Estamos a las puertas de la AGI

Estamos a las puertas de la AGI

Estamos a las puertas de la Inteligencia Artificial General (AGI)

¿Estamos o no en vías de alcanzar pronto la Inteligencia Artificial General?

En un reciente artículo de Marta Peirano en El País «No habrá inteligencia artificial general» (3 de junio, 2024), se argumenta que no podemos alcanzar la Inteligencia Artificial General (AGI) debido a las «alucinaciones» de los modelos de lenguaje neurales. Para ello, se apoya en algunas nociones científicas del campo de la biología y la lingüística, a mi entender, ampliamente superadas.

 

En contra de esa muy respetable opinión, considero que hay varios paradigmas y conceptos científicos vigentes que sugieren que la AGI puede muy bien ser un objetivo alcanzable en el futuro inmediato.

Hombre pensando

Creo necesario recordar qué se acepta comúnmente como definición de AGI:

«La Inteligencia Artificial General (AGI) es un campo de investigación teórica de la IA que intenta crear software con inteligencia similar a la humana y con capacidad para aprender y resolver problemas complejos sin intervención manual».

No la confundamos, por tanto, con el concepto de superinteligencia, según el cual la IA rebasaría el conocimiento humano en todos los ámbitos.

La complejidad (véase Morin, E. Intelligence de la complexité, 2013) es una característica fundamental de los sistemas biológicos y sociales. Los modelos de lenguaje neurales son sistemas complejos que pueden aprender y adaptarse a nuevas situaciones. La complejidad puede ser una clave para alcanzar la AGI, ya que permite a los modelos de lenguaje neurales desarrollar patrones y estructuras más sofisticadas. Lo que antes nos resultaba un volumen de datos casi inmanejable, como lo fuera el contenido de una enciclopedia o el medio millón de términos de un idioma como el inglés o el español, es ahora una minucia en comparación con el casi petabyte de datos de MLM’s como Gemini, Llama o GPT-4o.

Y no olvidemos que este volumen corresponde a datos de entrenamiento y no incluye el procesamiento de datos incremental sobre el que también aprenden, segundo a segundo, los grandes modelos de lenguaje. La capacidad de cómputo necesaria para manejar este volumen de información antes era impensable, pero hoy es una realidad. Ya la antigua ley de Moore, enunciada en 1965, describía cómo la potencia de los procesadores se duplica aproximadamente cada 18 meses, lo que ha llevado a una explosión en la capacidad computacional y la cantidad de datos disponibles.

La potencia computacional disponible para el entrenamiento y funcionamiento de modelos de lenguaje neurales ha aumentado exponencialmente en los últimos años (Nvidia, Meteor Lake, Qualcomm, Huawei…) y esta tendencia continuará de la mano de nuevos algoritmos y procesadores especializados. Si se mantiene esta tendencia, es predecible que los modelos de lenguaje neurales sigan mejorando y se acerquen a la AGI.

Desde los años 50, la teoría del aprendizaje automático se centra en el desarrollo de algoritmos que permiten a los modelos de lenguaje neurales aprender de manera autónoma. La teoría del aprendizaje automático será una herramienta clave para alcanzar la AGI, pero no solo en el ámbito lingüístico: La colaboración interdisciplinar y la integración de conocimientos constituyen el objetivo fundamental en la AGI. Expertos de muy diferentes campos, desde la informática a la psicología y la robótica, trabajan ya conjuntamente para alcanzar ese objetivo. Ello permitirá a los investigadores compartir conocimientos y enfoques para abordar los desafíos más complejos y entrenar en ese conocimiento (y ahora uso esta palabra intencionalmente) a MLM’s cada vez más sofisticados.

 

Los modelos de lenguaje neurales tienen ya la capacidad de aprender y combinar diferentes tipos de conocimientos, como la información visual, código en multitud de lenguajes, y muy diferentes contextos, desde la cuántica a la biología molecular. A mi entender, esta integración de conocimientos permitirá muy pronto a los modelos de lenguaje neurales desarrollar una comprensión más profunda del mundo y del razonamiento humano… e incluso superarlo.

