IA empresarial: de "construir o comprar" a "asociarse y crecer"

¿Cómo empezar y quién debería implementar sus primeros proyectos de IA?

No hace mucho tiempo, un socio colaborador se acercó casualmente a mí para hablarme sobre un caso de uso de IA en su organización. Querían hacer que el proceso de incorporación fuera más eficiente mediante el uso de IA para responder las preguntas frecuentes de los recién llegados. Sugerí un enfoque de chat práctico que integrara su documentación interna, y ellos siguieron adelante con confianza, planeando "hablar con su equipo de TI" en el futuro.

Por experiencia, sabía que ese tipo de optimismo era frágil. El equipo de TI promedio no está equipado para implementar una aplicación de IA completa e integral por sí solo. Y así fue: meses después, colgaron. Su sistema era frustrantemente lento y también quedó claro que habían entendido mal las necesidades reales de los usuarios durante el desarrollo. Los nuevos empleados hacían preguntas diferentes a las que el sistema estaba configurado para responder. La mayoría de los usuarios rebotaron después de un par de intentos y nunca regresaron. Solucionar estos problemas habría requerido repensar toda su arquitectura y estrategia de datos, pero el daño ya estaba hecho. Los empleados estaban frustrados, los líderes lo notaron y el entusiasmo inicial sobre la IA se desvaneció en escepticismo. Habría sido difícil defender otra fase de desarrollo más extensa, por lo que el tema se dejó de lado silenciosamente.

Esta historia no es única en absoluto. El marketing sofisticado de las empresas de IA crea la ilusión de accesibilidad de la IA, y las empresas se apresuran a implementar iniciativas sin comprender plenamente los desafíos que se avecinan. De hecho, se necesita experiencia especializada para crear una estrategia de IA sólida e implementar cualquier caso de uso más o menos personalizado en su empresa. Si esta experiencia no está disponible internamente, deberá obtenerla de socios o proveedores externos.

Esto no significa que tengas que comprarlo todo: sería como tener 100 dólares y gastarlos en un restaurante en lugar de ir al supermercado. La primera opción saciará tu hambre inmediatamente, pero la segunda opción te garantizará algo para comer durante una semana.

Entonces, ¿cómo empezar y quién debería implementar sus primeros proyectos de IA? Esto es lo que veo: olvídese de "construir o comprar" y concéntrese en asociarse y aprender. Creo firmemente que la mayoría de las empresas deberían desarrollar experiencia en IA internamente: esto les dará un mayor ancho de banda en su estrategia y actividades de IA en el futuro. Al mismo tiempo, la IA es un arte complejo que lleva tiempo dominar y el fracaso está en todas partes (según Para este informe emitido por la Corporación RAND(Más del 80% de las iniciativas de IA fracasan). Aprender de los errores es bueno en teoría, pero en realidad conduce a una pérdida de tiempo, recursos y credibilidad. Para lograr la madurez de la IA de manera eficiente, las empresas deberían considerar colaborar con socios confiables dispuestos a compartir su experiencia. Una preparación pragmática y cuidadosa no solo garantizará una implementación técnica más fluida, sino que también abordará los aspectos humanos y comerciales de su estrategia de IA.

A continuación, describiré primero los conceptos básicos (entradas, salidas y compensaciones) de las decisiones de “comprar o construir” en IA. A continuación, aprenderá acerca de un enfoque de asociación más exclusivo. Combina construcción y compra mientras mejora su curva de aprendizaje interna. Finalmente, concluiré con algunas notas prácticas y consejos sobre cómo asociarse en IA.

