La guía completa para la implementación de IA para directores de datos e IA en 2026

Los oficiales de IA se triplicaron entre los años 2019 y 2024, según Linkedin Data. Ahora, aproximadamente la mitad de las empresas más grandes de países como el Reino Unido han designado una CAIO. El objetivo es simple: acelerar el crecimiento y reducir costos con IA.

El impacto de la IA en las empresas más grandes del mundo es incuestionable. Empresas como Atlassian han despedido a miles de empleados (la acción ha bajado un 50% en los últimos 12 meses). Block hizo algo similar y, en general, las acciones de Vanilla SAAS están sufriendo debido al riesgo percibido de que la IA facilite la creación de alternativas.

Mientras tanto, las herramientas de productividad para desarrolladores como Claude Code están arrasando en el mundo. Claude Code superó los mil millones de dólares en ingresos en diciembre de 2025, lo que equivale a que 10.000 empresas gastaran 100.000 dólares en promedio, aproximadamente una cuarta parte de los ingresos de Databricks/Snowflake.

En esta guía, describiremos un marco para evaluar las diferentes vías que tienen los directores de datos y de IA para hacer avanzar la IA en sus empresas.

Es fundamental comprender los objetivos del negocio y la similitud de la IA con la automatización en su conjunto. El costo de oportunidad también es fundamental: la IA permite que empresas que siempre podrían haber sido “demasiado lentas” o “demasiado ineficientes” atraviesen este techo de cristal y se reinventen.

En este artículo, presentaremos un marco de evaluación para que los CDAO comprendan las oportunidades en sus organizaciones. El Marco categorizará la oportunidad en diferentes áreas de oportunidad o productividad. Este artículo también cubrirá consideraciones de costo, tiempo y costo de oportunidad al evaluar iniciativas de IA.

La segunda parte del artículo se centrará en ejemplos del mundo real de IA evaluados dentro de este marco, así como en ejemplos específicos del equipo de datos basados ​​en entrevistas con miles de profesionales de datos en los últimos 12 meses.

Al final del artículo, tendrá un marco claro para evaluar el posible impacto de la IA en su organización, próximos pasos prácticos y ejemplos claros de dónde la IA está beneficiando significativamente a las empresas y a los equipos de datos.

Sección 1: Marco de evaluación de la IA

Lo que permite la IA: automatización y productividad

Definimos siete métricas clave de productividad para que los responsables de datos e inteligencia artificial establezcan:

Productividad humana: la cantidad total de producción producida actualmente por la fuerza laboral Insumos humanos: la cantidad de costo requerido para alcanzar el nivel actual de productividad humana Insumos de IA: la cantidad de costo requerida para alcanzar la brecha de productividad completa Productividad autónoma: la cantidad de trabajo que podrían realizar de manera confiable mediante agentes o automatizaciones Productividad automatizable por humanos: la cantidad de trabajo realizado que la fuerza laboral podría realizar con IA. Productividad total direccionable (“TAP”) y brecha de productividad: trabajo autónomo + trabajo automatizable por humanos. Trabajo autónomo + Trabajo automatizable por el hombre – Productividad humana; la brecha de productividad: (entrada de TAP/IA) – 1. Una medida del aumento de la productividad que la IA puede facilitar

Ejemplos

Una empresa de call center que realiza 100.000 llamadas al año podría automatizarlas todas con IA; por lo tanto el trabajo autónomo sería aproximadamente igual al Trabajo Humano. La productividad automatizable por humanos es mínima, pero con algo de IA puede haber un aumento del 20%. Por lo tanto, el TAP es aproximadamente 0,2*Productividad humana. La aportación de IA es significativamente menor que la aportación humana debido a la cantidad reducida de personal necesario para atender llamadas. Una empresa de ingeniería de software con 100 desarrolladores tiene un equipo SRE de diez personas. El proceso SRE se puede automatizar con Agentes AI en un 50%. Esto reduce la entrada de IA en un 5%. La Productividad Autónoma compensa el déficit de la Productividad Humana. Los desarrolladores se vuelven 100% más productivos con herramientas como Claude Code. La productividad aumentada equivale a tener otros 95 desarrolladores. El TAP es aproximadamente el doble de la productividad humana.

La productividad autónoma es muy similar a la automatización. Con la automatización, siempre existe un costo de oportunidad; por supuesto, todo se puede automatizar, pero lo que hace que la IA sea diferente es que ahora hay algunas cosas que se pueden automatizar de manera más rápida y económica. Sin embargo, la IA no es una panacea para ningún tipo de automatización.