Cada nueva versión de un MLM mejora sustancialmente en la identificación y corrección de sesgos y alucinaciones que, a juicio de la redactora de El País, impedirían alcanzar la AGI. Lejos de ello, cada nuevo modelo propone logros tan sorprendentes como la construcción de idiomas más eficientes que los humanos para comunicarse, la redefinición de «arte visual», la nueva robótica o el desdoblamiento de proteínas, por citar solo algunos de los más llamativos.

Y recordando a Galileo, ya que lo cita Peirano, baste decir que en nuestra realidad coexisten los bonsáis y las secoyas. Y los árboles no crecen más hacia arriba porque cuando su inteligencia (si se prefiere ahora, en sentido metafórico) descubre que es más eficiente hacerlo a lo ancho, crea maravillas como el Gigante de Sevier en Utah.

Secoya

Mala memoria tienen los que no recuerdan cómo era nuestra realidad científica hace solo 5 años… y poca imaginación quienes no sean capaces de visualizar cómo será el próximo lustro.

 

Hay una amplia gama de paradigmas y conceptos científicos que sugieren que la AGI puede ser un objetivo alcanzable en un futuro muy cercano. Yo lo creo así. Pero, como apunta Josh Bachynski, la discusión no nos corresponde a los programadores, ingenieros, biólogos o mercadólogos, que desconocemos el significado y alcance del término «conocimiento». Es una cuestión epistemológica sobre la que la filosofía lleva reflexionando al menos 2500 años. Tal vez, después de todo este tiempo, sea la AGI la que proporcione la respuesta.

Negocios Inteligentes con Herramientas de IA

Negocios Inteligentes con Herramientas de IA

¡2ª Edición!

Anuncio curso Negocios inteligentes con herramientas de IA

Tras el éxito de la primera edición, el Instituto de Estudios Cajasol convoca por segunda ocasión el curso-taller «Negocios inteligentes con herramientas de IA».

Una formación en la que haremos un recorrido práctico por las herramientas más innovadoras y relevantes de la Inteligencia Artificial, y te enseñaremos cómo aplicarlas en las diferentes áreas de tu empresa para maximizar su potencial. https://bit.ly/neginia

Por Christian Fernández Alonso
 7, 14 y 21 de febrero
16:30h. a 20:30h.
 https://bit.ly/talgoins

institutocajasol.com
954890300
info@institutocajasol.es

#formacion #curso #ia #negocios #negociosinteligentes #innovacion #iaempresas #inteligenciaartificial

Borrador de la ley europea sobre inteligencia artificial

Borrador de la ley europea sobre inteligencia artificial

Unión Europea

Europa toma medidas drásticas

La amplia ley europea sobre inteligencia artificial avanzó decisivamente hacia su aprobación.

Novedades: Después de años de debate, los representantes de los poderes legislativo y ejecutivo de la Unión Europea acordaron sobre un borrador de la Ley de IA, un enfoque integral para regular la IA. Cuando la sesión legislativa llegó a su fin, los representantes negociaron casi sin parar para aprobar el proyecto de ley antes de la fecha límite. Volverá al parlamento europeo y a los países miembros para su aprobación final en la primavera de 2024 y entrará en vigor aproximadamente dos años después.

Cómo funciona: El marco limita los usos de la IA que se consideran especialmente riesgosos. Los acuerdos de última hora aligeraron las cargas para las pequeñas empresas y el desarrollo de código abierto. Incluye las siguientes disposiciones:

