Muchas iniciativas empresariales de IA fracasan no porque la tecnología sea defectuosa, sino porque caen en la “trampa piloto”. Las empresas suelen lanzar docenas de experimentos inconexos (fenómeno conocido como “expansión piloto”) que nunca se transforman en valor comercial real.
Ideas recientes de líderes tecnológicos de MassMutual y Mass General Brigham (MGB) revelan cómo las organizaciones están superando este obstáculo. Al reemplazar la experimentación descoordinada con una gobernanza rigurosa, métricas claras e integración estratégica, estas empresas están convirtiendo el potencial de la IA en productividad mensurable.
MassMutual: El enfoque científico del valor
Para MassMutual, una institución de servicios financieros con 175 años de antigüedad, la IA ya no es un experimento; es una realidad de producción. La empresa ha integrado con éxito la IA en la suscripción, las reclamaciones, el servicio al cliente y la TI. Los resultados son sorprendentes:
– La productividad de los desarrolladores ha aumentado un 30%.
– Los tiempos de resolución de la mesa de ayuda de TI se redujeron de 11 minutos a solo uno.
– La duración de las llamadas de servicio al cliente se redujo de 15 minutos a aproximadamente dos minutos.
Definiendo el éxito a través de métricas
Sears Merritt, director de experiencia y tecnología empresarial de MassMutual, enfatiza que cada proyecto de IA debe comenzar con una hipótesis. En lugar de perseguir tendencias, el equipo pregunta: ¿Qué problema estamos resolviendo y cómo lo demostraremos?
Para evitar la fricción del reajuste constante, MassMutual exige que los socios comerciales definan el “éxito” antes de que una herramienta llegue a producción. Esto garantiza que la implementación técnica se alinee con las necesidades departamentales reales.
Construyendo para la flexibilidad
Una estrategia clave para MassMutual es evitar la “dependencia del proveedor”. Debido a que el panorama de la IA cambia tan rápidamente, la empresa mantiene un entorno muy heterogéneo. Han creado capas de servicios comunes y API que se ubican entre sus modelos de IA y sus sistemas centrales (incluidos los mainframes heredados).
Esta arquitectura les permite cambiar un modelo “mejor de su clase” por uno más nuevo y mejor sin reconstruir toda su infraestructura desde cero.
General de masas Brigham: Poda de las “Mil Flores”
Mientras MassMutual se centró en mediciones rigurosas, Mass General Brigham (MGB) tuvo que pasar por un proceso de consolidación. Durante años, los 15.000 investigadores del MGB utilizaron diversas herramientas de aprendizaje automático, lo que generó un panorama fragmentado de pilotos no administrados.
Pasar de la expansión a la estrategia
El director de tecnología, Nallan “Sri” Sriraman, describe su enfoque inicial como una metodología de “mil flores que florecen”, que esencialmente permite que todos experimenten libremente. Sin embargo, se dio cuenta de que no tenían mil flores; tuvieron algunas docenas de intentos desconectados que carecieron de dirección.
Para solucionar este problema, MGB giró hacia una estrategia más centralizada:
– Aprovechando las plataformas existentes: en lugar de crear herramientas internas, MGB comenzó a priorizar las funciones de IA que ya estaban implementando sus proveedores principales (como Epic, Microsoft y ServiceNow).
– “Plantación” estratégica: En lugar de dejar que nadie experimente, ahora “plantan y nutren cuidadosamente” iniciativas de IA incorporando campeones de IA dentro de grupos empresariales específicos.
– Entornos controlados: Utilizan “pequeñas zonas de aterrizaje” para probar productos sofisticados de forma segura, lo que permite realizar pruebas controladas del uso de tokens y el comportamiento del modelo.
Las barandillas no negociables
En un entorno sanitario, lo que está en juego en relación con los errores de la IA cambia la vida. MGB ha implementado estrictos protocolos “humanos en el circuito”. Por ejemplo, si bien la IA puede ayudar a generar informes radiológicos, un médico siempre debe revisar y aprobar la decisión final.
Además, las garantías técnicas son absolutas:
– Privacidad de datos: Las reglas estrictas impiden que la información médica protegida (PHI) se ingrese en herramientas públicas de inteligencia artificial.
– El “Interruptor de muerte”: Cada sistema de IA operativo debe tener un “botón rojo grande” para apagarlo inmediatamente si no funciona correctamente.
– Observabilidad: Los paneles de control en tiempo real monitorean la “derivación del modelo” (cuando la precisión de una IA se degrada con el tiempo) para garantizar la seguridad y la confiabilidad.
El resultado final
La transición de la experimentación con IA a la producción de IA requiere un cambio de mentalidad: pasar del “¿podemos hacer esto?” a “¿cómo impulsa esto el valor y cómo lo gobernamos?”
Ya sea a través del rigor científico de MassMutual o de la consolidación disciplinada de MGB, la lección es clara: la IA empresarial exitosa no se trata de la cantidad de pilotos que ejecuta, sino de la disciplina con la que los escala.
