Los CDAO perspicaces aprovecharán la oportunidad de usar la IA para aportar valor empresarial, pero para ello también deben adaptar la estrategia y la gobernanza.
- ¿Eres cliente de Gartner? Log in para obtener resultados de búsqueda personalizados
IA para el análisis de datos: céntrate en el valor empresarial
Aprovecha el potencial de la IA para el análisis de datos
El rápido avance de la IA generativa está redefiniendo las agendas estratégicas y repercutiendo en las tareas de los responsables de análisis de datos y en sus departamentos en varios sentidos. Descarga este informe y descubre cómo los responsables de análisis de datos están definiendo las iniciativas de IA generativa y los principales retos a los que se enfrentan. También encontrarás:
Estrategias para gestionar las expectativas de las partes interesadas.
Buenas prácticas para evaluar los casos de uso de la IA generativa.
Métodos para colaborar con partes interesadas de riesgo.
Prepara la IA para el análisis de datos usando la estrategia, el liderazgo y la gobernanza
El éxito del responsable de análisis de datos con la IA depende de su capacidad de integrarla en la estrategia de análisis de datos y de priorizar una gobernanza de datos preparados para la IA a fin de obtener valor empresarial.
- La IA en la estrategia de análisis de datos
- Liderazgo en la IA
- Datos preparados para la IA
Actualiza la estrategia de D&A con una visión de la IA que tenga en cuenta la IA generativa
Las iniciativas en materia de IA no paran de aumentar, a menudo dentro de una misma organización, de forma descoordinada y táctica. En especial, las relacionadas con la adopción de la IA generativa. Cuando una parte de la organización desconoce qué uso de la IA está haciendo otra parte, puede crearse involuntariamente un riesgo capaz de destruir el valor estratégico de la empresa. Para evitarlo, toda organización debe tener su estrategia de IA.
Lo importante aquí no es detener la proliferación de iniciativas de IA, sino crear un contexto que permita dirigirlas de forma coordinada. Puesto que el director de análisis de datos (CDAO) ya es responsable de muchos de los facilitadores de la IA (como las bases del análisis de datos y la IA, la confianza y la gobernanza de datos, la gestión de los riesgos asociados a los datos, la ética en el análisis de datos, los sesgos de los análisis, la transparencia de los datos y algunos aspectos de la gestión del cambio en la empresa mediante la alfabetización en datos e IA), se desprende de ello la necesidad de ampliar la estrategia de análisis de datos para incluir la estrategia de IA.
Si se estructura de forma eficaz, una estrategia de IA basada en datos puede inspirar el pensamiento transformador, orquestar los resultados empresariales, facilitar la toma de decisiones informada y definir el éxito. Sin embargo, muy a menudo, los intentos de integrar la IA en las estrategias de análisis de datos se centran en proyectos y dotaciones presupuestarias de alto nivel, sin identificar cómo estas iniciativas de IA aportarán valor y con qué indicadores se demostrará.
Para no caer en esta trampa, adopta una visión más holística que conecte la adopción de la IA con los objetivos empresariales y, en última instancia, con los resultados empresariales. Sigue estos pasos para conseguirlo:
Adapta y asigna las iniciativas de IA según las prioridades empresariales estratégicas de la organización; incluye indicadores y KPI para determinar su impacto.
Implica a las partes interesadas empresariales hablando en términos económicos y comerciales, en lugar de usar la jerga de la IA y del D&A.
Comprende cuáles son los impulsores de valor y los puntos problemáticos de la organización, y articula de qué forma la IA y el análisis de datos aportan valor tangible, vinculado directamente con la estrategia empresarial.
La IA generativa como particularidad de la estrategia de D&A
El repentino aumento del interés en torno a la IA generativa exige un enfoque estratégico específico. Ante la gran variedad de aplicaciones de consumo que ofrece esta forma de IA y los pocos obstáculos para su adopción, los equipos pueden usarla fácilmente sin el conocimiento ni la supervisión de la organización.
Incluso cuando se trata de iniciativas formales de IA generativa, los CDAO no suelen ser los únicos responsables. Sin embargo, al ser responsable de capacidades de la IA, como la ciencia de datos y los datos subyacentes necesarios, puedes desempeñar el papel estratégico de aportar tu perspectiva sobre qué áreas pueden beneficiarse del valor de la IA generativa y cuáles no. Además, puedes ejercer tu liderazgo aportando orientación crítica sobre qué se necesita para el éxito en términos de datos y confianza, gestión del riesgo y gobernanza.
