¿

Cómo manejan las empresas una situación en la que un producto imaginario depende de un conjunto de innovaciones que emergen lentamente (un concepto que hemos llegado a denominar “tecnologías de desarrollo lento”)? En estos casos, cuando el desarrollo de las tecnologías subyacentes tiene altibajos a lo largo de décadas, monitorearlas y crear una estrategia de I+D en torno a ellas (sin invertir demasiado ni demasiado pronto) puede representar un desafío significativo.

La mayoría de las organizaciones no puede permitirse invertir grandes esfuerzos en el seguimiento de tecnologías que podrían tardar décadas en ser efectivas y lo suficientemente asequibles para su comercialización. Al mismo tiempo, cuando el grupo adecuado de tecnologías alcanza la madurez y el costo apropiados, pueden resultar extremadamente disruptivas (y, dado que a menudo toman por sorpresa a las empresas, su impacto puede ser devastador).

Determinar cuándo apostar por tecnologías emergentes es una ciencia, no un arte. Lo más importante que debe hacer un CEO es dejar de pensar en la innovación en términos de tecnologías individuales. Aunque muchos ejecutivos no lo sepan, las innovaciones que crean nuevas industrias y ecosistemas (o que transforman los existentes) suelen estar compuestas por múltiples tecnologías. En su lugar, deberían identificar las diversas ciencias y tecnologías que sustentan una posible innovación y establecer un proceso para monitorearlas y gestionarlas a medida que se desarrollan, incluso si eso lleva décadas.

Muchas organizaciones descuidan esto debido a una creencia simple, pero incorrecta: esperar tiene sentido. La sabiduría convencional dice que el mayor número de oportunidades de negocio surgirá después de que las tecnologías se hayan comercializado, pero antes de que un competidor logre dominar el mercado. Basándonos en nuestra investigación y experiencia profesional, creemos que esto es un error. Las empresas que adoptan este enfoque suelen perder la oportunidad y nunca logran situarse en una posición de ventaja.

Replantear el mapeo tecnológico

Las organizaciones ya utilizan herramientas sofisticadas para predecir la rapidez con la que una tecnología podría estar lista para su comercialización. Un ejemplo es el Technology Readiness Level (TRL), creado por la NASA; otro es la diffusion curve (curva de difusión). Estas representaciones visuales están pensadas para ayudar en la planificación de I+D a largo plazo, la asignación de fondos para investigación y la estrategia de fusiones y adquisiciones. Sin embargo, con demasiada frecuencia, estas herramientas se centran en la previsión de tecnologías individuales y no en el conjunto de innovaciones necesarias para hacer posible algo como la conducción autónoma.

Además, las empresas han confiado en futuristas, paneles de expertos y extrapolaciones de tendencias para ayudar en la planificación tecnológica. No obstante, estos métodos pueden verse afectados por fijaciones personales, opiniones y errores al evaluar la preparación del mercado. Por encima de todo, la predicción tecnológica convencional no funciona bien cuando las organizaciones tienen que lidiar con tecnologías novedosas y su interacción.

La forma más eficaz de abordar las innovaciones transformadoras es identificar todas las tecnologías emergentes que podrían afectar a un sector a largo plazo, priorizarlas en términos de sus posibles funciones e impacto, y centrarse en las tres o cuatro más importantes. Para ello, será necesario dar seguimiento a las tendencias de investigación en universidades y centros de estudio; analizar las políticas gubernamentales, las tendencias del capital de riesgo, las fundaciones y competencias internacionales; el gasto corporativo en I+D; y monitorear las convocatorias y resultados de organismos estadounidenses como el NIH (National Institutes of Health), la NSF (National Science Foundation) y la DARPA (Defense Advanced Research Projects Agency). Por ejemplo, la DARPA tuvo una participación muy activa en proyectos relacionados con vehículos autónomos a comienzos de la década de 2000, y los fabricantes de automóviles comerciales observaban con atención los avances en sistemas de visión, tecnología LiDAR (detección y medición mediante luz láser), aprendizaje automático embebido y los primeros programas de inteligencia artificial.

Diseñar la matriz de viabilidad tecnológica

Después de identificar las tecnologías emergentes más prometedoras, las empresas deben hacerse dos preguntas sobre cada una: ¿puede funcionar? y ¿a qué costo? Las respuestas le permitirán crear una matriz de viabilidad tecnológica, un modelo de dos por dos que consideramos útil en nuestra labor docente y de consultoría.