La productividad aumentada encaja muy bien en casos de uso de IA, como los asistentes de codificación. Gran parte del éxito de Anthropic se debe al cumplimiento de su promesa de hacer que los desarrolladores sean más rápidos y eficientes.

La entrada de IA también incluye el costo de los créditos de IA.

Restricciones de la IA: costos de oportunidad y tiempo

La implementación de la IA inevitablemente conlleva un costo de oportunidad. Es posible que las empresas no puedan implementar la IA en el corto plazo, ya que requiere una inversión y una reasignación de personal. Si está leyendo esto, probablemente sea el resultado de una nueva plantilla: en lugar de reutilizar los recursos existentes, las empresas pueden introducir nueva plantilla para asumir la implementación de la IA.

La implementación ahora tiene un costo de oportunidad. Es posible que las empresas que están llevando a cabo importantes actividades de transformación o asuntos corporativos no estén en condiciones de dedicar recursos adicionales a iniciativas de inteligencia artificial y automatización.

El segundo componente es el tiempo: implementar un estado estable en el que se realice toda la entrada de IA y TAP llevará tiempo. Para las pequeñas empresas, esta duración puede ser breve. Para las grandes empresas multinacionales, un cambio radical en la forma en que se hacen las cosas inevitablemente llevará más tiempo, ya que los patrones históricos cambian y los SLA de los clientes existentes obligan a que el estándar de implementación de la IA sea mucho más alto.

Consideraciones importantes

Costo de oportunidad de IA: el costo para una empresa de implementar la IA hoy Tiempo de implementación: el tiempo necesario para realizar el TAP

A continuación se muestra un ejemplo para una pequeña empresa de software.

La empresa emplea 10 FTE a un costo de $100 000 cada uno. La empresa gasta $100 000 en tokens. Automatizaciones/agentes autónomos que automatizan actividades operativas clave que habrían requerido 2 FTE. Todos en la empresa escriben código, por lo que todos envían el doble. El TAP cuesta $2,2 millones. La brecha de productividad es de 1,1 millones de dólares. El retorno de la inversión es de 2,2 millones de dólares / 1,1 -1 dólares = 100%

Esto supone un tiempo de implementación instantáneo y un costo de oportunidad de implementación esencialmente nulo. En realidad, aprovechar Claude Code o herramientas similares para casos de uso complejos de desarrollo de software o casos de uso de ingeniería de datos no será instantáneo.

Resumen

En esta sección describimos un marco simple para evaluar el posible avance de la IA. Vimos que hay dos áreas principales de beneficio; Productividad Autónoma y Productividad Aumentada. La productividad autónoma se relaciona con procesos que pueden automatizarse y que requieren tiempo humano que podría automatizarse completamente con agentes. La productividad aumentada se relaciona con el trabajo realizado que requiere la acción humana, como escribir código.

Vimos que los tiempos de implementación y los costos de oportunidad de la implementación son factores importantes al considerar si implementar o no la IA; este marco no necesita ser específico de la IA, pero lo que es diferente acerca de la IA es que esta vez, el alcance de los beneficios y el tiempo de obtención de valor pueden ser diferentes a las iniciativas de automatización regulares.

El ROI puede ser impulsado tanto por la productividad total direccionable como por la entrada de IA. En algunas industrias, es posible que tenga un mandato de reducción de costos. En otros, con suerte en la mayoría, los directores de datos e inteligencia artificial deberían intentar comprender cómo se pueden reutilizar los recursos existentes para lograr un mayor nivel de productividad.

Esto significa que, en general, es poco probable que la IA dé como resultado una reducción de costos, sino más bien un aumento de la productividad y, por lo tanto, del crecimiento.

Este marco es simple y tiene limitaciones inherentes. La naturaleza del trabajo, la composición de la mano de obra, los objetivos de la empresa, las actividades de la empresa y las fuerzas del mercado podrían afectar la cantidad y la viabilidad del TAP.

Una ventaja interesante a considerar es el valor de lograr los objetivos de productividad autónoma y productividad aumentada combinados. El valor del primero es más o menos ilimitado. El valor del segundo está limitado por la mano de obra, pero permite la velocidad. Una empresa que, en un año, puede moverse dos veces más rápido que antes y hacer 3 veces más, potencialmente impulsa el crecimiento en otras áreas.

Por ejemplo, una cadena de supermercados que busque expandirse agresivamente y ganar participación de mercado podría obtener un claro beneficio externo al implementar la IA, si le permite abrir tiendas más rápido de lo que lo habría hecho de otra manera, especialmente si esto se materializa en mayor medida, en relación con sus competidores.

