El Institute of Business Value de IBM publicó un informe que reveló datos interesantes en torno a la adopción de la inteligencia artificial (IA). En concreto, los obstáculos que impiden, en pleno 2025, a las organizaciones avanzar en la IA generativa.
De acuerdo con el gigante tecnológico con sede en Armonk, Nueva York, estos son los cinco principales escollos para que las empresas adopten la IA generativa, también conocida como GenAI, en 2025:
Preocupaciones sobre el sesgo de los datos (45 %)
Casi la mitad de los encuestados manifestó preocupación por la precisión o el sesgo de los datos. Los líderes empresariales pueden superar estas inquietudes al priorizar la gobernanza, la transparencia y la ética de la IA.
La gobernanza de la IA es esencial para alcanzar un estado de cumplimiento, confianza y eficiencia en el desarrollo y la aplicación de tecnologías de IA. Una gobernanza eficaz de la IA incluye mecanismos de supervisión que abordan riesgos como el sesgo, la violación de la privacidad y el uso indebido, al tiempo que fomentan la innovación y generan confianza.
Las estructuras de gobernanza sólidas, como los comités éticos de IA y el cumplimiento de los marcos regulatorios, ayudan a mantener la rendición de cuentas y la implementación responsable de la IA.
La ética de la IA es un campo multidisciplinario que estudia cómo optimizar el impacto beneficioso de la IA y, al mismo tiempo, reducir los riesgos y los resultados adversos. La ética de la IA abarca la responsabilidad y la privacidad de los datos, la imparcialidad, la explicabilidad, la solidez, la transparencia y otras consideraciones éticas.
Los controles de imparcialidad y otras medidas correctivas se incluyen en la ética de la IA y ayudan a garantizar que los resultados de la IA sean confiables y equitativos.
La transparencia de la IA ayuda a las personas a acceder a la información para comprender mejor cómo se creó una solución de IA y cómo tomar decisiones. Los investigadores a veces describen la IA como una «caja negra», ya que todavía puede ser difícil explicar, gestionar y regular los resultados de la IA debido a la creciente complejidad de la tecnología.
La transparencia de la IA ayuda a abrir esta caja negra para comprender mejor los resultados de la IA.
No hay suficientes datos propios disponibles para personalizar los modelos (42 %)
Alrededor del 42 % de los encuestados afirmó que sentía que sus organizaciones carecían de acceso a suficientes datos patentados. Las empresas pueden superar el importante desafío de la falta de datos de alta calidad para personalizar los modelos de IA mediante una combinación de aumento de datos, generación de datos sintéticos y asociaciones estratégicas de datos.
Un enfoque eficaz es mejorar los conjuntos de datos existentes mediante técnicas de aumento como parafrasear, traducir o añadir ruido para aumentar la diversidad sin recopilar datos completamente nuevos.
Los datos sintéticos creados artificialmente mediante simulación por computadora o generados por algoritmos de IA pueden reemplazar a los datos del mundo real. Los datos pueden usarse como alternativa o complemento a los datos del mundo real cuando no están disponibles.
Otra estrategia clave es la formación de alianzas estratégicas y la participación en iniciativas de intercambio de datos a nivel de toda la industria. La colaboración con empresas, instituciones de investigación o consorcios que no compiten entre sí permite a las empresas acceder a conjuntos de datos más grandes y diversos, evitando al mismo tiempo las preocupaciones éticas y respetando las normas legales.
El aprendizaje federado, en el que los modelos se entrenan en fuentes de datos descentralizadas sin compartir datos no procesados, es otra forma de beneficiarse de los datos externos manteniendo al mismo tiempo la seguridad y el cumplimiento normativo.
Conocimientos insuficientes sobre IA generativa (42 %)
La IA de última generación es aún nueva, pero las empresas pueden abordar la falta de conocimientos especializados en este campo invirtiendo en el desarrollo de talentos, asociaciones estratégicas y herramientas de inteligencia artificial accesibles.
