AI Value Creators

1. GenAI es un “momento Netscape” que exige una mentalidad “AI-First”.

Estamos bastante seguros de que, si él estuviera aquí hoy, diría que si una computadora es una bicicleta para nuestra mente, entonces GenAI y los agentes se combinan para ser la bicicleta para tu negocio.

Una era transformadora. La inteligencia artificial generativa (GenAI) y los agentes de IA representan un “momento Netscape”, comparable a la democratización de internet en 1994. Esta era remodelará fundamentalmente las industrias, impactando desde trabajos intelectuales de alto nivel hasta las operaciones diarias de las empresas. Las compañías que participen activamente en esta transformación prosperarán, mientras que las que no corren el riesgo de quedarse atrás, enfrentando consecuencias significativas tanto sociales como comerciales.

Cambia tu mentalidad. La mayoría de las organizaciones operan hoy con una mentalidad “+IA”, es decir, añadiendo IA a procesos existentes. La urgencia es pasar a una mentalidad “IA+”, donde la IA sea el punto de partida, replanteando flujos de trabajo y modelos de negocio desde cero. Esto implica descomponer procesos en componentes detallados, identificar dónde la IA puede automatizar tareas repetitivas y construir flujos de trabajo centrados en las personas sobre esta base de IA.

La escalera de la IA reinventada. Para navegar este cambio, una versión modernizada de la escalera de la IA enfatiza la arquitectura de la información (AI) como la base para el éxito en IA. Una plataforma sólida de AI es esencial para recopilar, organizar, proteger y gobernar datos, lo que a su vez potencia iniciativas de GenAI y agentes. Este marco guía a las organizaciones desde simplemente añadir IA a aplicaciones existentes hasta automatizar flujos de trabajo y, finalmente, reemplazarlos con enfoques centrados en IA.

2. Conviértete en un creador de valor en IA aprovechando tus datos propios.

En el pasado, hemos visto muchos modelos de negocio que extraen valor; si usas redes sociales, formas parte de uno.

Controla tu destino en IA. Hay tres formas de consumir IA: integrada en software, usando el modelo de otro a través de una API, o construyendo sobre una plataforma de IA. Las dos primeras ofrecen conveniencia, pero limitan la diferenciación y el control sobre tus datos. Ser un “creador de valor en IA” significa usar un enfoque de plataforma para construir y personalizar soluciones de IA con tus datos propios, transformándolos en una ventaja competitiva única.

Tus datos son tu superpoder. Menos del 1% de los datos empresariales reside actualmente en modelos públicos de lenguaje (LLMs). Este vasto y sin explotar reservorio de conocimiento interno es tu activo más valioso. Al dirigir LLMs confiables con tus datos específicos de negocio, conocimiento propietario y experiencia, creas modelos adaptados exclusivamente a tus operaciones, entregando un valor y diferenciación incomparables.

Evita la extracción de valor. Depender únicamente de servicios de IA opacos y de terceros implica que tu uso y datos pueden ser explotados para beneficio ajeno, generando un desequilibrio en la acumulación de valor. Un creador de valor en IA, como L’Oréal que personaliza modelos con su vasta información científica en belleza, mantiene el control, asegura la privacidad de datos y acumula valor a largo plazo, evitando que su información estratégica se convierta en la ventaja competitiva de otra empresa.

3. El éxito en IA depende de una plataforma equilibrada de modelos, datos, gobernanza y casos de uso.

ÉXITO EN IA = MODELOS + DATOS + GOBERNANZA + CASOS DE USO

Los cuatro pilares del éxito en IA. Lograr resultados significativos en IA requiere un enfoque integral que integre cuatro elementos críticos: modelos, datos, gobernanza y casos de uso. Mientras los modelos aportan la inteligencia, los datos la alimentan, la gobernanza asegura un despliegue responsable y los casos de uso bien definidos traducen la tecnología en valor tangible para el negocio. Descuidar cualquiera de estos pilares compromete toda la estrategia de IA.

