La Inteligencia Artificial generativa llegó para quedarse. Y su potencialidad parece no tener límites, aplicable a casi todos los sectores económicos, incluyendo el mercado asegurador, que ya viene demostrando los alcances de su utilidad en toda la cadena de valor del negocio.
Una investigación de McKinsey a la que accedió 100% SEGURO, estima que la IA generativa podría generar el equivalente de US$ 2.6 billones a US$ 4.4 billones de valor anual a las empresas del mundo que ya la utilizan. Los directores de sistemas de información (CIO) y los directores de tecnología (CTO) tienen un papel fundamental en la captura de ese valor, y es por eso que la consultora internacional brinda en este informe algunas ideas mediante las cuales es posible aprovechar al máximo esta plataforma.
En particular:
- Actuar rápidamente para determinar la postura de la empresa para la adopción de IA generativa y desarrollar comunicaciones prácticas y acceso adecuado;
- Reimaginar el negocio e identificar el uso, analizando casos que creen valor a través de la mejora de la productividad, el crecimiento y nuevos modelos de negocio;
- Desarrollar una capacidad de «IA financiera» (FinAI) que pueda estimar los costos y retornos reales de la IA generativa;
- Repensar la función tecnológica y centrarse en crear rápidamente capacidades de IA generativa en el desarrollo de software para las empresas;
- Aprovechar los servicios existentes o adaptar los modelos de IA generativa de código abierto para desarrollar capacidades patentadas, ya que crear u operar modelos propios puede costar decenas o cientos de millones de dólares;
- Actualizar la tecnología de su empresa para integrar y administrar modelos de IA generativos, para que funcionen correctamente entre sí;
- Desarrollar una arquitectura de datos para permitir el acceso a datos de calidad;
- Crear un equipo de plataforma de IA generativa interfuncional y centralizado, para proporcionar modelos aprobados para el producto y la aplicación de la misma;
- Invertir en mejorar las habilidades de los roles clave (desarrolladores de software, ingenieros de datos, ingenieros de MLOps y expertos en seguridad), así como en la fuerza laboral no tecnológica más amplia;
- Evaluar el nuevo panorama de riesgos y establecer prácticas de mitigación continuas para abordar modelos, datos y políticas.
Desde McKinsey, afirman que los CIO y CTO deben trabajar con los líderes de riesgos para equilibrar la necesidad real de mitigación de riesgos con la importancia de desarrollar habilidades de IA generativa en sus negocios, ya que aquellas que se nieguen a trabajar con la Inteligencia Artificial corren el riesgo de perder oportunidades de innovación para sus empresas.
Una vez que las políticas están claramente definidas, los líderes deben comunicarlas a la empresa, y el CIO y el CTO deben proporcionar a la organización el acceso apropiado y pautas fáciles de usar y entender.
La investigación muestra que la IA generativa puede aumentar la productividad para ciertos casos de uso de marketing (por ejemplo, mediante el análisis de datos abstractos y no estructurados para las preferencias del cliente) en aproximadamente un 10% y la atención al cliente (por ejemplo, a través de bots inteligentes) hasta en un 40%.
La IA generativa tiene el potencial de rehacer por completo el funcionamiento de la función tecnológica. Los CIO y CTO deben realizar una revisión exhaustiva del impacto potencial de la IA generativa en todas las áreas de la tecnología, pero es importante actuar rápidamente para adquirir experiencia y conocimientos.
Hay tres áreas donde pueden enfocar sus energías iniciales:
Desarrollo de software: la investigación muestra que la compatibilidad con la codificación de IA generativa puede ayudar a los ingenieros de software a desarrollar código entre un 35 y un 45 % más rápido, refactorizar el código entre un 20 y un 30 % más rápido y realizar la documentación del código entre un 45 y un 50 % más rápido. La IA generativa también puede automatizar el proceso de prueba y simular casos extremos, lo que permite a los equipos desarrollar software más resistente antes del lanzamiento y acelerar la incorporación de nuevos desarrolladores.
Deuda técnica: la deuda técnica puede representar del 20 al 40% de los presupuestos de tecnología y ralentizar significativamente el ritmo de desarrollo. Los CIO y CTO deben revisar sus balances de deuda tecnológica para determinar cómo las capacidades generativas de IA, como la refactorización de código, la traducción de código y la generación automatizada de casos de prueba, pueden acelerar la reducción de la deuda técnica.
Operaciones de IT (ITOps): los CIO y CTO deberán revisar sus esfuerzos de productividad de ITOps (Operaciones de tecnología de la información) para determinar cómo la IA generativa puede acelerar los procesos. Las capacidades de la IA generativa son particularmente útiles para automatizar tareas tales como restablecimientos de contraseñas o o informes de rendimiento, entre otras tantas.