Los fundamentos de la toma de decisiones de “fabricación o compra” en IA

Comencemos dividiendo la clásica decisión de “hacer o comprar” en dos partes: insumos (los elementos que deben evaluarse de antemano) y productos (las consecuencias de cada elección para su negocio futuro). Decidir si fabricar IA internamente o comprarla a un proveedor externo es una decisión estratégica crítica que requiere un conocimiento profundo de los recursos disponibles y los costos previstos.

aporte

Para preparar la decisión, se deben evaluar las capacidades internas y los requisitos del caso de uso. Estos factores determinarán qué tan realista, riesgosa o beneficiosa es cada opción:

Madurez de la IA en su organización: Considere sus capacidades técnicas internas, como talento calificado en IA, activos de IA reutilizables (por ejemplo, conjuntos de datos, modelos prediseñados y gráficos de conocimiento) y habilidades técnicas adyacentes que sean transferibles al dominio de la IA (por ejemplo, ingeniería y análisis de datos). Considere también qué tan bien interactúan los usuarios con la IA y manejan su escepticismo. Invierta en la mejora de sus habilidades y en el desarrollo de su audacia a medida que crece la madurez de su IA.
Requisitos de experiencia de campo: ¿En qué medida la solución refleja su conocimiento de la industria? En los casos de uso que requieren intuición humana experta o conocimiento organizacional, sus expertos en el dominio interno desempeñarán un papel fundamental. Deben ser parte del proceso de desarrollo, ya sea mediante la construcción interna o en estrecha asociación con un proveedor externo.
Complejidad técnica del caso de uso: No todas las aplicaciones de IA son iguales. Un proyecto que se basa en API o modelos básicos existentes es mucho más simple que un proyecto que requiere entrenar una arquitectura de modelo personalizada desde cero. La alta complejidad aumenta los riesgos, los requisitos de recursos y los posibles retrasos de un enfoque de “construir primero”.
Valor y diferenciación estratégica: ¿El caso de uso es fundamental para su ventaja estratégica o es solo una función de apoyo? Si es exclusivo de su industria (o incluso de su empresa) y aumentará la diferenciación competitiva, la construcción o el desarrollo conjuntos pueden brindar mayor valor. Por el contrario, para un caso de uso estándar (como la clasificación y predicción de documentos), la compra probablemente proporcionará resultados más rápidos y rentables.

Consecuencias de las decisiones de fabricar internamente o comprar productos listos para usar

Después de evaluar sus aportes, deberá determinar el impacto posterior de su decisión de fabricar internamente o comprar y evaluar las ventajas y desventajas. A continuación se presentan siete dimensiones que tendrán un impacto en los plazos, los costos, los riesgos y los resultados:

Personalización: El grado en que una solución de IA se puede adaptar para ajustarse al flujo de trabajo, los objetivos y las necesidades de dominio específicos de una organización. La personalización a menudo determina qué tan bien una solución se adapta a los requisitos comerciales únicos. Una personalización cuidadosa es fundamental para garantizar que la solución esté alineada con sus procesos comerciales específicos.
Propiedad: Derechos de propiedad intelectual y control de los modelos de IA subyacentes, el código y la dirección estratégica. La fabricación interna proporciona propiedad completa, mientras que la compra generalmente implica obtener una licencia para tecnología de terceros. La propiedad total es una ventaja estratégica, especialmente en industrias que dependen de la innovación y la protección de los activos intelectuales.
أمن البيانات: Cubre cómo se manejan los datos, dónde están ubicados y quién tiene acceso a ellos. En entornos regulados o sensibles, la privacidad y el cumplimiento de los datos son preocupaciones centrales, especialmente cuando los datos pueden ser compartidos con proveedores externos o procesados por ellos. El cumplimiento de los estándares globales de seguridad de datos, como GDPR e ISO 27001, es esencial.
el costo: Incluye tanto la inversión inicial como los gastos operativos corrientes. La fabricación interna implica I+D, talento, infraestructura y mantenimiento a largo plazo, mientras que la compra puede requerir licencias, suscripciones o tarifas de uso de la nube. Se debe realizar un análisis detallado del costo total de propiedad (TCO) para evaluar la viabilidad financiera de cada opción.
Tiempo necesario para llevar el producto al mercado: Mide la rapidez con la que se puede implementar una solución y comenzar a generar valor. Una implementación rápida suele ser fundamental en mercados competitivos o dinámicos; Los retrasos pueden dar lugar a la pérdida de oportunidades. Elegir una solución llave en mano puede acelerar significativamente el proceso de comercialización, dándole a una organización una ventaja competitiva.
Soporte y mantenimiento: Incluye quién es responsable de las actualizaciones, el escalamiento, la corrección de errores y el rendimiento continuo del modelo. Los diseños de interiores requieren recursos de mantenimiento dedicados, mientras que las soluciones exteriores a menudo incluyen servicios de soporte. Los acuerdos de nivel de servicio (SLA) deben incluir detalles claros sobre los tiempos de respuesta y resolución de problemas.
Curva de aprendizaje de la inteligencia artificial: Refleja la complejidad de adquirir e implementar experiencia en IA dentro de una organización. La fabricación interna a menudo implica mucho ensayo y error y resultados frágiles porque el equipo no tiene un conocimiento básico de IA. Por otro lado, una compra o asociación puede acelerar el aprendizaje a través de experiencias guiadas y herramientas maduras y crear una base sólida para futuras actividades de IA. Las asociaciones pueden brindar acceso a conocimientos especializados y reducir los riesgos asociados con el desarrollo de IA interna.

