Cinco desafíos que encuentran las empresas a la hora de implantar IA generativa

Las empresas son cada vez más conscientes de estas bondades, así lo corrobora un reciente estudio de McKinsey, el cual ha mostrado que el 72% de los trabajadores encuestados dijo que sus compañías ya han implementado de una u otra forma la IA en al menos una función empresarial. Además, el 65% mencionó que sus organizaciones utilizan diariamente  la IA generativa, lo cual  se convierte en el doble de la tasa que se registró en 2023 (33%).  A pesar de su gran despunte en el ámbito corporativo, no todo es oro lo que reluce y su integración en aplicaciones empresariales presenta varios desafíos técnicos, organizativos y de procesos. Redegal ha elaborado una lista con los principales retos a los que se enfrentan las empresas en la inclusión de esta tecnología emergente.

-  Se catalogan como sistemas no determinantes: aplicaciones de IA generativa como Chat GPT, Gemini, Claude o Llama están programados en la actualidad para que respondan como lo haría un ser humano, es decir, con cierta ambigüedad. Aquí es donde entra la problemática a la hora de integrarlos con softwares tradicionales, por eso el determinismo es esencial. Por esta razón, se recomienda incluir  sistemas que detecten si el modelo de IA generativa está respondiendo bien según un contexto u otro.

-  Están diseñados para interactuar con humanos, no entre otras máquinas o robots: los software LLM (modelo de lenguaje grande) están creados para interactuar con seres humanos. Se convierten en sistemas ideales cuando se usan para interfaces estilo chatbots para cubrir por ejemplo un servicio de atención al cliente. No obstante,esto puede provocar dificultades cuando interaccionan con otro sistema automatizado. Para enmendar este reto, es necesario desarrollar mecanismos que validen y filtren para asegurar respuestas coherentes con aplicaciones monitorizadas.

-  Requieren muchos recursos, lo que puede aumentar los costes: siguiendo con los modelos de LLM, requieren de muchos recursos computacionales, por eso se suele ejecutar en la nube, lo que llega a afectar en muchas ocasiones a la latencia y a la respuesta. La gran cantidad de recursos de computación que requieren aumenta los costes. De esta forma, es crucial usar sistemas de Big Data que haga una primera función de filtrado de información, y después usar la IA Generativa con aquellos datos y elementos que hayan sobrevivido a esta primera criba.

-  Están programados con lenguaje natural: la programación de modelos de IA generativa mediante entradas de texto en lenguaje natural introduce ambigüedad, a diferencia de los lenguajes de programación tradicionales. Esto transforma la interacción con la IA en una colaboración similar a una conversación con un humano en la que hay que establecer un contexto. Para que haya una mejora continua, es muy importante la supervisión constante y la creación de actualizaciones que se generan a raíz de un trabajo colaborativo.

-  Pueden poner la seguridad y privacidad en compromiso: el uso de  servicios de terceros implica enviarles información comprometida que puede afectar a la privacidad de la empresa. Por lo que, es crucial tener en cuenta la opinión de los clientes en este ámbito. Por otro lado, siguiendo con el plano legal, en alguna ocasión los modelos de IA generativa son capaces de crear respuestas no apropiadas, por lo que requieren controles automatizados para asegurar la eficacia de las soluciones que pongan encima de la mesa. También es factible la anonimización de datos para evitar la exposición de datos sensibles o personales.