En las secciones siguientes, analizaremos diferentes herramientas y enfoques de productividad autónoma y productividad aumentada.

Sección 2: Productividad autónoma

¿Qué es la productividad autónoma?

La productividad automática es la cantidad de trabajo que podrían realizar de manera confiable agentes o automatizaciones sin participación humana.

La automatización tiene una historia profunda con patrones repetibles. La introducción de maquinaria proporcionó la primera ola de automatización de puestos de trabajo, a la que a su vez siguieron otras fases como la revolución industrial y luego, por supuesto, la automatización del software.

Ahora estamos entrando en una fase de automatización de la IA. Esto se caracteriza por ganancias masivas de productividad para los individuos, ya que transfieren parte de su función por completo a la IA. También se caracteriza por ampliaciones masivas de capacidad: las empresas ya no necesitan negociar qué recursos necesitan, simplemente pueden tener un agente de IA para cada función.

Ejemplos de productividad autónoma

Cosas que las empresas pueden automatizar:

Resolución de atención al cliente: agentes de IA que responden tickets, solucionan problemas y escalan solo casos extremos. Calificación y alcance de clientes potenciales: investigación automatizada de prospectos, generación de correos electrónicos en frío y seguimientos. Producción de contenido: borradores de blogs, investigación de SEO, publicaciones en redes sociales y generación de boletines. Análisis e informes de datos: paneles automatizados, detección de anomalías e informes comerciales semanales. Pruebas de software y control de calidad: agentes que ejecutan pruebas, identifican regresiones y sugieren soluciones. Documentación interna: generación y mantenimiento de SOP, materiales de incorporación y bases de conocimiento. Resúmenes de reuniones y seguimiento de acciones: captura de notas, asignación de tareas y seguimiento automático. Investigación de mercado: escanear competidores, resumir tendencias y generar conocimientos. Flujos de trabajo de reclutamiento: selección de currículums, programación de entrevistas y contacto inicial con los candidatos. Operaciones financieras: procesamiento de facturas, categorización de gastos e informes financieros básicos.

Ejemplos de mayor capacidad

Roles que las empresas pueden contratar y que antes no podían:

Gerente de experiencia del cliente 24 horas al día, 7 días a la semana: un agente de inteligencia artificial dedicado a mantener una cobertura de soporte instantáneo a nivel mundial. Analista de inteligencia de mercado: monitorea continuamente a los competidores, los cambios de precios y las señales de la industria. Gerente de Experimentación de Crecimiento: ejecuta docenas de experimentos de marketing y productos simultáneamente. Curador de conocimiento interno: mantiene la documentación viva y muestra el conocimiento relevante a los equipos. Analista de comentarios de productos: procesa miles de comentarios, reseñas y tickets de clientes para convertirlos en información valiosa. Investigador SEO: identifica constantemente nuevas oportunidades de palabras clave y lagunas de contenido. Representante de Desarrollo de Ventas (SDR): realiza prospecciones personalizadas a escala masiva. Auditor de eficiencia operativa: monitorea los flujos de trabajo y recomienda oportunidades de automatización. Oficial de Monitoreo de Cumplimiento: escanea continuamente los procesos en busca de riesgos regulatorios o de políticas. Analista de escenarios estratégicos: modelado de escenarios comerciales y producción de informes de apoyo a la toma de decisiones.

Productividad autónoma para equipos de datos e inteligencia artificial

Hemos hablado con cientos de equipos de datos e identificamos las principales áreas en las que la gente está analizando la IA para permitir las automatizaciones. Estas áreas se incluyen a continuación y realizaremos un seguimiento con datos reales de la encuesta.

Tenga en cuenta que estos excluyen procesos que potencialmente podrían requerir un ser humano.

Casos de uso de ingeniería de datos

Monitoreo de canalización y recuperación automática: detección de trabajos fallidos, reintento de tareas, activación de respaldos y notificación solo cuando se requiere una escalada. Priorización y diagnóstico de problemas de calidad: identificar los problemas de calidad más urgentes y priorizarlos. Optimización de costos: detectar trabajos ineficientes y reprogramar o escalar recursos automáticamente. Empresas como Alvin y Espresso AI han logrado grandes avances en este espacio. Generación automática de documentación; una verdadera queja para los ingenieros es el mantenimiento de la documentación. La generación de diagramas de arquitectura y documentación de actualización automática se puede automatizar completamente con IA

Casos de uso de ingeniería de análisis y almacenamiento de datos

Todos esos casos de uso de ingeniería de datos, más:

Generación y documentación de capas semánticas: los agentes pueden generar capas semánticas completas con bastante facilidad y al mismo tiempo mantenerlas sincronizadas. Cuando se combina con otras bases de conocimiento, el proceso puede automatizarse completamente. La IA sin contexto, por supuesto, generará malas capas semánticas. Cumplimiento de PII y GDPR: automatización clásica que mantiene los almacenes en línea con el cumplimiento de PII y GDPR, por ejemplo, solicitudes de eliminación de clientes. Mantenimiento del almacén de datos: agentes de IA que pueden archivar datos, eliminar campos redundantes e identificar definiciones inconsistentes.