Un enfoque de plataforma en capas. Piensa en una plataforma de IA como un pastel en capas, donde cada una es crucial para operacionalizar la IA:

• Base: Nube híbrida y herramientas de IA, construidas sobre código abierto para portabilidad y eficiencia.
• Servicios de datos: Una estructura unificada para descubrir, recopilar, organizar y gobernar todos los datos empresariales.
• Plataforma de IA y datos: El núcleo donde se gobiernan, construyen, entrenan y dirigen los modelos, integrando lagos de datos y entornos de trabajo.
• SDK: Puntos de integración para que desarrolladores incorporen IA en productos.
• Agentes y asistentes: La capa superior, que potencia el trabajo digital y amplía las capacidades humanas.

Los datos como diferenciador. Aunque los modelos y la gobernanza son esenciales, tus datos propios son el diferenciador definitivo. Los LLM públicos se entrenan mayormente con datos comunes de internet, lo que conduce a la comoditización. La verdadera ventaja competitiva surge cuando diriges estos modelos con tus datos únicos, alineando la IA con tus valores, vocabulario y necesidades operativas específicas.

4. Prioriza casos de uso horizontales para desbloquear un amplio valor empresarial.

Cuando tomas distancia, te das cuenta de que si dominas los casos de uso horizontales de IA (los patrones y capacidades como ver, oír, analizar y más), elegirás con mayor maestría los casos verticales adecuados para tu negocio.

Primero horizontal, luego vertical. Para maximizar el impacto de la IA, enfócate primero en casos de uso horizontales —aquellos que atraviesan todas las industrias— antes de abordar aplicaciones específicas de sector (verticales). Dominar capacidades fundamentales de IA como visión computacional, procesamiento de lenguaje natural o automatización permite una aplicación versátil en diversas funciones empresariales. Por ejemplo, la IA que identifica defectos en manufactura usa la misma tecnología base que la que detecta cáncer de piel.

Las “3 grandes” oportunidades horizontales. Tres casos de uso horizontales indiscutibles ofrecen valor inmediato y significativo en casi cualquier negocio:

• Atención al cliente: Automatizar respuestas, enrutar consultas y personalizar interacciones para reducir costos y mejorar la satisfacción.
• Código: Asistir a desarrolladores con generación, refactorización, documentación y comprensión de sistemas heredados, aumentando la productividad.
• Trabajo digital: Desplegar asistentes y agentes de IA para automatizar tareas repetitivas, liberando a empleados para labores de mayor valor.

Moverse hacia la izquierda para grandes ganancias. Los casos horizontales sobresalen en “moverse hacia la izquierda” —automatizar tareas al inicio de un flujo de trabajo para ahorrar tiempo y dinero. Ejemplos incluyen:

• Automatización TI: IA que gestiona la salud de certificados, disponibilidad de sistemas y operaciones de aplicaciones, generando ahorros millonarios y mayor eficiencia (p. ej., iniciativa “Client Zero” de IBM).
• Asistentes digitales: Manejo de consultas rutinarias, desviando llamadas de agentes humanos y reduciendo tiempos de espera (p. ej., DMV de Oregón, CVS, Klarna).
• Documentación de código: Resumen automático de bloques de código, acelerando la incorporación de desarrolladores y mitigando la “amnesia empresarial”.

5. La confianza es la licencia definitiva para operar: construye IA con equidad, robustez, explicabilidad y trazabilidad.

La IA en la que la gente confía es la IA que la gente usará.

El imperativo ético. A medida que la IA se vuelve ubicua, la confianza es fundamental. Las empresas deben decidir proactivamente ser “defensores” de una IA ética, en lugar de “espectadores” que arriesgan regulaciones excesivas. Los valores centrales de tu empresa, como la brújula moral de Superman, definirán cómo usas los superpoderes de la IA. Más allá de la precisión, factores como el uso justo, la transparencia y la responsabilidad algorítmica serán diferenciadores clave.

