El auge de la IA no va según lo planeado. Las organizaciones están luchando por convertir las inversiones en IA en flujos de ingresos confiables. Las empresas están encontrando que la IA generativa es más difícil de implementar de lo que esperaban. Las empresas emergentes de IA están sobrevaluadas y los consumidores están perdiendo interés. Incluso McKinsey, después de pronosticar 25,6 billones de dólares en beneficios económicos de la IA, ahora admite que las empresas necesitan una «cirugía organizacional» para liberar todo el valor de la tecnología. Sin embargo, antes de apresurarse a reconstruir sus organizaciones, los líderes deben volver a lo básico. Con la IA, como con todo lo demás, la creación de valor comienza con la adecuación del producto al mercado: comprender la demanda que está tratando de satisfacer y asegurarse de estar utilizando las herramientas adecuadas para la tarea. Si está clavando cosas, un martillo es genial; si está cocinando panqueques, un martillo es inútil, desordenado y destructivo. Sin embargo, en el panorama actual de la IA, todo está siendo martillado. En el CES 2024, los asistentes se quedaron boquiabiertos con los cepillos de dientes, los collares para perros, los zapatos y los comederos para pájaros de IA. Incluso el ratón de su ordenador tiene ahora un botón de IA. En el mundo empresarial, el 97% de los ejecutivos afirman que esperan que la IA de última generación añada valor a sus empresas, y tres cuartas partes están delegando las interacciones con los clientes en chatbots. La prisa por aplicar la IA a todos los problemas imaginables da lugar a muchos productos que solo son marginalmente útiles, además de algunos que son francamente destructivos. Un chatbot del gobierno, por ejemplo, dijo incorrectamente a los empresarios de Nueva York que despidieran a los trabajadores que se quejaran de acoso. Turbotax y HR Block, por su parte, empezaron a utilizar bots que daban malos consejos con una frecuencia de hasta la mitad de las veces. El problema no es que nuestras herramientas de IA no sean lo suficientemente potentes, o que nuestras organizaciones no estén a la altura del desafío. Es que estamos utilizando martillos para cocinar panqueques. Para obtener un valor real de la IA, tenemos que empezar por reorientar nuestras energías hacia los problemas que estamos tratando de resolver. La falacia de Furby A diferencia de las tendencias tecnológicas pasadas, la IA es especialmente propensa a cortocircuitar los procesos existentes de las empresas para establecer el ajuste producto-mercado. Cuando utilizamos una herramienta como ChatGPT, es fácil tranquilizarse por lo humana que parece y asumir que tiene una comprensión humana de nuestras necesidades. Esto es análogo a lo que podríamos llamar la falacia de Furby. Cuando los juguetes parlantes llegaron al mercado a principios de la década de 2000, muchas personas, incluidos algunos funcionarios de inteligencia, asumieron que los Furbys estaban aprendiendo de sus usuarios. De hecho, los juguetes simplemente estaban ejecutando cambios de comportamiento preprogramados; nuestro instinto de antropomorfizar a los Furbys nos llevó a sobreestimar su sofisticación. De la misma manera, es fácil atribuir erróneamente la intuición y la imaginación a los modelos de IA, y cuando parece que una herramienta de IA nos entiende, es fácil pasar por alto la difícil tarea de articular claramente nuestros objetivos y necesidades. Los científicos informáticos han estado luchando con este desafío, conocido como el «problema de alineación», durante décadas: cuanto más sofisticados se vuelven los modelos de IA, más difícil se vuelve emitir instrucciones con suficiente precisión, y mayores son las posibles consecuencias de no hacerlo. (Si se da instrucciones descuidadas a un sistema de IA lo suficientemente potente para maximizar la producción de fresas, podría convertir el mundo en una gran granja de fresas). Dejando de lado el riesgo de un apocalipsis de la IA, el problema de la alineación hace que establecer el ajuste producto-mercado sea más importante para las aplicaciones de IA. Debemos resistir la tentación de falsificar los detalles y asumir que los modelos resolverán las cosas por sí mismos: solo articulando nuestras necesidades desde el principio y organizando rigurosamente los procesos de diseño e ingeniería en torno a esas