Gamers ahora disponen en Latam de SSD más fría
Un informe global de Hewlett Packard Enterprise reveló que las empresas ignoran los – enormes – puntos ciegos de la IA.
La investigación afirma que, aunque hay aún muchas interrogantes sobre esta tecnología, la causa de este descuido es el exceso de confianza.
Pese a creer firmemente en los planes de Inteligencia Artificial (IA), las empresas cuyas estrategias y ejecuciones de IA fragmentadas omitan los ciclos de vida completos no producirán resultados exitosos.
Este es uno de los principales hallazgos en el informe investigativo Architect an AI Advantage, comisionado por Hewlett Packard Enterprise (HPE). Los resultados se basan en mas de 2.000 entrevistas a líderes de TI de 14 países.
Entre los primeros y principales hallazgos, la investigación encontró que, mientras que el compromiso global con la IA muestra inversiones crecientes, las empresas están ignorando áreas clave que afectarán su capacidad de generar resultados de IA exitosos.
Entre estos elementos que las empresas están dejando descuidados se incluyen:
- Bajos niveles de madurez de datos
- Posibles deficiencias en su abastecimiento de red y computación,
- Y consideraciones vitales de ética y cumplimiento
El informe también reveló desfases importantes tanto en estrategia como en conocimiento que podrían afectar, a futuro, negativamente el retorno de la inversión (ROI, por sus siglas en inglés).
“No cabe duda de que la adopción de la IA está aumentando, ya que caso todos los líderes de TI planean incrementar su gasto en IA en los próximos 12 meses”, detalló mientras comentaba los hallazgos, la vicepresidenta de HPE Aruba Networking, Sylvia Hooks.
Las precisiones de los datos
A pesar de estas afirmaciones de la VP de Aruba, la ejecutiva reconoce que las cifras hablan de puntos ciegos preocupantes qué hay que atender
Es por ello que tanto Aruba como HPE están alistando a sus equipos de consultoría y de implementación para acompañar a sus clientes y ayudarlos a evitar estos baches.
Y es que casi el casi la mitad (44%) de los CIOs y líderes de TI consideran que sus organizaciones están completamente preparadas para aprovechar los beneficios de la IA.
No obstante, muchas empresas están adoptando enfoques aislados: sólo el 57% han definido una estrategia única consolidada.
A pesar de que la gestión de datos se nombró como uno de los elementos más críticos para el éxito de la IA:
- Sólo el 7% de las organizaciones pueden ejecutar pushes/pulls (ingresos/recuperaciones) de datos en tiempo real
- Y sólo el 26% han implementado modelos de gobernanza de datos y pueden ejecutar análisis avanzados
“Estos hallazgos demuestran claramente el apetito por IA, pero también destacan puntos ciegos muy reales que podrían estancar el progreso si no se sigue una estrategia más holística”, resaltó Sylvia Hooks, vicepresidenta de HPE Aruba Networking.
La ejecutiva destaca que la desalineación en la estrategia y en la participación de tecnología puede impedir a las organizaciones:
- Aprovechar áreas críticas de experiencia
- Tomar decisiones eficaces y eficientes
- Y asegurar que un plan de IA holístico beneficie a todas las áreas de la empresa de forma congruente
Reconocer inmadurez de los datos, una necesidad
Un buen rendimiento de la IA que impacte positivamente los resultados de negocio depende de la calidad de los datos.
Pero el estudio Architect an AI Advantage muestra que, pese a que las organizaciones lo entienden claramente (nombraron la gestión de datos como uno de los elementos más importante para el éxito de la IA), sus niveles de madurez de datos siguen siendo bajos:
- Menos de 6 de cada 10 participantes en la encuesta afirmaron que su organización es completamente capaz de manejar cualquiera de las etapas clave de la preparación de datos para utilizarlos en los modelos de IA —desde el acceso (59%)
- Y el almacenamiento (57%)
- Hasta el procesamiento (55%)
- Y la recuperación (51%)
Esta discrepancia no sólo implica el riesgo de enlentecer el proceso de desarrollo de los modelos de IA sino que, también, aumenta la probabilidad de que el modelo genere información imprecisa y un ROI negativo.