Casos de uso de análisis e insights

Servicio de preguntas y texto a SQL: asistentes como Snowflake Cortex y Databricks Genie permiten a los usuarios empresariales autoservicio de solicitudes fácilmente en lugar de depender de un equipo de datos centralizado (“Silo Trap”) Mesa de servicio y clasificación: cuando las partes interesadas tienen preguntas sobre los procesos, pueden requerir una interacción más granular con un agente de IA que pueda atender solicitudes que no son específicas de datos

Casos de uso operativos generales

Toma de notas de IA y captura de datos Priorización Generación de informes (no específicos de KPI, como un informe interno o un informe de gestión de incidentes que debe generarse cada [trimestre]) Creación y gestión de tickets Seguimiento de las últimas versiones/parches/vulnerabilidades de los paquetes de software dependientes

Resumen

La gran mayoría de las vías de productividad autónoma para los equipos de datos e inteligencia artificial se centran en los procesos. Normalmente, muchos procesos que involucran equipos de datos requieren participación humana y, por lo tanto, son malos candidatos para la productividad autónoma.

Sin embargo, esto cambia cuando cambian los procesos.

Por ejemplo, considere un escenario en el que hay un equipo de datos de una sola persona que ha acumulado una gran cantidad de conocimiento tribal sobre datos y arquitectura. Por lo general, esa persona sería un gran cuello de botella para la empresa y las partes interesadas que buscan responder preguntas básicas.

El proceso no tiene por qué ser uniforme para todos los tipos de consulta. Un sistema de clasificación, en el que se utiliza un agente de IA para identificar y responder preguntas básicas, pero se convoca a un equipo de datos de una sola persona para el 1% superior de las consultas, representaría un paso significativo en el avance de la productividad autónoma.

De manera similar, cuando surge un incidente, los equipos de datos a menudo necesitan generar informes de incidentes manualmente. Esto podría convertirse en un flujo de trabajo automatizado en el que se ejecuta algo como Orchestra Agent Pipeline con un incidente o ID de ticket, y el agente posteriormente crea el informe del incidente y lo almacena como un archivo HTML reproducible o un repositorio Git.

Este informe no incluye una evaluación de las opciones para la productividad autónoma fuera de los equipos de datos e IA, ya que el panorama es que la lista de cosas que los directores de datos y de IA podrían comenzar a automatizar es casi infinitamente larga.

Será fundamental para los CDAIO identificar aquellas áreas de productividad autónoma en sus negocios con mayor mejora y los tiempos de implementación más cortos.

Sección 3: Productividad aumentada

¿Qué es la productividad aumentada?

La productividad aumentada se refiere al trabajo que la IA puede acelerar significativamente pero no puede reemplazar por completo. Estas actividades aún requieren juicio humano, creatividad o responsabilidad, pero la IA puede reducir drásticamente el tiempo necesario para completarlas.

En lugar de reemplazar completamente los roles, la IA actúa como un multiplicador de fuerzas. Las personas pueden moverse más rápido, probar más ideas y operar a un nivel de producción que antes requería equipos más grandes.

Mientras que la productividad autónoma aumenta la capacidad a través de la automatización, la productividad aumentada aumenta la eficacia de los trabajadores humanos.

Los ejemplos incluyen escribir software con ayuda de IA, generar análisis más rápido o redactar documentos que los humanos refinan y finalizan.

Ejemplos de productividad aumentada

Gobierno y Legal

Revisión de documentos en las burocracias gubernamentales: funcionarios públicos que utilizan la IA para resumir extensos expedientes regulatorios, borradores de legislación y documentos de políticas antes de tomar decisiones. Investigación jurídica para abogados: la IA saca a la luz jurisprudencia, resume precedentes y describe argumentos que los abogados perfeccionan. Revisión y redacción de contratos: la IA señala riesgos, inconsistencias o cláusulas faltantes mientras los abogados aprueban el texto final. Análisis de consultas públicas: IA que agrupa miles de respuestas ciudadanas y resume las preocupaciones clave para los equipos políticos.

