La IA generativa es una innovación disruptiva en rápido desarrollo que puede ayudar a las empresas a innovar modelos de negocios, mejorar la eficiencia y liberar valor comercial. Este estudio describe cómo abordar los desafíos y oportunidades que presenta la tecnología de IA generativa y cómo aprovechar esta tecnología de manera proactiva para superar la competencia y la creatividad y eficiencia organizacional. Si desea obtener más información sobre la IA generativa como estrategia de innovación empresarial, lea nuestra guía completa.
ChatGPT, lanzado a finales de 2022, ha despertado un interés global sin precedentes en la IA generativa (AGI para abreviar). Bill Gates comentó que se trata de una tecnología tan revolucionaria como el PC, Internet y el móvil. En los últimos días, muchos usuarios que han probado esta nueva tecnología han descubierto y compartido innumerables sorpresas que potencian la creatividad y desbloquean la productividad. En las semanas y meses posteriores, las organizaciones se han esforzado por mantenerse al día y defenderse de desafíos imprevistos. Algunas organizaciones han adoptado un enfoque más formal, creando equipos dedicados ( mi organización ya tenía uno ) para explorar cómo la IA generativa puede explorar el valor potencial y mejorar la eficiencia.
¡La era de la IA ha llegado! La IA generativa tiene la capacidad de revolucionar la forma en que operan las empresas, crear nuevas ventajas competitivas y potencialmente conducir a la desaparición de algunos modelos existentes. Sin embargo, en lugar de intentar convertirse en expertos técnicos, los líderes empresariales deberían centrarse en cómo esto afectará a la organización y al negocio, y cómo tomar las mejores decisiones estratégicas para beneficiarse de las ventajas y reducir los riesgos operativos.
Esto se puede lograr centrándose en 4 áreas principales: disrupción, exploración potencial, transformación de personas y política de riesgos. El poder disruptivo requiere que las empresas lleguen a un consenso y sean conscientes del poder disruptivo de la IA generativa. La exploración potencial implica identificar qué casos de uso se pueden utilizar para diferenciar a una empresa de sus competidores aprovechando las oportunidades de innovación. La transformación de las personas implica preparar a los empleados para apoyar el despliegue y garantizar cambios en la estructura organizacional y la dotación de personal. La política de riesgos implica establecer límites éticos y legales. Cada una de estas áreas tiene implicaciones a corto y largo plazo y preguntas sin respuesta, pero los directores ejecutivos deben prepararse para el cambio radical que puede traer la IA generativa.
1. Reconocer el poder disruptivo de la IA generativa
Para los directores ejecutivos, sin embargo, la IA generativa plantea un desafío mayor. Puede que hoy la atención se centre en las mejoras de la productividad y las limitaciones tecnológicas, pero se avecina una revolución en la innovación de los modelos de negocio. Así como Mosaic, el primer navegador web gratuito del mundo, marcó el comienzo de la era de Internet y revolucionó la forma en que trabajamos y vivimos, la IA generativa tiene el potencial de revolucionar casi todas las industrias: ventaja competitiva y disrupción creativa. Las implicaciones para los líderes son claras: el sorprendente rumor actual sobre ChatGPT debe evolucionar hacia una estrategia de innovación generativa de IA para los tomadores de decisiones empresariales .
Esta no es una tarea fácil, y los directores ejecutivos, que pueden haber estado en varias etapas fuera de la tecnología misma, pueden sentirse inseguros sobre los próximos pasos. Pero desde nuestra perspectiva, la primera prioridad de los directores ejecutivos no es sumergirse completamente en la tecnología; en cambio, deberían centrarse en cómo la IA generativa afectará a sus organizaciones y negocios, y qué opciones estratégicas les permitirán aprovechar los pioneros. Oportunidades y gestión desafíos.
Estos plantean una pregunta apremiante para los directores ejecutivos. ¿Qué innovaciones son posibles cuando cada empleado tiene acceso a productos de IA generativa con un potencial aparentemente ilimitado? ¿Cómo cambiará esta tecnología la forma en que se definen y gestionan los roles de los empleados? ¿Cómo responden los líderes al hecho de que los modelos generativos de IA pueden producir resultados profundamente falsos o sesgados?
