Exploración de la IA: Descubriendo las posibilidades de la IA en 2026

Resumen rápido: La exploración de la IA representa el camino sistemático de la humanidad para descubrir las capacidades de la inteligencia artificial en la investigación científica, las aplicaciones industriales y la transformación social. Desde el Marco de Gestión de Riesgos de IA del NIST hasta la inversión de la NSF en los Institutos Nacionales de Investigación en IA, organizaciones de todo el mundo están descubriendo posibilidades de IA que abarcan desde la reducción de defectos de fabricación (como la que se aplica en el marco del programa 40%) hasta avances en la predicción climática y la atención médica. Comprender estas capacidades emergentes —y los marcos que guían el desarrollo responsable— permite a las empresas y a los investigadores aprovechar el potencial transformador de la IA.

La inteligencia artificial ha pasado de ser una tecnología especulativa a una infraestructura práctica. La exploración de las posibilidades de la IA abarca ahora la política federal, la investigación académica, la fabricación industrial y las experiencias cotidianas de los consumidores. Pero, ¿qué significa realmente la exploración de la IA y qué posibilidades merecen atención?

Pero aquí está la clave: la exploración de la IA no se trata de perseguir fantasías futuristas. Se trata de descubrir sistemáticamente lo que estos sistemas pueden lograr hoy, comprender sus limitaciones y crear marcos para implementarlos de manera responsable.

Este panorama ha cambiado drásticamente. En marzo de 2026, la NSF anunció una inversión de 100 millones de dólares en subvenciones para los Institutos Nacionales de Investigación en IA, específicamente para asegurar el liderazgo estadounidense en inteligencia artificial. Este es solo un ejemplo dentro de un patrón mucho más amplio de inversión y descubrimiento.

Qué significa realmente la exploración mediante IA

La exploración de la IA abarca tanto el proceso técnico de descubrimiento de capacidades computacionales como el proceso organizativo de identificación de aplicaciones prácticas. Este concepto opera simultáneamente en múltiples niveles.

A nivel algorítmico, los investigadores exploran cómo las diferentes arquitecturas procesan la información, identifican patrones y generan resultados. Los agentes de aprendizaje automático ahora pueden proponer ideas y realizar experimentos de forma autónoma, lo que transforma radicalmente el progreso de la investigación científica.

A nivel institucional, la exploración implica identificar oportunidades donde la IA genere valor cuantificable. BMW redujo los defectos de fabricación en 40% mediante sistemas de aprendizaje automático. General Electric logró una reducción de 40% en el tiempo de inactividad no planificado gracias a implementaciones similares. Estas no son posibilidades teóricas, sino resultados documentados de una exploración sistemática.

El Recurso Nacional de Investigación en Inteligencia Artificial (NAIRR), liderado por la NSF, ejemplifica la exploración coordinada a gran escala. Esta infraestructura proporciona a las comunidades de investigación y educación acceso a la computación, el software, los datos, los modelos, los recursos educativos y la experiencia necesarios para el avance responsable de la IA. Inicialmente establecido como proyecto piloto en 2024, el NAIRR ha apoyado a más de 600 proyectos de investigación y a más de 6000 estudiantes, con aproximadamente 100 millones de dólares en contribuciones en especie del sector privado provenientes de 28 socios del sector privado, junto con 14 socios federales.

En realidad, la exploración es diferente de la implementación. Muchas organizaciones confunden ambas, apresurándose a implementar la IA antes de comprender lo que realmente intentan lograr.

Convierta ideas de IA en soluciones funcionales con IA superior.

IA superior Ayudan a las empresas a reconocer, evaluar, priorizar y definir posibles aplicaciones para la ciencia de datos, el aprendizaje automático y la inteligencia artificial. Su equipo también ofrece servicios de consultoría, I+D, formación, desarrollo de software e implementación en el campo de la IA.

¿Necesitas ayuda para encontrar la solución de IA adecuada?

