Con el auge de la IA generativa, entre otras cosas, aumentó el enfoque en los datos, presionando a las empresas para que realicen cambios sustanciales para construir una organización verdaderamente basada en datos.

Estos avances conllevan una serie de nuevos riesgos y consideraciones, ya que sin acceso a datos buenos y relevantes, este nuevo mundo de posibilidades y valor seguirá estando fuera de su alcance.

En este marco, la consultora McKinsey propone siete prioridades esenciales que reflejan los cambios más importantes que están ocurriendo, cuáles son las principales complejidades y dónde los líderes pueden concentrar su energía para hacer realidad la empresa basada en datos de 2030.

Todo, en todas partes, a la vez

En 2030, muchas empresas se estarán acercando a la “ubicuidad de los datos”. Los datos estarán integrados en sistemas, procesos, canales, interacciones y puntos de decisión que impulsarán acciones automatizadas (con suficiente supervisión humana). Pero en muchas organizaciones pocas personas entienden qué datos necesitan realmente para tomar mejores decisiones o comprenden las capacidades de los datos para permitir mejores resultados.

Por eso, los líderes de datos deberán activar la organización para que piense y actúe teniendo en cuenta los datos y la IA en primer lugar a la hora de tomar decisiones. Esto significa hacer que los datos sean fáciles de usar (mediante la creación de estándares y herramientas para que los usuarios y los sistemas puedan acceder fácilmente a los datos correctos), fáciles de rastrear (mediante la provisión de transparencia en los modelos para que los usuarios puedan verificar las respuestas y los resultados automatizados) y fáciles de confiar (mediante la protección de los datos con medidas cibernéticas avanzadas y la prueba continua de los mismos para mantener una alta precisión).

Desbloqueo de "alfa"

Dos características fundamentales de muchas tecnologías recientes (por ejemplo, la IA genérica, el low code y no code, y los modelos de lenguaje reducidos [SLM]) son su facilidad de uso y su rápida proliferación. El 65 por ciento de los encuestados en una encuesta reciente de McKinsey afirma que sus organizaciones utilizan regularmente la IA genérica en al menos una función empresarial, frente a un tercio el año pasado.

El problema de esta adopción masiva es que muchas organizaciones utilizan las mismas herramientas o desarrollan capacidades similares, lo que significa que no están creando mucha ventaja competitiva. Sin embargo, el valor también proviene de cómo se juntan la visión y el diseño para ensamblar esas herramientas.

Para liberar el “alfa” con la inteligencia artificial y otras tecnologías, los líderes de datos deben tener un enfoque claro en las estrategias de datos que pueden generar una ventaja competitiva, como las siguientes:

-Personalización de modelos mediante datos propios.

-Integración de datos, IA y sistemas.

-Redoblar la apuesta por productos de datos de alto valor.

Vías de desarrollo de capacidades: de la reacción al escalamiento

La facilidad de uso de muchas herramientas básicas y su creciente disponibilidad han generado una proliferación de casos de uso, pilotos y funciones a menudo desconectados. Esto genera dos problemas: primero, los equipos de toda la empresa lanzan modelos de prueba de concepto y aplicaciones basadas en IA que no tienen posibilidad de escalar; segundo, varias partes interesadas invierten en casos de uso heterogéneos que requieren módulos de amplio alcance de la pila de datos e IA y la construcción de arquitecturas completas a la vez antes de que se pueda obtener valor.

Para lograr la escala necesaria para operar negocios basados en datos en 2030, los líderes de datos necesitarán un enfoque que acelere la forma en que los casos de uso generan impacto y, al mismo tiempo, resuelva la escala mediante una arquitectura que pueda respaldar a la empresa.

Un enfoque descentralizado dificultará la creación de vías de capacidad que puedan utilizarse en toda la empresa, mientras que un enfoque más centralizado requiere una inversión adicional en capacidades de gobernanza y supervisión. La elección del hiperescalador (por ejemplo, el proveedor de servicios en la nube), con su conjunto de herramientas y capacidades integradas, también influirá en la forma de desarrollar vías de capacidad.

Vivir en un mundo desestructurado

Desde hace décadas, las empresas trabajan con datos estructurados (por ejemplo, SKU, especificaciones de productos, transacciones y saldos organizados por datos maestros y de referencia). Sin embargo, eso es solo el 10 por ciento de los datos disponibles. Gen AI ha abierto el otro 90 por ciento de los datos, que no están estructurados (por ejemplo, videos, imágenes, chats, correos electrónicos y reseñas de productos).