Uno de los enfoques más eficaces es mejorar las habilidades de los empleados existentes mediante programas de capacitación especializados, talleres y certificaciones en IA y machine learning. Ofrecer experiencia práctica con herramientas de inteligencia artificial y fomentar una cultura de aprendizaje continuo ayuda a cerrar la brecha de habilidades a nivel interno.
Además de desarrollar conocimientos internos, las empresas pueden colaborar con proveedores de IA, instituciones de investigación y firmas de consultoría para obtener acceso a conocimientos especializados.
La asociación con empresas emergentes de IA o proveedores de tecnología permite a las empresas utilizar conocimientos externos sin necesidad de crear todo desde cero. La participación en el ecosistema de código abierto también puede proporcionar información valiosa y modelos prediseñados que reducen la complejidad de la implementación de una estrategia de IA .
Otra solución es adoptar plataformas de IA de bajo código o sin código que permitan a los empleados con conocimientos técnicos limitados trabajar con IA de última generación. Estas herramientas simplifican la implementación y la personalización de la IA, lo que facilita que las empresas integren la IA en sus flujos de trabajo sin necesidad de tener una gran experiencia.
Justificación financiera o análisis de negocio inadecuados (42 %)
Las empresas deberían abordar la justificación financiera de la exploración de iniciativas de IA global centrándose en el ahorro de costos, el crecimiento de los ingresos, la ventaja competitiva y la mitigación de riesgos.
Las empresas necesitan identificar casos de uso específicos en los que las capacidades de la IA pueden impulsar la eficiencia, como la automatización de procesos comerciales, la generación de contenido de marketing o la aceleración de la transformación digital.
Al cuantificar los beneficios de la IA (como la reducción de los costos laborales gracias a la automatización de la cadena de suministro, un tiempo de comercialización más rápido o una mejor interacción con el cliente), las empresas pueden estimar el retorno de la inversión.
Las empresas también deben considerar todo el potencial de nuevas fuentes de ingresos, como las ofertas de productos impulsadas por la IA, las experiencias personalizadas del cliente o la toma de decisiones en tiempo real. Comenzar con proyectos piloto pequeños y de bajo riesgo puede proporcionar resultados tangibles que justifiquen una mayor inversión.
La evaluación de riesgos también desempeña un papel en la justificación financiera. Las organizaciones deben sopesar el costo de la inacción, incluida la pérdida de participación de mercado ante competidores impulsados por la IA o ineficiencias que los proyectos de IA podrían resolver.
Preocupaciones sobre la privacidad o confidencialidad de los datos y la información (40 %)
Las preocupaciones por la privacidad siguen siendo una barrera importante para la implementación de la IA de última generación. Una vez más, la gobernanza de datos y los principios de IA responsable desempeñan un papel.
Un primer paso crucial es limitar la exposición de datos confidenciales mediante el uso de técnicas de gestión de datos como la anonimización, la privacidad diferencial y el cifrado antes de introducir la información en los modelos de IA.
Esto reduce el riesgo de exponer información de identificación personal o datos comerciales confidenciales. Las empresas también deben ayudar a garantizar que los sistemas de IA sigan estrictos controles de acceso y mecanismos de auditoría para rastrear quién interactúa con los datos y cómo se utilizan.
El aprendizaje federado puede ser un enfoque eficaz, que permite entrenar modelos de IA en múltiples conjuntos de datos descentralizados sin mover los datos en sí, preservando así la privacidad.
El cumplimiento normativo es otro factor clave. Las empresas deben alinear su uso de IA con las leyes globales de privacidad de datos, así como y regulaciones específicas de la industria.
Realizar evaluaciones periódicas del impacto en la privacidad y mantener una documentación clara sobre cómo las aplicaciones de IA manejan los datos puede ayudar a las empresas a cumplir con las normas y generar confianza en los clientes.
No dejes de leer: Los países que han restringido el uso de DeepSeek hasta ahora
Sigue nuestras redes sociales y se parte de nuestra comunidad