Cuatro pilares de una IA confiable. Implementa estos elementos desde el inicio de cualquier proyecto de IA:

• Equidad: Asegura que los datos y modelos de entrenamiento estén libres de sesgos para evitar desigualdades automatizadas a gran escala. Monitorea sesgos como el de borrado (p. ej., representación de género en DALL-E) y corrige resultados.
• Robustez: Protege los sistemas de IA contra ataques adversarios como envenenamiento de datos (inyección maliciosa) e inyección de instrucciones (engañar a LLMs para generar salidas dañinas). Usa modelos de protección (p. ej., Llama Guard, Granite Guardian) para controlar entradas y salidas.
• Explicabilidad: Ofrece decisiones o sugerencias comprensibles, permitiendo a usuarios y desarrolladores interpretar por qué la IA hizo una predicción. Esto es crucial para la responsabilidad algorítmica, especialmente en aplicaciones críticas (p. ej., decisiones crediticias, diagnósticos médicos).
• Trazabilidad: Documenta el desarrollo, despliegue, fuentes de datos y mantenimiento de sistemas de IA para auditoría. La transparencia en el origen de datos, como etiquetas nutricionales en alimentos, genera confianza y ayuda a identificar IA dañina o inaceptable.

Navegando el lado oscuro. Los LLM presentan desafíos como fechas límite de conocimiento, alucinaciones (información fabricada), huella significativa de carbono/agua y complejidades de derechos de autor. La diligencia en indemnización de proveedores y entender tu “esencia digital” (cómo se usa tu trabajo en entrenamiento) son críticas. Además, la IA amplía la superficie de ataque para envenenamiento de datos, inyección de instrucciones, deepfakes y amenazas de criptografía cuántica, requiriendo medidas de seguridad robustas.

6. Capacitar a todos es innegociable para navegar la rápida evolución de la IA.

Si llegas al trabajo cada día sin miedo a nada, probablemente tampoco estés aprendiendo nada, y ese es un buen momento para hacer algo nuevo.

El imperativo de habilidades. En una era donde las habilidades tecnológicas envejecen más rápido que nunca, un plan sólido de capacitación a nivel empresarial es crucial para el éxito individual y organizacional. Esto no es solo para roles técnicos; cada empleado, desde la sala de calderas hasta la junta directiva, será impactado por la IA. Las empresas que inviertan en aprendizaje continuo ganarán una ventaja competitiva significativa, porque la IA no reemplazará personas, pero las personas que usan IA reemplazarán a quienes no lo hacen.

Palancas para un programa de habilidades duradero. Implementa un enfoque multifacético para fomentar una cultura de aprendizaje:

• Contrata por curiosidad: Busca personas con deseo innato de aprender y explorar, pues son motores naturales de innovación.
• Recluta talento digital: Más allá de títulos tradicionales, busca individuos que adopten la tecnología para mejorar procesos.
• Inventario de habilidades: Establece una taxonomía clara y niveles medibles para habilidades técnicas y blandas, asegurando auditoría y alineación con necesidades del negocio.
• Plan para todos: Crea rutas de aprendizaje personalizadas con plazos claros, patrocinio ejecutivo y reconocimiento de logros.
• Abraza curvas de aprendizaje y olvido: Diseña contenido modular y accesible que apoye el “aprendizaje rápido” para refrescar conocimientos.
• Combina instrucción, imitación y colaboración: Fomenta el aprendizaje mediante capacitación formal, observación e interacción entre pares.
• Construye un entorno de pruebas: Proporciona espacios sin fricciones para experimentar y practicar, incentivando el aprendizaje práctico.
• Muestra credenciales digitales: Implementa programas de insignias para autenticar y celebrar logros, elevando la moral y la empleabilidad.
• La cultura importa: Los líderes deben “ser un verbo, no un sustantivo”, participando activamente en el aprendizaje y abordando con transparencia las inquietudes sobre el impacto de la IA en el empleo.

Éxito del desafío de IBM. El reto corporativo watsonx de IBM, iniciativa voluntaria, capacitó a 160,000 empleados en nuevas ofertas de IA, generando más de 12,000 prototipos y 8 millones de inferencias diarias. Esto no solo aumentó significativamente las habilidades en IA (88% reportó mejora), sino que canalizó la curiosidad en un multiplicador de productividad, demostrando que invertir en habilidades es un generador de valor, no un centro de costos.

