A medida que las empresas pasan de la experimentación temprana con IA generativa a la construcción de sistemas agentes impulsados por objetivos, las preguntas que se hacen los ejecutivos han cambiado. La conversación se proxenetismo menos de qué La IA puede hacer y mucho más cómo se puede echarse en brazos en él, gobernarlo e integrarlo en la forma en que efectivamente funciona el negocio.
Para explorar cómo las organizaciones líderes se están preparando para esta próxima etapa, me senté con Craig Wiley, director senior de producto de Databricks, como parte de nuestra serie Executive Lens. Esta serie está diseñada para sacar a la luz los cambios estratégicos que dan forma a los datos empresariales y la IA, a través de conversaciones directas con ejecutivos que navegan por estos cambios en tiempo positivo.
Craig y yo hablamos con franqueza sobre cómo es efectivamente la preparación, cómo deben progresar la casa y la gobernanza, y qué hitos deberían planificar los equipos y juntas directivas a medida que comienzan a resquilar los sistemas agentes.
Craig Wiley es director senior de productos de inteligencia sintético en Databricks. Anteriormente, fue director genérico fundador de AWS SageMaker y líder de productos de inteligencia sintético en Google Cloud. Aporta una amplia experiencia en la creación de plataformas escalables de estudios obligatorio e inteligencia sintético que ayudan a las empresas a unir datos y sistemas inteligentes de modo ejercicio y duradera..
Desde experimentos GenAI hasta sistemas en los que los líderes pueden echarse en brazos
catalina: Ha estado hablando con muchos CIO, CDO y CTO recientemente. ¿Qué cambios ve a medida que las empresas pasan de la experimentación con GenAI a sistemas más agentes y basados en objetivos?
Craig: Al principio, creo que mucha concurrencia estaba confundida acerca de cómo usar GenAI de una modo útil. Todavía escuchamos sobre un gran porcentaje de casos de uso que son muy deterministas. La concurrencia dice: «Quiero construir un sistema que haga esto», ya sea cautiverio de suministro, papeleo de servicio al cliente o lo que sea.
El problema era que con las primeras GenAI, construir o implementar poco determinista era efectivamente difícil. Con los agentes, ahora podemos usar GenAI para construir sistemas casi deterministas y incluso podemos ser mucho más inteligentes en cuanto a precisión.
Si piensa en lo que se necesita para que un CXO diga sí a implementar una alternativa agente, todo se reduce a control y precisión. ¿Puedo controlarlo? ¿Efectivamente funciona? Este cambio en dirección a los agentes ha hecho posible alcanzar niveles de precisión que simplemente no podíamos alcanzar cuando todo se basaba en la presteza y la respuesta.
La respuesta menos interesante sigue siendo la correcta
catalina: ¿Qué le indica que una ordenamiento está efectivamente preparada para la IA agente?
Craig: La respuesta aburrida es la correcta: ¿tus datos están en orden?
Puede que te entusiasme mucho la IA agente, pero para las empresas todo se reduce al contexto. Y cuando decimos contexto, nos referimos a datos e información. ¿Puedes entregar la información correcta al agente en el momento adecuado de su razonamiento?
Vemos esto todo el tiempo. Los modelos más pequeños, más baratos y menos sofisticados pueden funcionar tan admisiblemente como los más avanzados si obtienen el contexto adecuado en el momento adecuado. No hay atajos para eso. Necesita un estanque de datos admisiblemente seleccionado con metadatos sólidos. Si no tienes eso, es muy similar al estudios obligatorio clásico. Usted dice: «Construyamos este maniquí», y se dedican dos meses y medio a ordenar los datos, y las últimas semanas se dedican a construir el sistema. Sin el trabajo de datos, no hay éxito.
Dos caminos a seguir cuando sus datos no están listos
catalina: Muchas organizaciones no son tan maduras con sus datos como les gustaría. Si un ejecutante mira su entorno y piensa: «Esto es un desastre, ¿por dónde empiezo?» ¿Qué has pasado trabajar?
Craig: Efectivamente hay dos caminos.
Uno es de debajo en dirección a en lo alto. Miras todos tus datos y dices: «¿Cómo puedo aguantar esto a un buen punto?» La buena comunicación es que las herramientas han mejorado espectacularmente. Sacar datos de sistemas heredados es más claro y GenAI puede incluso ayudar a escribir parte del código para hacerlo.
El otro camino se friso en casos de uso. Si un CEO o CIO dice: «Tenemos una gran ansia de agencia y queremos hacer X» y los datos son un desastre, puede comenzar preguntando: ¿qué datos necesito efectivamente para este caso de uso? Luego, buscas esas piezas, las modernizas y las pones al servicio de ese objetivo.
Ningún enfoque es internacionalmente mejor. La opción recto le brinda más flexibilidad más delante. El primer caso de uso puede ser más rápido cuando el problema es existencial. El único error positivo es no darle a los datos el tiempo y la atención que necesitan.
Por qué las primeras victorias van más allá del chat
catalina: ¿Dónde se están centrando los primeros usuarios en este momento? ¿Qué tipos de casos de uso cree que están ganando dominio?
Craig: Hace un año, muchos de los primeros usuarios se inclinaban en dirección a el marketing y otros casos de uso donde la naturaleza generativa de los modelos no era un inconveniente. Ahora, gracias a cosas como la convocatoria de herramientas y una anciano precisión, los clientes pueden agenciárselas mucho más. La concurrencia todavía está muy centrada en el chat. «Quiero que mis empleados hablen con poco». «Quiero que los clientes hablen con poco».
