En asociación con
Los proveedores entienden que este tipo de informes y publicidad agresiva en torno a los riesgos competitivos proyectados en un sector industrial llevaría muchas llamadas de las juntas a su C-suite, rodando de C-suite a su personal, todos preguntando: “¿Qué estamos haciendo con la IA?” Cuando se le pidió que “haga algo con IA”, el liderazgo técnico y sus organizaciones respondieron de inmediato, a veces a regañadientes y a veces con entusiasmo, por oportunidades sancionadas por el trabajo para tener en sus manos una nueva tecnología. En ese momento, no había tiempo para clasificar entre los retornos comerciales reales de aplicar casos de uso de IA y “novedad de IA” que eran más máquinas Rube Goldberg que los avances tangibles.
Oportunidad de hoy: ganancias de automatización significativas
Cuando los líderes responden al pánico inmediato, a menudo surgen nuevos riesgos comerciales y mitigaciones. Dos ejemplos recientes destacan las consecuencias de apresurarse a implementar y publicar resultados positivos de la adopción de la IA. The Wall Street Journal informó en abril de 2025 en Empresas que luchan por realizar los retornos de la IA. Solo unas semanas después, se cubrió La retracción del MIT de un documento técnico sobre la IA, donde los resultados que llevaron a su publicación no podían ser justificados.
Si bien estos informes demuestran las trampas de la excesión excesiva en la IA sin barandillas de sentido común, no todos están fuera de la pista en la tierra de la adopción de la IA empresarial. Se encuentran resultados increíbles del uso juicioso de IA y tecnologías relacionadas en la automatización de procesos en todas las industrias. Ahora que estamos a través de la etapa de “miedo a perderse” y podemos llegar a los negocios, ¿dónde están los mejores lugares para buscar valor al aplicar la IA a la automatización de su negocio?
Si bien los chatbots son casi tan generalizados como las nuevas descargas de aplicaciones para teléfonos móviles, las aplicaciones de AI realizan la automatización y las ganancias de productividad se alinean con el propósito y la arquitectura únicos del sistema de IA subyacente en el que se basan. Los patrones dominantes donde las ganancias de IA se realizan actualmente se reducen a dos cosas: lenguaje (traducción y patrones) y datos (creación de nuevos formatos y búsqueda de datos).
Ejemplo uno: procesamiento del lenguaje natural
Desafío de automatización de fabricación: el modo de falla y el análisis de efectos (FMEA) es crítico y a menudo es intensivo en mano de obra. No siempre se realiza antes de una falla en los equipos de fabricación, por lo que a menudo FMEA ocurre en un escenario estresante de la línea de fabricación. En el caso de Intel, una huella global de instalaciones de fabricación separadas por grandes distancias junto con zonas horarias y diferencias de lenguaje preferidas hace que esto sea aún más difícil encontrar la causa raíz de un problema. Se dedican semanas de esfuerzo de ingeniería por análisis FMEA repetido en grandes flotas de herramientas repartidas entre estas instalaciones.
SOLUCIÓN: Apalancamiento de servidores de computar CPU ya implementados para el procesamiento del lenguaje natural (PNL) en los registros de herramientas de fabricación, donde los técnicos de fabricación locales mantienen las observaciones sobre las operaciones de las herramientas. El análisis también aplicó el análisis de sentimientos para clasificar las palabras como positivas, negativas o neutrales. El nuevo sistema realizó FMEA en seis meses de datos en menos de un minuto, ahorrando semanas de tiempo de ingeniería y permitiendo que la línea de fabricación prestara servicio de manera proactiva a un horario preventivo en lugar de incurrir en un tiempo de inactividad inesperado.
Desafío de la institución financiera: los lenguajes de programación comúnmente utilizados por los ingenieros de software han evolucionado. Las instituciones maduras de Bellwether a menudo se formaron a través de una serie de fusiones y adquisiciones a lo largo de los años, y continúan dependiendo de sistemas críticos que se basan en lenguajes de programación de 30 años con los que los ingenieros de software de día no están familiarizados.
Solución: use PNL para traducir entre los lenguajes de programación antiguos y nuevos, dando a los ingenieros de software un impulso necesario para mejorar la capacidad de servicio de los sistemas operativos críticos. Use el poder de la IA en lugar de hacer una reescritura arriesgada o una actualización masiva.
Ejemplo dos: Especificaciones de productos de la empresa y modelos de IA generativos
Desafío de automatización de ventas: el tiempo que lleva reformatear los datos de productos de una empresa en un formato específico de RFP de clientes ha sido un desafío continuo en todas las industrias. Los equipos de ventas y clientes potenciales técnicos pasan semanas de trabajo en diferentes cuentas reformatando los mismos datos raíz entre los formatos de documento PowerPoint o Word preferidos. Los tiempos de respuesta del cliente se midieron en semanas, especialmente si los RFP requerían revisiones legales.
Solución: mediante el uso de IA generativa combinada con una técnica de extracción de datos y provisión llamada Generación Aumentada de Recuperación (RAG), las empresas pueden reformatear rápidamente la información del producto entre los diferentes formatos de respuesta de RFP requeridos por el cliente. El tiempo dedicado a los datos en movimiento entre diferentes documentos y diferentes tipos de documentos solo para encontrar un error no forzado en el movimiento se reduce a horas en lugar de semanas.
Desafío de automatización de políticas de recursos humanos: navegar por los procesos internos puede llevar mucho tiempo y confundir tanto para recursos humanos como para empleados. Las consecuencias de la mala interpretación, las interrupciones de acceso y la información personal o los datos privados que se exponen son enormemente importantes para la empresa y el individuo.
Solución: Combine la IA generativa, el trapo y un chatbot interactivo que utiliza activos asignados a los empleados para determinar los derechos de identidad y acceso, proporciona a los empleados formatos de chat interactivos basados en consultas para responder sus preguntas en tiempo real.
Encontrar sus mejores casos de uso para AI
En un mundo donde 80% a 90% de todas las pruebas de conceptos de IA No escala, ahora es el momento de desarrollar un marco que se basa en la precaución. Considere comenzar con una estrategia de datos y una evaluación de gobernanza. Luego, encuentre oportunidades para comparar esfuerzos exitosos de automatización basados en IA en compañías de pares a través de discusiones de pares. Las políticas y procesos claros basados en reglas ofrecen las mejores oportunidades para comenzar un viaje exitoso de automatización de IA en su empresa. Cuando se encuentre con fuentes de datos dispares (por ejemplo, bases de datos no estructuradas, de video, estructuradas) o procesos poco claros, mantenga controles de decisión humanos más estrictos para evitar datos inesperados o exposición a tokens y sobrecosto.
A medida que el ciclo de bombo de IA se enfría y se monta la presión comercial, ahora es el momento de volverse práctico. Aplique AI a casos de uso bien definidos y comience a desbloquear los beneficios de automatización que importarán no solo en 2025, sino en los próximos años.
Este contenido fue producido por Intel. No fue escrito por el personal editorial de MIT Technology Review.
Publicado Originalme en TechnologyReview.com el 15 de julio de 2025.
Ver Fuente Original
