La rápida expansión de la inteligencia artificial ha impulsado una ola de experimentación en diversas industrias. No obstante, muchas empresas están experimentando una “fatiga de prueba de concepto (Proof-of-Concept fatigue)”, donde los ensayos iniciales no se traducen en un valor comercial tangible. Ivan Zhang, cofundador de Cohere, una empresa líder en modelos de lenguaje grande (LLM) para empresas, abordó esta creciente frustración durante una reciente Web Summit, instando a los clientes potenciales a mantener su fe en la IA, al tiempo que enfatizó la necesidad crítica de centrarse en el retorno de la inversión (ROI).
La Trampa de la Prueba de Concepto
Zhang destacó la desilusión entre las empresas que han invertido fuertemente en pilotos de IA sin ver una recompensa correspondiente. Reconoció que muchos clientes de Cohere, a pesar de construir aplicaciones iniciales, han tenido dificultades para llevarlas a producción debido a problemas que van desde el costo y la gobernanza hasta la seguridad y la privacidad de los datos. Este sentimiento refleja una tendencia más amplia donde la promesa de la IA a menudo choca con las realidades prácticas de la implementación.
Señaló los problemas de gasto, cumplimiento normativo, protección de datos y protocolos de privacidad, que Cohere espera resolver con su nueva oferta de plataforma de espacio de trabajo, North.
El Imperativo del ROI
En una entrevista, Zhang enfatizó que la siguiente fase de la adopción de la IA debe estar impulsada por un ROI demostrable. Las empresas necesitan ver una justificación financiera clara para sus inversiones en IA, asegurando que los beneficios superen los costos. Advirtió que algunos sistemas de IA son tan costosos de operar que niegan cualquier ahorro potencial de costos por la automatización de tareas.
"A veces, los sistemas que terminan construyendo, el costo del modelo en sí es más caro que los humanos que realmente lo están ejecutando", dijo.
La pregunta esencial de si existe una mejora real con las implementaciones de IA debe abordarse para superar los puentes quemados de las empresas de IA que asumen proyectos que nunca se concretan.
Aumento de la IA vs. Productividad
Zhang también notó casos en los que las empresas han intentado aumentar la fuerza laboral existente con IA pero no han visto ninguna mejora en la productividad. En algunos casos, los empleados simplemente redujeron su carga de trabajo sin aumentar la producción, negando efectivamente los beneficios de la IA. Esto resalta la importancia de considerar cuidadosamente cómo la IA se integra en los flujos de trabajo existentes y garantizar que conduzca a ganancias de eficiencia genuinas.
Superando los Contratiempos Iniciales
Zhang anticipa que las nuevas empresas de IA ahora tendrán la tarea de recuperar a las empresas "quemadas" por proyectos que no salieron bien. "La siguiente fase de salida al mercado para esta tecnología es, ‘¿dónde está el ROI?’" Él cree que las empresas de IA necesitarán reconstruir la confianza demostrando el valor tangible de sus soluciones y centrándose en la entrega de resultados medibles.
Ecos de la Comunidad de Investigación
Las observaciones de Zhang están respaldadas por investigaciones de organizaciones como la National Bureau of Economic Research, que no encontró "ningún impacto significativo en las ganancias o las horas registradas en ninguna ocupación" después de encuestar a 7,000 lugares de trabajo que utilizan chatbots de IA. De manera similar, un estudio de Boston Consulting Group reveló que solo una cuarta parte de los ejecutivos encuestados han visto un valor significativo de la IA, lo que sugiere que las empresas a menudo dispersan sus inversiones demasiado poco en múltiples pilotos.
Priorizar los Problemas Empresariales sobre las Soluciones Llamativas
El consejo de Zhang a las empresas que consideran los LLM es que se centren en resolver problemas empresariales específicos en lugar de construir soluciones elaboradas sin casos de uso claros. Advirtió contra "perderse en construir algo y buscar un problema", enfatizando la importancia de alinear las inversiones en IA con los objetivos empresariales estratégicos.
La IA como Herramienta en la Caja de Herramientas
Zhang argumentó que la IA debe verse como solo una herramienta en la caja de herramientas para resolver problemas empresariales y crear valor para los clientes. Advirtió contra exagerar el potencial de la tecnología para resolver todos los problemas del mundo, enfatizando que es más efectiva cuando se usa estratégicamente y en conjunto con otras soluciones.