Las tecnologías se dividen en cuatro cuadrantes: proyectos ambiciosos, misión crítica, soluciones mágicas y mercado masivo.

El desafío de gestionar innovaciones transformadoras se complica cuando las tecnologías subyacentes se encuentran en distintos cuadrantes en un momento dado. En el caso de los automóviles autónomos, por ejemplo, el desarrollo de la inteligencia artificial capaz de conducir un vehículo sigue siendo un objetivo muy ambicioso, mientras que las comunicaciones celulares 5G entre vehículos son factibles, pero requieren una gran inversión debido a la infraestructura que hay que crear, lo que las convierte en una misión crítica.

Esto nos lleva a la siguiente dimensión del problema: ¿Cuándo se unirán las tecnologías subyacentes de una innovación transformadora? Aunque encontrar respuestas a esa pregunta puede no ser fácil, tampoco es imposible. La clave, según muestran nuestros estudios, es centrarse en el costo.

Al analizar las inversiones en I+D necesarias para desarrollarlas, los costos de producción de las tecnologías clave y proyectar sus trayectorias futuras, es posible comprender cómo influirá el costo en la creación de una innovación transformadora. Esto permitirá a los CEOs determinar con qué tecnologías trabajar y cómo gestionarlas, generando un enfoque estratégico para la I+D.

Siempre toma tiempo que los costos de todas las tecnologías subyacentes bajen hasta el punto en que las organizaciones puedan integrarlas en una innovación transformadora que pueda fabricarse a un precio viable. Esto representa una ventana de convergencia de costos, en la cual se vuelve posible para las empresas combinarlas en nuevos productos en un futuro previsible. La capacidad de gestionar dicha convergencia puede determinar el éxito o fracaso de una organización, por lo que es esencial hacerlo correctamente.

Las empresas pueden utilizar varios enfoques para gestionar las tecnologías emergentes antes de su comercialización:

— Si identifican la ventana de convergencia de manera temprana, tendrán tiempo suficiente para seguir un enfoque proactivo. Las estrategias proactivas permiten a las organizaciones moldear las trayectorias de las tecnologías en desarrollo para que estas satisfagan sus necesidades futuras.

— Otra estrategia consiste en utilizar productos intermedios para construir activos y perfeccionar capacidades. Netflix siguió esta estrategia durante 10 años, desarrollando su negocio de entrega de DVD mientras el internet de banda ancha maduraba hasta el punto en que el streaming se volvió viable.

— Por el contrario, las empresas que detectan la ventana de convergencia más tarde que sus rivales deben moverse rápidamente para ponerse al día con una estrategia reactiva. Cuando la ventana se estrecha, las organizaciones pueden lanzar proyectos piloto junto con competidores avanzados. Esto ayuda a probar aplicaciones y capacidades sin comprometer excesivamente los recursos mientras el mercado madura. En los esfuerzos reactivos, las empresas pueden obtener acceso directo a tecnologías disruptivas asociándose con startups. Esto se observa en el rápido crecimiento del número de proyectos piloto entre organizaciones consolidadas y empresas de IA.

— Otra opción es apuntar a puntos de entrada de alto costo, como los mercados de lujo o de nicho, que pueden sostener la adopción temprana hasta que los costos bajen aún más.

Durante la última década, las organizaciones han comenzado a combinar la maquinaria de ingeniería, los sistemas de transporte y las redes físicas originadas por las revoluciones industriales del siglo XVIII con los dispositivos inteligentes, las redes inteligentes y los sistemas expertos que ha propiciado la revolución de internet del siglo XX para dar lugar a una cuarta ola de innovación global. En consecuencia, nada proporciona a una empresa una ventaja competitiva sobre sus rivales tanto como la tecnología disruptiva.

Sin embargo, en lugar de simplemente esperar y preocuparse por ser desplazadas, las organizaciones (especialmente aquellas que son líderes en el mercado) harían bien en gestionar las dinámicas de lo que está resultando ser una era dorada de cambio tecnológico y convergencia. Esto requiere invertir tiempo y atención en el seguimiento de las tecnologías de desarrollo lento.

L

a inteligencia artificial está generando avances impresionantes para muchas empresas: automatiza el servicio al cliente, optimiza las cadenas de suministro y potencia el marketing. Sin embargo, aunque este progreso incremental es valioso, no prepara a las empresas para las grandes olas de disrupción impulsadas por la IA que se avecinan.

