¿La IA es la herramienta adecuada para resolver ese problema?
L
a capacidad de la inteligencia artificial para resolver problemas complejos depende de varios factores que pueden mejorar o dificultar su eficacia. Entre las consideraciones más críticas se encuentran la disponibilidad de datos de alta calidad, el alcance de las posibles soluciones al problema, la claridad del objetivo que se desea alcanzar y la necesidad de adaptarse a sistemas en constante cambio. Cuando estos elementos faltan o están mal definidos, presentan desafíos que requieren enfoques innovadores para superarlos.
- Escasez de datos de alta calidad
Los datos son la entrada más importante de cualquier modelo de IA, pero con demasiada frecuencia, se presta más atención al tamaño de los datos que a su calidad. Si bien las tendencias actuales con modelos de lenguaje de gran tamaño sugieren que una cantidad cada vez mayor de datos es la clave para obtener modelos y resultados de mayor calidad, sigue siendo una cuestión de investigación abierta si esto seguirá siendo así.
Se ha demostrado que los datos de alta calidad son igual de importantes, si no más, que las grandes cantidades de datos. En determinados casos, si se dispone de un conjunto de datos relativamente pequeño (pero de gran calidad) como punto de partida, se puede aumentar cuidadosamente el número de puntos de datos generando datos sintéticos.
- Demasiadas soluciones potenciales
Cuando un problema tiene demasiadas posibles soluciones, resolverlo mediante métodos de fuerza bruta (probando exhaustivamente todas las combinaciones) se vuelve poco práctico. Históricamente, este tipo de problemas se ha abordado utilizando heurísticas: reglas simples diseñadas para proporcionar soluciones “lo suficientemente buenas” para la mayoría de los escenarios, aunque rara vez sean óptimas.
La IA ofrece una alternativa prometedora para manejar la complejidad de los problemas con innumerables soluciones potenciales. Sin embargo, a medida que aumenta el número de posibles soluciones, también lo hace el desafío de verificar su calidad.
- La falta de un objetivo claro y medible
Un objetivo, o función de recompensa, es la meta o resultado que el modelo de IA intenta alcanzar. En otras palabras, se trata de hacerle la pregunta correcta al sistema. Formular lo que usted desea que el modelo haga es una de las partes más difíciles de cualquier sistema de aprendizaje automático. Los juegos como el ajedrez tienen un objetivo claro y medible, como una puntuación o un conjunto de reglas para determinar al ganador, y las iteraciones sin costo permiten que la IA aprenda rápidamente.
Pero en el mundo real, que a menudo es complejo y caótico, no existe una métrica sencilla que podamos utilizar para medir el progreso. Sin un objetivo claro y medible, puede ser difícil definir qué significa que el modelo sea “bueno”. Cuanto más ambiguo sea el objetivo, peor será el rendimiento del modelo.
- Cuando lo “bueno” no puede codificarse
Los problemas que enfrentan las organizaciones rara vez son estáticos. Combinado con la dificultad de identificar fácilmente si una solución propuesta es buena, la IA corre el riesgo de ofrecer soluciones que se desvíen progresivamente de la respuesta óptima. Una técnica cada vez más adoptada para superar este desafío es el aprendizaje por refuerzo con retroalimentación humana (RLHF, por sus siglas en inglés).
Esta técnica (que incluye a los humanos en el proceso) permite que el modelo aprenda e incorpore conocimientos humanos fuera de los datos. El RLHF es particularmente útil en situaciones donde es difícil codificar una solución algorítmica clara, pero donde los humanos pueden juzgar intuitivamente la calidad de los resultados del modelo.
Un camino equilibrado hacia adelante
A medida que la IA continúa evolucionando, es necesario que las organizaciones aborden su implementación de manera reflexiva.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Artificial intelligence’s ability to solve complex problems depends on several factors that can either enhance or hinder its effectiveness. Among the most critical considerations are the availability of high-quality data, the scope of possible solutions to the problem, the clarity of the objective one wants to achieve and the need to adapt to ever-changing systems. When these elements are missing or poorly defined, they present challenges that require innovative approaches to overcome.
1. A DEARTH OF HIGH-QUALITY DATA
Data is the most crucial input to any AI model, but too often, the size of the data receives much more attention than its quality. While the current trends with large language models suggest that ever-increasing amounts of data are the key to better-quality models and outputs, it is still an open research question whether this will continue to hold true.
What has been proven is that high-quality data is equally, if not more important, than vast quantities of data. In certain cases, if you have a relatively small but very high-quality dataset as a starting point, you can carefully increase the number of data points by generating synthetic data.
2. TOO MANY POTENTIAL SOLUTIONS
When a problem has too many possible solutions, solving it through brute-force methods — by exhaustively testing all combinations — becomes impractical. Historically, such problems have been addressed using heuristics — simple rules designed to provide solutions that are “good enough” for most scenarios, although rarely optimal.
AI offers a promising alternative for handling the complexity of problems with countless potential solutions. However, as the number of possible solutions increases, so does the challenge of verifying their quality.
3. THE LACK OF A CLEAR, MEASURABLE OBJECTIVE
An objective, or reward function, is the goal or output that the AI model is trying to achieve. In other words, it’s about asking the system the right question. Formulating what you want the model to do is one of the hardest parts of any machine learning system. Games like chess have a clear and measurable objective, such as a score or a set of rules to determine the winner, and costless iterations make AI learn fast.
But in the real world, which is often complex and messy, there’s no straightforward metric we can use to measure progress. Without a clear and measurable objective, it can be difficult to define what “good” is for the model. The more ambiguous the objective is, the worse the model will perform.
4. WHEN “GOOD” CAN’T BE CODED
Problems that organizations face are rarely static. Combined with the difficulty of easily identifying whether a proposed solution is good, AI runs the risk of offering solutions that progressively deviate from the optimal answer. A technique for overcoming this challenge that is being adopted more and more is reinforcement learning with human feedback, or RLHF.
This human-in-the-loop technique allows the model to learn from and incorporate human insights outside the data. RLHF is particularly useful in situations where it is difficult to codify a clear, algorithmic solution but where humans can intuitively judge the model’s output quality.
A BALANCED WAY FORWARD
As AI continues to evolve, it is crucial for organizations to approach its implementation thoughtfully.
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.
