Tanium señala que en medio de toda la polémica en torno a la Inteligencia Artificial (IA), parece que la atención se dirige hacia los argumentos más extremos a favor de su existencia y lo extraordinario ocupa la mente de la mayoría de la población mucho más que lo ordinario, por lo que no es extraño que “mejora operativa” no suena tan llamativo como “desplazamiento humano”.
Para la empresa, el fin de la IA no se vislumbra y la prueba evidente es la ausencia de datos fiables para enseñar a los modelos de IA. Incluso las empresas más avanzadas digitalmente continúan operando con demasiadas tecnologías y fuentes de datos dispares. Sus bases y administración de datos no están a la altura de la tarea de enriquecer una IA que se comporte adecuadamente.
“No obstante, no hay que equivocarse, ya que la IA generativa es verdaderamente capaz de cosas extraordinarias: aprobar el examen de abogacía con gran éxito; elaborar un plan de negocios en segundos; detectar fraudes y gestionar el riesgo con un alto grado de automatización. Pero no puede hacer nada de esto sin datos de alta fidelidad en tiempo real y sin las herramientas adecuadas y suficientes para proteger esos datos”, señala al respecto Jorge López, vicepresidente para Latinoamérica de Tanium.
Es por eso, de acuerdo a Tanium, que hacer bien las cosas ordinarias es tan importante y comparte tres factores que se deben considerar antes de que la IA comience el aprendizaje:
1. Cooperación entre áreas o departamentos: esta interacción es muy importante cuando se busca transformarse en una empresa impulsada por IA. Para que las máquinas prosperen, los humanos de una organización tendrán que adaptarse al programa. Cada uno de sus capacidades internas deberá cumplir con ciertas «directrices de estudio» que rigen la forma en que recopilan, almacenan y procesan la información y dejar de operar de forma independiente. La IA revelará si existe algún problema de administración de datos y dónde reside. El problema número uno con los conjuntos de datos conflictivos suelen ser los humanos a cargo de ellos.
2. Casos de Uso de calidad: es imprescindible idear casos de uso de la IA ya que ayudarán en el alcance de objetivos, así como contar con material de aprendizaje de buena calidad para comunicarlo a través de los diferentes modelos de trasmisión (LLM). Herramientas como ChatGPT dependen de enormes conjuntos de datos. Si se enfrentan obstáculos por datos antiguos, degradados e inexactos, la IA también lo estará. La higiene cibernética y la gobernanza de datos de buena calidad son implícitas en la IA.
3. Temas especializados: hace un año, el Instituto Tecnológico de Massachusetts (MIT por sus siglas en inglés) realizó una encuesta en la que descubrió que el 94% de las organizaciones ya utilizaban IA de alguna manera. Sin embargo, solo el 14% tenía como objetivo lograr una IA “en toda la empresa” para 2025. Esto sugiere que la mayoría de las compañías tienen un buen conocimiento práctico de la IA, aunque sea en sectores de la organización. La preocupación es que la IA generativa simplemente se convierta en otro proyecto que cualquier departamento puede poner en marcha sin una estrategia central ni especialización interna. El temor es que se convierta en un caso atípico sin ninguno de los controles y contrapesos que se aplican a los dominios especializados, como la IA en ciberseguridad o cumplimiento normativo.
En conclusión, Tanium afirma que el éxito de cualquier proyecto de IA dependerá de los pequeños detalles ordinarios, no de las afirmaciones y profecías extraordinarias de las que a menudo se escucha hablar ya que todo comienza y termina con los datos.
