IA generativa: 4 escollos para pasar de pilotos a la implantación

La inteligencia artificial (IA), y la IA generativa muy particularmente, han irrumpido en la empresa como un elefante en una cacharrería. Según Amazon Web Services, el 50% de las empresas españolas ya usan estas tecnologías.

Es decir, alrededor de 1,6 millones de compañías emplean IA en nuestro país, de las cuales 450.000 estrenaron esta tecnología el año pasado, tal y como informaba Silicon.es.

Y tienen muy buenas razones para ello, puesto casi la totalidad (96%) de las organizaciones que han adoptado la IA perciben un incremento medio del 34% en sus beneficios.

Si nos centramos en la IA generativa, encontramos estudios con datos realmente sorprendentes. Por ejemplo, casi 9 de cada 10 empresas (88%) cuentan con una estrategia de IA generativa, mientras que el 10% se encuentra en la fase de desarrollo estratégico, de acuerdo con el ‘Enterprise Cloud Index’ de Nutanix. Y casi 6 de cada 10 encuestados españoles (57%) afirman que están implementando activamente su estrategia de IA generativa.

Sin embargo, muchas compañías se dan de bruces con la dura realidad cuando tratan de pasar de los proyectos piloto a la implantación de la inteligencia artificial en su día a día.

Hace algunos meses contábamos que pocos proyectos pasan de la fase de planificación a la de finalización o implantación. Además, muchos se acaban desechando, tal y como desvela un estudio realizado por Qlik.

En concreto, el 37% de las empresas españolas tienen entre 11 y 50 proyectos de IA en fase de definición o planificación, que aún no son proyectos reales. Y un 27% de las organizaciones consultadas han tenido hasta 50 proyectos en algún punto de desarrollo, pero los han parado por completo.

¿Qué falla al implantar la IA generativa?

Galtea, spin-off del Barcelona Supercomputing Center (BSC) que desarrolla tecnología para validar sistemas de IA generativa antes de que lleguen al mercado, identifica cuatro obstáculos clave que complican que los proyectos piloto lleguen a implantarse en entornos reales.

1. Fiabilidad a escala

La spin-off explica que consiste en la “capacidad para mantener un rendimiento consistente, preciso y sólido a medida que aumenta el volumen de datos y complejidad, así como garantizar que los sistemas se comporten de manera coherente en escenarios distintos”.

Galtea cita un estudio de Informatica, que desvela que el 56% de las empresas identifica la fiabilidad como una de las barreras clave, por lo que es uno de los principales desafíos que encuentran. “Encontrar el equilibrio entre desarrollo y fiabilidad técnica es clave para que la IA generativa aporte valor real”, añade.

2. Trazabilidad y LLM tracing

“La trazabilidad tradicional consiste en medir mejoras entre versiones y comprender cómo evoluciona un modelo, algo que el 70% de las compañías admite tener serias dificultades en lograr, según un informe de Deloitte. A esto se suma el concepto de LLM tracing, que permite entender y tener visibilidad de los pasos intermedios en sistemas de IA complejos y extraer métricas detalladas acerca de sus representaciones internas”, apunta.

“Este doble enfoque es clave para garantizar que los resultados sean reproducibles y confiables. El desafío no es sólo europeo: en Estados Unidos, encuestas de PwC y Gartner también destacan que seguir la evolución de los sistemas y asegurar la reproducibilidad es uno de los principales bloqueos para escalar la IA generativa”, añade.

3. Eficiencia

La spin-off  especifica que la eficiencia se refiere a garantizar que los proyectos generen un retorno de inversión positivo y que los costes no superen los beneficios que aporta la IA generativa.

“Gartner estima que al menos el 30% de los proyectos serán abandonados para finales de 2025 tras la fase piloto, debido a costes crecientes, datos deficientes o falta de valor comprobado. Para que esta tecnología sea sostenible, es importante que los proyectos estén bien orientados al negocio y que se pueda medir claramente el valor que generan”, subraya.

4. Cumplimiento normativo

“A las barreras técnicas se suma el reto de ajustarse a un marco regulatorio cada vez más exigente. La futura Ley Europea de IA requerirá que los sistemas cumplan con criterios de trazabilidad, evaluaciones periódicas y certificaciones independientes antes de llegar al mercado. Sin embargo, de acuerdo a un estudio realizado por EY, únicamente un 11% de las entidades del sector financiero europeo se considera preparada para gestionar los riesgos asociados con la IA generativa y la futura Ley de IA”, concluye Galtea.