Esto capacita a la organización para centrarse en los casos de uso de la IA generativa que aportan valor comercial y alejarse del ruido mediático y de las expectativas poco razonables.
Para posibilitar esta perspectiva, facilita detalles adicionales sobre las iniciativas de IA generativa diferenciándolas de la IA tradicional (soluciones predictivas), como los siguientes:
Un seguimiento estrecho de la IA generativa como impulsora tanto de la estrategia de análisis de datos como de los resultados empresariales.
La identificación de los casos de uso de la IA generativa de más alto valor para priorizarlos, basados en su impacto en la competencia, el valor empresarial, la urgencia, el coste y el riesgo.
La aportación de pruebas de valor y coste, antes de obtener resultados mediante una cartera de inversiones en IA generativa, medir su repercusión, aprender de ello y corregir lo necesario.
El seguimiento de las tendencias emergentes en el campo de la IA generativa para aprovechar los avances cambiantes en el valor/coste a medida que el mercado madure.
En la batalla por la responsabilidad de la IA, los CDAO deben demostrar su liderazgo en la materia
El auge repentino de la IA generativa entre el público general ofrece argumentos a los directores de experiencia (CxO) para plantear de forma creíble que deberían ser los responsables de la IA en la organización. El CIO, el CTO, el director de datos, el responsable de innovación y el responsable de IA podrían reclamar lo mismo. Sin embargo, como sucede con la propia IA, si se aborda de forma reactiva, toda esta competición por la responsabilidad puede ser un factor de distracción que frene el avance de la organización hacia la entrega de valor.
Los CDAO deben participar y ser escuchados en las conversaciones sobre la IA. No necesariamente querrás o deberás responsabilizarte de la IA, pero tienes que formar parte de la coalición que lidere la IA en la organización. Tu participación es fundamental, puesto que ya te responsabilizas de muchos de los facilitadores clave de la IA, como la necesidad fundamental de datos preparados para la IA, la gobernanza de datos y las habilidades y formación en análisis de datos. También puedes actuar como fuerza estabilizadora si demuestras liderazgo en IA enfatizando la disciplina y las prácticas que, desde tu posición única, puedes encabezar.
Para que el análisis de datos siga ocupando un lugar central en las ambiciones en materia de IA de la organización, como CDAO debes actuar en dos áreas clave que te diferencian y te posicionan como líder en inteligencia artificial:
Integra la IA en la estrategia de análisis de datos poniendo el foco en el valor empresarial.
El 74 % de los CDAO manifiestan que la dirección ejecutiva confía en su departamento de análisis de datos, pero solo el 49 % disponen de indicadores basados en los resultados empresariales que permitan a las partes interesadas realizar un seguimiento del valor del análisis de datos. Tal vez los CDAO han disfrutado de un periodo de gracia a corto plazo, pero este ha llegado a su fin. Sin la capacidad de vincular claramente las iniciativas de análisis de datos con la creación de valor (incluidas las iniciativas de IA), los CDAO corren el riesgo de ver desmantelado su departamento, que sería absorbido por el de TI u otro centrado estrictamente en los datos.
La madurez en la gobernanza de análisis de datos es clave para la innovación empresarial y la IA.
Los CDAO son cada vez más conscientes de la importancia de la gobernanza de datos para el éxito del análisis de datos y, en los últimos años, la mayor parte de las organizaciones han madurado la gobernanza con éxito. A modo de ejemplo, el 82 % de los participantes en la encuesta de Gartner sobre análisis de datos aseguran poder identificar los activos de datos necesarios para los nuevos proyectos de análisis de datos, y el 80 % comparten habitualmente un activo de datos entre más de un caso de uso. Sin embargo, sigue habiendo carencias en lo que respecta a los KPI de medición del valor de la gobernanza del análisis de datos, ya que solo el 46 % dispone de ellos. Las capacidades y los modelos de entrega del análisis de datos deben evolucionar para respaldar la innovación en la empresa y la IA.
