Ai está ahora en todas partes. Pero para la mayoría de las organizaciones, está entregando una fracción muy pequeña de su potencial. Hay múltiples estudios, por ejemplo, de BCG y MIT, que dicen que más del 80% de las iniciativas de IA están fallando. Pero esto no es nuevo. También sucedió en la era de la inteligencia empresarial, los big data, la ciencia de datos, el análisis y el aprendizaje automático. Hubo estudios que vincularon las tasas de falla al 80-90%. Es probable que ese número cambie. Lo que los líderes deberían estar pensando es en cómo estar entre los ganadores del 10-20%.
¿Por qué la mayoría de las organizaciones fallan? Porque son tirados en mil direcciones a la vez. Los proveedores venden soluciones de puntos que resuelven solo una astilla del problema. Los consultores empujan marcos que prometen mucho pero entregan fragmentos. Las startups venden innovación, pero desconectadas de la imagen más grande. El resultado: las organizaciones se quedan con proyectos piloto, chatbots e iniciativas de alcance limitado que nunca se agregan en ningún resultado comercial significativo. Esto está sucediendo nuevamente: hay urgencia real alrededor de la IA, pero sin enfoque, uno termina en el 80%.
El camino fuera de este caos es enfocar y construir capacidades que elevan muchos barcos de la empresa. Las empresas deben construir alrededor de tres pilares fundamentales. Y si se hace bien, todo lo demás encajará.
Pilar 1: Construir una plataforma de contexto: la tela de la verdad empresarial
No es ningún secreto que uno necesita datos de alta calidad para obtener el mayor beneficio de la IA. Pero la mayoría de las organizaciones todavía están pensando en las construcciones de la era anterior. Tener una plataforma de datos unificada, tener una sola fuente de verdad de datos, tener tablas de oro, gobernanza de datos, etc. Se necesitan todo esto. Pero lo que la IA necesita hoy no es solo datos sino contexto.
La mayoría de las empresas todavía no tienen una sola versión de la verdad. Esto en cierto modo puede ser una ventaja hoy. Como un motor tardío, uno puede construir una plataforma de contexto en lugar de una plataforma de datos puro. No se trata solo de tener datos que se puedan unirse y consultar juntos. En cambio, la plataforma de contexto se trata de proporcionar el contexto completo en torno a los datos.
Por ejemplo, para comprender la siguiente mejor acción para un cliente, los sistemas de razonamiento de IA avanzados se benefician profundamente al tener una conciencia situacional completa. Esto significa dar métricos tradicionales como los ingresos y el uso del producto, pero también proporcionar un contexto rico. P.ej:
- Contexto de participación del cliente: Cada correo electrónico, cada boleto de soporte, cada interacción en toda la organización, etc.
- Contexto comercial: Información de renovación, términos del contrato y acciones de precios anteriores, etc.
- Contexto de mercado y industria: Actividad de la competencia, cambios regulatorios, tendencias de la industria, factores macroeconómicos, etc.
Toda esta conciencia situacional puede mejorar en gran medida las recomendaciones. Digamos que uno está configurando un motor de venta cruzada. Sin un tejido de contexto, una recomendación podría basarse únicamente en los ingresos actuales y los patrones de uso del producto. Pero con un tejido de contexto, la IA puede combinar datos de uso con interacciones pasadas y señales de mercado como las noticias de la industria. Y luego uno podría encontrar que el siguiente mejor producto lógico es el que el cliente ya mostró resistencia en conversaciones de ventas pasadas. Sin embargo, el cliente enfrenta amenazas competitivas que hacen que otro producto sea mucho más adecuado.
¿Pero cómo construir una tela así? Una plataforma de contexto es una evolución de una plataforma de datos e integra múltiples componentes:
- Datos conectados e indexados: Ingestión de lotes y flujos de aplicaciones, sistemas SaaS, lagos de datos y sistemas operativos
- Enriquecimiento semántico: Extracción de entidades y relaciones en gráficos de conocimiento, enriquecidos con ontologías, linaje y glosarios comerciales
- Capacidad de recuperación híbrida: Búsqueda multimodal que combina palabras clave, vector y traversal gráfica. Rerancia para garantizar la relevancia para los modelos de IA
- Gobernancia: Control de acceso a nivel de usuario, redacción/enmascaramiento de PII, senderos de auditoría y flujos de trabajo de gobierno de IA
- Evaluación y observabilidad: Infraestructura para monitoreo continuo de relevancia, precisión de respuestas, latencia y costo
En el frente técnico, hay múltiples formas de construir esta plataforma. Todas las grandes plataformas en la nube proporcionan productos que se pueden unir para este propósito. Discutiremos una de esas pilas más tarde.
Pilar 2: Agente – Plataforma de operaciones de agente
Con la tela de contexto en su lugar, el siguiente pilar es permitir a la organización con las herramientas de inteligencia adecuadas. Incluso con un tejido de contexto, la mayoría de las organizaciones permanecerán atrapadas en el POC Purgatory. La causa raíz es la fragmentación: docenas de chatbots, cientos de proyectos piloto, pero no hay capacidades empresariales para ayudar a construir de manera coherente, a escala.
