Cómo las empresas pueden usar la búsqueda impulsada por LLM para crear valor
A
medida que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) continúan avanzando a un ritmo vertiginoso, muchos líderes empresariales siguen debatiéndose sobre cómo poner en práctica esta tecnología. Por un lado, buscan áreas en las que estas herramientas de IA generativa puedan demostrar rápidamente su valor. Por otro, quieren sentar las bases para una transformación de mayor escala y a largo plazo.
La IA se está convirtiendo en una parte natural de todo lo que hacemos y en un elemento intrínseco de cada faceta del negocio, integrándose de manera fluida en diversos procesos para mejorar la eficiencia y la innovación. Un área prometedora que puede ofrecer tanto un impacto inmediato como ayudar a sentar las bases es la búsqueda y recuperación de información impulsada por LLM. Se trata de un enfoque que puede cambiar radicalmente la forma en que las empresas interactúan con sus propios datos para obtener información, generar nuevas ideas y tomar mejores decisiones.
Aunque los desafíos persisten y pueden seguir evolucionando con el tiempo, no hay duda de que la transición hacia la búsqueda y recuperación habilitadas por LLM e IA generativa continuará. Para hacerlo de manera eficaz, las organizaciones deben seguir varios pasos:
1. Definir claramente los casos de uso.
Colabore entre los equipos de negocio que definen los requerimientos y los equipos técnicos o proveedores responsables de construir y desplegar las soluciones, con el fin de alinearse en una solución con resultados claramente medibles que permitan su evaluación más adelante.
2. Establecer procesos de admisión (intake) que consideren tanto el riesgo como el valor.
Considere no solo el ROI del caso de uso, sino también la sensibilidad de los datos que se están utilizando, el daño potencial de la aplicación y los usuarios previstos al priorizar en qué casos de uso invertir. Incorpore un enfoque por niveles de riesgo para evaluar los casos de uso.
3. Invertir en prácticas relacionadas con la recopilación, prueba y validación de datos para disponer de información real eficaz.
Reconozca que el uso eficaz de los LLM, especialmente aquellos utilizados en tareas de búsqueda y recuperación, sigue necesitando una base sólida de datos sobre la cual operar. Por lo tanto, los esfuerzos de transformación de datos deben continuar, manteniendo el foco tanto en la calidad de los datos que alimentan los modelos como en los flujos de trabajo generales para obtener, etiquetar, almacenar, acceder y procesar los datos, que son clave.
4. Incorporar prácticas de prueba estandarizadas.
Las evaluaciones ad hoc tienen un alcance limitado. Alinéese con un proceso estándar de desarrollo de modelos, respaldado por guías prácticas (playbooks) y prácticas de prueba predefinidas para habilitar sistemas de calidad, resilientes y bien probados.
5. Establecer capacidades de supervisión.
Tenga en cuenta que las cosas cambian: los datos cambian, la forma en que los usuarios interactúan con los sistemas cambiará, la tecnología cambia y lo que se puede necesitar de los sistemas cambia con el tiempo. Reconozca que estos sistemas deben supervisarse para asegurar un rendimiento continuo. Además, es necesario determinar métricas para que exista algo (y alguna forma) que monitorear.
6. Desplegar programas de capacitación, concientización y comunicación.
Dotar a sus colaboradores del conocimiento necesario para construir, desplegar y aprovechar de manera eficaz y responsable las herramientas de IA generativa es tan importante como la infraestructura técnica y los controles de gestión de riesgos que deben implementarse. Identifique las necesidades de aprendizaje y concientización relacionadas con la IA generativa en toda su organización y lance programas de capacitación y comunicación personalizados.
Es probable que la búsqueda siga siendo una aplicación dominante para los LLM y la IA generativa multimodal durante algún tiempo. Sin embargo, estos sistemas aún requieren datos efectivos, herramientas adecuadas y una gobernanza sólida para operar de manera eficaz y a gran escala. La IA responsable y las prácticas de gobernanza asociadas deben sustentar todo el despliegue de la IA. Dada la rapidez con la que cambia el panorama tecnológico, considere los casos de uso en función del impacto y el riesgo, e invierta en funciones subyacentes que le permitan escalar de manera responsable en una multitud de áreas.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
As large language models (LLM) continue to advance at a dizzying pace, many business leaders are still grappling with how to put this technology to work. On one hand, they’re looking for areas where these generative AI tools can quickly prove their value. On the other, they want to lay a foundation for broader-scale and long-term transformation.
AI is becoming a natural part of everything we do and intrinsic to every facet of business, seamlessly integrating into various processes to enhance efficiency and innovation. One promising area that can deliver both immediate impact and help lay the groundwork: LLM-powered search and retrieval. It’s an approach that can fundamentally change how companies interact with their own data to unlock insights, spark new ideas and inform better decision-making.
While challenges persist and may continue to evolve over time, there is no doubt that the shift to LLM and gen AI-enabled search and retrieval will continue. To do so effectively, organizations should consider following several steps:
1. CLEARLY DEFINE USE CASES.
Collaborate between the business teams defining the requirements and the technical teams or vendors responsible for building and deploying to align on a solution with clearly measurable outcomes to enable evaluation down the line
2. ESTABLISH INTAKE PROCESSES THAT CONSIDER RISK AS WELL AS VALUE.
Consider not just the ROI of the use case, but also sensitivity of the data being used, the potential for harm with the application and the intended users when prioritizing which use cases to invest in. Incorporate a risk-tiered approach to evaluating use cases
3. INVEST IN PRACTICES SURROUNDING DATA COLLECTION, TESTING AND VALIDATION SO YOU HAVE EFFECTIVE GROUND TRUTH.
Recognize that effective use of LLMs, especially those used in search and retrieval tasks, still need a solid fact-base to work from. Data transformation efforts therefore should continue, keeping a focus on both the quality of data feeding the models as well as the overall workflows to source, label, store, access and process data are key
4. INCORPORATE STANDARDIZED TESTING PRACTICES.
Ad hoc evaluation will only go so far; align on a standard model development process supported by playbooks and predefined testing practices to enable quality, resilient and well tested systems
5. ESTABLISH MONITORING CAPABILITIES.
Appreciate that things change — data changes, how users interact with systems will change, technology changes and what may be needed from systems change over time. Recognize that these systems need to be monitored for ongoing performance. Also, metrics need to be determined so there is something (and some way) to monitor.
6. ROLL OUT TRAINING, AWARENESS AND COMMUNICATION CAMPAIGNS.
Equipping your employees with the knowledge to effectively and responsibly build, deploy and leverage gen AI tools is as important as the technical infrastructure and risk management controls that need to be put in place. Identify the gen AI-related learning and awareness needs throughout your organization and launch tailored education and communication programs
Search is likely to remain a dominant application for large language models and multimodal GenAI for some time to come. But these systems still require effective data, tooling and governance to operate effectively, at scale. Responsible AI and associated governance practices should underpin all deployment of AI. With a technology landscape shifting as quickly as it is, consider use cases based on impact and risk and invest in underlying functions that enable you to scale responsibly across a multitude of areas.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