Marketing y SEO

Gerentes de SEO que escalan la producción de contenido: IA genera grupos de palabras clave, resúmenes, esquemas y borradores de artículos mientras los humanos editan y publican. Monitoreo de la competencia: la IA escanea continuamente los sitios de la competencia y revela cambios en los precios, el posicionamiento o la estrategia de contenido. Iteración de campañas publicitarias: los especialistas en marketing generan docenas de variantes de anuncios, prueban mensajes y perfeccionan la estrategia más rápido. Reutilización de contenido: convertir una parte del contenido en boletines informativos, publicaciones en redes sociales y guiones de vídeo.

Equipos de producto y de inicio

Los gerentes de productos escriben especificaciones más rápido: IA redacta documentos de requisitos de productos e historias de usuarios a partir de ideas aproximadas. Síntesis de comentarios de los clientes: resume miles de tickets de soporte o reseñas en información sobre productos. Ideación de experimentos: generar experimentos de crecimiento o mejoras de productos basados ​​en los datos y comentarios de los usuarios. Preparación de la comunicación con los inversores: redacción de actualizaciones, informes de la junta directiva y materiales de recaudación de fondos.

Ventas y desarrollo empresarial

Personalización del alcance de ventas: IA que redacta mensajes personalizados basados ​​en investigaciones de prospectos que los representantes de ventas revisan antes de enviarlos. Investigación de cuentas: resumen de noticias de la empresa, estructuras organizativas y posibles señales de compra para los equipos de ventas. Redacción de propuestas: generación de primeros borradores de respuestas a RFP y propuestas de clientes. Preparación de acuerdos: resumir conversaciones anteriores, información de las partes interesadas y detalles del contrato.

Operaciones y equipos internos

La selección de los equipos de recursos humanos se reanuda más rápido: la IA resume los perfiles de los candidatos antes de la revisión humana. Preparación de reuniones: IA recopila el contexto, las decisiones previas y los documentos relevantes antes de las discusiones. Búsqueda de conocimiento interno: empleados que hacen preguntas a la IA sobre políticas, documentos y sistemas internos. Redacción de informes: IA redacta informes operativos o resúmenes que los gerentes finalizan.

Creativo y medios

Flujos de trabajo de edición de video: IA que genera borradores, transcripciones y segmentos destacados que los editores perfeccionan. Ideación de diseño: generar conceptos visuales o diseños que los diseñadores desarrollan. Asistencia para la redacción de guiones: redacción de esquemas o diálogos que los escritores editan.

Estos ejemplos brindan algunas ideas para que los directores de datos y de IA piensen en cómo su función puede impactar el negocio de manera positiva utilizando la IA. Los CDAIO deben asegurarse de no caer en la trampa de pensar “solo en datos”: la IA puede ser transformadora para ciertos tipos de negocios, y la implementación de la IA puede no tener nada que ver con los datos en absoluto.

En marzo de 2026, un hombre afirmó haber aprovechado la IA para crear una vacuna mitigadora del cáncer para su perro en Australia. Este es un buen ejemplo de cómo la IA puede impactar a diferentes empresas de manera diferente. En teoría, las empresas farmacéuticas y las empresas de biotecnología podrían estar utilizando la IA para reducir enormemente el tiempo de identificación de posibles medicamentos. La forma en que esto se implemente variará enormemente. Es posible que las grandes farmacéuticas no hagan nada directamente, pero se asocien más con laboratorios de descubrimiento de fármacos que utilizan la IA. Es posible que Drug Discovery Labs necesite una reorganización masiva para apostar por la IA, canalizando fondos de inversión hacia la computación en lugar de la investigación (Labour). Implementar cualquiera de los dos caminos requiere un enfoque más C-Suite en lugar de uno técnico, lo que ilustra las demandas potencialmente variables de un CDAIO a pesar de un mandato común: "Utilizar la IA para acelerar el crecimiento y reducir los costos lo más rápido posible".

Productividad aumentada para equipos de datos e inteligencia artificial

Al hablar con miles de profesionales de datos y software, a continuación se muestra una lista de aquellas cosas que la IA puede aumentar pero no automatizar por completo. En su mayor parte, se relacionan con casos de uso de generación de código.