El Agente es una plataforma que permite a un gran número de empleados usar y construir sus propios agentes de IA de manera gobernada. Agentes de IA que los ayudan a aumentar su eficiencia y automatizar sus tareas. Pero no puede ser solo para mejorar la eficiencia. La plataforma debe permitir a los equipos técnicos construir agentes ambientales que se ejecutan en segundo plano y no solo automatizar, sino que hagan grandes partes de las tareas actuales de manera automatizada, y atraigan a los humanos en el bucle para obtener excepción y gestión de errores. Esta plataforma de tiempo de ejecución gobernada, reutilizable para construir, implementar, monitorear y asegurar agentes de IA a escala tiene 3 servicios principales que proporciona:
- Co-Pilots: Integrado directamente en las herramientas y flujos de trabajo correctos, permitiendo asistencia y toma de decisiones en tiempo real.
- Marcos de construcción de agentes: Herramientas basadas en GUI y SDK pro-código que permiten a los equipos crear rápidamente agentes específicos del dominio en la parte superior del tejido de contexto.
- Agentes ambientales: Opere en segundo plano, manejando de forma autónoma las tareas de rutina mientras los humanos manejan excepciones.
Hay 6 conjuntos de capacidades que Agente debe apuntar a proporcionar en su estado final:
- Construir: GUI y creación de agentes pro-código con orquestación de agentes múltiples
- Suelo: Conectores, recuperación de trapo, memoria a largo y corto plazo
- Acto: Acceso seguro a API y herramientas, acciones de flujo de trabajo, soporte de MCP
- Interoperado: Protocolos abiertos para la comunicación de agentes cruzados, evitando el bloqueo del proveedor
- Confianza: RBAC, pistas de auditoría, gestión de identidad, seguridad de contenido
- Monitor: Paneles para comando, costo, calidad y métricas de seguridad.
Por supuesto, este es un conjunto muy avanzado de capacidades. Pero no todo debe construirse a la vez, ni todos los componentes son necesarios para comenzar. Uno debe comenzar con 2-5 equipos de usuarios y construir alrededor de sus necesidades, tener los hilos de acero y luego expandirse. Nuevamente, esto es posible con múltiples pilas de proveedores. A continuación se muestra un ejemplo de una pila de código en gran parte abierta que reúne tanto el contexto de la tela como los agentes.
Sin una capa de orquestación, cada agente es solo otro silo. Con él, se convierten en un multiplicador de fuerza interconectado.
Pilar 3: Magia de la fuerza laboral
Incluso las mejores pilas de tecnología fallan sin la adopción humana. Y especialmente con IA, Human in the Loop es un componente crítico. La investigación de McKinsey proyecta que el 60-70% de las actividades laborales de hoy se automatizarán para 2030. El WEF estima que surgirán 78 millones de nuevos empleos incluso cuando se desplazan 92 millones. Todo esto implica que la naturaleza fundamental del trabajo cambiará. Las organizaciones que preparan su fuerza laboral para esto podrán aprovechar mejor la IA. Esto preparará a los empleados para los cambios por venir. Y preparar a los empleadores para que sean los que tienen el 20% exitoso
Los empleados no necesitan aprender a usar IA. Necesitan rediseñar sus flujos de trabajo, hacer llamadas de juicio y optimizar la colaboración agente-humana, por ejemplo, con agentes ambientales.
Un programa de fuerza laboral estructurado puede tener tres componentes:
- Pasaportes de habilidad: Mapee cada rol a las competencias concretas de la era de A-A-y capacite a la fuerza laboral.
- Agente Builder Sprints: Enseñe y empodere al personal para construir agentes sobre infraestructura aprobada y poseer sus objetivos de eficiencia.
- AI Reescribe: Hacer que los líderes responsables de hacer que sus organizaciones nativas de IA. Seguimiento de horas redistribuidas, fluidez de IA y procesos rediseñados. No solo ahorros de costos.
El éxito de AI será inseparable de la preparación de la fuerza laboral. La tecnología, los agentes y el contexto son importantes. Pero todos todavía necesitan humanos para operar de manera efectiva. Sin eso, Enterprise AI falla.
Conclusión
Veo muchas organizaciones paralizadas por esta tecnología de rápido movimiento. Sabiendo que necesitan moverse, pero no pueden hacerlo al ritmo necesario. Si bien hay muchas cosas que uno puede hacer, hacer lo anterior creará una ventaja duradera que no solo ayuda a las empresas a tener éxito, sino que también ayuda a los empleados a convertirse en PartnerA en ese éxito y desatar a la IA a escala.
Shreshth Sharma es una estrategia comercial, operaciones y ejecutivos de datos con 15 años de experiencia en liderazgo y ejecución en la consultoría de gestión (PL experto en BCG), medios y entretenimiento (vicepresidente de Sony Pictures) y Tecnología (Director de SR en Twilio) Industries. Puedes seguirlo aquí en LinkedIn.