Los ejecutivos que dudan del potencial de la IA generativa se están convirtiendo en una especie rara. En una encuesta reciente de Deloitte a directores ejecutivos de Fortune 500, el 75% esperaba que la IA generativa mejorara la eficiencia operativa, mientras que más de la mitad creía que aumentaría el crecimiento.
En nuestra propia encuesta a líderes de ciencia de datos y sus equipos, el 90% cree que el revuelo está más que justificado. De hecho, ha habido una serie de informes que predicen que la genAI tendrá un enorme impacto en la economía mundial. Por ejemplo, McKinsey estimó que añadiría entre 2,6 y 4,4 billones de dólares al año.
La pregunta ya no es si la IA generativa será transformadora, sino cómo lograremos esa transformación. En otras palabras, ¿cómo ganamos dinero con genAI? Para responder a esta pregunta, debemos analizar los desafíos que dificultan “ganar dinero” con genAI y cómo las empresas los están superando.
La respuesta está en identificar los casos de uso de IA generativa correctos y desarrollar sus capacidades para desarrollar y poner en funcionamiento aplicaciones de IA generativa.
¿Por qué es difícil ganar dinero con la IA generativa?
Hay dos desafíos clave que dificultan «ganar dinero», es decir, aumentar la eficiencia operativa o el crecimiento de los ingresos, con la ayuda de la IA generativa. El desafío más grande y difícil es que requiere buscar nuevos casos de uso y desarrollar nuevos modelos de negocios que difieran de lo que hemos visto funcionar para el aprendizaje automático tradicional.
Esto se debe a que genAI se trata de desbloquear datos nuevos y no estructurados: analizar y generar texto, voz, imágenes, videos, etc. – que las empresas han ignorado en gran medida. ¿Cómo se crea un chatbot que ayude a los empleados a descubrir y resumir documentos en su sistema de gestión de contenido empresarial (un caso de uso que muchas empresas utilizan con genAI)? Nadie sabe todavía cuál es la mejor manera de hacer esto porque antes de genAI no era posible hacer algo así sin una inversión extremadamente grande de tiempo y dinero.
Otro desafío temporal es que los modelos genAI son mucho más caros y más difíciles de poner en funcionamiento que los modelos tradicionales de aprendizaje automático. Esto se debe a que son órdenes de magnitud mayores que los modelos tradicionales de IA y han crecido dramáticamente en los últimos años. Por ejemplo, se cree que GPT-4 tiene más de un billón de parámetros, lo que lo hace aproximadamente nueve mil veces más grande que el modelo BERT, una de las primeras IA generativas basada en la misma arquitectura. Lanzado en 2018, BERT, a su vez, era dramáticamente más grande que la mayoría de los modelos utilizados en ese momento. Debido a que estos modelos son mucho más grandes y están entrenados con muchos más datos, su entrenamiento y uso en producción son significativamente más costosos.
Este segundo desafío es temporal por tres razones. En primer lugar, la infraestructura es cada vez más barata. En segundo lugar, existen constantes innovaciones en técnicas de optimización, que reducen la huella de infraestructura de estos modelos. En tercer lugar, y lo más importante, las empresas se están familiarizando más con la forma en que utilizan genAI y están pasando de modelos ultragrandes de genAI a modelos más pequeños y más especializados que están ajustados para tareas y dominios específicos.
Cualquier empresa puede ganar dinero con inteligencia artificial generativa
Cualquier empresa puede ganar dinero utilizando la IA generativa y varias ya lo están haciendo. Sin embargo, la mayoría de las empresas carecen del liderazgo especializado y la experiencia para identificar los casos de uso adecuados para genAI, y carecen de las capacidades para desarrollar e implementar modelos y aplicaciones de genAI apropiados.
El primer componente crítico de la monetización de genAI es identificar casos de uso que proporcionen un valor comercial significativo y se encuentren en el punto ideal de las ventajas, evitando al mismo tiempo las debilidades de la tecnología. Identificar y priorizar estos casos de uso requiere científicos de datos y líderes en ciencia de datos capacitados que comprendan el contexto empresarial, los datos de la organización y, sobre todo, las fortalezas y debilidades de los modelos de IA generativa. Sin un historial de creación de equipos de ciencia de datos y entrega de proyectos tradicionales de inteligencia artificial y aprendizaje automático, la empresa carecerá del talento y la experiencia necesarios para identificar y perseguir los casos de uso más prometedores.