Los riesgos y costos de oportunidad de centrarse únicamente en el incrementalismo están bien documentados. La revolución digital que cobró impulso a finales de la década de 1990 es un ejemplo de advertencia. Las cadenas hoteleras digitalizaron sus operaciones e interfaces con los clientes, pero cedieron valor a nuevos competidores con modelos de negocio que daban prioridad a lo digital, como las agencias de viajes en línea y las plataformas de alojamiento y experiencias entre particulares. Las empresas de medios tradicionales digitalizaron su contenido, pero perdieron audiencia e ingresos publicitarios frente a las redes sociales, que transformaron la forma de crear, compartir, interactuar y monetizar los contenidos.

Con la IA avanzando más rápido que cualquier otro cambio tecnológico anterior, hoy en día los riesgos son aún mayores. Las empresas que se limiten a un enfoque incremental de la IA caso por caso corren el riesgo de quedarse rezagadas a medida que sus competidores redefinen rápidamente las industrias.

Un enfoque estratégico que combine dos caminos paralelos ofrece una solución viable. La «transformación A» aprovecha la IA para optimizar el modelo de negocio actual, refinando procesos, reduciendo costos y mejorando la experiencia del cliente. La «transformación B» crea nuevos modelos de negocio impulsados por IA, desbloqueando oportunidades y redefiniendo los mercados. Cada una de estas transformaciones sigue una estructura diferente. La transformación A se implementa dentro de la organización existente, aprovechando las capacidades establecidas y siguiendo los procesos tradicionales de presupuestación anual diseñados para ejecutar y mejorar continuamente un modelo de negocio predecible. La transformación B, en cambio, se beneficia de una estructura separada, similar a una empresa emergente, con talento emprendedor y una cultura diferenciada, además de métricas de éxito y financiamiento enfocados en el descubrimiento y desarrollo de nuevos motores de crecimiento.

Existen pasos prácticos que los líderes pueden seguir para superar los obstáculos y llevar a cabo una transformación dual de manera efectiva. A continuación, exploraremos cómo las empresas líderes están aprovechando tres enfoques clave para impulsar sus propias transformaciones con IA.

1. Llevar a cabo la planificación de escenarios para anticipar cambios disruptivos

La IA avanza a una velocidad sin precedentes, lo que significa que las organizaciones que no logren anticiparse a las disrupciones corren el riesgo de ser sorprendidas por la competencia. La planificación de escenarios permite a los líderes explorar múltiples futuros posibles, poner a prueba sus estrategias actuales e identificar oportunidades emergentes antes de que se conviertan en tendencias dominantes.

Una importante aerolínea llevó a cabo un extenso ejercicio de planificación de escenarios para explorar cómo las tecnologías emergentes (como el aprendizaje automático, la IA generativa, la visión por computadora y la robótica avanzada) podrían transformar su modelo de negocio y la industria de viajes en general. Al analizar diversos escenarios futuros, la aerolínea buscaba anticiparse a las necesidades de los clientes, identificar oportunidades operativas y detectar posibles disrupciones en los próximos años.

El proceso comenzó con un análisis de las partes interesadas y del ecosistema, identificando las necesidades de clientes, reguladores y socios, como aeropuertos y control del tráfico aéreo, al tiempo que se consideraban las restricciones que estos grupos podrían imponer a la adopción de la IA. Las evaluaciones tecnológicas analizaron la madurez y escalabilidad de las soluciones de IA para definir qué aplicaciones estaban listas para implementarse a corto plazo y cuáles requerían inversiones a largo plazo. El equipo también analizó las innovaciones en industrias adyacentes y no relacionadas para detectar señales tempranas de cambio.

Esto se complementó con un proceso de ideación centrado en la «posibilidad», en el que la aerolínea imaginó cómo la IA podría redefinir la productividad, la eficiencia operativa y la experiencia del cliente, desde la optimización de rutas hasta la personalización de servicios.

Los hallazgos revelaron dos caminos claros de transformación. Para el negocio principal (transformación A), la aerolínea priorizó los casos de uso de IA con impacto inmediato, respaldados por tecnologías como el mantenimiento predictivo, los chatbots de IA generativa y la visión por computadora para mejorar los servicios de asistencia en tierra. Al mismo tiempo, la aerolínea desarrolló una innovación en su modelo de negocio (transformación B) mediante el desarrollo de agentes de viaje inteligentes impulsados por IA, capaces de planificar y reservar itinerarios personalizados en vuelos, hoteles y experiencias, lo que le permitió generar ingresos a través de comisiones en todo el ecosistema de viajes.