Ahora bien, en la práctica, el pensamiento binario entre fabricación interna y compra de productos listos para usar a menudo conduce a disyuntivas irresolubles. Tomemos el caso de uso de configuración mencionado anteriormente. Una de las razones por las que el equipo tiende a Fabricación interna Es la necesidad de mantener la confidencialidad de los datos de la empresa. Al mismo tiempo, no contaban con la experiencia interna en inteligencia artificial necesaria para desarrollar un sistema de chat listo para producción. Quizás hubieran tenido más éxito subcontratando la ingeniería de chat y el soporte continuo mientras construían su propia base de datos internamente. Por lo tanto, no debe decidir fabricar internamente ni comprar productos listos para usar para todo el sistema de IA. En lugar de ello, divídalo en componentes y evalúe cada componente en función de sus capacidades, limitaciones y prioridades estratégicas.

Hacia una cooperación fructífera entre la experiencia de campo y la inteligencia artificial

A nivel de componentes, los invito a diferenciar entre decisiones internas o subcontratadas desde la perspectiva de los requisitos de experiencia. La mayoría de los sistemas de IA B2B combinan dos tipos de experiencia: experiencia en el dominio, que está disponible dentro de su empresa, y experiencia técnica en IA, que se puede incorporar a través de un socio externo si (todavía) no tiene habilidades especializadas en IA. A continuación, examinaré las necesidades de experiencia de cada uno de los componentes principales de un sistema de IA (ver Este artículo (Para una explicación de los ingredientes). Este enfoque estratégico garantiza la máxima utilización de los recursos disponibles y el logro de los objetivos comerciales de manera eficiente y eficaz.

Oportunidad laboral: Identificar los problemas de IA adecuados

¿Sabías que la principal razón por la que fracasan los proyectos de IA no es técnica, sino la elección del problema equivocado para resolver (ver Las causas fundamentales del fracaso de los proyectos de inteligencia artificial y cómo pueden tener éxito)? Te sorprenderá, tus equipos de expertos comprenden profundamente tus problemas. Pero el resultado final es que carecen de los medios para conectar sus puntos débiles con la tecnología de IA. A continuación se muestran algunos de los patrones de fallo más comunes:

enmarcar el problema de manera vaga o inapropiada¿Es esta una tarea en la que la IA ya es buena? Definir con precisión el problema es a menudo el primer paso hacia una solución exitosa utilizando IA.
Estimación del esfuerzo perdido/ROI¿Vale la pena invertir tiempo y recursos en desarrollar e implementar IA para obtener el resultado? El rendimiento esperado del uso de la IA debe ser claro y justificado.
expectativas poco realistas¿Qué significa “suficientemente bueno” para una IA imperfecta? Los criterios de éxito deben definirse claramente antes de iniciar el proyecto.