AI Superior puede ayudar con:

• evaluar posibles oportunidades de IA
• revisión de datos y viabilidad técnica
• Planificación del desarrollo de una prueba de concepto o un producto mínimo viable (MVP)
• Preparación de proyectos de IA para su integración.

👉 Contacta con IA Superior para hablar sobre su proyecto.

Marcos gubernamentales que dan forma al descubrimiento de la IA

Los marcos normativos determinan qué oportunidades de IA pueden explorar las organizaciones de forma segura. El Marco de Gestión de Riesgos de IA del NIST ofrece a las empresas una forma común de abordar la confianza, el riesgo, la transparencia y el desarrollo responsable de la IA.

El marco se creó mediante una amplia colaboración con la industria, el mundo académico y otras partes interesadas. Es voluntario, pero proporciona a los equipos criterios útiles para evaluar productos, servicios y sistemas de IA sin necesidad de desarrollar su propio enfoque de gobernanza desde cero.

Las recientes medidas ejecutivas también han transformado el panorama político estadounidense en materia de IA, con un mayor enfoque en la innovación, el crecimiento de la industria y la competitividad nacional. Estos esfuerzos no solo aumentan la presión en materia de cumplimiento normativo, sino que también establecen definiciones, categorías de riesgo y métodos de evaluación más claros.

Las políticas siempre avanzarán más despacio que la tecnología. Aun así, estos marcos ofrecen a las organizaciones puntos de referencia prácticos para explorar las posibilidades de la IA sin toparse una y otra vez con los mismos problemas de gobernanza.

La dimensión de la ética y la gobernanza

Las consideraciones éticas no son ajenas a la exploración de la IA, sino que están intrínsecamente ligadas a ella. La Iniciativa Global 2.0 del IEEE sobre Ética de los Sistemas Autónomos e Inteligentes aborda el equilibrio entre los beneficios y los riesgos potenciales a medida que los sistemas de IA se integran en infraestructuras críticas y funciones sociales.

El propio mercado de gobernanza de la IA demuestra esta prioridad. Se estima que este mercado alcanzará un valor de 1.227,6 millones de dólares, con un crecimiento proyectado de 35,71 millones de dólares en los próximos cinco años. Empresas de todo el mundo reconocen que la IA ética no es opcional: los marcos regulatorios imponen sanciones significativas por infracciones de alto riesgo.

Los programas de certificación IEEE CertifAIEd™ y similares ayudan a las organizaciones a evaluar la equidad, la transparencia, la rendición de cuentas y la protección de la privacidad en sus soluciones de IA. Estos no son principios abstractos, sino características medibles que determinan si los sistemas de IA funcionan según lo previsto en poblaciones diversas.

Descubrimientos científicos mediante sistemas de IA

La exploración mediante inteligencia artificial ha transformado radicalmente el progreso de la investigación científica. El ciclo tradicional de hipótesis, experimento y análisis ahora incorpora el reconocimiento de patrones impulsado por IA, la aceleración de simulaciones y la experimentación automatizada.

La ciencia climática ofrece un ejemplo convincente. Tradicionalmente, ejecutar simulaciones climáticas globales requería semanas en supercomputadoras, lo que limitaba la cantidad de escenarios que los científicos podían explorar. Los investigadores desarrollaron nuevos modelos que proyectan 100 años de datos climáticos mucho más rápido, ampliando así el abanico de posibilidades para la investigación climática.

La transformación se extiende a todas las disciplinas. Los investigadores en física utilizan la IA como lo que un físico describe como una musa: una fuente de inspiración e ideas que identifica patrones que los humanos podrían pasar por alto. La neurología se beneficia de la capacidad de la IA para procesar vastos conjuntos de datos de imágenes cerebrales y actividad neuronal. La meteorología aprovecha el aprendizaje automático para mejorar la precisión de los pronósticos y ampliar los horizontes de predicción.

Pero un momento. Estos no son ejemplos de IA reemplazando a los científicos. Son ejemplos de IA complementando las capacidades humanas, resolviendo los cuellos de botella computacionales que antes limitaban la velocidad de la investigación.