Desarrollo de software: ingenieros que utilizan IA para redactar funciones, solucionar errores y explorar enfoques de implementación más rápido. Análisis y exploración de datos: analistas que aceleran el análisis exploratorio, la escritura de SQL y la comprensión de conjuntos de datos con asistencia de IA. Redacción de documentación técnica: generación de borradores de explicaciones de arquitectura, documentación de sistemas y guías de incorporación que los ingenieros perfeccionan. Planificación del desarrollo de productos: la IA ayuda a estructurar propuestas de características, especificaciones de productos y documentos de requisitos. Trabajo de investigación y estrategia: sintetizar información de la industria y generar análisis estratégicos de primer paso. Creación y edición de documentación: redacción de publicaciones de blogs, informes o boletines que los humanos perfeccionan para lograr voz y precisión. Revisiones de código y soporte de depuración: la IA identifica problemas potenciales y sugiere soluciones mientras los humanos toman las decisiones finales. Modelado de datos y diseño de arquitectura: IA que propone ideas de esquemas, transformaciones o enfoques de modelado para la validación humana. Diseño y análisis de experimentos: generación de hipótesis, estructuración de pruebas y asistencia en la interpretación de resultados. Preparación de presentaciones y comunicaciones: redacción de esquemas de diapositivas, resúmenes ejecutivos e informes que los humanos perfeccionan.

Dada la naturaleza técnica del trabajo de los equipos de datos e inteligencia artificial, la incorporación de la inteligencia artificial y la automatización en los procesos parecería de fundamental importancia en 2026.

Una parte importante de cualquier estrategia de IA para los sectores técnicos de la fuerza laboral, y por técnico me refiero a cualquiera que pueda escribir código, es modificar los procesos para aprovechar la IA. La capacidad de la IA para generar código, documentación, revisión y también formato es incomparable.

Profundizando: ejemplo de flujo de trabajo de generación de código

Este flujo de trabajo de generación de código describe cómo un usuario puede crear un proceso mediante el cual un ingeniero de datos simplemente le pide a un agente local que cree un ticket. Por ejemplo, el ingeniero de datos podría decir

“Cree un ticket que incluya una especificación para la siguiente solicitud: “Cree una canalización de datos según los estándares de mi empresa que aproveche dlt y Orchestra para cargar datos desde una API y obtenga los siguientes objetos. Asegúrese de que se manejen la paginación y la incrementalidad siempre que sea posible. Asegúrese de que el punto de entrada a las funciones pueda tomar parámetros como el nombre del objeto, la fecha de inicio y finalización de los datos y cualquier otro filtro relevante”

Después de la creación del ticket, se activa un webhook a un área de juego del agente, como Orchestra. Agent Playground ejecuta el agente que crea un PR. El agente debe calibrarse y probarse primero localmente antes de que pueda entrar en producción y ser totalmente confiable. Se crea el PR, lo que activa las comprobaciones de CI y CD. Lo ideal es que estos también activen flujos de trabajo agentes que, a su vez, pueden corregir automáticamente el PR. Finalmente hay un paso de revisión humana.

Esto significa que el enfoque de los equipos de datos e inteligencia artificial cambia de

A

Capacidad para enseñar a la IA a escribir código como usted desee. Capacidad para escribir buenos tickets. Capacidad para revisar relaciones públicas rápidamente.

Una observación interesante de la comunidad es que el dominio en el que está trabajando es importante para la IA y los datos. Por ejemplo, en el área de desarrollo de React/front-end, hay una gran cantidad de código por debajo del promedio disponible en Internet. La IA generalmente tiene dificultades para escribir un buen código en este dominio.

La realidad para los profesionales de datos puede ser similar. Muchas empresas tienen su propia manera, correcta o incorrectamente, de codificar los canales de datos. Deben evitarse a toda costa las peculiaridades específicas de la empresa, ya que representan una barrera importante para la automatización y los beneficios.

Consideremos una empresa que ha decidido bifurcar DBT, como Monzo, el neobanco más grande del Reino Unido. Monzo emplea alrededor de 100 ingenieros analíticos y tiene una configuración dbt relativamente compleja y especializada. Puede ser mucho más difícil enseñarle a la IA a codificar "como un analista Monzo" que enseñarle a la IA a escribir un buen código dbt-core estándar.

Si los procesos son demasiado específicos para ser automatizados, esto presenta un verdadero problema para los CDAIO. Los líderes de datos deben identificar rápidamente si los procesos son demasiado específicos y arraigados para ser automatizados. Como cualquier automatización, la IA tiene dificultades cuando no se definen objetivos claros o no existen procesos, ya que no hay "caminos comunes" a seguir; la resolución de incidentes es un excelente ejemplo, donde la "persona de datos" generalmente resuelve problemas a través de una multitud de canales (correo electrónico, Slack, en persona, etc.), de muchas maneras.

Sección 4: Entradas de IA

¿Qué son las entradas de IA?

Los insumos de IA se refieren al costo total requerido para producir productos utilizando sistemas de IA.