  • La Ley de IA no se aplica a (i) sistemas destinados únicamente a la investigación, (ii) sistemas fuera del ámbito de la legislación de la UE, como los ejércitos y aparatos de seguridad de los estados miembros, y (iii) organismos encargados de hacer cumplir la ley. Los desarrolladores de modelos gratuitos y de código abierto están exentos de algunos requisitos como se especifica a continuación.
  • El proyecto de ley prohíbe ciertas aplicaciones de IA en circunstancias particulares, incluida la vigilancia policial predictiva, la extracción de imágenes faciales sin un objetivo específico, el reconocimiento de emociones en lugares de trabajo o escuelas, la calificación de la confiabilidad o la posición social de las personas para determinar el riesgo de incumplimiento o fraude, y el uso de datos biométricos. datos para inferir información demográfica sensible como religión u orientación sexual.
  • Los sistemas de inteligencia artificial utilizados en áreas designadas de alto riesgo, como la identificación biométrica, el control fronterizo, la educación, el empleo, la infraestructura, la justicia y los servicios públicos, enfrentan un escrutinio especial. Los desarrolladores deben realizar evaluaciones de seguridad y proporcionar pruebas detalladas de seguridad. La carga es algo más ligera para las pequeñas y medianas empresas, cuyas tarifas son proporcionales a su tamaño y cuota de mercado. Las pequeñas y medianas empresas también tienen acceso a los llamados “sandboxes regulatorios”, entornos de implementación en los que los costos regulatorios se eliminan por completo a cambio de una mayor supervisión.
  • Los desarrolladores de inteligencia artificial de propósito general (GPAI), definida como modelos que pueden usarse para muchas tareas diferentes, deben informar los procedimientos y datos que utilizaron para entrenar sus modelos. Los modelos gratuitos y de código abierto están exentos de estos requisitos. Todos los modelos deben cumplir con las leyes de derechos de autor de la UE.
  • Antes de estar ampliamente disponibles, los modelos GPAI que plantean “riesgos sistémicos” deben informar el consumo de energía, ajustar los datos, los riesgos, las pruebas de seguridad y los incidentes de seguridad. (No está claro qué distingue a un modelo que plantea “riesgos sistémicos” de uno que no los presenta). Los modelos gratuitos y de código abierto no están exentos de estos requisitos. 
  • Todos los medios generados por IA deben estar claramente etiquetados.
  • El proyecto de ley establece multas multimillonarias para las empresas que violen sus términos. Las nuevas empresas y las pequeñas empresas deberán pagar multas menores por infracciones.
  • Una nueva Oficina de IA dentro del poder ejecutivo de la UE supervisará los modelos GPAI y creará estándares y prácticas de prueba. Un panel independiente de científicos asesorará a la Oficina de IA. Una Junta de AI compuesta por representantes de cada estado miembro de la UE asesorará a la Oficina de AI y transmitirá sus decisiones a los estados miembros.

Qué sigue: Los representantes han coincidido en estos grandes rasgos, pero seguirán revisando los detalles. Después de una investigación más exhaustiva, el Parlamento Europeo volverá a votar y un consejo de diputados de cada estado miembro de la UE también votará, muy probablemente a principios de 2024. Ambos organismos aprueban el proyecto de ley, que entrará en vigor a más tardar en 2026.

Detrás de la noticia: La Ley de IA ha estado en construcción desde 2021. La tecnología ha evolucionado significativamente desde entonces y la propuesta ha sido objeto de varias revisiones para mantener el ritmo. La llegada de ChatGPT provocó una ronda de revisiones para controlar los modelos básicos. Las negociaciones alcanzaron un punto álgido a finales de diciembre. Francia, Alemania e Italia, buscando proteger a los desarrolladores en sus países, buscaron debilitar las restricciones a los modelos de fundaciones. España se opuso a ellas, que buscó fortalecer la supervisión de los modelos de fundaciones más poderosos. Las negociaciones finales se referían a excepciones para el uso policial y militar de IA dentro de los estados miembros. Francia lideró un grupo de países que presionaron para obtener mayores exenciones militares.

Por qué es importante: La Ley de IA es el esfuerzo más amplio y detallado para regular la IA hasta la fecha. Hay mucho en juego: Europa no sólo tiene una incipiente industria de IA propia, sino que las leyes de la UE a menudo dictan las prácticas de las empresas fuera de la unión. Sin embargo, el proyecto de ley no entrará en vigor hasta dentro de años, cuando la IA puede presentar desafíos muy diferentes.

Qúe pensamos sobre esto: Una regulación eficaz debería mitigar los daños sin sofocar la innovación. El mejor enfoque es regular las aplicaciones en lugar de la tecnología subyacente, como los modelos básicos. Si bien la UE restringe algunas aplicaciones de maneras útiles, también limita la tecnología fundamental de maneras que esperamos que perjudiquen la innovación en los estados miembros de la UE. Acogemos con satisfacción las disposiciones añadidas en el último momento para aligerar la carga de las pequeñas empresas y los desarrolladores de código abierto. Estos triunfos de última hora reflejan los esfuerzos de muchas personas que presionaron para proteger la innovación y la apertura.

