Cinco factores que retrasan la adopción de la IA en las empresas

Según una encuesta global de Accenture, los ejecutivos de negocios creen que dentro de los próximos dos años, la inteligencia artificial funcionará junto a los humanos en sus organizaciones como colaboradores y asesores de confianza. Accenture predice que para el 2022, las empresas que adopten la inteligencia artificial pueden aumentar los ingresos hasta en un 38 %.

Pero implementar IA a escala en una empresa es mucho más fácil decirlo que hacerlo. Y a pesar de las grandes ambiciones, muy pocas empresas locales han llevado a AI más allá de la etapa experimental. No es de extrañar. Todavía hay importantes obstáculos que superar cuando se adopta la IA de manera significativa.

Falta de talento y habilidades disponibles

Más de la mitad de los encuestados en un estudio de Gartner el año pasado indicaron que la falta de habilidades necesarias para el personal era el principal desafío para la adopción de la IA en su organización.

Sin embargo, muchos académicos de IA que trabajan en instituciones de investigación están ansiosos por comenzar a aplicar su trabajo en el mundo real. Muchos de ellos se están uniendo a Accenture para hacer eso.

Atascarse en la etapa de prueba de concepto

Es necesario el apoyo desde arriba en una empresa. A menudo los proyectos son impulsados ​​por un CTO o un pequeño departamento que está experimentando. Por lo tanto, cuando se trata de implementación, el negocio no ve la necesidad de hacerlo.

Dar el salto de la prueba de concepto

Construir una de estas cosas en la nube con un conjunto de datos limitado, tal vez ni siquiera una información real, es relativamente barato, rápido y puedes hacerlo. Pero en el momento que vaya a usar datos reales e IP, necesita todos los requisitos de seguridad y la capacidad de la infraestructura y todo eso, es difícil. Entonces usted ya está impactando a los clientes, por lo que existen todas las implicaciones de la marca.

La regulación todavía se está poniendo al día

Las regulaciones no están listas, las compañías de seguros no están listas. De manera similar, cuando comienzan a hablar IA y asesoramiento financiero, si la IA da malos consejos ¿quién tiene la culpa? Ciertas cosas deberán ser probadas en los tribunales y la regulación está muy lejos.

Datos de veracidad

Debemos ofrecer información de alta calidad. El combustible para IA es información y mucha información. Las soluciones de inteligencia artificial entrenadas en datos incompletos, tergiversados ​​o sesgados tomarán decisiones que obviamente serían incorrectas para un ser humano.

Los gobiernos y las organizaciones deben invertir en sanear sus datos para obtener la calidad necesaria para entrenar sus soluciones de IA. También deben garantizar que los datos se actualicen continuamente y que los modelos se recapaciten a medida que cambian los productos, mercados y servicios. Hacer esto garantiza que los modelos entrenados continúen reflejando las circunstancias actuales, de la misma manera que la gente aprende continuamente a través de nuevas experiencias.