El término FOMO (fear of missing out), que surgió en redes sociales, es conocido como el miedo de quedarse atrás frente a experiencias interesantes o perder oportunidades atractivas. Aunque suene algo exclusivo de foros en internet, este fenómeno aplicado a la implementación de la inteligencia artificial (IA) generativa es real y muchas empresas en todo el mundo lo padecen.
Según diversos informes recientes, existen organizaciones que sienten una gran presión para adoptar soluciones de IA, debido a su creciente visibilidad y el temor por quedarse atrás en términos de competitividad. Por ejemplo, PwC, en su encuesta anual a líderes corporativos de todo el mundo (2024), revela que un 68% de los CEO consideran que la IA generativa aumentará la competitividad en su industria.
A su vez, se están analizando los primeros resultados del impacto de esta tecnología en el ambiente laboral. Según una investigación de PwC, los sectores más expuestos a la IA muestran un crecimiento 4,8 veces mayor en la productividad laboral. Por su parte, el 70% de los CEO encuestados consideran que la IA cambiará significativamente la forma en que sus compañías crean, entregan y capturan valor en los próximos tres años.
Sin embargo, la implementación efectiva de estas herramientas presenta desafíos que las empresas deben enfrentar para maximizar los beneficios de la IA generativa.
¿Qué desafíos dificultan la implementación o el acceso a la IA generativa?
Precisión y fiabilidad de los modelos
MC Kinsey declara que uno de los mayores desafíos es asegurar la precisión y fiabilidad de los modelos de inteligencia. La IA generativa, como los modelos de lenguaje grande (LLM) tipo GPT-4, pueden producir resultados impresionantes, pero también son susceptibles a errores conocidos como “alucinaciones”.
Estos errores pueden dinamitar la confianza en la tecnología y generar riesgos significativos para las decisiones empresariales. Un pequeño error de cálculo o un concepto errado puede hacer perder cientos de miles de dólares en cuestión de segundos.
Riesgos de seguridad y privacidad
La implementación de IA generativa plantea serios riesgos de seguridad y privacidad. Para entrenar estos modelos, se los alimenta con datos que a menudo incluyen información sensible, y existe el riesgo de filtraciones o mal uso de los datos. Además, los modelos pueden ser vulnerables a ataques que manipulan sus resultados.
Para prevenir estos riesgos, las empresas deben establecer políticas robustas de gobernanza de datos y ciberseguridad, así como capacitar a todos sus colaboradores.
Integración y escalabilidad
La integración de soluciones de IA en las operaciones existentes de una empresa puede ser un proceso complejo y costoso. Muchas compañías encuentran dificultades para escalar estas soluciones más allá de los proyectos piloto.
La personalización de los modelos y la necesidad de infraestructura tecnológica avanzada son barreras significativas para la implementación a gran escala.
Falta de transparencia y explicabilidad
La transparencia y la capacidad de explicar cómo y por qué la IA generativa produce ciertos resultados es un área crítica que aún necesita desarrollo.
La falta de explicabilidad puede dificultar la adopción de la IA en sectores donde es esencial entender y confiar en las decisiones automatizadas, como en la medicina y las finanzas.
Desplazamiento y capacitación de la fuerza laboral
El impacto de la IA en la fuerza laboral es otro desafío importante. Si bien la IA tiene el potencial de mejorar la productividad y crear nuevos roles, también puede llevar al desplazamiento de trabajadores.
Las empresas deben invertir en programas de capacitación y reentrenamiento para preparar a sus empleados para trabajar con nuevas tecnologías y adaptarse a los cambios en el entorno laboral.
Un futuro incierto
¿Qué implica quedar por fuera de algo tan potente, beneficioso y disruptivo? Seguramente, la sociedad de inicios del 1900 se hacía esta misma pregunta, imaginando caballos más rápidos mientras Henry Ford revolucionaba con sus automóviles. La historia nos ha mostrado la respuesta: el cambio no ocurre de un día para otro, pero eventualmente transforma todo. Más de 100 años después, seguimos debatiendo el uso de nuevas tecnologías y su futura evolución.
No hay soluciones hoy en día 100% eficaces en IA generativa. Si bien sentirse por fuera puede ser algo natural, es recomendable acompañar el progreso en un mundo que cambia mucho más rápido que en el siglo pasado. ¿Será que en el futuro no usar IA generativa será como haber circulado en carruajes tirados por caballos?
Por Fabricio González, Head de Quantik Lab.
Con más de 20 años en IT, Fabricio se formó en Ingeniería de Sistemas y Administración en la Universidad de Salamanca. Fue mentor en la Cámara Uruguaya de Tecnologías y ha colaborado con organizaciones como JCI y Singularity University. Hoy lidera proyectos de software e innovación en Quantik.
Acerca de Quantik Lab
Quantik Lab es el área del grupo Quantik dedicada a la investigación y desarrollo (I+D). Su objetivo es fomentar y madurar la creación de nuevos productos y tecnologías, que luego pueden ser escalados. Las ideas para explorar nuevas temáticas provienen tanto de clientes como de colaboradores.
Hoy en día, lleva adelante investigaciones sobre sobre metaverso, internet de las cosas, movilidad eléctrica, experiencia de cliente y ciudades inteligentes.