Para las empresas que buscan escalar las ventajas de la IA generativa como Modeladores o Creadores, los CIO y CTO necesitan actualizar su arquitectura tecnológica. El objetivo principal es integrar modelos generativos de IA en sistemas internos y aplicaciones empresariales y construir canalizaciones a varias fuentes de datos. En última instancia, es la madurez de la arquitectura de tecnología empresarial de la empresa lo que le permite integrar y escalar sus capacidades de IA generativa.
Hay cinco elementos clave que deben incorporarse a la arquitectura tecnológica para integrar la IA generativa de manera efectiva:
- Gestión de contexto y almacenamiento en caché para proporcionar modelos con información relevante de fuentes de datos empresariales. El acceso a datos relevantes en el momento adecuado es lo que permite que el modelo comprenda el contexto y produzca resultados convincentes. Almacena en caché los resultados de las preguntas más frecuentes para permitir respuestas más rápidas y económicas.
- Gestión de políticas para garantizar el acceso adecuado a los activos de datos de la empresa. Este control garantiza que el resto de la organización no pueda acceder a los modelos generativos de IA de RR. HH. que incluyen detalles de compensación de empleados, por ejemplo.
- Centro de modelos, que contiene modelos capacitados y aprobados que se pueden aprovisionar a pedido y actúa como un repositorio para puntos de control, pesos y parámetros del modelo.
- Biblioteca de solicitudes, que contiene instrucciones optimizadas para los modelos generativos de IA, incluida la creación de versiones de solicitudes a medida que se actualizan los modelos.
- Plataforma MLOps, incluidas capacidades MLOps mejoradas, para dar cuenta de la complejidad de los modelos generativos de IA. Las canalizaciones de MLOps, por ejemplo, deberán incluir instrumentación para medir el rendimiento específico de la tarea, como medir la capacidad de un modelo para recuperar el conocimiento correcto.
Otro paso muy importante es desarrollar una «arquitectura de datos» para permitir el acceso a datos de calidad. Para crear esta ventaja es necesario una arquitectura de datos que conecta modelos generativos de IA con fuentes de datos internas, que brinden contexto o ayuden a ajustar los modelos para crear resultados favorables.
En este contexto, McKinsey afirma que los CIO, CTO y los directores de datos deben trabajar en estrecha colaboración para hacer lo siguiente:
- Categorizar y organizar los datos para que puedan ser utilizados por modelos generativos de IA. Los líderes tecnológicos deberán desarrollar una arquitectura de datos integral que abarque fuentes de datos estructurados y no estructurados. Esto requiere implementar estándares y pautas para optimizar los datos para el uso de IA generativa, por ejemplo, aumentando los datos de entrenamiento con muestras sintéticas para mejorar la diversidad y el tamaño; convertir tipos de medios en formatos de datos estandarizados; agregar metadatos para mejorar la trazabilidad y la calidad y actualización de los mismos.
- Asegurarse de que la infraestructura o los servicios en la nube existentes puedan admitir el almacenamiento y el manejo de los grandes volúmenes de datos necesarios para las aplicaciones de IA generativa.
- Priorizar el desarrollo de canalizaciones de datos para conectar modelos generativos de IA con fuentes de datos relevantes que proporcionen «comprensión contextual». Los enfoques emergentes incluyen el uso de bases de datos vectoriales para almacenar y recuperar incrustaciones (conocimiento especialmente formateado) como entrada para modelos generativos de IA, así como enfoques de aprendizaje en contexto, como «pocos avisos», donde los modelos reciben ejemplos de buenas respuestas.
Crear un equipo de plataforma de IA generativa interfuncional y centralizado es otro pilar fundamental. Los CIO y CTO deben asegurarse de que el equipo de la plataforma cuente con personas que tengan las habilidades adecuadas. Este equipo requiere un líder técnico senior que actúe como gerente general. Los roles clave incluyen ingenieros de software para integrar modelos generativos de IA en sistemas, aplicaciones y herramientas existentes; hasta ingenieros de datos para construir canalizaciones que conecten modelos a varios sistemas de registro y fuentes de datos; entre otros roles necesarios.
La IA generativa tiene el potencial de aumentar enormemente la productividad de los empleados y aumentar sus capacidades, pero los beneficios se distribuyen de manera desigual según los roles y los niveles de habilidad, lo que requiere que los líderes reconsideren cómo desarrollar las habilidades reales que necesitan las personas. Los líderes tecnológicos deben implementar mecanismos de retención, como salarios competitivos y oportunidades para participar en importantes trabajos estratégicos para el negocio. Un enfoque crucial debe estar en mejorar las habilidades de las personas en función de una visión clara de qué habilidades se necesitan por rol, nivel de competencia y objetivos comerciales.
El informe concluye en que es importante evaluar el nuevo panorama de riesgos y establecer prácticas de mitigación continuas. Para proteger la privacidad de los datos, será fundamental establecer y hacer cumplir protocolos de etiquetado de datos confidenciales, establecer controles de acceso a datos en diferentes dominios (como datos de compensación de recursos humanos), agregar protección adicional cuando los datos se usan externamente e incluir salvaguardas de privacidad.
