IAGen empresarial: De promesa transformadora a estándar de negocios

Los datos y la gobernanza siguen siendo los cimientos

Durante el panel, los ejecutivos confirmaron que los desafíos fundamentales que han encontrado en sus proyectos de IA generativa no difieren sustancialmente de los proyectos analíticos tradicionales. "Los retos técnicos siguen siendo los mismos, solo que el producto es más llamativo", dijo Sánchez. "La base son los datos: el modelo de datos, las bases de datos, evitar los silos. Se requiere orden y gobernanza de datos", subrayó.

Esta realidad, comentó la ejecutiva de Valia Energía, contrasta con las expectativas del mercado, que frecuentemente percibe la IA generativa como una solución revolucionaria que puede implementarse sobre infraestructuras de datos deficientes. Sin una base sólida de datos y gobernanza adecuada, coincidieron los expertos, estos proyectos están condenados al fracaso.

Las personas pueden volverse el obstáculo más complejo

Más allá de los aspectos técnicos, los participantes identificaron la resistencia organizacional como el principal impedimento para el éxito de los proyectos de IA. Vanessa Sánchez indicó que la resistencia al cambio es un reto, ya que hay desde personas que no identifican áreas de oportunidad en sus procesos, hasta quienes rechazan la colaboración de equipos expertos en datos.

Carlos Conss, subdirector de Servicios de Información en Kimberly Clark, dijo que la resistencia al cambio muchas veces es brutal. “Puedes llevar la mejor herramienta, pero si el usuario no confía en ella, no la usa y vuelve a Excel”, apuntó.

"No importa lo increíble que sea el producto, y lo bien que se implemente”, insistió Sánchez, “si no se rompe la inercia de cómo operan los usuarios, no sirve, porque no se usa". De ahí la importancia de acompañar a los usuarios en el cambio para enseñarles a obtener valor de las herramientas.

Francisco Vázquez, subdirector de Reporting y Gobierno de datos en Mapfre, añadió otra dimensión: "Al adoptar proyectos de datos también se encuentran retos en cuanto a roles y egos. Hay que romper esa barrera para evitar choques".

Para superar estas resistencias, Sánchez recomendó involucrar a los usuarios desde el inicio del proyecto, para generar así vínculos y confianza al abordar directamente sus puntos de dolor operacionales.

Perfiles críticos para el éxito

Otro reto que las empresas deben abordar es contar con el talento adecuado. Los panelistas afirmaron que los roles de datos tradicionales han evolucionado, y han aparecido nuevos perfiles especializados.

León Palafox, director del AI Innovation Laboratory en GBM, advirtió que los proyectos pueden diferir grandemente según las capacidades y el perfil del responsable. "Si el modelo de IAGen lo hace un arquitecto, seguramente tomará como base el mismo modelo [commodity o estandarizado] y las inferencias serán las mismas, porque son del mismo modelo. [Para ser innovador] necesitas doctores y maestros (científicos de datos) que puedan hacer el fine-tuning de un modelo con datos propios y experimentos únicos", destacó.

Los perfiles que los expertos identificaron como críticos para los proyectos actuales incluyeron:

• Arquitectos de IA, con conocimientos en nube, datos y programación Python.
• “Traductores” de negocio o storytellers, que serían profesionales capaces de conectar los equipos técnicos con las áreas operativas.
• “Product owners” especializados, que puedan operar con productos de IA.
• Scrum Masters, con habilidad para coordinar los múltiples actores involucrados.

Se requiere liderazgo, gestión del cambio y medición del ROI

Los panelistas fueron categóricos al identificar el pensamiento crítico y la gestión del cambio como las características que deben tener los líderes para que las iniciativas de IAGen empresarial tengan éxito.

"Un líder que te ayuda es quien no quiere hacerlo todo con IA. Como líder de IA, siempre tiene que discutir si IA es la solución adecuada [para el problema a abordar]", aportó Álvaro Creixell, Chief Strategy Officer de Energía Real. En muchos casos, reglas de negocio bien diseñadas ofrecen soluciones más simples y efectivas.

En cuanto al retorno de inversión, medirlo adecuadamente es uno de los temas más complejos al manejar los proyectos de IA generativa. “Para que un proyecto [de IAGen] sea exitoso, es imperativo que esté alineado con la estrategia de negocio y que se justifique la inversión con métricas claras y cuantificables. Los directivos deben ver una conexión clara entre la inversión analítica y el impacto en el negocio, lo cual no es siempre una tarea sencilla. Se debe partir de un análisis de los procesos ‘AS IS’ para establecer valores de referencia y demostrar la mejora”, explicó Vanessa Sánchez.

Sin embargo, esto no es sencillo. "Hay proyectos en los que [el ROI] no se puede medir tal cual, especialmente en horas-hombre. No hay un tracking para medir el ahorro de horas y cómo eso se traduce en eficiencia", expuso Ivette Castillo, General Manager de GE Grid Solutions.

En casos como ese, las recomendaciones sugeridas fueron:

• Definir casos de uso concretos con outputs claros (p. ej. informes que antes tomaban seis meses y ahora se completan en semanas);
• Establecer hipótesis y proxys medibles, combinando pilotos controlados con análisis comparativos de procesos antes y después de la implementación.

Expectativa frente a realidad

Los responsables de los proyectos de IA generativa también deben mantener expectativas realistas sobre las capacidades actuales de la tecnología, recomendó Andrés Blanco, Data Analyst Lead en The Coca Cola Company.

"A la IA no se le perdonan errores que a un becario sí", observó Miguel Rodríguez, Head of Data en GEPP, quien resaltó que los estándares aplicados a las herramientas son mucho más altos.

Sin embargo, no se trata de romantizar la IA, recordó la responsable de Transformación en Valia Energía: “La implementación no es el fin del ciclo de vida de un producto de datos. Es necesario establecer equipos dedicados para el soporte, mantenimiento y reentrenamiento de los modelos, un factor que implica un costo continuo. La sistematización de los procesos es crucial para que este mantenimiento sea viable a largo plazo”.

La clave, subrayó, está en ser pragmáticos. La IA tiene un potencial enorme, pero solo aporta valor si se alinea con los objetivos estratégicos y se gestiona con gobernanza. "Hay que ser crítico: la IA sí va a reemplazar roles. Hay que migrar de perfiles reemplazables a perfiles más críticos, porque los [trabajos] repetitivos serán absorbidos por la IA", remarcó Sánchez. La IA no elimina personas, sino que cambia el tipo de trabajo, concluyó la ejecutiva.