Fuente: Deeplearning.ai – 13 de diciembre, 2023

Cómo la IA generativa puede impulsar el marketing de consumo

Cómo la IA generativa puede impulsar el marketing de consumo

Cerebro IA

Por Lisa Harkness , Kelsey Robinson, Eli Stein y Winnie Wu

Desde la automatización de procesos y el impulso de la hiperpersonalización hasta la alteración permanente del proceso de generación de ideas, la IA generativa está preparada para ser un catalizador de una nueva era de capacidades de marketing.

Imagine un mundo donde los especialistas en marketing no tengan limitaciones creativas. Un mundo donde puedan hacer la oferta adecuada en el momento adecuado para la persona adecuada, en una comunicación que se sienta como un todo cohesivo, en lugar de una mezcla inconexa de Mad Libs. Un mundo donde las ganancias en eficiencia derivadas de la automatización y la generación automatizada de contenido van de la mano con un mayor conocimiento de los clientes. Un mundo donde los clientes ahorran tiempo y esfuerzo al encontrar y acceder a los bienes y servicios que desean y necesitan. Un mundo donde los especialistas en marketing puedan satisfacer y ofrecer mejor valor al cliente y centrarse en la innovación.

La IA generativa acerca este santo grial de la hiperpersonalización a una escala cercana a la realidad.

La Gen AI está haciendo posible revolucionar el marketing de consumo tal como lo conocemos actualmente. A nivel de empresa individual, las campañas de marketing que alguna vez requirieron meses de diseño de contenido, generación de información y orientación al cliente pueden implementarse en semanas o incluso días, a menudo con personalización a escala y pruebas automatizadas. El desarrollo de sitios web y las tareas de servicio al cliente suelen ser los obstáculos en las interacciones con los consumidores individuales. Pero cuando se ejecutan bien, pueden inducir un mayor compromiso y mejorar la satisfacción. Los especialistas en marketing pueden analizar e interpretar simultáneamente datos de texto, imágenes y videos para comprender mejor las oportunidades de innovación. La IA está impulsando la personalización granular de maneras que antes no eran posibles. 

Estas ganancias de productividad gracias a la IA generativa están comenzando a repercutir en todo el mercado económico global. Un informe reciente de McKinsey estima que la IA generativa podría contribuir con hasta 4,4 billones de dólares a la productividad global anual. Según el análisis, marketing y ventas es uno de los cuatro grupos funcionales que combinados podrían generar aproximadamente el 75 por ciento de ese valor. La productividad del marketing por sí sola gracias a la IA generativa podría aumentar entre un 5 y un 15 por ciento del gasto total en marketing, con un valor aproximado de 463 mil millones de dólares al año.

Se avecinan cambios drásticos y las empresas que se mantienen al margen corren el riesgo de quedarse atrás.

En este artículo, exploramos tres formas en que las empresas de consumo pueden crear valor con la IA generativa. Las empresas ya se están adentrando en este nuevo mundo explotando los modelos de Gen AI existentes que están disponibles públicamente. El siguiente paso para ellos será diferenciarse, impulsando una personalización inigualable y mayores capacidades al integrar esos modelos con sus propios datos y sistemas. Finalmente, analizamos las oportunidades a largo plazo para las empresas que quieran avanzar aún más reinventando sus procesos de extremo a extremo con IA generativa.

Comenzando con la IA generativa en marketing

Los usos actuales de la IA generativa en marketing consisten principalmente en pilotos listos para usar integrados en flujos de trabajo existentes. Estos esfuerzos brindan valor inmediato al ayudar a las empresas a generar textos e imágenes en menos tiempo, personalizar campañas y responder a los comentarios de los clientes y aprender de ellos. Pero también están ayudando a las empresas a aprender sobre la generación de IA, desarrollar las capacidades que necesitarán para aprovecharla de manera más profunda y liberar a empleados valiosos para tareas de nivel superior. Ese es uno de los atractivos de la IA generativa: como muestran los siguientes ejemplos, tiene el potencial de generar valor rápidamente, a diferencia de otras tecnologías que recompensan a las empresas sólo después de años de inversión.

