Una encuesta reciente de 2.000 CEO reveló que solo el 25% pensó que sus proyectos de IA han alcanzado un retorno de la inversión. Más adelante, la encuesta de IBM reveló que solo el 16% de los proyectos de IA han establecido a la compañía a escala. En algunos aspectos, estas son conclusiones sorprendentes, pero no son del todo sorprendentes.
En los servicios financieros, muchas organizaciones todavía están luchando con los sistemas heredados y las bases de códigos, proporcionando una nueva capa de complicaciones para el uso de tecnologías de IA, lo que dificulta que algunos entreguen transparentemente sus iniciativas de alto valor.
Pero eso no significa que las organizaciones no deberían tratar de explorar las oportunidades que la IA ofrece competidores, retadores y disruptores. De hecho, el 64% de los CEOs cuestionados reconocen que el riesgo de retrasar a sus competidores conduce a inversiones en ciertas tecnologías antes de que su valor potencial sea claro.
Claramente no es una opción, incluso si solo una cuarta parte de los proyectos tienen éxito. Pero con una planificación meticulosa y una dosis de pragmatismo, hay una serie de cosas que las organizaciones pueden hacer para garantizar que el tiempo y los esfuerzos dedicados a proyectos menos exitosos no sean en vano.
Definición de parámetros de éxito
La razón por la cual muchos proyectos de IA no logran entregar el retorno de la inversión es que claramente hay una falta de concentración cuando se trata de identificar iniciativas estratégicas de alto valor en aplicaciones tecnológicas más amplias. También sospecho que muchos proyectos carecen de objetivos claros y no han tenido las medidas correctas implementadas, contra las cuales se puede juzgar el éxito.
Cuando los objetivos de una iniciativa dirigida por la tecnología no están bien definidas, el proyecto carecerá de concentración y se desenredará. Esta es la primera señal de que un proyecto no es viable, sin embargo, también es lo suficientemente temprano en el proceso para detener, reagrupar y redefinir los objetivos.
Para que cualquier proyecto tenga éxito, la membresía y la validación del caso de uso deben obtenerse de las partes interesadas y los equipos de entrega interna, propietarios de productos, equipos de ciencias de datos y desarrolladores, en C-Suite, con todos los KPI claramente definidos. Esto garantizará que el nivel correcto de inversión esté en su lugar para garantizar el ancho de banda del desarrollo y los recursos apropiados.
Los proyectos de IA a menudo se colocan en ICE ya que los científicos de datos esperan que las autorizaciones necesarias usen ciertos conjuntos de datos. Esta es la razón por la cual la autorización legal y la gobernanza de los proyectos son tan esenciales, por lo que estos equipos deben incluirse en las primeras etapas de la planificación de proyectos.
Según mi experiencia, los proyectos de IA rara vez se eliminan por completo, porque siempre hay elementos del trabajo que se pueden reutilizar en otro lugar para reducir el retoque. A veces también se trata de esperar un poco más de lo esperado para que estén disponibles conjuntos de datos de mejor calidad, pero estos proyectos se pueden recuperar cuando se entregan.
El fracaso nunca es total
La experimentación y el fracaso son elementos esenciales de la innovación y es importante que los equipos técnicos se prueben y exploren el arte de lo posible con tecnologías avanzadas.
Hoy, la mayoría de las organizaciones tienen laboratorios de innovación interna, o al menos una asignación para experimentar con nuevas tecnologías. En los servicios financieros, este experimento, por supuesto, se lleva a cabo en entornos de prueba seguros, en particular con respecto a los casos de uso generativo de IA. Pero superar los límites es crucial para desbloquear una innovación verdaderamente transformadora.
Lo importante en términos de experimentación es fallar rápidamente, lo que generalmente significa poner el proyecto pendiente hasta que se cumplan ciertos requisitos, como el acceso a los datos, la autorización legal o la disponibilidad de una nueva herramienta.
Para los científicos de datos, los proyectos no siempre tienen éxito, pero para explorar una nueva tecnología, pueden identificar nuevos aprendizajes que les servirán, así como a sus equipos, en el futuro. Con la investigación y el desarrollo en la IA aumentando de día a otro, siempre es mejor suspender un proyecto que puede no estar en el camino correcto, en lugar de abandonarlo por completo. Las nuevas capacidades y técnicas surgen todo el tiempo, lo que desbloquea nuevas posibilidades y casos de uso. Con el nivel de investigación y desarrollo que tiene lugar en la IA, es probable que una solución que resuelva un problema con un descanso en el descanso pueda estar disponible en el futuro cercano.
En este sentido, el tiempo siempre está de nuestro lado. Esto se confirma por las perspectivas más positivas reveladas por la encuesta de IBM en relación con el futuro de las inversiones de IA. De los 2,000 CEO cuestionados, el 85% espera que sus inversiones en la eficiencia de la IA y los ahorros de costos en la escala hayan obtenido un retorno positivo de la inversión para 2027, y el 77% espera ver un rendimiento positivo de sus inversiones en el crecimiento y expansión de la IA a escala. Hay una serie de factores que alimentan esta visión más optimista, incluido el crecimiento esperado de las habilidades basadas en IA que ocurrirán naturalmente durante los años intermedios. Otra es la tendencia ascendente en IA e infraestructura madura para la IA que ciertamente continuará.
Por lo tanto, si bien ciertas organizaciones pueden no encontrar al rey como están esperando actualmente, estas ideas sugieren que la brecha inicial está algo informada de las hojas de ruta de adopción tecnológica, al menos a nivel macro. Mientras tanto, mi consejo es primero establecer un equilibrio entre los objetivos ambiciosos y bien definidos, luego ser atrevidos en la forma en que se logran.