2. Alinear el liderazgo con el potencial transformador de la IA

Establecer una visión compartida en el liderazgo es fundamental para la transformación de la IA. Sin ella, las empresas corren el riesgo de fragmentarse: algunos líderes avanzan, otros dudan y el impulso se ralentiza. Aunque la verdadera alineación es un proceso que consta de varias etapas, realizar un ejercicio de alineación del liderazgo puede acelerar el proceso al revelar diferentes puntos de vista, fortalecer la convicción y definir una dirección clara.

En una empresa de tecnología industrial de la lista Fortune 500, el equipo directivo tenía perspectivas muy diferentes sobre la IA. Algunos la consideraban transformadora y vislumbraban un futuro en el que las cámaras con IA sustituirían a los costosos y sofisticados sensores de sus productos de medición. Otros se mostraban escépticos, tachando a la IA como una «moda pasajera» que distraía la atención de las prioridades del negocio. Un tercer grupo se mostraba curioso pero inseguro, luchando por comprender su verdadero potencial y sus implicaciones.

Estas diferencias plantearon cuestiones críticas sobre el verdadero potencial de la IA, la rapidez con la que la empresa debería actuar y las áreas en las que debía enfocarse. Para alinear las perspectivas y fortalecer la convicción, los 50 principales ejecutivos de la empresa se reunieron en una sesión estratégica de medio día dedicada a la IA.

La reunión dejó en claro la necesidad de actuar con urgencia tanto en las operaciones centrales como en las nuevas áreas de crecimiento. Al finalizar la sesión, los ejecutivos se alinearon en una serie de proyectos piloto «faro» diseñados como prototipos para una adopción más amplia, marcando un punto de inflexión significativo en la estrategia de IA de la compañía. También crearon un centro de capacidades para proporcionar los procesos, recursos y gobernanza necesarios para ampliar la IA. Este centro apoya el desarrollo de estrategias y casos de uso, al tiempo que colabora con los grupos de productos para dotar de recursos y avanzar en los proyectos piloto de transformación (A y B).

Para la transformación A, el liderazgo se comprometió a implementar soluciones impulsadas por IA en su centro de contacto para mejorar la eficiencia de las ventas y la interacción con los clientes. Para la transformación B, priorizaron el desarrollo de sensores definidos por software impulsados por IA, lo que cambiaría el modelo de negocio de la empresa de la venta de hardware a la venta de software.

3. Convertir las capacidades internas en oportunidades de mercado

Construir nuevos modelos de negocio impulsados por IA es un reto, pero las empresas no tienen que empezar desde cero. Al aprovechar su experiencia, datos e infraestructura interna, pueden expandir la IA más allá de sus propias operaciones, convirtiendo las capacidades internas en ventajas competitivas en nuevos mercados.

Para Shell, la IA no era solo una herramienta de eficiencia, sino una prioridad estratégica. El liderazgo se comprometió a integrarla en todas sus operaciones globales, centralizando recursos, infraestructura y talento para coordinar más de 100 aplicaciones desarrolladas y destinar sus inversiones en las oportunidades de mayor impacto dentro de su transformación A.

Más allá del ahorro de costos, cada implementación amplió el alcance y la profundidad de sus datos, mejoró la capacidad predictiva de la IA y fortaleció su base para futuras aplicaciones. Por ejemplo, cada solución de mantenimiento predictivo recién implementada generó flujos continuos de datos sobre el rendimiento de los equipos, lo que permitió ampliar los conocimientos y potenciar nuevas aplicaciones basadas en IA.

Sobre esta base, Shell colaboró con C3 AI, Microsoft y Baker Hughes para lanzar la Open AI Energy Initiative, una plataforma diseñada para establecer estándares en la industria y comercializar soluciones impulsadas por IA. Este esfuerzo fue un elemento clave en la transformación B, ya que la empresa buscó aprovechar las capacidades internas de IA para obtener una ventaja competitiva en nuevos mercados.

