Puede utilizar el cuadrante comparativo de Gartner para el uso de la IA generativa para planear próximas inversiones de TI.
Desde el auge de esta tecnología en 2023, muchas compañías han contemplado integrar una IA generativa a sus flujos de trabajo. Es más sencillo decirlo que hacerlo.
Optimiza y automatiza, pero la IA no es una solución mágica. Su uso debe adaptarse a las circunstancias de la compañía. Teniendo en cuenta la variedad de casos de uso, Gartner elaboró un cuadrante comparativo para el uso de la IA generativa.
Contenido relacionado: ¿Qué es la Inteligencia Artificial (IA)?
El reciente estudio de la consultora fue hecho seleccionando 20 casos de uso. La elección se hizo a partir de la identificación de funciones típicas en una organización de TI y su calificación según el valor que pueden generar al negocio y su viabilidad.
Este cuadrante comparativo para el uso de la IA generativa debe ser empleado para informar conversaciones estratégicas y guiar decisiones de inversión. Los CIO deben considerar los aspectos puntuales de su propia empresa —tales como madurez, recursos, tolerancia al riesgo y ambición digital— antes de hacer una elección.
Cómo Gartner clasifica los casos de uso de la IA generativa en su cuadrante comparativa
Ganancias marginales
Son los casos de uso de la IA generativa que ofrecen poco valor para el negocio y poseen una viabilidad variable. En consecuencia, son opciones más selectivas.
La aceptación de estos casos de uso generalmente es sencilla. Esto se debe a que involucran tareas necesarias, pero que la mayoría de empleados no disfruta hacer.
Generación de políticas y documentación
La IA generativa puede simplificar el desarrollo, la gestión y el mantenimiento de todo tipo de documentación aumentando la calidad y velocidad con las que se hacen estas tareas. El involucramiento humano depende de la complejidad del documento creado.
Monitoreo de logs
La IA generativa puede mejorar las herramientas de monitoreo de métricas al permitir que los usuarios interactúen con la solución empleando lenguaje natural. Hoy en día, la implementación de estas herramientas de observabilidad basadas en asistentes virtuales es un tanto limitada. Sin embargo, su uso aumentará en los próximos años.
Procesamiento de datos no estructurados
La IA generativa puede ingerir datos no estructurados de varias fuentes, que incluyen actas de reuniones e interacciones con los clientes. La información contenida en estas puede analizarse para obtener conocimientos beneficiosos para el negocio. Con ayuda de la IA, el procesamiento de estos datos puede hacerse mucho más rápido.
Planificación de código
A partir de historias de usuarios y documentación API, la IA puede proveer ideas para productos de alto nivel y reducir el tiempo que toma generar pruebas de aceptación. Puede priorizar backlogs al conectar las herramientas de IA a datos contextuales. Esto asegura que los desarrolladores siempre estén trabajando en el código más valioso.
Clarificación y explicación de código
La IA generativa puede ayudar resumiendo documentos, diagramas, problemas existentes, logs y causas raíz en un formato legible para humanos. Lo mismo aplica a la hora de explicar código fuente y conceptos técnicos. También puede entregar recomendaciones personalizadas basadas en documentación pública y privada.
Riesgos calculados
Son los casos de uso de la IA generativa que ofrecen un valor medio-alto para el negocio, pero poseen una viabilidad baja. Se trata de inversiones arriesgadas.
La aplicación de estos casos de uso puede ser desafiante al principio. No solo habrá escepticismo, sino preocupaciones alrededor de que los empleados sean sustituidos.
Análisis de amenazas y anomalías
Según Gartner, un 80% de los proveedores de seguridad tienen planes de integrar LLM en sus plataformas. Esto se debe a que IA generativa no solo agiliza el tiempo de respuesta de los expertos de ciberseguridad. Puede reducir el tiempo dedicado a hacer triage e investigar alertas. Esto minimiza el gasto de recursos en falsos positivos.
Automatización de procesos
La automatización de procesos potenciada por la IA generativa puede mejorar la creación de contenidos, la comunicación y la extracción de información de textos no estructurados. Ciertas herramientas low-code/no-code pueden delegar la habilidad de construir un flujo de trabajo basado en comandos de lenguaje natural a la IA.
Synthetic Data
Los datos sintéticos pueden reducir los costos y mejorar el tiempo para el mercadeo dada su similitud con los datos verdaderos. Pueden usarse para entrenar modelos de ML, probar software, protección de privacidad y demostraciones de productos. Sin embargo, aún hay limitaciones en la generación de datos sintéticos tabulares.