Pero la escala y variedad de los datos no estructurados son un problema geométricamente más complejo. Por definición, los datos no estructurados son menos consistentes, menos disponibles y más difíciles de preparar y depurar, lo que hace que el desafío sea aún mayor debido a la escala de los datos.

Entre los desafíos más importantes para crear valor a partir de estos datos desestructurados se incluyen los requisitos de limpieza y etiquetado, las preocupaciones sobre privacidad y sesgo, los costos de almacenamiento en la nube y de redes en aumento y, a menudo, los costosos procesos de conversión. Los líderes de datos deberán invertir en la creación de nuevas capacidades, como el procesamiento del lenguaje natural, para ayudar a convertir los datos no estructurados de modo que los LLM puedan "entenderlos" y usarlos, así como en probar y recalibrar los LLM continuamente a medida que se actualizan los modelos y las fuentes de datos correspondientes.

Liderazgo de datos: se necesita un pueblo

La capacidad de las empresas para hacer realidad su visión de los datos y la inteligencia artificial para 2030 dependerá en gran medida del liderazgo. Solo la mitad de los directores de datos y análisis, por ejemplo, creen que son capaces de impulsar la innovación utilizando datos. Incluso las empresas de alto rendimiento enfrentan dificultades. El setenta por ciento de estas organizaciones informan dificultades, por ejemplo, para desarrollar procesos de gobernanza de datos e integrar datos en modelos de IA rápidamente.

Este problema suele deberse a responsabilidades poco claras, conjuntos de habilidades limitados o una gobernanza desconectada. En algunos casos, los líderes de datos se centran en el riesgo, pero no están conectados con los líderes empresariales que necesitan usar los datos para generar ingresos. En otros casos, los líderes tienen un mandato claro para acelerar la creación de valor dentro de áreas comerciales específicas, pero con una perspectiva empresarial limitada, lo que da como resultado capacidades aisladas y soluciones de escala insuficiente.

Para ir por el buen camino, las empresas necesitan encontrar líderes capacitados en tres áreas principales:

-Gobernanza y cumplimiento, con un fuerte enfoque en actividades defensivas (impulsadas principalmente por la regulación y el riesgo cibernético)

-Ingeniería y arquitectura, con un enfoque en el diseño técnico y considerando cada problema como una oportunidad de ingeniería para automatizar, reutilizar y escalar.

-Valor comercial, con un enfoque en generar ingresos, crecimiento y eficiencia a partir de los datos; estos líderes a menudo trabajan en estrecha colaboración con el negocio.

El ciclo de vida del nuevo talento

Es probable que los perfiles de talento de las organizaciones sean muy diferentes en 2030. La inteligencia artificial y las tecnologías de automatización ya están empezando a hacerse cargo de tareas analíticas y de procesos básicos, pero con el tiempo, podemos esperar que la inteligencia artificial y otras tecnologías se encarguen de tareas más sofisticadas.

Estos cambios en la forma de trabajar exigen que los líderes de datos e IA desarrollen una visión clara de las nuevas habilidades que se necesitan. Algunas de estas nuevas habilidades se incorporarán a los roles existentes, mientras que otras requerirán roles completamente nuevos. Los nuevos roles podrían incluir ingenieros de programación, administradores de ética de IA y especialistas en datos no estructurados.

Las nuevas habilidades para gestionar la IA generativa probablemente conducirán a roles de datos nuevos y expandidos.

Guardianes de la confianza digital

El riesgo se ha convertido en un tema de preocupación mucho mayor con el auge de las tecnologías avanzadas, en particular la IA y la inteligencia artificial general. Los gobiernos están actuando rápidamente para implementar nuevas regulaciones y las empresas están evaluando nuevas políticas. Pero como estas tecnologías son tan nuevas y evolucionan rápidamente, el panorama de riesgos más amplio a menudo no se comprende bien.

Los líderes de datos deberán repensar sus enfoques en materia de riesgos. Muchos aún dependen demasiado de los enfoques tradicionales de calidad y cumplimiento de los datos, mientras que pocos han comenzado a implementar pruebas éticas y de codificación avanzadas. Esta reevaluación debe sustentarse en la comprensión de que la gestión de riesgos es una ventaja competitiva, que se logra ya sea mediante la creación de una marca que sea un custodio seguro de los medios de vida de los clientes o simplemente evitando los fracasos que podrían enfrentar los competidores. Esa visión debería impulsar una postura más proactiva para abordar los riesgos que simplemente cumplir con los parámetros de cumplimiento.