Tienda Michaels
Copyright: 2013 Bloomberg
  • Personalización de campañas de marketing. El minorista de artesanías Michaels Stores, por ejemplo, está utilizando IA generativa como parte de su enfoque para profundizar la participación del cliente a través de interacciones más personalizadas y frecuentes con sus compradores. La empresa creó una plataforma de generación de contenido y toma de decisiones para ayudar con el desarrollo de textos y comprender mejor cómo los segmentos de clientes interactúan con los diferentes mensajes. Michaels ha pasado de personalizar el 20 por ciento de sus campañas de correo electrónico a personalizar el 95 por ciento. Esto ha aumentado la tasa de clics para las campañas de SMS en un 41 por ciento y las campañas de correo electrónico en un 25 por ciento.
  • Análisis de datos de clientes no estructurados. Los esfuerzos de hiperpersonalización también se benefician de análisis más granulares del comportamiento del consumidor, que pueden ampliarse con la IA generativa . El servicio de ropa personal Stitch Fix, por ejemplo, utiliza inteligencia artificial para ayudar a los estilistas a interpretar los comentarios de los clientes y brindar recomendaciones de productos. Instacart está utilizando inteligencia artificial para ofrecer a los clientes recetas e ideas para planificar comidas y generar listas de compras.
  • Automatización de procesos. Los especialistas en marketing siempre han desempeñado un papel integrador fundamental entre las empresas. Como era de esperar, estamos viendo oportunidades para que las empresas automaticen las interacciones entre el marketing y otras funciones (por ejemplo, servicio, ventas, desarrollo de productos, I+D y revisiones legales). Un minorista directo al consumidor, por ejemplo, está utilizando IA generativa para ayudar a resolver los tickets de los clientes, como la toma de pedidos o las solicitudes de reparación. Al utilizar IA para automatizar los pasos del proceso (por ejemplo, recuperar información en el back-end, realizar los cambios necesarios y responder a los clientes con la voz de la marca), la empresa ha experimentado una disminución de más del 80 por ciento en el tiempo hasta la primera respuesta y una reducción de cuatro minutos en el tiempo promedio para resolver una queja. El uso de IA generativa también le ha dado al equipo de atención al cliente de la empresa más tiempo para centrarse en las interacciones de nivel superior con los clientes. Además, existen importantes oportunidades para agilizar la creación de activos de marketing multiversión y con plazos de entrega prolongados, como planes de medios, revisiones trimestrales, planes estratégicos y agendas de reuniones.
  • Identificación de oportunidades y generación de ideas. Los especialistas en marketing están utilizando IA generativa para analizar los movimientos de la competencia, evaluar el sentimiento del consumidor y probar nuevas oportunidades de productos. La generación rápida de conceptos de productos listos para responder puede mejorar la eficiencia de productos exitosos, aumentar la precisión de las pruebas y acelerar el tiempo de comercialización. Mattel, por ejemplo, está utilizando IA en el desarrollo de productos Hot Wheels para generar cuatro veces más imágenes conceptuales de productos que antes, inspirando nuevas características y diseños. Kellogg’s está analizando recetas de moda que incorporan (o podrían incorporar) cereales para el desayuno y utiliza los datos resultantes para lanzar campañas sociales en torno a recetas creativas y relevantes. Y L’Oréal está analizando millones de comentarios, imágenes y videos en línea para identificar posibles oportunidades de innovación de productos.

A medida que las empresas comiencen a explorar oportunidades con la IA generativa, querrán asegurarse de que cualquier esfuerzo que lancen esté en consonancia con sus objetivos generales de marketing. Intentar incorporar demasiadas iniciativas de IA con la esperanza de que algo funcione puede resultar costoso, difuso y difícil de rastrear, lo que dificulta la incorporación de las lecciones que se generen en los lanzamientos. En cambio, las empresas pueden centrarse en dos o tres casos de uso en los que las herramientas de IA disponibles en el mercado pueden proporcionar un impacto inmediato en dominios prioritarios.