Cómo funciona CHATGPT
La variedad de modelos de IA generativa que han surgido recientemente es alucinante. Pueden recibir diferentes contenidos, como imágenes, formatos de texto más largos, correos electrónicos, contenido de redes sociales, grabaciones de audio, códigos y datos estructurados. Pueden generar contenido nuevo, como traducciones, preguntas y respuestas, análisis de opiniones, resúmenes e incluso videos. Hay muchas aplicaciones potenciales para estas máquinas de contenido en los negocios, y ahora hablaremos de algunas de ellas.
1) aplicación de marketing
Estos modelos generativos tienen valor potencial en muchas áreas de negocios, pero su aplicación es quizás más común en marketing. Por ejemplo, Jasper es la versión de marketing de GPT-3 y puede generar publicaciones de blog, publicaciones en redes sociales, textos web, correos electrónicos de ventas, anuncios y otro contenido para los clientes. Insiste en realizar pruebas A/B frecuentes de su producción y optimizar su contenido para la clasificación de los motores de búsqueda. Jasper también ha perfeccionado su modelo GPT-3 utilizando los mejores resultados de sus clientes, y los altos ejecutivos de Jasper dicen que este enfoque ha resultado en mejoras sustanciales. La mayoría de los clientes de Jasper son particulares y pequeñas empresas, pero algunos equipos de grandes empresas también utilizan sus funciones. Por ejemplo, los escritores de la empresa de computación en la nube VMWare utilizan Jasper al crear contenido de marketing original, desde correos electrónicos hasta eventos de productos y textos para redes sociales. Rosa., directora de crecimiento impulsado por productos. Rosa Lear dijo que Jasper ayuda a la empresa a mejorar su estrategia de contenido y que los escritores ahora tienen tiempo para realizar mejores investigaciones, ideas y estrategias.
Chrissy, directora de la agencia de relaciones públicas y redes sociales Ruby Media Group. Kris Ruby actualmente utiliza modelos generativos para generar texto e imágenes. Dijo que estos modelos han mejorado enormemente la eficacia del SEO y también han proporcionado a los escritores algunas palabras personalizadas en términos de relaciones públicas, y los resultados son muy buenos. Ella cree que estas nuevas herramientas abren un nuevo frente de derechos de autor y también ayuda a los clientes a formular políticas de IA. Dijo que cuando usa estas herramientas, "la IA representa el 10% y yo el 90%" porque tiene que realizar muchas indicaciones, ediciones e iteraciones. Ella cree que estas herramientas pueden hacer que los artículos estén mejor escritos y sean más completos, lo que ayudará a los motores de búsqueda a encontrar artículos, y que las herramientas de generación de imágenes pueden reemplazar el mercado de fotografías de archivo y ayudar a revitalizar el trabajo creativo.
DALL-E 2 y otras herramientas de generación de imágenes ya se utilizan en publicidad. Por ejemplo, Heinz usó una imagen de una botella de ketchup con una etiqueta similar a la de Heinz y dijo: "Esto es lo que la IA ve como 'ketchup'". Por supuesto, esto solo significa que la modelo usó una cantidad relativamente grande de fotografías de botellas de ketchup Heinz durante su entrenamiento. Nestlé está utilizando una versión mejorada con inteligencia artificial de una pintura de Vermeer para ayudar a vender una de sus marcas de yogur. La empresa de ropa Stitch Fix ha utilizado IA para recomendar ropa personalizada a los clientes y actualmente está experimentando con DALL-E 2 para crear imágenes visuales de ropa basadas en las preferencias de color, tela y estilo de los clientes. Mattel también está utilizando la tecnología para generar imágenes para el diseño y marketing de juguetes.
2) Aplicación de generación de código
GPT-3, en particular, también ha demostrado ser eficaz (aunque imperfecto) a la hora de generar código informático. El programa Codex de GPT-3 ha sido especialmente capacitado para generar código. Siempre que le describa un "fragmento" (edición: un pequeño fragmento de código reutilizable) o una pequeña función del programa, puede generar varios códigos de idioma. Github de Microsoft también tiene una versión de GPT-3 que genera código, llamada CoPilot. Con la última versión de Codex, ahora puedes encontrar errores en tu propio código, corregirlos e incluso explicar qué hace el código, al menos a veces. Microsoft dice que su objetivo no es reemplazar a los programadores humanos, sino permitir que herramientas como Codex o CoPilot se conviertan en "programadores asociados" que trabajen con humanos para mejorar su velocidad y efectividad.
