Talento y tecnología: elementos críticos para el éxito estratégico de la IA

El entusiasmo por la inteligencia artificial (IA) es innegable. Sin embargo, su verdadero valor empresarial no se logrará hasta que se deje de utilizar únicamente como una herramienta operativa y se convierta en un recurso estratégico. Y es que es en este punto donde la IA realmente demuestra su potencial: al identificar tendencias, anticipar cambios y capitalizar oportunidades antes que la competencia.

Aunque muchas organizaciones tienen grandes ambiciones relacionadas con la IA -el 94 % planea expandirla en los próximos 12 meses-, un estudio reciente de Sapio muestra que la mayoría ha centrado sus esfuerzos en proyectos tácticos para mejorar la eficiencia operativa, más que en iniciativas estratégicas que puedan impulsar su crecimiento. Eso sí, la mayoría de los encuestados muestran un exceso de confianza en la capacidad para dar el salto de lo táctico a lo estratégico.

La realidad es que, según el mismo informe, menos de la mitad de los líderes de TI tiene una comprensión completa de las necesidades para todo el ciclo de vida de la IA. Algo que es fundamental para cualquier iniciativa tecnológica, y que plantea importantes obstáculos. Dentro de ese déficit, dos de las brechas más críticas se producen en las áreas de talento y tecnología. Por suerte, se pueden abordar fácilmente con un enfoque adecuado.

Conseguir el talento necesario

Cuando se trata de atraer talento para proyectos de IA, las empresas suelen asumir que solo es necesario involucrar perfiles altamente técnicos. En este sentido, el estudio de Sapio destaca que, aunque los roles de liderazgo en TI, ingenieros de IA y científicos de datos están muy bien considerados, menos del 25 % de las empresas involucran a sus equipos legales en las conversaciones estratégicas sobre inteligencia artificial. De manera similar, solo un tercio cuenta con la participación de Recursos Humanos. Esto refleja la opinión generalizada de que los aspectos legales, de cumplimiento y éticos son elementos menos críticos para el éxito de la IA, seleccionados sólo por el 13 % y el 11 % de los participantes en la investigación, respectivamente.

Por supuesto, este es un punto ciego crítico. Desde la perspectiva legal y de cumplimiento, se están desarrollando constantemente nuevas regulaciones a nivel global que requieren experiencia especializada para asegurar que los proyectos cumplan con los estándares establecidos. Por su parte, para RR.HH. es crucial estar involucrados en los proyectos para poder cubrir los puestos clave de manera eficiente, evitando cuellos de botella en la atracción y retención del talento que provoquen retrasos o incluso el abandono total de proyectos.

Reconocer las brechas de la infraestructura de TI

En cuanto a la infraestructura tecnológica, el informe refleja un exceso de confianza similar. El 93 % de los líderes de TI cree que sus redes están listas para soportar el tráfico de IA, y el 84 % considera que sus sistemas tienen la flexibilidad necesaria para gestionar las exigencias únicas de la IA a gran escala.

Sin embargo, al profundizar en los detalles, menos del 40 % de los líderes de TI comprende realmente las necesidades específicas de redes y cómputo para las tareas de ajuste de los modelos de IA (fine-tuning) o para las tareas de inferencia (inferencing). Claramente, esto representa un riesgo a la hora de garantizar que las aplicaciones de IA tengan los recursos tecnológicos necesarios.

Proyectos piloto como estrategia

Así las cosas, para identificar el talento y la tecnología necesarios para avanzar de una adopción táctica a una estrategia integral de inteligencia artificial, es recomendable comenzar con proyectos piloto pequeños. Además, es imperativo que todas las áreas funcionales, tanto negocio como TI, estén representadas y trabajen mano a mano desde el principio, de modo que se puedan prever y solventar obstáculos, evitando brechas a mayor escala una vez se despliega el proyecto completo.

Así, las iniciativas de IA se pueden adaptar de manera que los aprendizajes sean realmente útiles y estén enfocados en resolver los problemas más importantes, lo que finalmente ayuda a lograr los resultados que la empresa busca.

Infraestructura: nubes privadas o híbridas

Desde el punto de vista de la infraestructura tecnológica, es tentador considerar la posibilidad de iniciar un piloto en la nube pública. Sin embargo, el uso de plataformas de nube pública introduce cierta latencia en los procesos, lo que impide que los modelos de IA funcionen a las velocidades necesarias para completar cálculos en tiempo real y a escala. Este escenario hace que no sea la mejor opción para una iniciativa de IA empresarial, ya que tarde o temprano requeriría migrar a una nube privada y rediseñar las aplicaciones, generando ineficiencias y retrasos, además de un aumento considerable en los costes.

Para obtener la capacidad, el rendimiento y la escalabilidad necesarios, se recomienda que las empresas comiencen con la infraestructura de nube privada desde el principio, ya que están diseñadas para manejar las cargas de trabajo únicas de una iniciativa estratégica inherentemente más compleja. Además, las nubes privadas son más rentables, ya que se puede comenzar con una solución dimensionada para las primeras fases de pilotaje y luego crecer sin problemas para incluir las soluciones de supercomputación adecuadas a medida que se pasa a la producción.

Para aquellas empresas que ya están utilizando la nube pública, una solución híbrida que la combine con nubes privadas puede ser una opción eficaz. Este enfoque proporciona una interfaz centralizada para gestionar ambos entornos, lo que reduce costes y simplifica la administración.

Soluciones abiertas y flexibles: clave para la innovación

Sea cual sea el camino elegido, es fundamental que las empresas opten por soluciones tecnológicas abiertas y flexibles. Esto les permitirá utilizar las mejores herramientas disponibles para cada situación, sin depender de un solo proveedor. Aún mejor, es recomendable elegir soluciones agnósticas de un proveedor de nube, de manera que el personal de TI pueda gestionar todas las cargas de trabajo de IA desde una única plataforma, independientemente del entorno donde se encuentren. Y lo más importante, es esencial contar con una arquitectura tecnológica adaptativa que pueda escalar conforme avance la madurez de la IA dentro de la empresa. Esto permitirá aprovechar grandes cantidades de datos públicos y privados para impulsar aplicaciones de análisis de datos y el desarrollo de modelos de IA, desde las etapas de entrenamiento (training) hasta las de ajuste (fine-tuning).

Al abordar estos desafíos y seguir estos pasos, las empresas pueden transformar la IA en un motor estratégico que no solo optimice las operaciones actuales, sino que también abra nuevas oportunidades y caminos innovadores hacia el éxito. No se trata solo de incorporar tecnología, sino de reimaginar el negocio con una visión audaz que permita aprovechar al máximo el potencial de la IA.