Pero el real entusiasmo que estoy viendo paseo en torno a la automatización y la optimización del flujo de trabajo. Recientemente hablé con un sotabanco ínclito que está tratando de gestionar todo su proceso de originación de préstamos. Solían ser horas de humanos revisando documentos. Ahora esperan hacerlo funcionar de forma totalmente agencial, con una estricta supervisión humana. Ese es un resultado mucho más convincente que simplemente otro chatbot.
La gobernanza se vuelve más difícil cuando los agentes se convierten en usuarios
catalina: ¿Cómo están repensando los líderes la casa y la gobernanza a medida que los sistemas se vuelven más autónomos?
Craig: Durante décadas, nos hemos centrado en dirigir datos estructurados y asegurarnos de que las personas adecuadas tengan entrada y las personas equivocadas no. Ahora tenemos que pensar en eso incluso para los datos no estructurados, y tenemos que pensar en los agentes como entidades nuevas. ¿Cómo me aseguro de que estos agentes tengan entrada a los datos correctos en el momento adecuado?
Asimismo hay que pensar en el beneficiario al otro banda del agente. Un ejemplo clásico es la creación de un chatbot sobre Jira. A menudo, Jira u otros sistemas similares pueden contener información confidencial. Si no se controla, cualquiera podría sacar a la luz esa información. Así que no se proxenetismo sólo de a qué puede aceptar el agente. Asimismo se proxenetismo de lo que el agente puede devolver según quién lo solicite. Los principios básicos existen, pero la gobernanza debe tratarse como un problema de primera clase, no como una ocurrencia tardía.
Una forma sencilla de pensar en la identidad, el entrada y los agentes
catalina: Esto se parece mucho a la papeleo de identidades y accesos. ¿Cómo deberían pensar los líderes en esto mientras se preparan?
Craig: Fundamentalmente, es papeleo de identidades y accesos, pero con una nueva clase de identidad: agentes.
Si no se tienen políticas sólidas de identidad y entrada, el mundo está a punto de volverse mucho más difícil. Si lo haces, esto encajará de forma más natural.
Una forma sencilla de pensarlo es:
- OMS ¿lo es? Sistemas de identidad sólidos que funcionan para humanos y actores no humanos.
- Qué ¿Se les permite hacer? Gobernanza entre API y datos.
- Cómo ¿lo hacen? Documentación y metadatos. ¿Qué hay en esta mesa? ¿Qué hace esta API?
Si los sistemas de identidad y la documentación son buenos, será mucho más claro señalarle a un agente y llevar a cabo rápidamente.
Los próximos 12 a 24 meses: desarrolle músculo antiguamente de perseguir el retorno de la inversión
catalina: Durante el próximo año o dos, ¿qué deberían planificar los equipos de liderazgo a medida que los sistemas agentes escalan?
Craig: Muchas empresas están estancadas en la cuestión de construir frente a comprar. Si fuera director ejecutante, querría claridad al respecto. Mi opinión es que deberías poder construir. No puedo imaginarme dirigiendo una gran empresa y subcontratando todo mi incremento de software.
Si tiene desarrolladores, debe planear desarrollar este músculo. A corto plazo, me importa mucho menos el retorno de la inversión (ROI) y mucho más si mi concurrencia puede construir y entregar estos sistemas. La ejercicio va antiguamente que la competición. Obtenga el talento adecuado en los primeros seis meses. En seis a doce meses, construye cosas de las que estés orgulloso. Posteriormente de eso, comience a ocasionar resultados comerciales reales.
Hay momentos para comprar. Si la funcionalidad no es fundamental para su diferenciación, considere comprarla. Pero si ya crea software para diferenciar su empresa, sus equipos deberían crear agentes para diferenciar su empresa.
La idea errónea que detiene en seco el progreso
catalina: ¿Cuál es el anciano error que se ve cuando las empresas prueban la IA agente por primera vez?
Craig: Despido a posteriori del fracaso.
Construyen poco, asegura mal una vez y dicen: «¿Ves? Te dije que estaría mal. Ya terminé». El crecimiento no funciona así. Si estuvo mal, pregunte por qué. Solucione la causa raíz y siga delante.
GenAI se sintió claro al principio, por lo que la concurrencia prórroga que siempre sea claro. Pero construir grandes sistemas de IA es difícil. Vas a tener fracasos. El éxito se proxenetismo de mejorar continuamente, no de hacerlo admisiblemente a la primera.
Hace un par de primaveras di una charla en la que una empresa integral de servicios financieros habló sobre un agente que crearon para ayudar a los empleados del centro de llamadas a incorporarse más rápido. Les pregunté cómo medían el éxito. La respuesta fue: «Ese no era el punto. El punto era conseguir que mi equipo tuviera experiencia».
Esa mentalidad se quedó conmigo. Las empresas que se presenten con esa disposición son las que van a triunfar.
catalina: La mentalidad de crecimiento.
Craig: Exactamente.
Pensamiento final
Lo que más me llamó la atención de esta conversación es que la IA agente no retribución los atajos. Las organizaciones que avanzan más rápido no se saltan las partes difíciles. Están haciendo un trabajo poco glamoroso en torno a los datos, la identidad, la gobernanza y la documentación, y están invirtiendo temprano en el incremento de capacidades internas.
Los sistemas agentes no solo cambian lo que la tecnología puede hacer. Suben el lista sobre qué tan preparada debe estar una ordenamiento para utilizarlo admisiblemente.
Para obtener más información sobre cómo crear un maniquí activo eficaz, descargue el Maniquí de envero de IA de Databricks.