La Red de Institutos Nacionales de Investigación en IA

Los Institutos Nacionales de Investigación en IA, creados en 2020 y ampliados significativamente hasta 2026, representan inversiones estratégicas en la ciencia fundamental de la IA y su aplicación a sectores económicos críticos. Estos institutos, financiados con aproximadamente 1420 millones de dólares cada uno durante cinco años, conectan a más de 500 instituciones financiadas y colaboradoras en Estados Unidos y a nivel internacional.

La NSF anunció una inversión de 100 millones de dólares para la ampliación de los premios de los Institutos Nacionales de Investigación en IA, junto con financiación adicional para la infraestructura de bancos de pruebas y programas de IA multimodal.

Los 29 institutos se centran en temas como las ciencias astronómicas, la investigación de materiales y nuevos métodos para fortalecer la IA. Funcionan como centros que conectan universidades, agencias gubernamentales, socios de la industria y organizaciones sin fines de lucro para impulsar la investigación en IA, construir infraestructura nacional para la educación en IA y capacitar a la próxima generación de investigadores y profesionales.

Este modelo de red distribuida acelera los descubrimientos al permitir la exploración especializada dentro de cada instituto, al tiempo que facilita la transferencia de conocimientos a través de toda la red.

Aplicaciones industriales y resultados medibles

La investigación sectorial se centra en el valor empresarial cuantificable. El sector manufacturero, en particular, ha demostrado el impacto transformador de la IA a través de estudios de caso documentados.

La reducción de defectos de fabricación de BMW (40%) se logró gracias a sistemas de aprendizaje automático que identifican patrones de defectos en los procesos de producción de forma más rápida y precisa que los métodos tradicionales de control de calidad. La reducción del tiempo de inactividad no planificado de General Electric (40%) fue resultado de algoritmos de mantenimiento predictivo que anticipan las fallas de los equipos antes de que ocurran.

Estos resultados comparten características comunes: abordan problemas de alto coste, aprovechan la infraestructura de datos existente y se integran en los flujos de trabajo establecidos en lugar de requerir un rediseño completo del proceso.

¿La respuesta corta? La exploración exitosa de la IA industrial comienza con problemas costosos y repetitivos donde el reconocimiento de patrones crea valor inmediato.

Adopción del aprendizaje automático en sistemas heredados

Una barrera importante para la exploración de la IA es la percepción de que requiere una infraestructura técnica completamente nueva. Las investigaciones sobre la adopción del aprendizaje automático en sistemas heredados cuestionan esta suposición.

La integración del aprendizaje automático es fundamental para la competitividad industrial, pero su adopción se ve frecuentemente obstaculizada por los costos prohibitivos y las interrupciones operativas que implica la actualización de los sistemas heredados. Los gastos financieros y logísticos necesarios para respaldar el ciclo de vida completo del aprendizaje automático representan una barrera formidable para su implementación generalizada.

Sin embargo, actualmente existen marcos de trabajo para integrar las capacidades de aprendizaje automático en los sistemas existentes sin necesidad de reemplazar completamente la infraestructura. Este enfoque reduce las barreras financieras y permite a las organizaciones explorar las posibilidades de la IA de forma gradual, validando su valor antes de comprometerse con transformaciones de mayor envergadura.

¿Te suena familiar? La mayoría de las organizaciones no necesitan reconstruirlo todo. Necesitan puntos de entrada estratégicos donde la IA genere mejoras cuantificables dentro de las limitaciones existentes.

Capacidades actuales y direcciones futuras

Para una exploración eficaz, es fundamental distinguir entre las capacidades actuales de la IA y las posibilidades futuras hipotéticas. La IA actual destaca en el reconocimiento de patrones, la optimización dentro de parámetros definidos y el procesamiento de datos no estructurados a gran escala.