necesidades, podemos crear herramientas de IA que brinden un valor real. De vuelta a lo básico Dado que los sistemas de IA no pueden encontrar su propio camino hacia el ajuste producto-mercado, depende de nosotros, como líderes y tecnólogos, satisfacer las necesidades de nuestros clientes. Eso significa seguir cuatro pasos clave, algunos familiares de las clases de Negocios 101 y otros específicos de los desafíos del desarrollo de IA. Entender el problema. Aquí es donde la mayoría de las empresas se equivocan, porque parten de la premisa de que su problema clave es la falta de IA. Eso lleva a la conclusión de que «añadir IA» es una solución en sí misma, mientras que ignoran las necesidades reales del usuario final. Solo articulando claramente el problema sin hacer referencia a la IA puede determinar si la IA es una solución útil o qué tipos de IA podrían ser apropiados para su caso de uso. Defina el éxito del producto. Descubrir y definir qué hará que su solución sea efectiva es vital cuando se trabaja con IA, porque siempre hay compensaciones. Por ejemplo, una pregunta podría ser si priorizar la fluidez o la precisión. Una compañía de seguros que crea una herramienta actuarial podría no querer un chatbot fluido que no calcule bien las matemáticas, por ejemplo, mientras que un equipo de diseño que usa IA general para generar ideas podría preferir una herramienta más creativa, incluso si ocasionalmente dice tonterías. Elija su tecnología. Una vez que comprenda lo que busca, trabaje con sus ingenieros, diseñadores y otros socios sobre cómo lograrlo. Puede considerar varias herramientas de IA, desde modelos de IA de generación hasta marcos de aprendizaje automático (ML), e identificar los datos que utilizará, las regulaciones relevantes y los riesgos de reputación. Abordar estas preguntas al principio del proceso es fundamental: es mejor desarrollar teniendo en cuenta las limitaciones que tratar de abordarlas después de haber lanzado el producto. Pruebe (y vuelva a probar) su solución. Ahora, y solo ahora, puede comenzar a desarrollar su producto. Demasiadas empresas se apresuran a llegar a esta etapa, creando herramientas de IA antes de comprender realmente cómo se utilizarán. Inevitablemente, terminan buscando problemas para resolver y lidiando con desafíos técnicos, de diseño, legales y de otro tipo que deberían haber considerado antes. Priorizar la adecuación del producto al mercado desde el principio evita esos pasos en falso y permite un proceso de progreso iterativo hacia la solución de problemas reales y la creación de valor real. Dado que la IA parece magia, es tentador suponer que implementar cualquier aplicación de IA en cualquier entorno creará valor. Eso lleva a las organizaciones a «innovar» disparando ráfagas de flechas y dibujando dianas en los lugares donde caen. Un puñado de esas flechas realmente caerán en lugares útiles, pero la gran mayoría rendirá poco valor para las empresas o los usuarios finales. Para liberar el enorme potencial de la IA, primero debemos dibujar las dianas y luego poner todos nuestros esfuerzos en dar en ellas. Para algunos casos de uso, eso podría significar desarrollar soluciones que no involucren IA; en otros, podría significar usar implementaciones de IA más simples, más pequeñas o menos atractivas. Sin embargo, sin importar qué tipo de producto de IA esté construyendo, hay una cosa que permanece constante. Establecer un ajuste producto-mercado y crear tecnologías que satisfagan los deseos y necesidades reales de sus clientes es la única forma de generar valor. Las empresas que lo hagan bien surgirán como ganadoras en la era de la IA. Ellie Graeden es socia y científica de datos principal en Luminos.Law y profesora de investigación en el Massive Data Institute de la Universidad de Georgetown. M. Alejandra Parra-Orlandoni es la fundadora de Spirare Tech. DataDecisionMakers ¡Bienvenido a la comunidad VentureBeat! DataDecisionMakers es un lugar donde los expertos, incluidos los técnicos que trabajan con datos, pueden compartir conocimientos e innovaciones relacionados con los datos. Si desea leer sobre ideas de vanguardia e información actualizada, mejores prácticas y el futuro de los datos y la tecnología de datos, únase a nosotros en DataDecisionMakers. ¡Incluso podría considerar contribuir con un artículo propio! Lea más de DataDecisionMakers