Por otro lado, hay muchas organizaciones que utilizan la IA por el mero hecho de utilizarla, creando soluciones en busca de un problema. Esto quema recursos y debilita la confianza interna.

Un buen socio de IA ayuda a evaluar los procesos de negocio que están listos para la intervención de IA, estima el impacto potencial y modela cómo la IA puede generar valor. Ambas partes pueden dar forma a un caso de uso enfocado y de alto impacto a través de talleres de descubrimiento conjuntos, sprints de diseño y prototipos exploratorios.

Datos: el combustible para su sistema de IA

Los datos de dominio limpios y bien organizados son un activo clave. Cifra el conocimiento operativo, el comportamiento del cliente, el rendimiento del sistema y mucho más. Pero los datos brutos por sí solos no son suficientes: deben transformarse en señales de aprendizaje significativas. Aquí es donde entra en juego la experiencia en IA para diseñar cadenas de suministro, elegir las representaciones de datos adecuadas y alinear todo con los objetivos de aprendizaje de IA.

Esto a menudo implica etiquetar los datos, es decir, anotar ejemplos con las señales de las que el modelo necesita aprender. Puede parecer tedioso, pero resista la tentación de subcontratar. El etiquetado es una de las partes más sensibles al contexto de la cadena de suministro y requiere experiencia en el dominio para realizarse correctamente. De hecho, hoy en día muchas tareas de ajuste funcionan mejor con conjuntos de datos pequeños pero de alta calidad, así que trabaje en estrecha colaboración con su socio de IA para mantener el esfuerzo concentrado y administrado.

La limpieza y el preprocesamiento de datos es otra área donde la experiencia marca una gran diferencia. Quizás hayas oído el viejo dicho: “La mayoría de los científicos de datos pasan su tiempo limpiando datos”. Esto no significa que tenga que ser lento. Con ingenieros con experiencia en cómo se presentan sus datos (texto, números, imágenes, etc.), este proceso se puede acelerar enormemente. Sabrán instintivamente qué técnicas de preprocesamiento aplicar y cuándo, convirtiendo semanas de prueba y error en horas de configuración productiva.

Inteligencia Artificial: Modelos y Arquitecturas de IA

Aquí es donde la mayoría de la gente piensa que comienzan los proyectos de IA, pero es solo la mitad de la historia. La construcción de sistemas de IA eficaces requiere una profunda experiencia en IA para seleccionar u optimizar modelos, evaluar el rendimiento y diseñar arquitecturas de sistemas. Por ejemplo, ¿su caso de uso debería utilizar un modelo previamente entrenado? ¿Necesita una configuración multimodelo? ¿Qué son las escalas de evaluación lógica? En sistemas más complejos, diferentes componentes de IA, como modelos y bases de conocimiento, se pueden combinar en un flujo de trabajo de varios pasos.

La experiencia en el dominio surge durante la validación y evaluación del sistema. Los expertos y los futuros usuarios necesitan comprobar si los resultados de la IA tienen sentido y coinciden con sus expectativas en el mundo real. Un modelo puede ser estadísticamente sólido, pero operativamente inútil si sus resultados no coinciden con la lógica del negocio. Al diseñar sistemas complejos, los expertos en el dominio también deben asegurarse de que la configuración del sistema refleje sus operaciones y necesidades del mundo real.

El diseño de modelos de IA y la construcción de una arquitectura de IA personalizada es su fase de “asistente piloto”: los equipos de IA diseñan y optimizan el sistema, mientras que los equipos de dominio lo guían y optimizan en función de los objetivos comerciales. Con el tiempo, el objetivo es desarrollar una propiedad compartida del comportamiento del sistema.