 

A lo largo del proceso de aplicación y adopción de la IA generativa, los especialistas en marketing deben asegurarse de que existan medidas para mitigar riesgos como las «alucinaciones» (cuando la IA generativa produce resultados que suenan seguros y que no se basan en hechos, datos o patrones algorítmicos verificables), prejuicios, violaciones de la privacidad de datos e infracción de derechos de autor. La IA generativa no suele ser adecuada para la toma de decisiones de alto riesgo, entornos regulados o aplicaciones que implican un gran volumen de solicitudes o razonamiento numérico. Hemos descubierto que establecer un líder responsable, así como una junta de supervisión tecnológica, son primeros pasos importantes. Otras barreras de seguridad pueden incluir trabajar en un nivel de revisión humana para cualquier cosa que vaya directamente a un cliente o limitar los tipos de temas que la IA generativa puede abordar para las campañas de marketing.

IA generativa personalizada para marketing

Muchas empresas han comenzado a desarrollar casos de uso como los enumerados anteriormente. Sin embargo, las empresas que buscan diferenciarse verdaderamente van más allá. Están creando soluciones únicas y personalizadas para los clientes adaptando modelos disponibles en el mercado que se entrenan en conjuntos de datos más pequeños y específicos de tareas. Aquí es cuando las empresas pueden empezar a ver mejoras exponenciales en la personalización de todo para los clientes, desde campañas hasta productos. Cuando las empresas comienzan a remodelar los modelos de IA generativa existentes con sus propios datos y para sus necesidades altamente específicas, los resultados pueden ser profundos.

 En el mundo del marketing, perfeccionar un modelo de IA generativa existente podría significar entrenar un modelo de código abierto con datos propietarios (por ejemplo, directrices de marca o creatividades de campañas de marketing históricas) para generar contenido personalizado. Este tipo de solución de IA generativa semipersonalizada se puede actualizar periódicamente con nuevos datos de la empresa y aprendizaje continuo. El resultado es una solución de inteligencia artificial personalizada y en continua mejora que ayuda a aumentar la ventaja competitiva de una empresa a medida que se desarrolla.

 Ya estamos viendo empresas experimentar con IA generativa en casos de uso de alta prioridad. Aquí hay dos ejemplos:

 

Alcance hiperlocal

Una empresa de telecomunicaciones europea utilizó IA generativa para pasar de mensajes de contacto con el cliente, muy manuales y contundentes, a mensajes que interactuarían de manera más efectiva con segmentos específicos. Anteriormente, esta empresa de telecomunicaciones implementaba mensajes en solo cuatro macrosegmentos. Con una operación ajustada, se vio limitada por su capacidad para crear textos. Y a menudo, el mensaje que se produjo no resonó en los destinatarios. Por ejemplo, los mensajes enviados a clientes que no estaban en su dialecto nativo (el país en el que opera esta empresa de telecomunicaciones tiene varios dialectos) tuvieron tasas de conversión particularmente bajas.

La empresa de telecomunicaciones creó un motor basado en inteligencia artificial para crear mensajes hiperpersonalizados para 150 segmentos específicos. El motor se entrenó en datos de información no identificable personalmente para adaptar las comunicaciones a los atributos demográficos, regionales, dialectos y otros atributos de cada segmento. La información se pasó a GPT-4 y Dall-E para crear copias e imágenes, que luego se transfirieron al proveedor de servicios de correo electrónico a través de API y se prepararon para su implementación. Luego, los modelos de aprendizaje automático de próxima mejor acción recomendaron el producto, el canal de marketing y el momento óptimos para las comunicaciones de cada cliente. Con medidas de seguridad y protocolos de gobernanza adecuados (en este caso, participación humana total y revisión de todos los pasos para limitar explícitamente el número de versiones y el grado de personalización) para abordar los requisitos de riesgo, ética y privacidad, estas comunicaciones se implementaron a escala. El resultado fue un aumento del 40 por ciento en las tasas de respuesta, así como una reducción del 25 por ciento en los costos de implementación.

 

Innovación en el desarrollo de productos, creatividad y experiencias.

