Del potencial de la IA a proyectos que funcionan en la práctica
En la primera parte de esta serie analizamos junto Elbio Lopez, CTO, y Emiliano Gasparovic, Gerente de IA en ENTA, cómo la inteligencia artificial amplió las posibilidades de la automatización y modificó la forma en que las organizaciones descubren oportunidades, reutilizan conocimiento y potencian el trabajo de sus equipos.
El siguiente paso consiste en transformar esas oportunidades en proyectos capaces de generar resultados sostenibles. Para lograrlo, las organizaciones necesitan incorporar nuevas instancias de diseño, validación, definición de métricas y seguimiento que acompañen la evolución de las soluciones desde su concepción hasta la puesta en producción.
«Después de quince años acompañando iniciativas de transformación digital en grandes compañías, vemos que los proyectos con mayor impacto son aquellos que logran combinar conocimiento del negocio, procesos bien definidos y una selección adecuada de las tecnologías disponibles», afirma Elbio.
Diseñar proyectos con IA implica incorporar nuevas instancias de validación
En proyectos tradicionales de automatización, gran parte del trabajo inicial se concentra en relevar procesos, documentar reglas de negocio, identificar excepciones y definir el comportamiento esperado de la solución.
Cuando el proyecto incorpora componentes de inteligencia artificial, el análisis deja de concentrarse únicamente en el proceso. También resulta necesario validar el comportamiento esperado de esos componentes, definir cómo serán evaluados y establecer en qué condiciones podrán operar de forma consistente.
» Como la IA no es determinística, hay que garantizar que resuelva el problema de forma consistente. Esa evaluación incluye la definición de casos de prueba, criterios de aceptación, niveles de precisión esperados y mecanismos para gestionar aquellos escenarios donde la respuesta no alcance el nivel de confianza requerido» explica Emiliano.
La definición de métricas y del retorno esperado forma parte del diseño del proyecto desde sus primeras etapas.
«En toda solución de IA es necesario analizar y definir las métricas con las que vamos a evaluar los resultados y el ROI que genera. Eso termina siendo complejo y difícil de definir, pero es clave para que el proyecto tenga sentido», agrega.
Operar una solución con IA también implica evolucionarla
Una vez implementada, la solución continúa evolucionando. Nuevas versiones de modelos, cambios en los costos de utilización y mejoras tecnológicas obligan a revisar periódicamente su comportamiento para asegurar que siga respondiendo a las necesidades del negocio.
Lejos de representar una limitación, este escenario refuerza la necesidad de incorporar prácticas de monitoreo, gobierno y mejora continua desde el diseño del proyecto.
«En producción toma relevancia el control del consumo de los modelos de IA. También hay que estar atentos su depreciación y a la necesidad de sustituirlos por otros más recientes. Eso genera el riesgo de que algo que ya funcionaba deje de hacerlo», advierte Elbio.
En ENTA, el seguimiento de estas variables forma parte del ciclo de vida de las soluciones, permitiendo acompañar la evolución de los modelos, evaluar su desempeño y realizar los ajustes necesarios para sostener los resultados en el tiempo.
Una evolución que también transforma la forma de gestionar proyectos
La incorporación de inteligencia artificial también obliga a tomar decisiones que hasta hace pocos años no existían. No todos los procesos requieren el mismo nivel de inversión ni todas las oportunidades justifican desarrollar una solución propia.
«No todo lo que se puede hacer con IA debe construirse internamente. Cuando el caso representa una ventaja competitiva para la organización o responde a necesidades muy específicas del negocio, desarrollar una solución a medida puede ser la mejor alternativa«, explica Elbio López.
En otros escenarios, integrar herramientas existentes o incluso optar por una automatización tradicional puede ofrecer mejores resultados, menor complejidad y costos operativos más bajos.
La elección de la tecnología, sin embargo, representa solo una parte del desafío.
«Muchas iniciativas de IA fracasan no por el modelo, sino porque la empresa no tiene procesos claros, documentación confiable u ownership del conocimiento», agrega Elbio.
En la práctica, la calidad de una solución depende tanto de la tecnología utilizada como del contexto en el que se implementa. Datos confiables, procesos documentados y una participación activa del negocio continúan siendo la base sobre la que se construyen iniciativas capaces de sostenerse en el tiempo.
«La transformación más importante no estará exclusivamente en la tecnología ni exclusivamente en las personas. Ambas dimensiones son inseparables. La tecnología por sí sola no genera resultados si las personas no la incorporan a sus formas de trabajo. Del mismo modo, el esfuerzo humano encuentra límites cuando no cuenta con herramientas capaces de amplificar sus capacidades», concluye Emiliano.
La evolución del mercado de automatización demuestra que el desafío no consiste únicamente en incorporar inteligencia artificial a los procesos. También implica diseñar proyectos capaces de adaptarse a los cambios, integrarse al negocio y sostener resultados en el tiempo.
Esa combinación entre tecnología, metodología y conocimiento del negocio marca la diferencia entre una prueba de concepto y una solución que realmente genera valor.