Mientras que los marcos de productividad suelen medir cuánto producto se produce, los insumos de IA se centran en los recursos necesarios para generar ese producto.

En la práctica, las entradas de IA son la combinación de dos componentes principales:

Mano de obra humana necesaria para operar sistemas de IA. Costos informáticos necesarios para ejecutar modelos de IA.

En conjunto, estos forman el verdadero costo marginal del trabajo impulsado por la IA.

Incluso cuando la IA realiza una tarea de forma autónoma, siempre hay un costo de insumos: activar sistemas, monitorear resultados, validar resultados y mantener la infraestructura.

Por lo tanto, los insumos de IA representan el costo económico total de lograr que la IA realice un trabajo útil.

Los dos componentes centrales de las entradas de IA

Insumos de mano de obra

Incluso los sistemas altamente autónomos requieren la participación humana. Esto puede incluir:

Diseño rápido de ingeniería y flujo de trabajo Supervisión de resultados y validación de resultados Integración de IA en sistemas existentes Gestión de agentes e infraestructura de IA Mantenimiento de conjuntos de datos, API e integraciones

Para muchas empresas hoy en día, la mano de obra sigue siendo el mayor coste de los insumos de IA, especialmente durante las primeras etapas de implementación. No hay bien más valioso que el tiempo.

Entradas de token y computación

Los sistemas de IA también incurren en costos computacionales directos.

Estos incluyen:

Tokens consumidos al generar texto, código o análisis Computación utilizada para inferencia y ejecución de modelos Costos de almacenamiento e infraestructura para canalizaciones de IA Costos de API para servicios externos de IA

Si bien los costos de los tokens continúan cayendo rápidamente, aún representan un aporte operativo real para los flujos de trabajo impulsados ​​por la IA.

Costos de implementación

Una tercera categoría de entradas de IA se relaciona con el costo de implementar la IA dentro de una organización.

A diferencia de los costos laborales o simbólicos continuos, estas suelen ser inversiones iniciales.

Estos pueden incluir:

Construir una infraestructura interna de IA Comprar herramientas empresariales de IA Integrar la IA en los sistemas internos Capacitar a los empleados para que utilicen la IA de manera efectiva Diseñar nuevos flujos de trabajo en torno a los agentes de IA

Para muchas organizaciones, estos costos de implementación representan la mayor barrera para la adopción de la IA, incluso cuando las ganancias de productividad a largo plazo son claras.

Ejemplos de entradas de IA

Estos se basan en los ejemplos de las secciones anteriores y llaman la atención sobre el impacto de la IA en la mano de obra y los costos simbólicos asociados.

Gobierno y Legal

Revisión de documentos en las burocracias gubernamentales.
La revisión de largos expedientes regulatorios solía requerir horas de tiempo de funcionario público. La IA puede resumir cientos de páginas en segundos. El trabajo pasa de leer documentos a revisar resúmenes. Los costos simbólicos aumentan con documentos extensos y envíos de consultas de gran tamaño. investigación jurídica
Históricamente, los abogados pasaban horas buscando jurisprudencia relevante. La IA puede escanear rápidamente grandes bases de datos legales. El Partido Laborista avanza hacia la validación de argumentos y el perfeccionamiento de la estrategia. Los costos de los tokens crecen con el tamaño de los corpus legales y la complejidad de las consultas de investigación. Revisión de contrato
La IA puede analizar contratos completos para detectar riesgos e inconsistencias. La mano de obra pasa de una revisión manual completa a una verificación específica. El consumo de tokens aumenta con documentos legales de gran tamaño y repetidas iteraciones de revisión. Análisis de consulta pública
Anteriormente, los gobiernos que procesaban miles de respuestas de los ciudadanos requerían grandes equipos de analistas. La IA puede agrupar y resumir respuestas rápidamente. El trabajo se desplaza hacia la interpretación de los resultados. Los costos de los tokens aumentan directamente con el volumen de respuestas.

Marketing y SEO

Producción de contenidos SEO
Escribir contenido extenso alguna vez requirió varios escritores. La IA puede generar esquemas y borradores rápidamente. La mano de obra se desplaza hacia la edición y el control de calidad. El uso de tokens aumenta con la longitud del artículo y la cantidad de borradores generados. Seguimiento de la competencia
Anteriormente, los equipos de marketing pasaban horas revisando sitios de la competencia y noticias de la industria. La IA puede escanear y resumir esto continuamente. La mano de obra pasa a revisar las alertas. Los costos de los tokens crecen con la frecuencia del monitoreo y la cantidad de fuentes analizadas. Generación de campañas publicitarias.
Los especialistas en marketing pueden generar docenas de variaciones de anuncios al instante. El trabajo pasa de escribir a seleccionar y perfeccionar las mejores opciones. Los costos de los tokens aumentan con la cantidad de variaciones generadas. Reutilización de contenido
Un único contenido se puede transformar en múltiples formatos. El trabajo pasa de la creación a la revisión. El consumo de tokens crece con la cantidad de transformaciones solicitadas.