El Desafío de la Alucinación
Si bien la IA ha logrado avances significativos, persisten los desafíos, particularmente en el área de las "alucinaciones", donde los LLM generan información falsa o fabricada. A pesar del progreso en esta área, las tasas de alucinación de los LLM se han mantenido obstinadamente altas, e incluso los modelos más recientes de las empresas líderes producen errores. Este problema subraya la importancia de la transparencia y de proporcionar a los usuarios información sobre cómo los modelos de IA llegan a sus conclusiones.
El cofundador reconoció ante numerosos profesionales que la alucinación sigue siendo un problema en la IA generativa. Afirmó que la compañía ha tratado de ayudar siendo transparente, incluyendo mostrar a los usuarios "el pensamiento bruto" de sus LLM, y qué herramientas utilizan sus sistemas, junto con cómo y las citas de las respuestas derivadas.
El Panorama Competitivo
Cohere enfrenta una dura competencia de rivales mejor financiados en el espacio de la IA. Sin embargo, Zhang cree que más grande no siempre es mejor cuando se trata de construir modelos de IA rentables y energéticamente eficientes. Argumentó que un modelo es "tan bueno como los datos y los sistemas a los que puede acceder", enfatizando la importancia de construir soluciones que puedan ejecutarse completamente dentro de los entornos de los clientes. Zhang promocionó el "intenso crecimiento" de Cohere y dijo que la naturaleza "relativamente naciente" del espacio deja mucho espacio para que la compañía se expanda.
Crecimiento de los Ingresos y Desafíos
El crecimiento de Cohere ha sido un tema reciente de enfoque para los medios tecnológicos. Cohere alcanzó los $100 millones USD ($138 millones CAD) en ingresos anualizados este mes después de más del doble de sus ventas desde el comienzo de 2025, y el CEO Aidan Gomez le dijo recientemente a Bloomberg que la compañía estaba "no muy lejos" de la rentabilidad. Pero The Information ha informado que esto todavía está $350 millones USD por detrás de lo que Cohere les dijo a los inversores en 2023 que esperaba estar ganando anualmente para ahora. Los objetivos de ingresos y la dura competencia no son los únicos desafíos que Cohere debe enfrentar.
Demanda por Infracción de Derechos de Autor
La startup de IA también tiene lo que un experto llamó una demanda por infracción de derechos de autor potencialmente "sentando un precedente" de las principales empresas de medios en su plato. Un grupo de organizaciones de medios, incluyendo el Toronto Star, Condé Nast, y Vox han alegado que Cohere raspó contenido de medios sin consentimiento y lo usó para entrenar modelos de IA, accedió a contenido en tiempo real sin permiso, y generó salidas infractoras. Cohere es solo una de las muchas startups de IA que enfrentan demandas similares. Cohere ha negado estas afirmaciones, argumentando que los editores demandantes se habían esforzado por "fabricar" un caso y disputó la noción de que se había producido alguna infracción de derechos de autor práctica.
Zhang se negó a ofrecer muchos comentarios sobre el asunto, dirigiendo a BetaKit a una publicación de blog que detalla el pensamiento de Cohere. "Confiamos en eso", dijo.
Un Análisis Más Profundo de los Desafíos de la Implementación de la IA
Muchas empresas inicialmente se sumergen en iniciativas de IA con un entusiasmo considerable, creyendo que la IA revolucionará rápidamente sus operaciones y creará eficiencias nunca antes escuchadas. Pero muchas se encuentran enfrentando desafíos sustanciales que no anticiparon. Estas dificultades pueden adoptar diversas formas, desde la complejidad técnica hasta la resistencia organizacional. Comprender estos desafíos es esencial para las empresas que esperan implementar con éxito la IA y obtener un retorno positivo de sus inversiones.
Complejidad Técnica y Requisitos de Datos
Uno de los primeros obstáculos que las empresas encuentran con frecuencia es la complejidad técnica de los sistemas de IA. Los modelos de IA, particularmente aquellos basados en el aprendizaje profundo, son computacionalmente exigentes y requieren conocimientos especializados para crear, entrenar e implementar. También se requieren datos. La calidad y cantidad de los datos de entrenamiento tienen un impacto sustancial en el rendimiento de los modelos de IA. Recopilar y preparar conjuntos de datos enormes puede ser un proceso que requiere mucho tiempo y recursos. Los proyectos de IA pueden verse obstaculizados por la falta de datos etiquetados de alta calidad, lo que resulta en modelos inexactos o prejuiciados.