Una empresa asiática de bebidas buscaba entrar en el mercado de la UE más rápidamente de lo que habría tardado con los enfoques tradicionales de innovación y marketing. Históricamente, la empresa podía dedicar un año entero a idear un nuevo concepto de producto para un nuevo mercado. Recurrió a la inteligencia artificial para ayudar a responder dos preguntas: qué tipos de nuevas bebidas podrían atraer a los clientes europeos e impulsar el crecimiento, y qué métodos innovadores podrían acelerar el proceso de innovación de productos de principio a fin.

La empresa de bebidas utilizó por primera vez ChatGPT para proporcionar información a los usuarios proporcionándole información agregada y no confidencial del cliente y luego hizo preguntas sobre las tendencias de sabor para generar una comprensión básica del consumo de bebidas y el comportamiento del consumidor en el mercado de la UE. Este proceso llevó un día, mientras que este tipo de investigación de mercado suele tardar hasta una semana. Luego, el equipo de marketing profundizó esos conocimientos aplicando métodos de investigación más tradicionales, como etnografías y diarios digitales.

Los investigadores y diseñadores también recurrieron a la inteligencia artificial para perfeccionar los conceptos de productos. En el mundo del diseño de productos, a un diseñador industrial a menudo le toma entre siete y diez días desarrollar un concepto único de bebida de alta fidelidad que encapsule forma, sabor y empaque. Utilizando una herramienta de inteligencia artificial que genera conversión de texto a imagen, la empresa pudo producir 30 conceptos de bebidas de alta fidelidad con imágenes detalladas en un solo día. Luego, los especialistas en marketing llevaron estos conceptos al campo para realizar pruebas rápidas con los clientes. Debido a que los conceptos de IA de la generación parecían reales, los especialistas en marketing pudieron recopilar comentarios sólidos en esta etapa inicial sobre qué explorar más a fondo. Al final, la IA generativa ayudó a la empresa de bebidas a completar un proceso de un año en solo un mes.

Transformando el marketing con IA generativa

Además de utilizar herramientas de marketing disponibles en el mercado y soluciones personalizadas, es posible que las empresas quieran considerar cómo sería a largo plazo una función de marketing transformada por la IA generativa . En este futuro transformado, casi todas las tareas de marketing podrían ser asistidas por la IA generativa : por ejemplo, si los especialistas en marketing necesitan escribir un texto, podrían comenzar con un borrador escrito con IA. Si los especialistas en marketing necesitan investigar, podrían comenzar pidiendo a la IA generativa información obtenida democráticamente. Pero si bien la futura función de marketing tiene el potencial de ser más innovadora con la generación de IA, deben existir barreras de seguridad para garantizar que la información de identificación personal no quede expuesta, que los materiales protegidos por derechos de autor no se utilicen de manera inadecuada y que se mitiguen otros riesgos.

Un futuro de marketing habilitado por la IA generativa también apuntará a experiencias de cliente únicas y destacadas que impulsen dramáticamente el crecimiento. Estos podrían incluir una campaña de marketing por correo electrónico muy relevante con decenas de miles de experiencias de clientes personalizadas, un chatbot para una empresa de cosméticos que pregunta a los clientes sobre sus objetivos y crea una rutina de belleza personalizada, o planes de alimentación generados adaptados a los hábitos alimentarios y las restricciones alimentarias de una familia. Este futuro implica casos de uso orientados al cliente que requieren un esfuerzo real para imaginarlos, construirlos y diseñarlos.

 Si bien todavía estamos en los primeros días y nadie está exactamente seguro de cómo será el futuro de la IA generativa, sabemos que se avecina una transformación basada en la IA. Así es como las empresas pueden empezar a funcionar para no quedarse atrás:

