Más allá del Prompt Engineer: los roles críticos que las empresas necesitan para implementar IA con éxito

La inteligencia artificial dejó de ser un concepto reservado a laboratorios o grandes gigantes tecnológicos. Su adopción se extiende a sectores como finanzas, energía, servicios básicos y aseguradoras, abarcando desde la automatización de tareas hasta la detección de fraudes sofisticados.

Sin embargo, la expansión de estas tecnologías ha puesto de manifiesto una brecha de talento calificado que dificulta a las organizaciones alcanzar resultados exitosos y sostenibles.

Según la experiencia de Carlos Estay, Senior Specialist Solution Architect para Latam Office Technology de Red Hat, “uno de los mayores desafíos que hay dentro de la inteligencia artificial o de este mundo apunta a la falta de especialistas o de gente ligada al mundo de inteligencia artificial, porque es algo nuevo”.

Cuáles son los perfiles expertos en IA que más buscan las empresas

A pesar del protagonismo alcanzado por el prompt engineering, Estay sostuvo que este rol debería ser transversal. No obstante, la complejidad de los proyectos requiere especialistas en campos como MLOps, responsables de trasladar modelos desde el desarrollo hasta la producción, y cientistas de datos (data scientists), encargados de la preparación y curación de los datos.

“Los data scientists son, creo yo, uno de los roles más importantes dentro de todo, porque la inteligencia artificial depende de la data. Y si no tenemos gente que sepa manipular la data correctamente, vamos a hacer que los modelos respondan mal”, puntualizó Estay.

El especialista destacó la importancia de este conocimiento, citando el caso de un modelo cuya precisión aumentó del 60% al 92% luego de un análisis minucioso y una correcta selección de datos.

Por qué la brecha de talento es un desafío para la rentabilidad de la IA

La escasez de profesionales especializados no solo limita la implementación, sino que además afecta la rentabilidad de los proyectos de inteligencia artificial.

Estudios recientes de McKinsey indican que las empresas estadounidenses invirtieron más de 37.000 millones de dólares en IA, aunque solo el 19% observa ingresos proporcionales a esa inversión.

Desde la perspectiva de Estay, el retorno de la inversión no depende solo del ingreso generado, sino de optimizar el uso de la tecnología. “No necesariamente usar la bazuca para matar la hormiga, sino que se puede adoptar un modelo de IA más pequeñito”, señaló.

La reducción de costos y la eficiencia en el consumo de IA dependen de contar con profesionales capaces de crear soluciones adaptadas a cada necesidad, lo que incrementa la demanda de talento.

Qué sectores apuestan más por implementar IA y cómo la aplican

Según el experto, la inversión en inteligencia artificial crece de gran manera en sectores como el gobierno, las finanzas, la energía y los servicios básicos.

El sector financiero utiliza IA para la detección de fraude, mientras que aseguradoras la emplean para identificar reclamos generados artificialmente.

La implementación, no obstante, dista de ser homogénea. “Esa es la parte graciosa, porque no saben”, reconoció Estay. Muchas compañías exploran la tecnología sin una estrategia clara, mientras otras optan por consumir modelos validados que les permitan dotar de inteligencia a sus aplicaciones sin desarrollar modelos propios.

En qué fallan las empresas al elegir entre IA generativa y predictiva

El auge de la IA generativa ha impulsado la adopción masiva de modelos como ChatGPT, pero la elección entre soluciones generativas y predictivas genera dudas en el ámbito empresarial.

“Por defecto, siempre se busca resolver algo con inteligencia artificial generativa. Y claro, ahí viene un poco de expertise”, indicó Estay. Muchas veces, la solución más eficiente no pasa por un solo modelo generativo, sino por un conjunto de modelos predictivos, cada uno especializado en un escenario particular.

El especialista de Red Hat relató el caso de una compañía que intentó resolver con un modelo generativo un proceso de decisión complejo, sin éxito. “Quizás no es que necesites un modelo de inteligencia generativa, sino que necesitas 49 modelos predictivos para que cada modelo sea especialista en cada escenario de tu motor de reglas de negocio”, señaló.

La clave para una exitosa elección e implementación reside en contar con perfiles capaces de identificar la tecnología adecuada para cada desafío.