Todos estuvieron de acuerdo en que la generación de código basada en LLM funcionó muy bien para estos fragmentos, pero si desea integrar estos fragmentos en un programa más grande e integrar este programa en un entorno técnico específico, aún necesita programación humana Capacidad de diseño. Deloitte ha estado experimentando ampliamente con Codex durante los últimos meses y descubrió que permite a los desarrolladores experimentados aumentar la productividad y permite a los desarrolladores sin experiencia adquirir algunas habilidades de programación.
Deloitte llevó a cabo una prueba de seis semanas con 55 desarrolladores y los resultados mostraron que la mayoría de los usuarios creían que el código final (principalmente del Codex) tenía una precisión superior al 65%. En general, los experimentos de Deloitte encontraron que la velocidad de desarrollo de código para proyectos relacionados aumentó en un 20%. Deloitte también utiliza Codex para traducir código de un idioma a otro. La empresa concluyó que todavía se necesitarán desarrolladores profesionales en el futuro previsible, pero a medida que mejore la productividad, es posible que no se necesiten tantos. Deloitte descubrió que, al igual que con otros tipos de herramientas de IA generativa, cuanto mejores sean las indicaciones de entrada, mejor será el código de salida.
3) Aplicación de conversación inteligente
LLM también se utiliza cada vez más en el núcleo de la IA conversacional o los chatbots. En comparación con la tecnología de diálogo actual, LLM puede tener una mejor comprensión del diálogo y conciencia del contexto. Por ejemplo, BlenderBot de Facebook, que está diseñado para conversar, es capaz de mantener largas conversaciones con humanos manteniendo el contexto. BERT de Google se utiliza para comprender los términos de búsqueda y también es un componente de su propio motor de chatbot DialogFlow. El otro LLM de Google, LaMBA, también está diseñado para conversar, y las conversaciones con él una vez convencieron a uno de los ingenieros de la compañía de que era sensible. Su capacidad para predecir qué palabras se utilizarán en una conversación basándose únicamente en conversaciones pasadas es impresionante.
Ninguno de estos LLM son robots conversacionales perfectos. Se les entrena con contenidos del pasado humano y tienden a replicar cualquier lenguaje racista, sexista o desviado al que estuvieron expuestos durante el entrenamiento. Aunque las empresas que construyen estos sistemas están filtrando el discurso de odio, no lo consiguen del todo con éxito.
4) Aplicaciones de gestión del conocimiento
Una aplicación emergente de LLM es gestionar el conocimiento textual (o posiblemente el conocimiento de imágenes, el conocimiento de videos) dentro de una organización. Construir una base de conocimientos estructurada requiere mucha mano de obra, lo que dificulta que muchas grandes empresas implementen una gestión del conocimiento a gran escala. Sin embargo, algunos estudios han señalado que si el entrenamiento del modelo se basa en un rango específico de conocimiento textual dentro de la organización durante el ajuste, entonces LLM puede gestionar eficazmente el conocimiento de la organización. El conocimiento en LLM se puede obtener haciendo preguntas, es decir, ingresando indicaciones.
Algunas empresas se están uniendo a los principales proveedores comerciales de LLM para explorar el concepto de gestión del conocimiento de LLM. Por ejemplo, Morgan Stanley está trabajando con GPT-3 de OpenAI para perfeccionar la capacitación con contenido de gestión patrimonial, permitiendo a los asesores financieros buscar el conocimiento existente dentro de la empresa y adaptar fácilmente el contenido para los clientes. Los usuarios de dichos sistemas pueden necesitar capacitación o asistencia para ingresar indicaciones efectivas, y es posible que el conocimiento generado por el LLM aún requiera edición o revisión antes de su uso. Sin embargo, si se abordan estos problemas, el LLM puede revitalizar el campo de la gestión del conocimiento y permitir que el campo crezca de manera más efectiva.