La IA está reescribiendo las reglas de la competencia, presentando tanto oportunidades extraordinarias como desafíos existenciales. Para las empresas establecidas, el camino a seguir no siempre es claro, pero al adoptar una transformación dual, pueden fortalecer sus operaciones actuales mientras dan pasos audaces para prosperar en esta nueva era.

L

a IA generativa (Gen AI) ofrece oportunidades transformadoras para el aprendizaje, el trabajo, la creatividad y la toma de decisiones en las organizaciones. Esto marca un cambio de paradigma hacia una colaboración sin precedentes entre humanos y máquinas. Sin embargo, su integración en la forma de trabajar de las organizaciones es compleja. Los riesgos son numerosos, incluidos los problemas de confianza y precisión, las alucinaciones y los sesgos heredados de los modelos subyacentes. Hoy en día, muchas empresas se enfrentan al dilema de aprovechar el poder de la IA generativa sin caer presa de sus posibles desventajas.

El temor a cometer errores críticos con la IA generativa ha llevado a algunas organizaciones a restringir severamente su uso, o incluso a prohibirlo por completo. Este enfoque evasivo es más peligroso de lo que parece, ya que puede generar consecuencias no deseadas (como que los empleados utilicen cuentas personales para eludir las restricciones) e impide que las empresas aprovechen los beneficios de la IA generativa.

Otras empresas más dispuestas a experimentar con la IA generativa han adoptado un nivel básico de estrategias inteligentes de gestión de riesgos. Estas mitigaciones comienzan con políticas de uso, códigos de conducta, restricciones a herramientas aprobadas y límites establecidos. Estas medidas son recomendables y necesarias, pero insuficientes; ya que no abordan muchos escenarios futuros desconocidos y difíciles de definir, especialmente dada la velocidad del cambio tecnológico.

Cada vez es más frecuente un segundo nivel de mitigación de riesgos: Ahora, muchas empresas alientan a su personal a utilizar el pensamiento crítico y el juicio en torno a las herramientas de IA. Este juicio a nivel individual va más allá de simplemente examinar los resultados generados por la IA; implica establecer el modo de colaboración adecuado con la IA, establecer un contexto y límites claros, y proporcionar retroalimentación continua a la máquina.

El ejercicio del juicio individual tiene más ventajas que las políticas por sí solas. Permite a los empleados interpretar las directrices en el contexto de uso, ya que las políticas no pueden cubrir todas las situaciones. El juicio permite a las personas traducir y adaptar reglas abstractas a escenarios del mundo real; por ejemplo, garantizar la confidencialidad al eliminar cuidadosamente los elementos sensibles específicos incluidos en un prompt. Sin embargo, el juicio individual puede no ser suficiente en todas las circunstancias. De hecho, cuando la IA presenta alucinaciones o genera resultados inexactos, las personas podrían caer inadvertidamente en una «trampa de confianza», influenciadas por el tono autoritario de las sugerencias generadas por la inteligencia artificial.

En este sentido, proponemos un nuevo nivel de mitigación de riesgos: el juicio en equipo.

Los tres tipos de juicio a nivel de equipos

La investigación en campos tan diversos (como la atención médica, el control del tráfico aéreo y la generación de energía nuclear) destaca el papel fundamental del trabajo en equipo para mitigar los riesgos operativos.

Un enfoque similar, que combine reglas estrictas con el juicio a nivel de equipos, puede ayudar a las organizaciones a abordar de manera efectiva los desafíos de la IA. Las conversaciones entre colegas pueden aportar perspectivas diversas, cuestionar los resultados y descubrir sesgos ocultos. Recurrir a expertos en la materia puede ayudar a validar datos específicos o revisar áreas en las que existen dudas o inquietudes debido a la falta de conocimientos para juzgar con confianza. El juicio a nivel de equipos tiene tres manifestaciones principales:

1. Juicio colectivo: Los equipos deben participar en debates para garantizar la precisión, identificar riesgos y evaluar los resultados generados por la IA. Por ejemplo, si los miembros no están seguros de un resultado generado por la IA, deben consultarlo con otros colegas o equipos, y revisar el contenido generado antes de aceptarlo y utilizarlo. Estas rutinas de reflexión y debate compartidos permiten una evaluación integral de los posibles impactos, incluidas las implicaciones éticas y legales.