7. El futuro de la IA es “multimodelo” y “multimodal”, no “un modelo que lo gobierne todo”.

Un solo modelo no gobernará todo.

Más allá del mito “más grande es mejor”. Aunque el desarrollo temprano de LLM se centró en aumentar el tamaño del modelo (p. ej., GPT-1 a GPT-4o), el futuro de la IA se orienta hacia un enfoque “multimodelo” y “multimodal”. Esto significa aprovechar un sistema de modelos diversos —algunos pequeños, otros grandes, algunos especializados— que trabajan en conjunto para lograr un rendimiento y eficiencia superiores, en lugar de depender de un único modelo monolítico.

El auge de los modelos pequeños de lenguaje (SLMs). Los SLM (típicamente <13 mil millones de parámetros) demuestran ser altamente competitivos, a menudo igualando o superando el desempeño de LLM mucho más grandes en tareas específicas. Esto se debe a:

• Curación de datos: Entrenamiento con grandes cantidades de datos de alta calidad y específicos de dominio (p. ej., la densidad de datos 2000:1 de Llama 3.1, la filosofía “Solo necesitas libros de texto” de Microsoft para Phi-2).
• Destilación de modelos: Uso de grandes modelos “maestros” para instruir a modelos “estudiantes” más pequeños, transfiriendo comportamientos y conocimientos complejos eficientemente (p. ej., Vicuna derivado de ChatGPT, DeepSeek-R1-Distill).

Sistemas de modelos para rendimiento óptimo. El verdadero poder está en orquestar estos modelos:

• Enrutamiento de modelos: Un enrutador de IA dirige solicitudes de inferencia al modelo más adecuado en una biblioteca (pequeño, mediano o grande), optimizando precisión, costo y latencia. Esto puede superar a un solo modelo grande mientras reduce gastos operativos.
• Arquitectura mezcla de expertos (MoE): LLM con “expertos” internos (grupos de parámetros) donde solo un subconjunto se activa para una tarea dada, haciendo la inferencia extremadamente rápida y el entrenamiento más económico (p. ej., Mistral 8x7B, DeepSeek-R1).

8. La computación generativa transformará los LLM en componentes de software programables e integrados.

¿Y si no solo empezamos a construir LLM como si fueran software, sino a construir con LLM como construimos el software hoy?

Un nuevo paradigma computacional. Los LLM evolucionan más allá de simples representaciones de datos para convertirse en un nuevo estilo de computación: la computación generativa. Este paradigma ve a las neuronas como un bloque fundamental, complementando la computación clásica (bits) y cuántica (qubits). En lugar de reemplazar enfoques existentes, la computación generativa integra los LLM en el tejido mismo del software, aplicando principios de ingeniería de software para mejorar eficiencia, seguridad y rendimiento.

De indicaciones caóticas a programas estructurados. La práctica actual de usar “mega-prompts” —textos largos y no estructurados— es ineficiente y propensa a errores. La computación generativa propone:

• Prompts estructurados: Delimitar claramente instrucciones de programa, datos y protocolos de seguridad dentro de los prompts.
• Orquestación en tiempo de ejecución: Un entorno “inteligente” que media acceso y capacidades, gestionando flujo de control, memoria y seguridad, similar a la ejecución del software tradicional.
• Intrínsecos de LLM: Capacidades integradas directamente en el modelo (p. ej., detección de seguridad, cuantificación de incertidumbre) que pueden invocarse programáticamente mediante flags o APIs estructuradas.

Co-evolución del hardware. Este cambio hacia un cómputo en tiempo de inferencia —donde los LLM dedican más tiempo a “pensar” para generar mejores respuestas— impulsará el desarrollo de hardware especializado. Chips como NorthPole de IBM, con memoria y procesamiento co-localizados, están diseñados para optimizar inferencias de baja latencia y alta eficiencia energética, allanando el camino para una “computadora generativa” adaptada a las demandas de este nuevo estilo computacional. Esto asegura que, a medida que la IA evoluciona, la infraestructura subyacente avance al mismo ritmo, maximizando rendimiento y creación de valor.