2. Explorar el potencial de innovación de AGI
La inteligencia artificial nunca ha sido más accesible. Herramientas como ChatGPT, DALL-E 2, Midjourney y Stable Diffusion permiten a cualquiera crear un sitio web, generar una estrategia publicitaria y producir videos; las posibilidades son infinitas. Esta cualidad de “código bajo, sin código” también facilitará que las organizaciones adopten capacidades de IA a escala. (Consulte "Características funcionales de la IA generativa" a continuación).
Características funcionales de la IA generativa
Las mejoras de productividad justo a tiempo pueden reducir significativamente los costos. Por ejemplo, la IA generativa puede resumir documentos con una precisión sorprendente en segundos, lo que a un investigador le podría llevar horas (estimado entre 30 y 50 dólares por hora).
Pero el poder democratizador de la IA generativa también significa que, por definición, los competidores de una empresa también tendrán el mismo acceso y capacidades. Se necesitarán muchos casos de uso que dependen de aplicaciones de modelos de lenguaje grande (LLM) existentes, como mejoras de productividad para programadores que usan Github Copilot y desarrolladores de contenido de marketing que usan Jasper.ai, solo para mantenerse al día con otras organizaciones. Pero no proporcionarán diferenciación porque la única variabilidad la crea la capacidad del usuario para solicitar información al sistema.
1) Elija el caso de uso adecuado
Para los directores ejecutivos, la clave es identificar los casos de uso “dorados” de la empresa: situaciones en las que existen relativamente las mejores soluciones existentes que ofrecen una ventaja competitiva real y tienen el mayor impacto.
Estos casos de uso pueden provenir de cualquier punto de la cadena de valor. Algunas empresas podrán impulsar el crecimiento a través de productos mejorados; Intercom, que ofrece soluciones de servicio al cliente, está realizando pruebas piloto para integrar la IA generativa en sus herramientas de participación del cliente para automatizar el servicio prioritario. El crecimiento también se puede encontrar en la reducción del tiempo de comercialización y el ahorro de costos, así como en la capacidad de estimular la imaginación y crear nuevas ideas. Por ejemplo, en el sector biofarmacéutico, el período actual de patentes de 20 años se consume en gran medida en I+D; acelerar este proceso puede aumentar significativamente el valor de la patente. En febrero de 2021, la empresa de biotecnología Insilico Medicine anunció que su fármaco antifibrosis generado por inteligencia artificial pasó del concepto a los ensayos clínicos de fase 1 en menos de 30 meses, con un costo aproximado de 2,6 millones de dólares, más que el descubrimiento de fármacos tradicionales. .
Una vez que los líderes identifiquen los principales casos de uso de la empresa, deberán colaborar con el equipo de tecnología digital para decidir si perfeccionar un LLM existente o entrenar un modelo personalizado.
2) Ajustar los modelos existentes
Adaptar los modelos de pago o de código abierto existentes es rentable: en experimentos de 2022, Snorkel AI descubrió que ajustar un modelo de LLM para completar clasificaciones legales complejas costaba entre 1915 y 7418 dólares. Estas aplicaciones pueden ahorrar horas de tiempo a los abogados, que pueden cobrar hasta 500 dólares la hora.
El ajuste también puede lanzar experimentos que consumirían tiempo, talento e inversión utilizando capacidades internas. Preparará a las empresas para un futuro en el que la IA generativa pueda evolucionar hacia un modelo como los servicios en la nube: las empresas compran soluciones esperando calidad a escala a partir de la estandarización y confiabilidad de los proveedores de servicios en la nube.
Pero este enfoque también tiene desventajas. Estos modelos se basan completamente en la funcionalidad y el conocimiento del dominio de los datos de entrenamiento del modelo central; también están limitados por las modalidades disponibles, que hoy en día consisten principalmente en modelos de lenguaje. Existen opciones limitadas para proteger los datos propietarios; por ejemplo, ajustar los LLM que se almacenan completamente localmente.