Otro componente requerido es la capacidad de desarrollar y poner en funcionamiento modelos y canalizaciones de genAI de manera escalable, rentable y regulada, los llamados LLMOps, para operaciones de grandes modelos de lenguaje. La mayoría de las empresas no podrán poner en funcionamiento sus aplicaciones genAI más importantes utilizando los gigantescos modelos genéricos de genAI que ofrecen los gigantes tecnológicos. Estos modelos funcionan mal porque son demasiado grandes, demasiado lentos y demasiado caros, y porque a menudo no pueden ajustarse con precisión. Además, muchas veces no satisfacen las necesidades de seguridad y control de las empresas. Para las empresas, no hay otra alternativa que implementar sus propias capacidades LLMOps que les permitan incorporar modelos subyacentes, ajustarlos e implementarlos con una gestión de extremo a extremo.
¿Cuándo empezarán las empresas a ganar dinero con la inteligencia artificial generativa?
Los proveedores de tecnología están presionando para aumentar las características de sus productos con genAI, y es probable que varios hagan crecer sus negocios y ganen participación de mercado con la tecnología en los próximos años. De manera similar, ha habido una explosión de nuevas empresas de genAI, y es probable que un pequeño número tenga un gran éxito durante el mismo período.
Sin embargo, la mayoría de las empresas convencionales aún se encuentran en las primeras etapas de su madurez en IA gen y en general. Si bien hay historias de éxito en las que las empresas ya han ganado dinero con genAI (generalmente mejorando drásticamente la productividad de los empleados de alto valor), pasará tiempo antes de que todas las empresas, excepto las más avanzadas, vean un impacto significativo en sus resultados. Después de todo, ha pasado menos de un año desde que se lanzó ChatGPT, cuando la mayoría de los ejecutivos oyeron hablar por primera vez de genAI.
La mayoría de las empresas aún necesitan implementar capacidades LLMOps y aumentar su experiencia interna en genAI entre los líderes empresariales y sus equipos de ciencia de datos. Las empresas con equipos de ciencia de datos grandes y bien establecidos, un centro de excelencia en inteligencia artificial y un historial de aprendizaje automático tradicional tienen una ventaja. Estas empresas podrían tener una pequeña cartera de proyectos exitosos de genAI en producción durante el próximo año. Probablemente pasarán varios años antes de que las empresas que carecen de estas capacidades puedan aprovechar significativamente los avances en genAI.
¿Qué podemos hacer para ganar dinero más rápido con genAI?
La IA generativa, al igual que las tecnologías tradicionales de IA y aprendizaje automático, no genera dinero automáticamente. Se pueden subcontratar varios casos de uso y los modelos genAI que los respaldan debido a los datos únicos y los requisitos únicos de sus casos de uso más diferenciados y valiosos y los desafíos de operacionalización de genAI.
En cambio, requerirá trabajo e inversión internos para identificar y diseñar los casos de uso correctos y crear los equipos, procesos y plataformas necesarios para desarrollar y poner en funcionamiento aplicaciones de IA generativa que transformarán su negocio. Las organizaciones que ya han invertido en sus capacidades de IA tienen una ventaja y están generando impacto con genAI en estos momentos. Si eso no le parece propio de su organización, entonces es hora de ponerse al día.
Kjell Carlsson es jefe de estrategia de IA en Domino Data Lab, donde asesora a las organizaciones sobre cómo ampliar el impacto con la IA. Anteriormente cubrió IA como analista principal en Forrester Research, donde asesoró a líderes en temas que van desde visión por computadora, MLOps, AutoML e inteligencia conversacional hasta tecnologías de IA de próxima generación. Carlsson también presenta el podcast Data Science Leaders. Recibió su doctorado. de la Universidad de Harvard.
—
Generative AI Insights proporciona un lugar para que los líderes tecnológicos, incluidos proveedores y otros colaboradores externos, exploren y discutan los desafíos y oportunidades de la inteligencia artificial generativa. La selección es amplia, desde análisis profundos de tecnología hasta estudios de casos y opiniones de expertos, pero también subjetiva, basada en nuestro juicio sobre qué temas y tratamientos servirán mejor a la audiencia técnicamente sofisticada de InfoWorld. InfoWorld no acepta garantías de marketing para su publicación y se reserva el derecho de editar todo el contenido enviado. Contacto doug_dineley@foundryco.com.
Copyright © 2024 IDG Communications, Inc.