Equipos de producto y de inicio

Redacción de especificaciones de producto.
Escribir especificaciones detalladas de productos alguna vez requirió largos ciclos de redacción. La IA puede producir primeros borradores al instante. La mano de obra pasa a refinar los requisitos y validar casos extremos. Los costos de los tokens aumentan con la longitud y complejidad de las especificaciones. Síntesis de comentarios de los clientes
Los equipos de producto leyeron previamente miles de tickets de soporte y reseñas. La IA puede resumir y agrupar estos comentarios rápidamente. El trabajo se centra en decidir qué construir. El uso de tokens crece con el tamaño del conjunto de datos de retroalimentación. Ideación de experimentos
La IA ahora puede acelerar la generación de experimentos de productos o ideas de crecimiento. La mano de obra pasa a la priorización y ejecución. Los costos de los tokens siguen siendo relativamente bajos en comparación con otros casos de uso. Preparación de la comunicación con los inversores.
La IA puede redactar actualizaciones de inversores e informes de la junta directiva a partir de datos internos. El trabajo se centra en refinar la narrativa y garantizar la precisión. El uso de tokens aumenta con el tamaño de los informes y el contexto histórico proporcionado.

Ventas y desarrollo empresarial

Personalización del alcance de ventas
Los equipos de ventas pueden generar mensajes de divulgación personalizados a escala. El trabajo pasa de escribir mensajes a revisarlos. Los costos de los tokens aumentan con la cantidad de prospectos a los que se dirige. Investigación de cuentas
La IA puede resumir las noticias de la empresa, las señales de contratación y la estructura organizativa. La mano de obra pasa de la investigación manual a la revisión de resúmenes. Los costos de los tokens aumentan con la cantidad de cuentas monitoreadas. Redacción de propuestas
Las respuestas y propuestas a RFP se pueden generar rápidamente. La mano de obra se desplaza hacia la personalización y la construcción de relaciones. El consumo de tokens crece con la longitud de los documentos y la cantidad de propuestas generadas. Preparación del trato
La IA puede resumir conversaciones pasadas y el historial de cuentas. Los laboristas avanzan hacia una estrategia de negociación. Los costos de los tokens aumentan con largas cadenas de correo electrónico y transcripciones de reuniones.

Operaciones y equipos internos

Reanudar la evaluación
Los equipos de recursos humanos pueden resumir los perfiles de los candidatos al instante. El Partido Laborista se inclina hacia la evaluación de los candidatos preseleccionados. Los costos de los tokens aumentan con el volumen de contratación y la duración del currículum. Preparación de la reunión
La IA puede analizar notas, documentos y correos electrónicos de reuniones anteriores. El trabajo pasa a la toma de decisiones. El consumo de tokens aumenta con la cantidad de contexto histórico proporcionado. Búsqueda interna de conocimiento
Los empleados pueden consultar grandes conjuntos de documentación interna utilizando asistentes de inteligencia artificial. El trabajo pasa de buscar a aplicar respuestas. Los costos de los tokens aumentan con el tamaño de la base de conocimientos. Redacción de informes operativos.
Los informes que antes requerían horas de escritura manual se pueden generar rápidamente. El Partido Laborista avanza hacia la validación y la interpretación. El uso de tokens crece con la longitud del informe y la cantidad de fuentes de datos incluidas.

Entradas de IA para equipos de datos

El impacto de la IA en los insumos de IA parece variar significativamente. Parecería, a través de evidencia anecdótica, que las empresas en posiciones “defensivas”, con el objetivo de minimizar los costos mientras mantienen estables los ingresos, están buscando reducir la plantilla mientras mantienen fija la producción.

Las empresas en etapa de crecimiento, como Scale-ups, parecen estar haciendo lo contrario; mantener los insumos fijos mientras se intenta maximizar la producción mediante ganancias de productividad aumentada. Por lo general, esto incluye algunos gastos por costos de tokens.

Los costos de los tokens varían ampliamente. Los desarrolladores que crean aplicaciones como Pete Steinberger, el creador de OpenClaw, han acumulado una factura del Codex de 50.000 dólares en 5 meses. Las suscripciones de codificación individuales varían entre $20 y $100 al mes.