Estamos en una época rara de la IA. Tenemos cientos de herramientas disponibles que se supone que hacen cosas increíbles (te puedes hacer una idea viendo el AI landscape 2024), nos pasamos el día probando cosas nuevas (especialmente los supuestos expertos, digo supuestos, porque a estas alturas expertos, pocos), y ponemos en marcha proyectos más para probar que se puede hacer con IA, que porque sus resultados sean buenos o realmente lo necesitemos.
Se ponen en marcha proyectos que sobre el papel tienen todo el sentido, pero no tenemos claro ni quien los va a usar, ni si existe volumen necesario de usuarios que haga que el proyecto sea rentable.
Veo muchos casos en los que el sistema que hemos montado es tan complejo, que tardaríamos menos si lo hiciésemos sin automatizaciones. Los creamos solo porque las opciones están disponibles, no porque tengan demasiado sentido. Como comentaba con mis colegas de Gen AI Circle (es una comunidad de expertos y profesionales que quieren ser expertos en IA), son “tool oriented, not problem/need oriented”
Y del otro lado empresas que quieren poner en marcha estos sistemas más por decir que aplican IA o porque buscan un atajo que no existe, que porque realmente se vayan a usar de verdad.
¿De verdad, os imagináis una empresa que monte y realmente use un sistema 100% IA y automatizado para generar contenido? Un blog, un freelance, etc. si, pero ¿una empresa?
Suponiendo que un blog lo pone en marcha, ¿crees que ese contenido va a aportar un valor real su audiencia o ese blog/newsletter se va a convertir en algo que dispara grandes volúmenes de contenido que pocos o nadie lee por ser de baja calidad?, ¿entonces hemos avanzado o perjudicado a la marca?, ¿de qué ha servido el trabajo e inversión realizados?
Soy de la opinión de usar las innovaciones solo en lo que realmente aportan valor, solo en aquello que consigue mejorar la calidad del trabajo y marcar una diferencia.
En mi opinión debemos experimentar, porque es la manera de aprender y desarrollarnos, pero solo implementar aquello que es realmente útil. Si generamos altas expectativas, y se produce lo que he mencionado en el anterior párrafo, ¿qué favor le estamos haciendo al desarrollo de la IA?
Hemos pasado de la emoción inicial del hype con la IA generativa a una fase en la que las dificultades para integrar y escalar estas soluciones se vuelven evidentes. En un artículo anterior os daba el dato actualizado del Hype Cycle de la inteligencia artificial publicado por Gartner en 2024, donde veíamos que la IA Generativa ya había pasado el momento más álgido de la locura inicial.
Voy a utilizar un artículo de Mckinsey como base para hablar sobre cómo avanzar en este escenario, perdiendo el menor tiempo posible y aprovechando la aportación real de valor de la IA en nuestras empresas.
1. Proyectos de IA: Innovar con un Objetivo Realista
Un error común que veo en muchas agencias y Pymes es lanzar proyectos de IA sin un propósito claro. La idea de experimentar con nuevas tecnologías puede ser tentadora, pero es fundamental preguntarse: ¿realmente este proyecto aporta un valor tangible al negocio?, ¿o estamos simplemente probando seguir una tendencia o porque estamos buscando un beneficio a corto plazo? (que finalmente raras veces conseguimos).
McKinsey destaca que uno de los mayores problemas es la proliferación de pilotos de IA que nunca llegan a escalarse (según su estudio, solo el 11% de las empresas encuestadas tienen implementado un sistema escalable basado en IA).
Esto no solo dispersa recursos, sino que también frustra los intentos de ver un retorno significativo de la inversión. En lugar de dispersarse en múltiples experimentos, las empresas deben centrarse en aquellos proyectos que realmente puedan tener un impacto claro y medible en su negocio.
En la imagen que os dejo podéis ver una sencilla matriz que nos ayudará a seleccionar los proyectos más adecuados para evitar estos problemas (en realidad es una matriz atractivo esfuerzo de toda la vida).
2. Desafíos Reales en la Escalabilidad de la IA
La escalabilidad es uno de los mayores desafíos cuando se trata de implementar IA en cualquier organización, pero es especialmente crítico para las PYMEs. Una cosa es desarrollar un piloto que funcione en condiciones controladas, pero otra muy distinta es integrarlo en todos los procesos de la empresa de manera que realmente aporte valor.
Uno de los problemas clave que menciona McKinsey es la complejidad que surge al intentar integrar diversas herramientas y tecnologías. Para una empresa, esta complejidad puede ser abrumadora, especialmente si no se cuenta con un equipo de IT potente.
Sin embargo, hay maneras de simplificar este proceso.
La clave está en reducir el número de experimentos y enfocarse en aquellos que son más importantes para el negocio. Es la única manera de que las iniciativas de IA tengan un impacto real y sostenible.
3. Enfoque Estratégico para el Éxito
El éxito con la IA en una Pyme no solo depende de la tecnología, sino de cómo se integran todas las piezas. En lugar de obsesionarse con los componentes individuales, es crucial entender cómo se conectan para ofrecer una solución coherente y efectiva. Esto incluye asegurar que todas las partes del sistema se comuniquen de manera eficiente y que la seguridad no se vea comprometida.
Además, gestionar los costes asociados con la IA es esencial. Las empresas, con sus recursos más limitados, deben asegurarse de que cada euro invertido en IA se traduzca en un retorno claro desde el primer momento. Desde el desarrollo hasta la puesta en marcha de la IA, controlar estos costes puede marcar la diferencia entre el éxito y el fracaso de un proyecto.
4. Creando Valor Real: Más Allá de los Modelos de IA
Para que una empresa realmente vea el valor de la IA, necesita más que simplemente implementar los proyectos. Es esencial construir equipos multidisciplinarios que puedan integrar la IA en el negocio de manera efectiva, asegurando que las soluciones no solo sean técnicamente sólidas, sino que también generen valor real. Esto es lo que más difícil veo. Creo que hay una parte importante de formación y seguimiento (cuánto más grande sea la compañía, mayor debe ser este esfuerzo).
Otra clave para el éxito es centrarse en datos de calidad, no en datos perfectos. En el contexto de una PYME, esto significa priorizar los datos que son más relevantes para el negocio y gestionarlos de manera eficiente para obtener los mejores resultados posibles.
5. Reutilización como Clave para la Escalabilidad
Este es un principio que aplica tanto a la definición de una nueva web, como a un proyecto completo de IA. Si queremos que sea realmente escalable, este debe ser modular. Esto nos permitiría una mayor flexibilidad y nos ofrece las bases de nuevos proyectos que aprovechen estos módulos a “coste cero”.
6. La Sabiduría de la Moderación en la IA
En resumen, para las empresas, la clave para gestionar su evolución en este nuevo mundo que plantea la ¡IA no está en adoptar todas las herramientas disponibles y en empezar a desarrollar proyectos, sino en enfocarse en aquellas que realmente aportan valor al negocio desde el primer día. La moderación y el enfoque estratégico son esenciales. Implementar solo lo que realmente mejora la calidad del trabajo y aporta un valor diferenciador no solo protegerá la inversión, sino que también asegurará que la IA se convierta en una verdadera ventaja competitiva.
Podéis encontrar más artículos como este en mi Guía de Marketing para Pymes.