Cumplir con la propuesta de valor de la IA requiere datos accesibles y de alta calidad
Los programas de D&A con una gobernanza de análisis de datos muy madura probablemente habrán adoptado innovaciones basadas en datos. Esto contradice la percepción habitual entre las partes interesadas empresariales según la cual las disciplinas de gobernanza pueden suponer un freno para la innovación. En realidad es lo contrario, una falta de gobernanza impide que las organizaciones obtengan valor de sus iniciativas de IA.
Según las predicciones de Gartner, en 2027, el 60 % de las organizaciones tendrán dificultades para obtener el valor esperado de sus casos de uso de la IA debido a unos marcos de gobernanza ética poco cohesionados.
Una de las carencias más claras se refiere a establecer unos KPI de medición del valor para las políticas, las prácticas y los procedimientos de gobernanza del análisis de datos, ya que solo el 46 % de las organizaciones dispone de ellos. Los requisitos de la gobernanza de datos preparados para la IA también son diferentes de la gestión de datos tradicional. No tenerlo en cuenta pondrá en peligro el éxito de las iniciativas de IA.
Con el fin de preparar los datos para la IA, los equipos de D&A pueden llevar a cabo tres acciones que los ayudarán a identificar rápidamente qué datos son aptos para el uso:
Alinear los datos con los casos de uso de la IA. Para todo caso de uso de la IA, debería describirse qué datos se requieren, dependiendo de la técnica de IA utilizada.
Clasificar el uso. Asegúrate de que los datos cumplan los requisitos durante todo el ciclo de vida del caso de uso, desde el diseño y el entrenamiento del modelo de IA hasta su puesta en funcionamiento.
Gobernar los datos preparados para la IA. Define los requisitos continuos de gobernanza de datos para el caso de uso de la IA utilizando parámetros como la administración de datos, las normas y regulaciones de datos e IA, los requisitos éticos de la IA y el control de la inferencia y la derivación.
El papel de la gobernanza en los datos preparados para la IA
Además de intentar garantizar que su gobernanza de datos posibilite la preparación para la IA, los responsables de D&A deben tener respuestas para los equipos que crean inteligencia artificial centrada en los datos, es decir, iniciativas de IA que priorizan los datos de ingeniería como vía para crear mejores sistemas de IA, en lugar de priorizar la adaptación y el ajuste de los algoritmos o ampliar el código en los modelos de IA. A modo de ejemplo, en 2025, los datos sintéticos y el aprendizaje por transferencia reducirán el volumen de datos reales que se necesitan para la IA en más del 50 %.
Los CDAO proactivos impulsarán la gobernanza de datos con el fin de prepararlos para la IA y lo harán mediante cuatro facilitadores:
Preparación de datos e ingeniería de características. La preparación de datos se centra principalmente en el análisis exploratorio de datos (EDA, por sus siglas en inglés), la limpieza y la transformación para preparar conjuntos de datos estructurados de alta calidad que permitan la ingeniería y la extracción de características. Las características añaden matiz o significado a los conjuntos de datos, para mejorar el rendimiento y la precisión del modelo.
Etiquetado y anotación de datos. Estas tareas fundamentales, pero costosas en términos de tiempo y recursos, implican añadir metadatos a datos no estructurados (imágenes, texto, vídeos y archivos de audio) para identificar características que ayuden al desarrollo de la IA.
Datos sintéticos. De uso habitual en el modelado y las simulaciones por ordenador, los datos sintéticos también son un recurso importante para el desarrollo de la IA. La previsión es que desbanquen a los datos reales en el futuro, debido a su capacidad de retener los aspectos estadísticos y de comportamiento de los conjuntos de datos reales y, al mismo tiempo, optimizar la escasez de datos, reducir el sesgo o asegurar la privacidad de los datos.
Enriquecimiento de datos. Ampliación de los datos internos con datos específicos del dominio, procedentes de fuentes externas. Las herramientas actuales de enriquecimiento de datos pueden recopilar datos de terceros en internet (entre otras fuentes) y organizar, limpiar y agregar datos de fuentes dispares.
Preguntas frecuentes sobre la IA para el análisis de datos
¿Puede utilizarse la IA en el análisis de datos?
La inteligencia artificial ofrece numerosos beneficios para el análisis de datos, como una mayor precisión, capacidades predictivas y la mejora de la toma de decisiones. Las empresas que inviertan en datos de calidad, seleccionen las herramientas adecuadas, desarrollen el talento y aborden los retos, podrán sacar partido de la IA para obtener una ventaja competitiva.