La integración de la IA en su organización comienza por identificar cómo las plataformas de IA, los modelos fundamentales, la IA generativa y el aprendizaje automático (ML) se alinean con los objetivos clave. Las empresas tienden a sobreestimar el impacto de las capacidades de la IA y subestimar su complejidad, lo que exige que los líderes de datos y análisis gestionen las expectativas o se arriesguen a costosos fracasos en los proyectos.²

"Si usted es un líder de datos, piense en las tareas más solicitadas a sus equipos y cómo la IA podría facilitarles la vida a esas líneas de negocio", afirma Ann Leach, directora de Gestión de Productos de Portafolio de IBM. "¿Dónde pueden integrar la IA para ayudar a tomar decisiones, crear mejores flujos de trabajo y procesos, o proporcionar información a la empresa que impulse la visión de futuro?"

Para aprovechar al máximo sus aplicaciones de IA , tenga en cuenta estas directivas:

Conectarse con los resultados empresariales

Trabaje con el equipo directivo para alcanzar los objetivos empresariales generales de su organización. Tim Humphrey, director de análisis de IBM, sugiere que, si está considerando un caso de uso de IA con un líder en marketing, recursos humanos, cadena de suministro, ventas o gestión de activos, debería preguntarse hacia dónde pretende llevar esa función u organización. Es necesario comprender tanto su situación actual como su futuro. Humphrey añade: «Si no puede aplicar la IA en ese continuo de lo actual y lo futuro, no debería empezar».

Haz la prueba primero


Con la IA, prueba pruebas de concepto hasta encontrar la solución adecuada. Luego, optimízala. "En lugar de dedicar mucho tiempo a perfeccionarlo todo, soy partidaria de realizar muchas pruebas de concepto hasta encontrar la que realmente funcione", afirma Caroline Carruthers, directora ejecutiva de Carruthers and Jackson y autora de The Chief Data Officer's Playbook .

Establecer y realizar un seguimiento de objetivos

Define KPI que midan el éxito de cada caso de uso. Supongamos que el proyecto consiste en identificar fraudes con tarjetas de crédito y quieres que la IA detecte el 95 % de los casos fraudulentos. El seguimiento de tu progreso mediante métricas te permite mapear y supervisar los niveles de rendimiento de la IA y demostrar su valor a las partes interesadas.

Una de las tareas más difíciles de un líder de datos es establecer métodos rápidos y fiables para obtener información valiosa a partir de los datos. Necesita los datos adecuados para ejecutar su modelo, pero no todos son aptos para la IA.


“La base de todo empieza con el conjunto de datos adecuado para un caso de uso específico, y sin él no hay IA, punto”, afirma Remus Lazar, vicepresidente de Desarrollo de Software de Data Fabric, IBM. Pone como ejemplo una aerolínea que busca IA predictiva para predecir si los pasajeros podrán llegar a sus vuelos de conexión. “Si solo se recopilan datos de los pasajeros que perdieron sus conexiones, no de los que llegaron a sus vuelos, entonces no son los datos adecuados. Sin los conjuntos de datos adecuados, nunca se podrá resolver el caso de uso”.

Revise su arquitectura de datos

Más de la mitad de las organizaciones citan los datos como la causa del estancamiento de los proyectos de IA. Una arquitectura de datos moderna , como Data Fabric, ofrece capacidades integradas de calidad y gobernanza de datos. Permite a los científicos de datos gestionar los datos por sí mismos, independientemente de su ubicación, con todos los requisitos de gobernanza y privacidad aplicados automáticamente. Este enfoque ofrece a los usuarios datos fiables y listos para usar, así como acceso a diversas fuentes en tiempo real con una gobernanza completa que facilita la agilidad y la velocidad.

Alimente sus modelos con datos confiables

En un momento de regulaciones y éticas cambiantes y complejas en torno a la IA, es fundamental preguntarse: ¿Cuál es la gobernanza de estos datos y si pueden utilizarse para este fin? La calidad y la gobernanza de los datos son cruciales para escalar con éxito las soluciones de IA . Considere las siguientes preguntas que su organización necesita responder antes de poder confiar en las decisiones del algoritmo.


• Por ejemplo, ¿necesita datos externos o datos internos?
• ¿Estás utilizando datos históricos?
• Si es así, ¿es ético según los estándares actuales?

Depende de usted, como líder de datos, determinar quién controla los datos, quién tiene acceso al software y las aplicaciones de IA y quién necesita acceso para garantizar que las iniciativas de IA sean útiles.

Comprometerse con la IA ética

Las directrices para una IA responsable incluyen consideraciones como la seguridad, la explicabilidad y el sesgo. Si utiliza datos históricos para alimentar un modelo, asegúrese de que se ajusten a la ética y las sensibilidades actuales de la sociedad. Por ejemplo, las actitudes en torno al género, la raza, el sexo, la clase social y la edad son diferentes hoy que en la década de 1970. El uso de un conjunto de datos obsoleto podría perpetuar el sesgo de la IA, distorsionando los resultados desde el principio. Las organizaciones pueden destacarse al abordar las cuestiones éticas de forma estratégica, decidida y reflexiva.