Recientemente, un panel compuesto por expertos en inteligencia artificial compartió valiosas lecciones sobre la implementación de sistemas de IA en diversas industrias. Moderado por el CEO de TrueFoundry, el evento reunió a figuras destacadas como Kishore Aradhya de Frontdoor, Eli Tsinovoi de UKG, Shafik “SQ” Quoraishee de The New York Times y Manish Nigam de Ameriprise Financial. Los panelistas abordaron experiencias prácticas y los retos que enfrentan al construir sistemas de IA eficientes y escalables.
Entre las recomendaciones clave se destacó la importancia de comenzar con proyectos pequeños. Kishore Aradhya subrayó que apresurarse hacia marcos avanzados puede resultar contraproducente. Su equipo prefiere enfocarse en problemas conocidos con resultados medibles, como la automatización de revisiones de reclamaciones de seguros, antes de abordar desafíos más complejos.
Otro aspecto del debate fue el acceso a modelos de IA, revelando que no es un proceso sencillo. Cada empresa ha adoptado enfoques distintos para gestionar la infraestructura de IA. Eli Tsinovoi utiliza Google Cloud’s Vertex AI para controlar el uso de tokens, mientras que Kishore Aradhya prefiere Snowflake por razones de gobernanza. The New York Times mantiene infraestructuras separadas para operaciones periodísticas y comerciales, priorizando la fidelidad en la información.
La discusión también se centró en la necesidad de gateways específicos para IA frente a los tradicionales API gateways. Eli argumentó que estos últimos pueden evolucionar para manejar el tráfico de IA, mientras que Manish afirmó que los sistemas de agentes requieren capacidades más avanzadas.
Una revelación significativa fue que ninguna empresa del panel ha implementado un sistema de trazabilidad unificado a nivel empresarial. La falta de estandarización en la observabilidad complica el seguimiento y la depuración de problemas. Eli señaló que las plataformas observacionales suelen funcionar bien en demos, pero no en entornos reales.
Asimismo, se discutió la definición de un «agente» en el contexto de IA. Manish definió un agente como un modelo con acceso a herramientas y memoria, lo que impacta directamente en su desarrollo.
Finalmente, los panelistas coincidieron en que existen barreras significativas para la adopción de sistemas de agentes. La alineación humana entre las partes interesadas y el enfoque en problemas reales son cruciales para el éxito de estas iniciativas. Se concluyó que el avance efectivo en la IA se logra a través de pasos evolutivos, priorizando la colaboración humana y construyendo sobre bases probadas para lograr una innovación sostenible.