3) Entrenar modelos nuevos o existentes
La formación de un LLM personalizado proporcionará una mayor flexibilidad, pero conlleva altos costos y requisitos de capacidad: según estimaciones de AI21 Labs, costaría alrededor de 1,6 millones de dólares entrenar un modelo de 150 millones de parámetros con dos configuraciones y 10 por ejecución. Para poner esta inversión en contexto, AI21 Labs estima que Google gastó alrededor de 10 millones de dólares para entrenar a BERT y OpenAI gastó 12 millones de dólares en una sola ejecución de entrenamiento de GPT-3. 2 (Tenga en cuenta que un LLM exitoso requiere múltiples rondas de capacitación).
Estos costos, así como los requisitos de centros de datos, computación y talento, son significativamente más altos que otros modelos de IA, incluso cuando se administran a través de un socio. El listón para justificar esta inversión es alto, pero para casos de uso verdaderamente diferentes, el valor generado por el modelo puede compensar el costo.
4) Planifique su inversión AGI
Los líderes deben evaluar cuidadosamente el momento de tales inversiones, sopesando los costos potenciales de avanzar demasiado pronto en proyectos complejos donde el talento y la tecnología no están preparados para enfrentar el riesgo de quedarse atrás. La IA generativa actual todavía está limitada por su propensión al error y está destinada principalmente a casos de uso con una alta tolerancia a la variabilidad. Los directores ejecutivos también deberán considerar nuevos mecanismos de financiamiento para datos e infraestructura (por ejemplo, si los presupuestos deben provenir de TI, I+D u otras fuentes) si determinan que el desarrollo personalizado es una necesidad crítica y urgente.
El debate “sincronización versus tren” tiene otras implicaciones cuando se trata de ventaja competitiva a largo plazo. Anteriormente, la mayor parte de la investigación sobre IA generativa era pública y los modelos se proporcionaban a través de canales de código abierto. Dado que esta investigación se lleva a cabo a puerta cerrada, los modelos de código abierto se han quedado muy por detrás de las soluciones de última generación. En otras palabras, estamos al borde de una carrera armamentista generativa de IA.
A medida que la investigación se acelera y se vuelve más patentada, y los algoritmos se vuelven más complejos, mantenerse al día con los modelos de última generación será un desafío. Los científicos de datos necesitarán capacitación especial, habilidades avanzadas y experiencia profunda para comprender cómo funcionan los modelos: sus capacidades, limitaciones y utilidad para nuevos casos de uso empresarial. Los grandes actores que quieran seguir siendo independientes mientras utilizan la última tecnología de inteligencia artificial necesitarán crear equipos tecnológicos internos sólidos.
Desarrollar una estrategia de innovación impulsada por la IA
3. Planificar la transformación de las personas impulsada por AGI
Al igual que las formas existentes de IA, la IA generativa es una fuerza destructiva para la humanidad. En el corto plazo, los directores ejecutivos deberán trabajar con sus equipos de liderazgo y líderes de recursos humanos para determinar cómo debe desarrollarse esta transformación dentro de sus organizaciones, redefiniendo los roles y responsabilidades de los empleados y ajustando los modelos operativos en consecuencia.
1) Redefinir roles y responsabilidades
Ya se están produciendo varios cambios relacionados con la IA. Los algoritmos tradicionales de inteligencia artificial y aprendizaje automático (a veces denominados incorrectamente inteligencia artificial analítica) utilizan lógica o estadísticas poderosas para analizar datos y automatizar o mejorar la toma de decisiones, lo que permite a las personas trabajar de forma más autónoma y a los gerentes se centran cada vez más en la dinámica del equipo y el establecimiento de objetivos. .
Ahora, la IA generativa como generador de contenido de primer borrador aumentará muchas funciones al aumentar la productividad, el rendimiento y la creatividad. Los empleados con trabajos más administrativos, como asistentes legales y especialistas en marketing, pueden utilizar la IA generativa para crear primeros borradores, lo que les permite dedicar más tiempo a perfeccionar el contenido e identificar nuevas soluciones. Los codificadores podrán centrarse en actividades como mejorar la calidad del código y garantizar el cumplimiento de los requisitos de seguridad en plazos ajustados.