Estudio de caso: Desarrollo de experiencia en IA para apoyar a las compañías de seguros

En una importante compañía de seguros, el equipo de ciencia de datos recibió la tarea de desarrollar un sistema de predicción de riesgos de reclamos, un proyecto que querían mantener interno para conservar la propiedad total y una estrecha alineación con sus datos y flujo de trabajo. Sin embargo, los prototipos enfrentaron problemas de rendimiento y escalabilidad. Aquí es donde mi empresa intervino. Código Analógico Como socio arquitectónico y estratégico. El equipo interno nos ayudó a evaluar modelos candidatos, diseñar una arquitectura modular y configurar procesos de aprendizaje automático (ML) repetibles. Lo más importante es que realizamos cursos de capacitación guiados centrados en la evaluación de modelos, operaciones de aprendizaje automático (MLOps) y prácticas responsables de IA. Con el tiempo, el equipo interno ganó confianza, reelaboró los prototipos anteriores para convertirlos en una solución sólida y asumió la plena responsabilidad de las operaciones. El resultado fue un sistema que poseían por completo, mientras que la orientación experta que brindamos durante el proyecto también aumentó sus capacidades internas de inteligencia artificial. Este enfoque garantiza la **mejora del sistema de predicción de riesgos** y el **desarrollo de capacidades internas de IA**.

Experiencia del usuario: cómo ofrecer valor de IA a través de la interfaz de usuario

Este aspecto es complejo. Con pocas excepciones, es poco probable que los expertos en el dominio o los ingenieros de inteligencia artificial con experiencia diseñen una experiencia intuitiva, eficiente y agradable para los usuarios reales. Lo ideal es contratar diseñadores UX especializados. Si estos no están disponibles, busque personas de disciplinas adyacentes que tengan un sentido natural de la experiencia del usuario. Hoy en día, hay muchas herramientas de IA disponibles para respaldar el diseño y la creación de prototipos de UX, por lo que el gusto importa más que la destreza técnica. Una vez que tengas a las personas adecuadas, debes brindarles aportes de ambos lados:

el fondoLos expertos en IA brindan información sobre cómo funciona un sistema internamente (sus fortalezas, limitaciones y niveles de certeza) y respaldan el diseño de elementos como explicaciones, índices de incertidumbre y puntajes de confianza (ver Este artículo Sobre cómo generar confianza en la IA a través de la experiencia del usuario.
cara frontalLos expertos en el dominio comprenden a los usuarios, su flujo de trabajo y sus problemas. Ayudan a validar los flujos de usuarios, resaltar la fricción y sugerir mejoras en función de cómo las personas interactúan realmente con el sistema.

Concéntrese en la repetición rápida y prepárese para cometer algunos errores. La experiencia del usuario en IA es un campo emergente y no existe una fórmula fija para definir qué es “excelente”. Las mejores experiencias surgen de ciclos de retroalimentación estrechos e iterativos, donde el diseño, las pruebas y la mejora se producen de forma continua, incorporando aportes tanto de expertos en el dominio como de especialistas en IA. El objetivo debe ser diseñar interfaces de usuario (UI) efectivas y fáciles de usar, garantizando que el valor de la IA se transmita sin problemas a los usuarios.

Soporte y mantenimiento: mantener la IA en funcionamiento

Una vez implementados, los sistemas de IA requieren una estrecha supervisión y una mejora continua. El comportamiento del usuario en el mundo real a menudo difiere de los entornos de prueba y cambia con el tiempo. Esta incertidumbre inherente significa que su sistema necesita un monitoreo efectivo, para que los problemas puedan identificarse y abordarse de manera temprana.

La infraestructura técnica para el monitoreo, incluido el seguimiento del rendimiento, la detección de desviaciones, el reentrenamiento de máquinas y los procesos MLOps, generalmente la configura su socio de IA. Una vez establecidas, muchas tareas de monitoreo diario no requieren habilidades técnicas profundas. Lo que se requiere es experiencia en el dominio: entender si el resultado del modelo todavía tiene sentido, detectar cambios sutiles en los patrones de uso y saber cuándo algo está "mal".

