Cinco desafíos empresariales a la hora de implantar la IA generativa

La IA generativa ha despuntado en el mundo de la empresa. Sin embargo, no es oro todo lo que reluce en su integración con las aplicaciones empresariales ya que presenta varios desafíos técnicos, organizativos y de procesos. Redegal expone una lista con los retos principales a los que se enfrentan las organizaciones en la inclusión de esta herramienta tecnológica en sus sistemas.

Las empresas son cada vez más conscientes de estas bondades. Así lo corrobora un reciente estudio de McKinsey que señala que el 72% de los trabajadores encuestados reveló 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 del despliegue que tiene la IA en el ámbito corporativo, las mayores dificultades se presentan en su integración con aplicaciones empresariales, presentando una serie de desafíos de carácter técnico, organizativo, así como de procesos.

Según la compañía Regal, estos son los principales retos a los que se enfrentan las empresas en la inclusión de esta tecnología emergente:

• De Chat GPT a Gemini o Claude 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 los contextos.

• 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 ello resulta 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.