y, en última instancia, de su propio uso de la herramienta en el futuro. También definieron el aumento de la productividad gracias al ahorro de tiempo como su principal objetivo empresarial. La misma estructura de roles y el mismo objetivo continuaron tras el lanzamiento, ya que los equipos evaluaron las entradas y los comentarios de los usuarios y los resultados de BlueBot y los abordaron para mejorar el bot. Como resultado de este trabajo colaborativo, JetBlue ha visto un ahorro de tiempo del 5-10% porque los equipos de negocio ya no necesitan perder minutos buscando o solicitando cuadros de mando, y los equipos de desarrollo ya no necesitan desarrollarlos o mantenerlos. Prepárese para la IA agéntica Ya es hora de que las empresas inviertan en IA generativa empresarial, pero el listón de los datos y la colaboración será aún más alto para los casos de uso de la IA agéntica empresarial, que son la próxima tecnología en el horizonte. Los agentes digitales realizan tareas con aún más autonomía y, por tanto, requieren un esfuerzo aún mayor. Por lo que hemos observado con empresas como Salesforce que están empezando a desplegar agentes de IA, se aplican los mismos requisitos que para otras herramientas de IA empresarial: la documentación de los flujos de datos y las necesidades y la colaboración entre los equipos de desarrollo y de negocio serán fundamentales. Esto es tanto más cierto cuanto que los despliegues con éxito parecen ser iterativos, requiriendo cambios y aportaciones continuas de todas las partes para correcciones y actualizaciones operativas en tiempo real a medida que evolucionan los conocimientos, las herramientas y las políticas. Por ejemplo, Salesforce pilotó inicialmente el sistema Agentforce con sólo 200 usuarios seleccionados. En la siguiente fase, el 10% de las solicitudes de ayuda se dirigieron al agente. El equipo supervisó las estadísticas de rendimiento semanales, identificó los puntos débiles e hizo ajustes antes de ampliar la escala. En este momento, el 85% de los problemas de los clientes de Salesforce se resuelven sin intervención humana, e incluso los empleados hacen uso de la herramienta. . . . Aunque ha llegado el momento de que las empresas destinen sus recursos de IA a soluciones empresariales, eso no significa que deba desaparecer toda experimentación individual. Hemos visto que los experimentos de IA generativa siguen siendo fructíferos en situaciones en las que los usuarios ya tienen conocimientos tecnológicos y cierta autonomía, como el desarrollo de juegos, por ejemplo. Pero aconsejamos que el grueso del trabajo se traslade a despliegues de mayor envergadura, y que las organizaciones desarrollen la mentalidad y las habilidades necesarias para prepararse y ejecutarlos.

Cómo hacer que la IA generativa empresarial funcione

Resumen.

Partner Center