En los últimos años, gran parte de la conversación sobre la IA se ha centrado en la capacidad. Hemos visto cómo pasa de generar contenido y resumir información a analizar datos, escribir código y realizar tareas cada vez más complejas. Ahora, con el rápido desarrollo de agentes de IA, comenzamos a ceder no solo tareas, sino fragmentos de flujos de trabajo y decisiones.

Este progreso, comprensiblemente, genera preguntas sobre qué ocurre con las personas cuando la IA se vuelve más autónoma. Pero tal vez estemos mirando la cuestión desde el ángulo incorrecto. El cambio más profundo está en lo que necesitamos que las personas hagan. Cuando las herramientas de IA pueden gestionar más ejecución, las personas deben dedicar más tiempo a pensar el sistema que las rodea. Debemos plantearnos preguntas importantes para lograrlo:

• ¿Qué es lo que realmente queremos lograr?
• ¿Qué información necesita la tecnología para tomar una buena decisión?
• ¿Cómo debe moverse el trabajo de un paso a otro?
• ¿Cuándo puede la IA tomar una decisión por sí sola y cuándo es necesaria la intervención humana?

Estas son cuestiones que las empresas ya enfrentan hoy, pero la IA eleva el riesgo porque las decisiones y acciones pueden ocurrir más rápido y a una escala mayor. Tomemos, por ejemplo, una organización de marketing.

Ya estamos en un punto en el que la IA puede analizar una audiencia, desarrollar contenido, adaptar ese contenido para distintos canales, verificarlo frente a requisitos y evaluar resultados. No es difícil imaginar que esas capacidades se conecten de tal forma que una acción dispare la siguiente automáticamente.

La estrategia entra en la coordinación

El reto es que cada parte de ese proceso puede funcionar exactamente como está diseñada y aun así generar un resultado negativo. Un modelo de audiencia podría identificar a las personas más propensas a responder a una oferta, pero dejar fuera a los clientes que la empresa más quiere desarrollar a largo plazo.

Un agente de contenido podría producir algo que genere clics, pero que sea incoherente con la dirección de la marca. Un sistema que evalúa el desempeño podría hacer una recomendación perfectamente razonable basada en la métrica que le dieron, aunque esa métrica no refleje el objetivo comercial más amplio.

Esos no son necesariamente fracasos de la IA. En muchos casos, la tecnología ha hecho exactamente lo que se le pidió. El fallo ocurrió antes, cuando el objetivo, el contexto o las conexiones entre decisiones no estuvieron diseñados con suficiente claridad. Aquí es donde la gente desempeña un papel cada vez más importante.

Alguien debe entender el contexto empresarial más amplio y garantizar que las decisiones individuales que se toman a través de un flujo de trabajo finalmente respalden el mismo objetivo.

Quien haya pasado tiempo en una gran empresa habrá visto una versión similar antes. En las dos últimas décadas, las compañías compraron tecnología especializada para casi cada necesidad empresarial: plataformas CRM, sistemas de automatización de marketing, herramientas analíticas, software de gestión de proyectos, plataformas de contenido y numerosas soluciones puntuales. Cada una resolvía un problema real, pero luego tocaba descubrir cómo hacer que todos esos sistemas funcionaran juntos.

Los equipos construían integraciones, movían datos entre plataformas, conciliaban información conflicts y creaban procesos que conectaran lagunas entre sistemas que nunca fueron diseñados para operar como uno solo. En muchas organizaciones, los empleados se convirtieron efectivamente en la capa de integración, llevando contexto de una plataforma o equipo a otro.

A medida que las empresas adoptan IA en todas las funciones, existe una posibilidad real de que volvamos a enfrentar el mismo problema, pero mucho más rápido y con tecnología capaz de tomar decisiones y actuar de forma autónoma.

Es relativamente fácil para un departamento adoptar una herramienta de IA o construir un agente que resuelva un problema concreto. Si eso ocurre en toda la empresa, podrían encontrarse con grandes números de modelos y agentes que actúan sobre datos distintos, siguen instrucciones diferentes y optimizan resultados distintos.

Los componentes individuales pueden ser mucho más inteligentes que los sistemas de software que le antecedieron, pero eso hace que la coordinación sea aún más crucial y aumenta la importancia de contar con una estrategia que vaya más allá de cualquier agente individual o caso de uso.

Encontrar el equilibrio es clave

La estrategia humana se vuelve crítica para diseñar ese sistema mayor, pero ello no debe confundirse con exigir a una persona que apruebe cada resultado de IA. Pedir a alguien que apruebe cada salida eliminaría gran parte del propósito de crear sistemas autónomos en primer lugar.

Las empresas tendrán que determinar dónde están dispuestas a permitir que la IA opere de forma independiente, dónde la supervisión es suficiente y dónde las consecuencias de una decisión justifican la intervención humana directa.

Ese equilibrio probablemente se verá distinto en cada organización e incluso entre flujos de trabajo dentro de la misma empresa. Una decisión rutinaria con reglas claras y consecuencias limitadas puede requerir muy poca intervención, mientras que una decisión que afecte una relación con un cliente, una marca, un gasto significativo o una dirección estratégica merece un nivel de escrutinio diferente.

También habrá situaciones en las que el sistema simplemente necesite reconocer que algo inusual ha ocurrido y volver a involucrar a una persona en el proceso. Determinar esos límites y diseñar el flujo de trabajo a su alrededor puede, en última instancia, importar más que el modelo o agente individual que la empresa elija.

Adaptarse y ajustarse a medida que la tecnología cambia

La tecnología que sustenta todo esto seguirá cambiando rápidamente. Los modelos que hoy parecen significativamente mejores que la competencia pueden ser superados en pocos meses, y capacidades que hoy se sienten diferenciadoras se volverán ampliamente disponibles. Las empresas no pueden asumir que acceder a un modelo particular les otorgará una ventaja duradera, especialmente a medida que la brecha entre tecnologías competidoras se estrecha.

Lo que será mucho más difícil de replicar es el pensamiento que rodea a la tecnología: la comprensión de los clientes y las operaciones de una organización, la forma en que se han diseñado sus flujos de trabajo, el contexto que se brinda a sus sistemas de IA y el juicio aplicado a las decisiones que importan. Esas cosas son específicas del negocio y se vuelven más valiosas a medida que la tecnología subyacente se vuelve más ampliamente accesible.

Por lo tanto, una mayor autonomía de la IA no conduce a un futuro con menos necesidad de inteligencia humana. Crea una mayor necesidad de personas capaces de mirar el sistema completo y entender qué se le está pidiendo a la tecnología que logre, si las piezas están funcionando juntas y si el resultado realmente tiene sentido para el negocio.

Vamos a volvernos muy buenos construyendo IA que pueda hacer cosas en nuestro nombre. El desafío más difícil será asegurarnos de que todas esas cosas sumen para hacer algo valioso.

Hemos destacado el mejor chatbot de IA para negocios.

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mejores ideas de la industria tecnológica actual.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si estás interesado en contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/aA3JI2R
via IFTTT IA