Gestión y análisis de vendedores
La IA puede aumentar la eficiencia, reducir los costos e impulsar la satisfacción del negocio. Mientras analiza los términos de un contrato y hace un seguimiento del desempeño de los vendedores, puede minimizar los riesgos de gestión de un contrato. Estas aplicaciones requieren una gran cantidad de desarrollo y compilación de datos.
Agente de soporte TI virtual
La IA generativa puede empoderar a los chats de texto y voz para que entreguen información de bases de conocimiento, den respuesta a preguntas comunes y realicen transacciones básicas para garantizar una mejor experiencia al usuario. La adopción de soporte IA permite reservar a los agentes humanos para cuestiones más complicadas.
Generación de arquitectura de referencia
Gracias a que puede trasladar peticiones hechas en lenguaje natural a una arquitectura de referencia y generar referencias específicas al contexto, la IA generativa puede reducir la necesidad de labor humana especializada y el riesgo de errores costosos.
Análisis de sentimientos
La IA generativa puede ayudar analizando el estado emocional de un usuario. Esto puede hacerse por medio de escáneres, comandos sonoros y visión por computadora. En respuesta, la IA puede iniciar una serie de mensajes para adaptarse al estado de animo del usuario. Esto puede mejorar su experiencia mientras utiliza un servicio.
Victorias probables
Son los casos de uso de la IA generativa que combinan viabilidad media-alta con un valor medio-alto para el negocio. En la mayoría de los casos, son inversiones rentables.
Descripción de trabajos/ Datos de habilidades
La IA generativa simplifica el proceso de escribir descripciones de trabajos. También permite personalizar reseñas de desempeño, feeback interno y descripciones asegurándose que estén alineadas con la marca corporativa. No obstante, el uso de IA en documentos de RRHH puede encontrar obstáculos legales en ciertas jurisdicciones.
Marketing y comunicaciones
La IA generativa ayuda a idear, redactar correos e investigar a la hora de planear proyectos. Esto incrementa la productividad, variedad y velocidad de la creación de contenido. Puede emplearse tanto de forma interna como externa. Es importante que los CIO sean transparentes sobre qué contenidos fueron generados por una IA.
Entrenamiento y desarrollo
Hacer upskilling y reskilling es vital para el futuro de cualquier organización. Afortunadamente, la IA generativa puede personalizar programas de entrenamiento según estilos de aprendizaje individuales y necesidades organizacionales. Incluso puede identificar una falta de competencias y recomendar módulos de entrenamiento.
Planeación estratégica
La IA generativa puede colaborar con actividades de planeación y ser utilizado como base para crear secciones específicas de una estrategia de TI, tales como el resumen ejecutivo y el contexto empresarial. Sin embargo, cabe señalar que la IA no puede replicar el valor de interactuar con inversionistas a la hora de trazar un plan.
Generación de código
La IA generativa puede transformar peticiones en lenguaje natural a código fuente. Según el contexto, también puede sugerir formas de completar código. Esto puede obviar tareas repetitivas y posibilita que los desarrolladores persigan nuevos retos. Hoy en día, la IA generativa solo puede encargarse de escribir código básico.
Gestión de calidad de datos
La calidad de datos es causa de errores y caos interno, además de frustración externa con clientes. Por fortuna, la IA generativa colabora con estos procesos por medio de análisis de rendimiento, gestión de reglas, validación de datos, etc. La efectividad de este método depende de la disponibilidad de suficientes datos para entrenar a la IA.
Casos de prueba y soporte de datos
Emplear IA generativa para identificar y corregir errores de código, además de trazar casos y mejoras de prueba, incrementa la productividad del equipo de TI y la calidad del código. Sin embargo, este caso requiere de una explícita supervisión humana para evitar problemas como alucinaciones e infracciones de propiedad intelectual.
Análisis de presupuesto y gastos
Al identificar patrones y tendencias en los gastos de TI, los costos de proyectos y el uso de recursos, la IA generativa puede predecir futuros gastos. También puede identificar oportunidades para optimizar costos e incluso generar recomendaciones de ahorro en lenguaje natural a partir de necesidades, limitaciones y objetivos específicos.
Con estos casos de uso a su disposición, recomendamos identificar la posición en la que se encuentra su compañía y su actual estrategia de negocio. La adopción de la IA nunca debe ser el objetivo. Independientemente de lo desarrollada que esté, la IA sigue siendo una herramienta. Su función es facilitar la obtención de los fines empresariales.
¡Utilice sabiamente el cuadrante comparativo de Gartner para el uso de la IA generativa!
Contenido relacionado: Phishing… ¿e inteligencia artificial?