Además, garantizar la interoperabilidad de los sistemas de IA con la infraestructura de TI existente introduce una mayor complejidad. Diferentes plataformas y marcos de IA pueden no ser compatibles con los sistemas heredados, lo que requiere cambios sustanciales en los flujos de trabajo y arquitecturas existentes. Integrar la IA en entornos organizacionales complicados a menudo necesita una experiencia considerable y una sólida comprensión tanto de las tecnologías de IA como de las operaciones comerciales subyacentes.
Barreras Organizacionales y Culturales
Además de los obstáculos técnicos, las organizaciones pueden encontrar obstáculos organizacionales y culturales sustanciales para la adopción de la IA. Un problema frecuente es la renuencia de los trabajadores a abrazar los cambios impulsados por la IA. Los empleados pueden estar preocupados por el desplazamiento laboral, así como por la necesidad de aprender nuevas habilidades y adaptarse a nuevos métodos de trabajo. La resistencia de los trabajadores puede obstaculizar las iniciativas de IA e impedir la realización de las ventajas anticipadas.
Además, la implementación de la IA necesita una colaboración considerable entre departamentos y equipos. Los científicos de datos, los profesionales de TI, los analistas de negocios y los expertos en la materia deben colaborar para definir problemas, crear soluciones de IA e implementarlas en la producción. Los silos y la falta de comunicación pueden sofocar la cooperación e impedir la integración efectiva de la IA en las operaciones comerciales. Superar estos obstáculos organizacionales y culturales requiere un liderazgo sólido, una comunicación eficaz y una dedicación a la gestión del cambio.
Preocupaciones Éticas y de Gobernanza
A medida que la IA se vuelve más generalizada, las cuestiones éticas y de gobernanza se vuelven cada vez más importantes. Los sistemas de IA tienen la capacidad de perpetuar los prejuicios, hacer juicios injustos e infringir la privacidad de las personas. Las organizaciones deben abordar estas preocupaciones desarrollando directrices éticas sólidas y procedimientos de gobernanza para el diseño, el desarrollo y la implementación de la IA. La transparencia, la rendición de cuentas y la equidad son principios clave para una IA responsable.
La privacidad de los datos es una cuestión importante a tener en cuenta. Las normas de privacidad de los datos deben cumplirse al construir sistemas de IA, junto con salvaguardias para proteger la información confidencial del acceso o abuso no deseado. Las organizaciones deben obtener el consentimiento del usuario para la recopilación y el uso de datos, así como proporcionar transparencia sobre cómo los modelos de IA están tomando decisiones. Además, las organizaciones deben tener mecanismos en marcha para supervisar y auditar los sistemas de IA para descubrir y mitigar cualquier riesgo ético o consecuencia no deseada.
Medición y Demostración del ROI
En última instancia, el éxito de cualquier proyecto de IA depende de su capacidad para producir un retorno de la inversión (ROI) cuantificable. Sin embargo, determinar el ROI de los proyectos de IA puede ser difícil, particularmente cuando los beneficios son intangibles o a largo plazo. Las organizaciones deben establecer objetivos e indicadores claros para sus iniciativas de IA, así como realizar un seguimiento del progreso y medir los resultados con regularidad. Esto necesita una comprensión profunda del valor empresarial que se espera que la IA proporcione, así como de los recursos necesarios para alcanzar ese valor.
Además, comunicar los beneficios de la IA a las partes interesadas es fundamental para obtener apoyo y establecer confianza en las inversiones en IA. Esto puede implicar la presentación de casos de uso, la presentación de los primeros triunfos y la cuantificación del impacto de la IA en los indicadores empresariales esenciales. Para cuantificar y mostrar con éxito el ROI de la IA, las empresas deben crear un marco definido para medir el rendimiento y expresar claramente la propuesta de valor a las partes interesadas.
El Futuro de la Adopción de la IA: Una Perspectiva Equilibrada
Las ideas de Ivan Zhang destacan la importancia de un enfoque equilibrado para la adopción de la IA, uno que reconozca el potencial de la tecnología al tiempo que se mantiene anclado en las realidades prácticas. A medida que la IA continúa evolucionando, las empresas deberán centrarse en la construcción de soluciones que ofrezcan un ROI tangible, aborden las preocupaciones éticas y se integren perfectamente en los flujos de trabajo existentes. Al priorizar los problemas empresariales sobre las soluciones llamativas y ver la IA como una herramienta en la caja de herramientas, las organizaciones pueden desbloquear el verdadero potencial de la IA e impulsar resultados empresariales significativos.