Finalmente, domina los temas de IA. Ha formado un equipo de científicos de datos e implementado MLops. Por lo tanto, cree que está listo para la IA generativa. Bueno, en realidad no. La IA generativa sigue siendo un tema de TI en esencia. Uno que no requiere nuevas habilidades en ciencia de datos, sino una comprensión profunda de los mecanismos en juego, agilidad en la integración, orientación al producto y una gobernanza adecuada. Es un compromiso a largo plazo, una apuesta al futuro, un flujo constante de inversión en progreso.

En cuanto abordamos este tema en el ámbito empresarial, surge el ángulo de la ciencia de datos: abundan las preguntas sobre los modelos, los algoritmos, las posibilidades de enriquecerlos y adaptarlos... Aunque en realidad estos temas son prerrogativa de los proveedores de LLM y deberían seguir siendo así. Crear un modelo básico desde cero (modelo base) requiere varios meses, millones de euros y acceso a enormes cantidades de datos. Solo las empresas con conjuntos de datos muy específicos y monetizables pueden tener interés en hacerlo; es el caso, por ejemplo, de Bloomberg, que quería explotar sus datos financieros y por ello creó su BloombergGPT para finanzas.

Habilidades de desarrollo e integración en lugar de ciencia de datos

Para la gran mayoría de las organizaciones, poner la IA generativa a disposición de sus empleados y clientes implicará el uso de LLM comerciales o de código abierto listos para usar. Por lo tanto, no se requieren conocimientos específicos sobre ciencia de datos. Sin embargo, requerirá todas las habilidades esperadas de un proyecto de TI clásico: ingenieros de datos, desarrolladores de back office y front office, especialistas en integración, etc.

Éstas son las habilidades que habrá que utilizar para desarrollar el corazón del reactor: la plataforma de IA generativa. Como escribimos el pasado mes de diciembreEsta plataforma, basada en un orquestador y APIs, abre un campo de posibilidades: “Es fácil trabajar con los mejores LLM del mercado y modificarlos a medida que se desarrollan, sin tocar las aplicaciones ni dar soporte a los usuarios. Estos pueden incluso seleccionar su modelo preferido en cada solicitud”. De esta forma, la empresa puede implementar diferentes casos de uso manteniendo su independencia y el control de su sistema de información.

Los equipos encargados de la plataforma de IA generativa seguramente tendrán que comprender los problemas relacionados con la ingestión de datos, pero las necesidades de ciencia de datos siguen siendo muy limitadas (elección del modelo, evaluación de las respuestas, seguimiento, etc.). Uno de nuestros clientes resume la situación de la siguiente manera: "No es necesario ser un científico de datos, pero es necesario comprender los conceptos básicos, tener habilidades de desarrollo de back-office y sólidas habilidades en la nube, y agregar habilidades de front-office y devops para escalar. Los desarrolladores también deben adaptarse a un cambio de paradigma: estamos pasando de la programación algorítmica clásica a los agentes Langchain que gestionan parte de las decisiones: es un cambio que debe aceptarse".

Un producto iterativo, respaldado por un presupuesto regular

El otro cambio es el paso del modo proyecto al modo producto. Si bien la plataforma se utilizará para acelerar el desarrollo de productos de IA generativa específicos, debe considerarse un producto en sí misma. No se la puede gestionar como un proyecto con una fecha de inicio y una fecha de finalización. El ecosistema es demasiado cambiante y los avances tecnológicos se producen demasiado cerca entre sí. Adoptar un enfoque de producto significa ver la plataforma como un conjunto de características que se desarrollarán, probarán, implementarán y mejorarán de forma iterativa para satisfacer las necesidades cambiantes.

Obviamente, esto también requiere un modelo de financiación adecuado. En lugar de considerar el proyecto como una inversión puntual, tiene sentido planificar un flujo mensual. Este presupuesto regular permitirá apoyar la innovación continua, financiar las actualizaciones necesarias y adaptarse a nuevas oportunidades.

El último ajuste necesario: la gobernanza. A diferencia de los proyectos de aprendizaje automático, la IA generativa se ha democratizado de una forma sin precedentes: todos en la empresa, desde el CEO hasta los empleados comunes, tienen grandes esperanzas en esta tecnología, lo que puede dar lugar tanto a una IA en la sombra como a grandes expectativas por parte del departamento de TI. Por tanto, la gobernanza debe adaptarse para captar todas las necesidades y usos, priorizar los productos en función del valor creado y supervisar el funcionamiento del conjunto.