Por supuesto, estos cambios no pueden (y no deben) ocurrir en el vacío. Los directores ejecutivos deben ser conscientes del impacto de la IA en el bienestar emocional y las identidades profesionales de los empleados. Los aumentos de la productividad a menudo se combinan con reducciones en la fuerza laboral general, y la inteligencia artificial ha causado preocupación entre los empleados; muchos graduados universitarios creen que la inteligencia artificial hará que sus trabajos sean irrelevantes en unos pocos años. Pero la IA también tiene el potencial de crear tantos puestos de trabajo como sea posible.
Por lo tanto, el impacto de la IA es una cuestión cultural y laboral clave, y los directores ejecutivos deberían trabajar con RR.HH. para comprender cómo evolucionarán los roles. A medida que se implementan las iniciativas de IA, se deben realizar controles periódicos para rastrear el sentimiento de los empleados; los directores ejecutivos también deben desarrollar planes transparentes de gestión de cambios que ayuden a los empleados a aceptar a sus nuevos colegas de IA y al mismo tiempo garantizar que los empleados conserven su autonomía. El mensaje debería ser que los humanos no irán a ninguna parte; de hecho, la IA debe implementarse de manera efectiva y ética.
A medida que se acelera la adopción de la IA, los directores ejecutivos deben seguir aprendiendo y utilizando estas lecciones para desarrollar planes estratégicos para la fuerza laboral; de hecho, deberían comenzar a desarrollar este plan ahora y adaptarlo a medida que evolucione la tecnología. No se trata sólo de determinar cómo cambiarán ciertas descripciones de puestos, sino de garantizar que las empresas cuenten con las personas y la administración adecuadas para seguir siendo competitivas y aprovechar al máximo sus inversiones en IA. Las preguntas que los directores ejecutivos deberían hacerse al evaluar las fortalezas, debilidades y prioridades de su empresa incluyen:
- ¿Qué capacidades necesitan los líderes de proyecto para garantizar que la calidad del trabajo de los contribuyentes individuales sea lo suficientemente alta?
- ¿Cómo pueden los directores ejecutivos crear curvas de experiencia óptimas para generar el flujo de talento futuro adecuado? Por ejemplo, garantizando que más empleados jóvenes adquieran habilidades en el aumento de la IA y que los ejecutivos estén preparados para liderar una fuerza laboral mejorada con la IA.
- ¿Cómo deberían adaptarse la formación y la contratación para crear una fuerza laboral de alto rendimiento ahora y en el futuro?
2) Ajustar el modelo operativo de la empresa
Esperamos que, a largo plazo, el modelo ágil (o biónico) siga siendo el más eficaz y escalable, pero con departamentos centralizados de TI e I+D dotados de expertos que puedan formar y personalizar el LLM. Esta centralización debería garantizar que los empleados que trabajan con tipos similares de datos tengan acceso a los mismos conjuntos de datos. Cuando los datos están aislados entre departamentos, lo que ocurre con demasiada frecuencia, las empresas tendrán dificultades para aprovechar el verdadero potencial de la IA generativa. Pero en las condiciones adecuadas, la IA generativa tiene el poder de eliminar el compromiso entre agilidad y escala.
Debido a la creciente importancia de la ciencia y la ingeniería de datos, muchas empresas se beneficiarían de un puesto ejecutivo senior (por ejemplo, director de IA) que supervise los requisitos comerciales y técnicos de las iniciativas de IA. Este ejecutivo debe colocar pequeños equipos de ingeniería o ciencia de datos dentro de cada unidad de negocio para ajustar el modelo a una tarea o aplicación específica. Por lo tanto, el equipo técnico tendrá la experiencia en el dominio y conexiones directas para apoyar a los contribuyentes individuales, preferiblemente con una capa de distancia entre la plataforma o los líderes técnicos y los contribuyentes individuales.
Estructuralmente, esto podría involucrar equipos enfocados departamentalmente con miembros multifuncionales (por ejemplo, un equipo de ventas con representantes de ventas y soporte técnico dedicado), o preferiblemente equipos interdepartamentales y multifuncionales que estén alineados con las plataformas comerciales y tecnológicas.
4. Prevenir activamente los riesgos de AGI
1) Profunda hipocresía de las cuestiones legales y morales.