Una fase de soporte bien diseñada es más que simplemente operativa: puede ser una fase de aprendizaje crítica para sus equipos internos. Crea espacio para el desarrollo gradual de habilidades, una comprensión más profunda del sistema y, en última instancia, un camino más fluido hacia una mayor propiedad del sistema de IA a lo largo del tiempo. Esto permite una mejora continua del rendimiento y la eficiencia del sistema.

Por lo tanto, en lugar de plantear la implementación de la IA como una decisión binaria entre “construir o comprar”, debería verse como un mosaico de actividades. Algunas de estas actividades son altamente técnicas, mientras que otras están estrechamente relacionadas con el contexto de su negocio. Al definir responsabilidades a lo largo del ciclo de vida de la IA, puede:

Aclarar los roles y habilidades esenciales para el éxito
Identifica las capacidades que ya tienes dentro de la empresa.
Descubra las lagunas en las que la experiencia externa es más valiosa.
Planificación de la transferencia de conocimientos y la propiedad a largo plazo

Si desea profundizar en la integración de la experiencia en el dominio en sus sistemas de IA, consulte mi artículo "Inyectando experiencia en el dominio en sus sistemas de IA". Cabe destacar que la línea entre la experiencia en el "dominio" y la experiencia en "IA" no es inamovible. Es posible que ya tenga miembros del equipo experimentando con aprendizaje automático, u otros interesados en ascender a roles más técnicos. Con el modelo de colaboración y la estrategia de desarrollo de habilidades adecuados, puede evolucionar hacia la autonomía en IA, asumiendo gradualmente más responsabilidad y control a medida que crece su madurez interna.

Comience temprano y céntrese en la comunicación al asociarse en IA.

Ahora ya sabe que las decisiones de fabricación o compra deben tomarse a nivel de los componentes individuales de su sistema de IA. Pero si todavía no tienes experiencia en IA en tu equipo, ¿cómo puedes imaginar cómo lucirá finalmente tu sistema y sus componentes? Respuesta: Iniciar la asociación lo más pronto posible. A medida que comience a dar forma y diseñar su estrategia de IA, busque un socio de confianza que lo guíe durante el proceso. Elija a alguien con quien pueda comunicarse fácil y abiertamente. Con la colaboración adecuada desde el principio, tendrás más posibilidades de superar los desafíos de la IA de forma fluida y exitosa. Establecer alianzas sólidas en materia de IA, especialmente con expertos especializados, es fundamental para garantizar el éxito de los proyectos de IA y mitigar los riesgos potenciales.

Elija un socio de IA con experiencia central en el campo.

Su socio de IA no solo debe proporcionar código y recursos técnicos, sino que también debe ayudar a su organización a aprender y crecer durante la colaboración. A continuación se presentan algunos tipos comunes de asociaciones externas y lo que puede esperar de cada una:

SubcontrataciónEste modelo elimina la complejidad: obtendrás resultados rápidamente, como una inyección de carbohidratos rápidos. Aunque es eficiente, rara vez proporciona valor estratégico a largo plazo. Al final, te quedas con una herramienta y no con capacidades más poderosas.
Asociaciones académicas:Excelente para la innovación de vanguardia y la investigación a largo plazo, pero a menudo menos adecuado para la implementación y adopción reales de un sistema de IA en el mundo real.
Asociaciones de asesoramientoEn mi opinión, el camino más prometedor, especialmente para las empresas que ya cuentan con un equipo técnico y quieren desarrollar su conocimiento en IA. Un buen consultor empodera a los ingenieros de su empresa, les ayuda a evitar errores costosos y aporta conocimientos prácticos basados en la experiencia a preguntas como: ¿Cuál es el conjunto de herramientas técnicas adecuado para nuestro caso de uso? ¿Cómo seleccionamos nuestros datos para mejorar su calidad y dar rienda suelta a un ciclo de datos sólido? ¿Cómo podemos expandirnos sin comprometer la confianza y la gobernanza?

