La implementación de la inteligencia artificial (IA) ha dejado de ser exclusiva de los grandes laboratorios tecnológicos y se extiende a industrias como finanzas, energía y servicios básicos. Sin embargo, alcanzar el éxito en estos proyectos requiere más que la adopción de la tecnología: depende de la disponibilidad de talento especializado y del diseño estratégico para su uso efectivo.
La escasez de talento en IA: un desafío crítico
La creciente relevancia de los proyectos basados en inteligencia artificial ha revelado una significativa falta de especialistas capacitados, lo que representa una barrera importante para muchas organizaciones. Para Carlos Estay, Senior Specialist Solution Architect de Red Hat en Latinoamérica, “uno de los mayores desafíos que hay dentro de la inteligencia artificial apunta a la falta de especialistas o de gente ligada al mundo de inteligencia artificial, porque es algo nuevo”.
Entre los roles más demandados destacan los expertos en MLOps y los cientistas de datos, quienes desempeñan funciones esenciales para trasladar modelos a producción y garantizar la calidad y precisión de los datos. Según Estay, estos profesionales son cruciales, ya que “la inteligencia artificial depende de la data. Y si no tenemos gente que sepa manipular la data correctamente, vamos a hacer que los modelos respondan mal”. Un ejemplo citado por el especialista muestra cómo un análisis adecuado aumentó la precisión de un modelo de IA del 60% al 92%, subrayando la importancia de competencias específicas en la materia.
Te puede interesar
- Falta de formación en roles clave como MLOps y cientistas de datos.
- Dificultades para llevar modelos desde el desarrollo hasta la operación.
- Necesidad de análisis de datos precisos para optimizar resultados.
Inversión significativa, resultados limitados
La falta de talento especializado también repercute en la rentabilidad de las inversiones realizadas en IA. Datos de McKinsey indican que empresas estadounidenses invirtieron más de 37.000 millones de dólares en esta tecnología, pero solo el 19% logró convertir esa inversión en ingresos proporcionales. Estay sugiere que el éxito no depende únicamente de los ingresos generados, sino también de la optimización estratégica. “No necesariamente usar la bazuca para matar la hormiga, sino que se puede adoptar un modelo de IA más pequeñito”, expresó.
La capacidad para ajustar las soluciones de IA a las necesidades específicas de cada caso es otro factor determinante. Según el experto, contar con profesionales capacitados para diseñar soluciones eficientes y reducir costos puede marcar la diferencia no solo en términos financieros, sino también en la expansión de esta tecnología en sectores clave como gobiernos, finanzas y energía.
Modelos generativos vs predictivos: una decisión estratégica
El auge de herramientas como ChatGPT ha popularizado el uso de los modelos generativos, pero la elección entre estos y los modelos predictivos varía según el problema a abordar. Estay describe cómo muchas empresas enfrentan dificultades al intentar utilizar IA generativa para procesos complejos. “Quizás no es que necesites un modelo de inteligencia generativa, sino que necesitas 49 modelos predictivos para cada escenario único”, comentó.
En este contexto, la clave para una implementación eficaz radica en contar con equipos expertos que puedan seleccionar y adoptar la tecnología adecuada. Esto permite no solo mejorar los resultados de los proyectos, sino también maximizar los recursos disponibles y asegurar el éxito de la integración de inteligencia artificial en diversas industrias.
