Siga ZDNET: Agréguenos como fuente preferida en Google.
Conclusiones clave de ZDNET
- Su handbook tecnológico podría quedar obsoleto debido a la IA.
- Esté preparado para revisiones que ayuden a las personas a comprobar sus concepts.
- Céntrese en áreas clave, como casos de uso, fuentes de datos y capacitación.
¿Usted o su equipo utilizan un handbook de estrategias tecnológicas? Si es así, ¿qué contiene? Es muy possible que su handbook se esté quedando obsoleto rápidamente.
Además: 10 formas en que la IA puede causar daños sin precedentes en 2026
Ese es el desafío planteado por Thomas Erl, un prolífico autor y educador tecnológico, en un reciente entrevista con Matt Strippelhoff, socio y director ejecutivo de Crimson Hawk Applied sciences. Erl pide nuevas revisiones de los manuales y prácticas probadas y verdaderas para ayudar a los defensores y desarrolladores de la IA a examinar sus concepts, ejecutar pilotos seguros y demostrar el retorno de la inversión de sus proyectos.
Los manuales, ya sean formales o informales, listas de verificación detalladas o simples, garantizan que todos trabajen estratégicamente desde la misma página para operaciones e implementaciones consistentes, con políticas de seguridad sólidas. Sin embargo, en el cambiante mundo digital precise, si usted o su equipo trabajan con IA, es posible que deban revisar esas pautas.
Además: ¿Nervioso por el mercado laboral? Cinco formas de destacar en la period de la IA
Un handbook para la empresa 2026 tiene varios requisitos nuevos, pero también se basa en directrices de TI anteriores. Strippelhoff y Erl revisaron algunas de estas consideraciones.
8 pautas para la period de la IA
- Comience con un problema significativo: Identifique dónde la IA realmente marcará la diferencia, versus la IA por sí sola. “Algunas empresas están buscando una manera de aplicar la IA, pero no han identificado el problema que quieren resolver”, afirma Strippelhoff. “Entonces, tienen una solución que busca un problema. La planificación estratégica tradicional es elementary para asegurarse de identificar un problema significativo”.
- Comience con los resultados deseados desde el principio y put together el caso de negocio: Este enfoque period común en tecnologías anteriores, pero adquiere una urgencia adicional con las iniciativas de IA. “Lo más importante es comprender si la organización está preparada para la thought misma”, afirmó Strippelhoff. “Alguien necesita tomarse el tiempo para elaborar y definir cuál es esa visión. Luego es necesario incorporar expertos en la materia en torno a esos sistemas, fuentes de datos y más, y determinar si realmente está preparado, si es el momento de hacer esa inversión. A menudo, muchas organizaciones no están tan preparadas como podrían pensar”.
- Incorpore una capa adicional de precaución: La IA no se trata sólo de crear y ejecutar software program. Implementar IA también significa sumergirse en los conocimientos más profundos de una organización. Los datos de entrenamiento salen de esos pozos, dijo Strippelhoff: “Esto también incluye un medio para validar las respuestas generadas o lo que está produciendo la IA”.
- Cree espacio para excepciones: Esta área es donde incluso los sistemas de IA mejor planificados pueden funcionar lentamente. Una calidad de datos insuficiente, por ejemplo, puede crear inconsistencias significativas en los resultados de la IA, advirtió Strippelhoff: “Las excepciones en la calidad de los datos podrían crear muchos desafíos para entrenar el modelo de IA”.
- Incluya tiempo para el entrenamiento del modelo de IA: Las personas necesitan tener la seguridad de que los datos de capacitación estén actualizados y sean precisos. Por ejemplo, dijo Strippelhoff, en el sector de la salud, una amplia gama de códigos de facturación hace que la automatización de la gestión del ciclo de ingresos sea un desafío, “ya que hay miles de códigos para elegir”. Como resultado, el proceso debe ser monitoreado de cerca por humanos hasta que haya seguridad de que los códigos se clasifiquen adecuadamente a través de un circuito de retroalimentación continuo.
- Asegúrate de que tus datos estén listos: “Algunas empresas pueden suponer que, con sus activos digitales, procedimientos operativos estándar y gobernanza, están preparadas para seguir adelante con una iniciativa de IA, sólo para descubrir que sus datos están en un estado tan pobre que tienen que ‘enlazar’ el proyecto. He visto que eso lleva a que los proyectos se estanquen o se archiven permanentemente”.
- Mantenga a los humanos informados, siempre: La IA puede parecer sinónimo de automatización whole, pero no es así. Una parte esencial del proceso de validación de resultados de la IA es mantener la supervisión humana en puntos clave. Probablemente será un “experto en la materia que valide el resultado”, dijo Strippelhoff, añadiendo que “se necesita tiempo para capacitarse”.
- Verifique las limitaciones de la plataforma: “Si su solución depende de la extracción y movimiento de datos entre sistemas a través de puntos finales API, puede haber limitaciones en la cantidad de llamadas, la disponibilidad y el tipo de información que puede obtener, así como la frecuencia con la que puede obtenerla”, dijo.