Hemos visto que estos sistemas generativos de IA plantean rápidamente muchas cuestiones legales y éticas. Los "deepfakes" son imágenes y vídeos creados por IA que dicen ser reales pero en realidad son falsos. Ya están presentes en campos como los medios de comunicación, el entretenimiento y la política. Sin embargo, construir deepfakes solía requerir muchas habilidades computacionales, pero ahora casi todos pueden hacerlo. Para controlar las imágenes falsas, OpenAI intenta agregar símbolos únicos como "marcas de agua" a cada imagen de DALL-E 2. Sin embargo, es posible que se necesite más control en el futuro, especialmente a medida que la creación de videos generativos se generalice.
La IA generativa también plantea muchas preguntas sobre el contenido original y propietario. Debido a que el texto y las imágenes generados no se parecen exactamente al contenido anterior, los proveedores de estos sistemas argumentan que pertenecen a las personas que ingresaron las indicaciones relevantes. Pero son claramente derivados, derivados de textos e imágenes anteriores (utilizados para entrenar el modelo). No hace falta decir que crearán mucho trabajo para los abogados de propiedad intelectual en los próximos años.
La IA generativa carece de una función de verdad confiable, lo que significa que no sabe cuándo la información es incorrecta. El significado de este rasgo, también conocido como “alucinación”, puede variar desde carencias humorísticas hasta errores destructivos o peligrosos. Pero la IA generativa también plantea otros riesgos clave para las empresas, incluida la infracción de derechos de autor; violaciones de datos de propiedad privada; y características no planificadas descubiertas después del lanzamiento de un producto, también conocido como exceso de capacidad. Por ejemplo, Riffusion utiliza el modelo de difusión estable de texto a imagen para crear nueva música convirtiendo datos musicales en espectrogramas.
2) Esté preparado para los riesgos
Las empresas necesitan políticas para ayudar a los empleados a utilizar la IA generativa de forma segura y limitar su uso a situaciones en las que el rendimiento se encuentra dentro de los límites establecidos. Se debe fomentar la experimentación; sin embargo, es importante realizar un seguimiento de todos los experimentos en toda la organización y evitar "experimentos ocultos" que puedan exponer información confidencial. Estas políticas también deben garantizar una propiedad clara de los datos, establecer procesos de revisión para evitar que se publique contenido incorrecto o dañino y proteger los datos de propiedad de la empresa y sus clientes.
Otra prioridad a corto plazo es capacitar a los empleados sobre cómo utilizar la IA generativa dentro de su experiencia. La naturaleza de código bajo y sin código de la IA generativa puede hacer que los empleados se sientan demasiado confiados en su capacidad para completar tareas para las cuales carecen de la experiencia o las habilidades necesarias; por ejemplo, los especialistas en marketing pueden intentar eludir las reglas de TI de la empresa y escribir código para construir nuevos herramienta de marketing. Según el Centro de Ciberseguridad de la Universidad de Nueva York, aproximadamente el 40 % del código generado por la IA es inseguro y, dado que la mayoría de los empleados no están calificados para evaluar las vulnerabilidades del código, esto crea un grave riesgo de seguridad. La asistencia de la IA a la hora de escribir código también puede crear riesgos de calidad, ya que los programadores pueden confiar demasiado en la capacidad de la IA para evitar vulnerabilidades, según un estudio de la Universidad de Stanford.
Por lo tanto, los líderes deben alentar a todos los empleados, especialmente a los programadores, a mantener un saludable escepticismo sobre el contenido generado por IA. La política de la empresa debe establecer que los empleados solo utilicen datos que comprendan plenamente y que todo el contenido generado por la IA sea examinado minuciosamente por los propietarios de los datos. Las aplicaciones de IA generativa como Bing Chat ya están comenzando a implementar la capacidad de hacer referencia a datos de origen, una característica que se puede ampliar para identificar al propietario de los datos.
3) Garantizar la calidad y la seguridad
Los líderes pueden adaptar las recomendaciones existentes sobre publicación responsable para guiar la publicación de contenido y código generados por IA. Deberían exigir documentación sólida y establecer una junta de revisión institucional para revisar consideraciones a priori de impacto, similar al proceso para publicar estudios científicos. Las licencias para usos posteriores, como la Licencia de Inteligencia Artificial Responsable (RAIL), proporcionan otro mecanismo para gestionar la falta de funcionalidad real de la IA generativa.
