Al rescate de los CEOs: los casos de éxito, riesgos y consejos sobre IA generativa de las grandes consultoras

Se han tomado su tiempo, pero las grandes consultoras ya tienen sus primeros veredictos y casos de éxito sobre el impacto que va a tener la inteligencia artificial (IA) generativa, con propuestas como ChatGPT, Bard, Claude o Midjourney, en la gestión de las empresas. Su mensaje va dirigido expresamente a los CEOs.

KPMG se ha aventurado a preguntarles y tomar el pulso acerca de cómo ven la situación. Casi dos tercios (65%) de los 225 ejecutivos estadounidenses encuestados creen que la IA generativa tendrá un impacto alto o extremadamente alto en los próximos tres a cinco años, muy por encima de cualquier otra tecnología emergente. Llama la atención, no obstante, que el 60% dice también que aún tardará uno o dos años para implementar su primera solución de IA generativa. 

Según la encuesta, el 72% de los CEO cree que puede ayudar a construir confianza, pero 45% dice también que puede tener un impacto negativo en la confianza dentro de sus organizaciones si no se gestionan bien de riesgos. Son optimistas sobre las oportunidades de aumentar la productividad (72%), cambiar la forma en que trabajan las personas (65%) y fomentar la innovación (66 %). Especialmente en el sector de tecnología, medios y telecomunicaciones (71%) y en salud y ciencias de la vida (67%), mientras que sólo para el 30% de los CEO en empresas dirigidas al consumidor final y minoristas es una prioridad. 

Casi 4 de cada 10 ejecutivos creen, por último, que la IA generativa podría conducir a una disminución de las interacciones sociales y las conexiones humanas con los compañeros de trabajo, y otro 32% teme que aumenten los problemas de salud mental entre su fuerza laboral debido al estrés por la posible pérdida del trabajo y la incertidumbre sobre el futuro.

En la línea de los riesgos, el informe de Mckinsey advierte a los CEO de los siguientes puntos a vigilar: Imparcialidad, los modelos pueden generar sesgos algorítmicos; Propiedad intelectual, se puede infringir derechos de autor, marcas registradas o patentes; Privacidad, la información de los usuarios puede aparecer de una forma que permita identificarlos, por no hablar del contenido malicioso, como desinformación o falsificaciones; Seguridad, una técnica llamada inyección rápida facilita que un tercero dé a un modelo nuevas instrucciones para engañarlo y que entregue una solución no deseada; Explicabilidad, no siempre será sencillo explicar cómo se produce una respuesta determinada; Confiabilidad, los modelos pueden producir diferentes respuestas a las mismas indicaciones; Impacto organizacional, no sólo en la plantilla, sino también en grupos específicos y comunidades locales; e Impacto social y ambiental, como un aumento de las emisiones de CO2, la capacitación de un modelo de lenguaje grande LLM puede emitir alrededor de 315 toneladas de dióxido de carbono.

Antes de formular sus recomendaciones, McKinsey expone varios casos de uso que pueden abrir los ojos sobre las oportunidades de la IA generativa.

-Una empresa ha implementado un producto de finalización de código basado en IA que se integra con el software que usan los ingenieros para codificar. Esto permite escribir descripciones de código en lenguaje natural para que la IA sugiera posibles variantes. De ese modo, se puede acelerar la generación de código de un desarrollador hasta en un 50%. También puede ayudar en la depuración del producto desarrollado.

No obstante, hay que tener claro que la IA generativa no puede reemplazar a los ingenieros de software con más experiencia y el código que escribe puede contener vulnerabilidades u otros errores, por lo que es importante la intervención humana. La suscripción a una herramienta de este tipo oscila entre 10 y 30 dólares por usuario y mes.

Boston Consulting Group recuerda que alrededor del 40% del código generado por IA no es seguro, según el Centro de Ciberseguridad de la NYU, y debido a que la mayoría de los empleados no están calificados para evaluar las vulnerabilidades del código, esto crea un riesgo de seguridad significativo. La asistencia de IA en la escritura de código también crea un riesgo de calidad, según un estudio de la Universidad de Stanford, porque los codificadores pueden confiar demasiado en la capacidad de IA para evitar vulnerabilidades.

-Un gran banco corporativo, continúa exponiendo McKinsey quiere mejorar la productividad de los gerentes de relaciones, que pasan un tiempo considerable revisando documentos grandes, y ha decidido crear una solución que acceda a un modelo base de IA generativa a través de una API.

-Otra empresa que opera en un sector con terminología especializada (por ejemplo, derecho, medicina o finanzas) utiliza un modelo básico optimizado de IA para apoyar a sus representantes de atención al cliente, que reciben cientos de consultas al día. Los tiempos de respuesta a veces son, por eso, demasiado altos. La IA generativa les ha liberado para que se centren en consultas de clientes complejas y de mayor valor. El bot tiene acceso a todos los datos internos del cliente y puede «recordar» conversaciones anteriores, incluidas las llamadas telefónicas.

-Los investigadores científicos de una empresa farmacéutica tenían que decidir qué experimentos priorizar basándose en millones de imágenes de microscopía almacenadas, difíciles de interpretar para un ser humano. Se ha creado una herramienta que ayuda a comprender la relación entre la química de los fármacos y los resultados microscópicos registrados para acelerar los esfuerzos de I+D. En general, entrenar un modelo desde cero cuesta entre diez y veinte veces más que crear software en torno a una API.

En su análisis, Boston Consulting Group señala que el poder democratizador de la IA generativa significa que los competidores tienen acceso a las mismas capacidades. Insta por eso a incorporar mejoras en la productividad para los programadores que usan Github Copilot y para los desarrolladores de contenido de marketing que usan Jasper.ai, sólo para seguir el ritmo de otras organizaciones.

Coincide en que los modelos pagos y de código abierto existentes son asequibles. Snorkel AI estima que cuesta entre 1.770 y 6.850 euros ajustarse a un modelo LLM (Large Language Model) para llevar a cabo una clasificación legal compleja y tal aplicación podría ahorrar horas del tiempo de abogado. Entrenar un modelo de 1.500 millones de parámetros con dos configuraciones y 10 ejecuciones por configuración puede costar 1,5 millones de euros, según AI21 Labs.

Las recomendaciones de McKinsey a los CEO son las siguientes: Organización para la IA generativa, se requiere un enfoque coordinado dada la capacidad de los modelos básicos para respaldar múltiples casos de uso; Reimagina dominios de extremo a extremo en lugar de centrarse en casos de uso esporádicos; Habilita una pila de tecnología completamente cargada, conviene consultar a los CTO para saber si la empresa tiene las capacidades técnicas requeridas; Construye un ‘faro’, por ejemplo, creando un «experto virtual» que permita a los trabajadores aprovechar la IA generativa antes de escalar a aplicaciones orientadas al cliente; Equilibra el riesgo y la creación de valor, la IA generativa exige una atención renovada a muchos riesgos ya existentes; y Aplica un enfoque ecosistémico a las alianzas, piensa en construir un ecosistema de socios adaptados a diferentes contextos.

Si quieres estar al día de todas las novedades de la Inteligencia Artificial no te pierdas La Hora Premium en abierto de Javier Sirvent, evangelista tecnológico especializado en inteligencia artificial: «Forever Artificial Intelligence»