Los agentes de aprendizaje automático han evolucionado considerablemente. El análisis de diferentes sistemas de IA muestra patrones de comportamiento distintos: algunos sistemas favorecen las modificaciones algorítmicas sin errores de implementación, mientras que otros presentan problemas de implementación con distinta frecuencia.

Estas características de rendimiento influyen en qué rutas de exploración resultan más productivas. Los sistemas que no presentan errores de implementación permiten una iteración más rápida. Aquellos con tasas de error más altas requieren una mayor carga de validación.

Ahora bien, aquí es donde la cosa se pone interesante. Los agentes que exploran las posibilidades de la IA exhiben diferentes estrategias de exploración, con variaciones en la configuración de parámetros y énfasis en la modificación de algoritmos, creando una metacapa de exploración: sistemas de IA que descubren mejores maneras de descubrir capacidades de IA.

Innovación impulsada por las aplicaciones

Según documentos de posición de investigadores destacados, la investigación aplicada ha sido sistemáticamente infravalorada en la comunidad del aprendizaje automático. A medida que proliferan las aplicaciones del aprendizaje automático, los algoritmos innovadores inspirados en desafíos específicos del mundo real cobran cada vez más importancia.

Este enfoque invierte las prioridades de investigación tradicionales. En lugar de desarrollar algoritmos y buscar aplicaciones, la innovación orientada a las aplicaciones parte de desafíos reales y urgentes y desarrolla soluciones a medida. La atención médica, la ciencia climática, el descubrimiento de materiales y la optimización agrícola son ejemplos de ámbitos donde este enfoque acelera el progreso.

El panorama de la IA en el sector sanitario ejemplifica especialmente este patrón. En recientes mesas redondas de investigación se identificaron avances, aplicaciones y retos pendientes en diagnóstico por imagen, descubrimiento de fármacos, apoyo a la toma de decisiones clínicas y predicción de resultados para el paciente. Cada avance surgió de necesidades clínicas específicas, más que del desarrollo de algoritmos abstractos.

Dicho esto, sigue siendo fundamental equilibrar la investigación aplicada con el trabajo algorítmico básico. Ninguno de los dos enfoques por sí solo maximiza el potencial de la IA.

Desafíos en la exploración y el desarrollo de la IA

La exploración de la IA se enfrenta a obstáculos que ralentizan el descubrimiento y limitan su adopción. Comprender estos desafíos ayuda a las organizaciones a asignar recursos de manera más eficaz.

• La calidad y disponibilidad de los datos constituyen la barrera más común. Los sistemas de IA requieren una cantidad sustancial de datos de entrenamiento que sean representativos, estén etiquetados con precisión y libres de sesgos sistemáticos. Muchos ámbitos carecen de esta infraestructura de datos, lo que imposibilita la exploración independientemente de la sofisticación algorítmica.
• Los requisitos de recursos computacionales generan desigualdades en el acceso. El entrenamiento de modelos complejos exige presupuestos de hardware y energía que superan las posibilidades de la mayoría de las organizaciones. La iniciativa NAIRR aborda específicamente este desafío democratizando el acceso a la infraestructura computacional.
• La interpretabilidad sigue siendo un problema para las aplicaciones de alto riesgo. Cuando los sistemas de IA hacen recomendaciones que afectan la salud humana, los resultados legales o el acceso financiero, las partes interesadas necesitan comprender el razonamiento. Muchas arquitecturas de IA potentes funcionan como cajas negras, produciendo resultados precisos sin procesos de decisión transparentes.

Desafíos de aprendizaje automático en mundo abierto

El aprendizaje automático en entornos abiertos aborda el comportamiento de los sistemas de IA cuando se enfrentan a situaciones que difieren de las condiciones de entrenamiento. El aprendizaje automático tradicional parte de la base de entornos cerrados donde los datos de entrenamiento y despliegue siguen distribuciones similares. Las aplicaciones del mundo real violan constantemente esta suposición.

