Esta tecnología podría aumentar significativamente la productividad y transformar muchos puestos de trabajo, adelanta informe del Foro Económico Mundial
Imagen creada con inteligencia artificial
DALL-ELa aparición de la inteligencia artificial (IA) generativa ha generado incertidumbres, desafíos y oportunidades para los trabajadores, las organizaciones y las economías en general.
En este escenario, el Foro Económico Mundial (WEF, por sus siglas en inglés) publicó un informe que profundiza en la experiencia de las organizaciones que han adoptado esta tecnología y hace foco en el potencial de la IA para el crecimiento de la productividad laboral.
Para implementar esta innovación de manera efectiva en la fuerza laboral las empresas participantes subrayan la necesidad de desarrollar y probar soluciones en pequeños grupos antes de implementarlas en toda la organización. “Esto permite identificar y abordar problemas antes de una implementación más amplia”, señala el informe. Asimismo, esto evita que los usuarios pierdan interés si las cosas no funcionan como se espera.
Por otra parte, las organizaciones sostienen la importancia de la formación de consejos internos que establezcan reglas, estándares y marcos, evalúen casos de uso y consideren las implicaciones de la IA generativa a gran escala.
Para identificar el potencial para el aumento de la productividad laboral y la ampliación de tareas, los adoptantes revelaron la importancia de un liderazgo claro y la confianza en las capacidades innovadoras de los empleados de la organización.
“Es en la práctica diaria donde se identifican y desarrollan la mayoría de los casos de uso. Los casos de uso más prometedores son aquellos adoptados y promovidos por los propios empleados”, adelanta el informe.
Una de las lecciones clave que señalan los encuestados es la importancia de no apresurar el proceso de implementación; intentar avanzar demasiado rápido, advierten, puede generar resistencia entre los empleados. En este contexto es fundamental comenzar con una aplicación gradual, identificar casos de uso apropiados, aprender de las implementaciones iniciales y escalar progresivamente.
Tener una calidad y una infraestructura de datos robusta es otro de los puntos fundamentales.