2. Juicio especializado: Cuando se producen imprevistos o se detectan anomalías en los resultados de los sistemas de IA, los equipos deben delegar la autoridad de toma de decisiones a aquellos que son expertos o que están más cerca del trabajo, y no a quienes tienen el rango más alto. Al consultar a los expertos en la materia cuando surgen preguntas o problemas con la IA, sus conocimientos pueden orientar al equipo de manera oportuna y evitar que se extiendan las consecuencias negativas.

3. Juicio reflexivo: Los equipos deben reunirse periódicamente para compartir y reflexionar sobre sus experiencias y las de otros al usar IA, mejorando así su comprensión y capacidad para navegar por los sistemas de IA. Este aprendizaje continuo es fundamental para seguir el ritmo de la rápida evolución de la tecnología, permitiendo a los equipos aprender de los errores y éxitos para optimizar el uso seguro y eficaz. Un ejemplo de juicio reflexivo es la realización periódica de retrospectivas en equipo para analizar las lecciones aprendidas.

La incorporación de estas formas de juicio a nivel de equipos aborda elementos críticos de riesgo que las políticas o el juicio individual por sí solos podrían pasar por alto. Este enfoque colaborativo ayuda a descubrir puntos ciegos y sesgos, ofreciendo salvaguardas más completas.

Desarrollar el juicio a nivel de equipos

El juicio basado en equipos debe cultivarse antes de que pueda ser efectivo. Requiere práctica y refuerzo constantes para convertirse en un mecanismo sólido para gestionar los riesgos y garantizar resultados de alta calidad. A continuación, se presentan algunas recomendaciones prácticas para ayudar a los líderes a desarrollar esta capacidad dentro de sus equipos:

Cómo reforzar el juicio colectivo

Cree rutinas para la reflexión y debate dentro de los plazos del proyecto. Esto puede incluir reuniones breves o puntos de control diseñados específicamente para la toma de conciencia colectiva. Por ejemplo, después de una interacción uno a uno con la máquina, tomarse un momento para revisar y evaluar los resultados generados por la IA con sus compañeros puede brindar información valiosa y asegurar que los resultados no se acepten acríticamente, sino que se examinen para comprobar su precisión y relevancia. Algunas posibles preguntas para este tipo de sesiones incluyen: ¿Esto es plausible? ¿Se citan correctamente las fuentes? ¿Esta recomendación es propensa a posibles riesgos o sesgos? Hacer este juicio crítico en un grupo es más poderoso, ya que se tienen diferentes perspectivas y experiencia, y es menos probable que se caiga en la trampa de la confianza.

Cómo reforzar el juicio especializado

Establezca mecanismos para identificar y activar a los expertos en la materia a lo largo del proyecto. En primer lugar, asegurarse de que las personas comprendan la necesidad de involucrar a otros expertos durante el proceso de colaboración entre humanos e IA. A continuación, facilite la identificación de los expertos adecuados (disponiendo de mapas de expertos o una lista de especialistas) y el contacto con ellos (por ejemplo, formulando preguntas en comunidades internas de práctica, a menudo a través de sistemas de chat virtual o foros de discusión). Introduzca incentivos para los expertos que apoyen a los equipos y orienten la toma de decisiones cuando surjan problemas.

Cómo reforzar el juicio reflexivo

Dedique tiempo a actividades de aprendizaje continuo y fomente el intercambio de experiencias mediante sesiones y repositorios dedicados. Las sesiones retrospectivas deben incorporarse a los planes de los proyectos para facilitar el aprendizaje dentro y entre los equipos. Algunas preguntas útiles para explorar incluyen: ¿Qué aprendimos este mes al utilizar esta nueva tecnología? ¿Cuáles son los errores más comunes? ¿Cómo están lidiando nuestros colegas con desafíos similares? ¿Cómo podemos integrar mejor la IA generativa en nuestros flujos de trabajo para evitar estos errores? Además, el aprendizaje puede consolidarse y conservarse en un repositorio de conocimientos o como parte de academias de IA generativa.

El juicio basado en equipos es un activo estratégico para navegar en un futuro impulsado por la IA. Al cultivar esta capacidad a gran escala, las empresas están mejor equipadas para adaptarse rápidamente al cambiante panorama de la IA, incluidos los riesgos que aún no son generalizados o conocidos. Esta sabiduría colectiva permite a las organizaciones adoptar con confianza la integración de la IA, adaptarse a los flujos de trabajo cambiantes y gestionar las complejidades de la colaboración entre humanos e IA, acelerando la obtención de beneficios y mitigando de forma proactiva los riesgos existentes y emergentes.