Un marco detallado para la selección de socios queda fuera del alcance de este artículo, pero aquí hay un consejo bien ganado: desconfíe de las empresas de subcontratación y consultoría de TI que de repente añaden la palabra "IA" a sus ofertas después del auge de GenAI de 2022. Puede que le encanten con palabras de moda sofisticadas, pero si la IA no forma parte de su ADN, puede acabar pagando por su curva de aprendizaje en lugar de beneficiarse de la experiencia complementaria. Elija un socio que ya haya realizado el trabajo duro y esté dispuesto a transmitirle esa experiencia.

Duplique sus esfuerzos de comunicación y coordinación.

La comunicación y coordinación efectiva entre las partes interesadas es fundamental en los modelos de asociación. A continuación se presentan algunos roles de comunicación importantes que debes dominar en tu empresa:

El liderazgo y los expertos en el dominio deben identificar y comunicar claramente los problemas comerciales que vale la pena resolver (además de las mejores prácticas para compartir ideas sobre IA). aquí).
Los usuarios finales necesitan compartir sus necesidades desde el principio, brindar retroalimentación durante el uso y, mejor aún, convertirse en socios en el diseño de la experiencia de IA.
Los equipos de TI y gobernanza deben garantizar el cumplimiento, la seguridad y la protección, al tiempo que posibilitan la innovación en IA, en lugar de obstaculizarla. Tenga en cuenta: estas habilidades no parecen estar completamente formadas.

En los proyectos de IA, aumenta el riesgo de mala coordinación y silos improductivos. La IA todavía es un campo relativamente nuevo y la terminología por sí sola puede crear confusión. Si alguna vez te has encontrado en un debate sobre la diferencia entre “IA” y “aprendizaje automático”, sabes a qué me refiero. Si no es así, te animo a que lo pruebes en tu próxima reunión con colegas. Puede ser tan difícil de alcanzar como esa conversación con tu pareja que comienza con: “Necesitamos hablar.”

Procurar un acercamiento entre ambas partes para resolver la ambigüedad y la desconexión. Sus equipos internos deberían invertir en la capacitación y el desarrollo de una comprensión fundamental de los conceptos de IA. Por otro lado, sus socios de IA deberían encontrarse a mitad de camino. Deberían evitar la jerga y utilizar un lenguaje claro y orientado a los negocios con el que su equipo realmente pueda trabajar. Una colaboración eficaz comienza con un entendimiento compartido.

Conclusión

La verdadera pregunta no es: “¿Construimos IA o la compramos?” Más bien, "¿Cómo podemos aumentar nuestras capacidades de IA de una manera que equilibre la velocidad, el control y el valor a largo plazo?" La respuesta está en la comprensión de que la IA es una combinación de tecnología y experiencia, donde el éxito depende de adecuar los recursos adecuados a las tareas adecuadas.

Para la mayoría de las organizaciones, el camino más inteligente es Camaradería – Combine las fortalezas de su industria con la experiencia externa en IA para construir más rápido, aprender más rápido y, en última instancia, aprovechar al máximo su recorrido en IA.

Qué puedes hacer a continuación:

Define tus casos de uso de IA en función de tus capacidades internas. Sea honesto acerca de las lagunas.
Elija socios que transfieran conocimientos, no sólo resultados.
Determinar qué componentes deben construirse, comprarse o co-crearse. No es necesario tomar una decisión binaria.
Mejora las habilidades de tu equipo a medida que progresas. Cada proyecto debería hacerte más capaz e independiente, no más dependiente de los activos y habilidades de tu socio.
Comience con proyectos piloto específicos. Crear valor y impulso para el aprendizaje interno.

Al adoptar un enfoque estratégico para el desarrollo de capacidades hoy, está sentando las bases para convertirse en una organización habilitada para IA (y, en última instancia, una organización impulsada por IA) en el largo plazo.