  1.  Cree una visión y una hoja de ruta. Según el contexto único de cada empresa, los especialistas en marketing pueden comenzar por crear una visión de un futuro de marketing habilitado por la IA generativa, cuando la tecnología pueda abordar tareas que requieren mucho tiempo, costos y recursos. Esta misión debe tener en cuenta los principios rectores de la organización, incluida la IA responsable. A partir de ahí, los especialistas en marketing pueden elaborar un plan sobre dónde invertir (basado en las capacidades únicas de su empresa, el conjunto competitivo y las necesidades de los clientes) y qué desarrollar. Los líderes de marketing deben asegurarse de que la empresa esté coordinada de arriba hacia abajo sobre qué casos de uso priorizar. La hoja de ruta debe incluir un camino de aprendizaje y capacitación para los empleados, así como un plan de comunicaciones internas para toda la organización para garantizar que todos avancen en la misma dirección.
  2. Forme el equipo para lograrlo. Las empresas pueden desarrollar un equipo de tres niveles para ayudar a garantizar una estrategia de IA exitosa. La primera capa debería consistir en una oficina de acción que posea y coordine la estrategia y ejecución de las iniciativas. La segunda capa debe estar compuesta por módulos multifuncionales que creen e implementen casos de uso individuales. Finalmente, la tercera capa debe ser un equipo de base técnica que garantice una plataforma estable y segura sobre la cual desarrollar casos de uso.
  3. Obtenga algunas victorias rápidas. Para casos de uso priorizados y de baja complejidad en los que se pueden aplicar herramientas de IA generativa s disponibles en el mercado, iniciar algunos esfuerzos para aprender e identificar dónde la IA puede ofrecer el mayor valor, qué talentos y habilidades se necesitan para sostener esta capacidad, y cuáles son los requisitos del modelo operativo para escalar de manera efectiva. Un resumen de diseño podría detallar la propuesta de valor para el usuario y el caso de uso, y un plan de construcción podría enumerar los requisitos tecnológicos, los prototipos y las decisiones de “construir, comprar o asociarse”.

Los líderes en marketing de IA generativa también pueden comenzar a crear casos de uso de alto valor. Estos suelen ser complejos y es probable que requieran un ajuste fino de los modelos básicos de IA generativa (en lugar de modificar una solución estándar) y mejoras significativas en cualquier primer borrador de la solución. El mayor desafío será cómo escalar. Empiece por garantizar la propiedad conjunta entre el liderazgo técnico y empresarial, ya que ambos grupos son fundamentales. Luego, con el caso de uso, pruebe e itere continuamente en función de los comentarios de los usuarios para informar la implementación y el escalado.

Al adoptar este enfoque de tres niveles para la IA generativa en marketing (pilotos de IA generativa disponibles en el mercado, soluciones de IA generativa personalizadas y transformaciones de IA generativa ), las empresas pueden desbloquear el potencial de la tecnología para ayudar a impulsar la eficiencia, la eficacia y la creatividad. Un posible cronograma para comenzar podría verse como el siguiente:

  •  Primeras seis semanas: desarrollar una hoja de ruta piloto para definir casos de uso, descubrir cómo evaluar las capacidades tecnológicas actuales y los habilitadores tecnológicos a corto plazo, identificar el equipo y el modelo operativo adecuados, e identificar riesgos potenciales.
  • Primeros 90 días: lanzar una “sala ganadora” de IA generativa para definir mejor los casos de uso prioritarios, desarrollar la hoja de ruta, introducir datos en fuentes de IA, desarrollar estrategias para mitigar riesgos y realizar auditorías para garantizar que la IA se utilice de manera responsable.
  • Primeros seis meses: Desarrollar una estrategia de IA transformadora a largo plazo midiendo el impacto, gestionando el cambio y la escalabilidad, ajustando los modelos para el desarrollo de mensajes e iniciando la integración de los esfuerzos de IA generativa con la tecnología de marketing existente.

Después de varios meses, es de esperar que los especialistas en marketing tengan un puñado de casos de uso públicos y de origen democrático a los que puedan señalar y aprender, utilizando la automatización del flujo de trabajo y la generación de inteligencia artificial para ayudar a acelerar, mejorar y simplificar los viajes de las campañas de marketing.

SOBRE LOS AUTORES

Lisa Harkness es socia de la oficina de McKinsey en Stamford, Connecticut; Kelsey Robinson es socia principal de la oficina de Boston; y Eli Stein es socio de la oficina del Área de la Bahía, donde Winnie Wu es socia asociada.

Pin It on Pinterest