Finalmente, los líderes deben recordar a los empleados que no utilicen chatbots públicos para obtener información confidencial. Toda la información ingresada en la herramienta Generative AI se almacenará y utilizará para continuar entrenando el modelo; incluso Microsoft, que ha realizado importantes inversiones en Generative AI, ha advertido a sus empleados que no compartan datos confidenciales con ChatGPT.
Hoy en día, existen pocas formas para que las empresas aprovechen los LL.M. sin revelar los datos. Una opción para la privacidad de los datos es almacenar el modelo completo localmente o en un servidor dedicado. (BLOOM, un modelo de código abierto del grupo BigScience de Hugging Face, tiene un tamaño GPT-3 pero sólo requiere unos 512 gigabytes de almacenamiento). Sin embargo, esto puede limitar la capacidad de utilizar soluciones de última generación. Además de compartir datos de propiedad exclusiva, existen otras preocupaciones sobre los datos al utilizar LLM, incluida la protección de la información de identificación personal. Los líderes deberían considerar aprovechar tecnologías limpias, como el reconocimiento de entidades nombradas, para eliminar nombres de personas, lugares y organizaciones. A medida que LLM madure, las soluciones para proteger la información confidencial se volverán más sofisticadas y los directores ejecutivos deberán actualizar periódicamente sus protocolos y políticas de seguridad.
5. Promover iniciativas AGI ahora
Cuando se trata de tecnologías de IA generativa, las empresas pueden adoptar las siguientes estrategias:
1. Redefinir las funciones y responsabilidades de los empleados : las empresas deben reevaluar las funciones y responsabilidades de los empleados para garantizar que puedan adaptarse al nuevo entorno tecnológico. Por ejemplo, es posible que algunas empresas necesiten contratar más científicos de datos o expertos en inteligencia artificial para gestionar tecnologías de inteligencia artificial generativa.
2. Modelos de negocio innovadores : la tecnología de IA generativa puede ayudar a las empresas a crear nuevos modelos de negocio. Por ejemplo, algunas empresas utilizan tecnología de IA generativa para crear productos o servicios personalizados para satisfacer las necesidades de los clientes.
3. Mejorar la eficiencia operativa : la tecnología de IA generativa puede automatizar muchas tareas repetitivas, aumentando así la eficiencia y reduciendo los errores. Por ejemplo, algunas empresas utilizan tecnología de IA generativa para generar informes o analizar datos automáticamente.
4. Reconstruir la competencia diferenciada : al aprovechar la tecnología de IA generativa para crear productos o servicios únicos, las empresas pueden diferenciarse de sus competidores. Por ejemplo, algunas empresas utilizan tecnología de inteligencia artificial generativa para crear materiales publicitarios o de marketing únicos.
Por ejemplo, un minorista en línea utiliza tecnología de inteligencia artificial generativa para crear una experiencia de compra personalizada. Pueden utilizar esta tecnología para recomendar productos, crear anuncios personalizados y optimizar el diseño del sitio web. Esto les ayudará a mejorar la satisfacción del cliente y aumentar las ventas.
Otro ejemplo es que una empresa de atención médica podría utilizar tecnología de inteligencia artificial generativa para generar automáticamente informes médicos. Esto les ayudará a ser más eficientes y reducir errores, y permitirá a los médicos tomar decisiones de diagnóstico y tratamiento más rápidamente.
La IA generativa ofrece oportunidades sin precedentes. Pero también obliga a los directores ejecutivos a lidiar con enormes incógnitas y hacerlo en un espacio que puede resultar desconocido o incómodo. Desarrollar un enfoque estratégico eficaz para la IA generativa puede ayudar a distinguir la señal del ruido. Los líderes que estén listos para reimaginar sus modelos de negocios (identificando las oportunidades adecuadas, organizando a sus empleados y modelos operativos para respaldar la innovación generativa de IA y garantizando que la experimentación no se realice a expensas de la seguridad y la ética) pueden crear una ventaja competitiva a largo plazo.
Enlace original:
Artículo ampliado:
Para conocer casos y soluciones más interesantes, puede visitar Runwise Innovation Community .