Las revisiones de investigación identifican desafíos clave: la detección de datos fuera de distribución (reconocer cuándo las entradas difieren significativamente de los datos de entrenamiento), el descubrimiento de clases nuevas (identificar categorías no presentes durante el entrenamiento) y el aprendizaje continuo (actualizar el conocimiento sin olvidar el aprendizaje previo).

Estos desafíos impactan directamente en la exploración. Un sistema de IA que falla silenciosamente al encontrarse con situaciones novedosas no es confiable para explorar espacios de posibilidades más allá de su distribución de entrenamiento. Una sólida capacidad de exploración en mundos abiertos es un requisito previo para un descubrimiento confiable impulsado por IA.

Bien, ¿y qué hay de las métricas de evaluación? FPR95 (tasa de falsos positivos con una tasa de verdaderos positivos de 95%) y AUPR (área bajo la curva de precisión-exhaustividad) proporcionan medidas cuantitativas del rendimiento en entornos abiertos, lo que permite una comparación sistemática de diferentes enfoques.

La brecha entre la fuerza laboral y la experiencia

La infraestructura técnica por sí sola no permite explorar la IA; los profesionales cualificados son igualmente esenciales. La escasez de expertos en IA limita la rapidez con la que las organizaciones pueden explorar las posibilidades.

El componente NAIRR Classroom aborda específicamente este desafío mediante el desarrollo de una fuerza laboral preparada para la IA a través de la ampliación de la educación, la capacitación, el soporte al usuario y la divulgación a comunidades de investigación y aprendizaje nuevas y no tradicionales en los 50 estados de EE. UU., además del Distrito de Columbia y Puerto Rico.

La formación de la próxima generación de investigadores y profesionales de la IA requiere más que habilidades técnicas. El conocimiento del campo, el razonamiento ético, la colaboración interdisciplinaria y el pensamiento crítico sobre las implicaciones sociales de la IA son competencias igualmente importantes.

Las organizaciones que exploran las posibilidades de la IA necesitan miembros de equipo que comprendan tanto la tecnología como el ámbito de aplicación. Un proyecto de IA en el sector sanitario requiere experiencia médica además de habilidades en aprendizaje automático. La IA en la agricultura exige conocimientos agronómicos. Este requisito interdisciplinario complica la captación y el desarrollo de talento.

Enfoques estratégicos para la identificación de oportunidades en IA

La exploración sistemática de las posibilidades de la IA requiere metodologías estructuradas. Las organizaciones que logran adoptar la IA con éxito suelen seguir procesos de identificación deliberados en lugar de buscar oportunidades al azar.

El proceso comienza con el inventario: catalogar los activos de datos existentes, la infraestructura computacional, el conocimiento del sector y los procesos de negocio. Las oportunidades de IA surgen en la intersección de estos recursos y problemas de alto valor.

Los marcos de priorización ayudan a clasificar las oportunidades. Entre los factores que se consideran se incluyen la magnitud del impacto potencial, la viabilidad de la implementación, la disponibilidad de datos, la alineación de las partes interesadas y la ventaja competitiva. No todas las posibilidades de la IA merecen ser exploradas; el enfoque estratégico es más importante que la cobertura exhaustiva.

Los proyectos piloto validan las hipótesis antes de su implementación a gran escala. Las implementaciones a pequeña escala ponen a prueba si las capacidades de la IA se ajustan a las características del problema, si la calidad de los datos es suficiente, si las partes interesadas aceptan los resultados generados por la IA y si las complejidades de la integración siguen siendo manejables.

Sin embargo, hay un detalle importante: muchas organizaciones se saltan la fase piloto y pasan rápidamente de la identificación de oportunidades a la implementación en producción. Este enfoque maximiza el riesgo y minimiza el aprendizaje.

Evaluación comparativa de agentes de investigación de IA

Los recientes estudios comparativos evalúan la capacidad de los agentes de aprendizaje automático para realizar investigación científica de forma autónoma. Estas evaluaciones miden la eficacia con la que los sistemas de IA pueden proponer ideas, diseñar experimentos, ejecutar implementaciones y analizar resultados.

Los resultados de las pruebas comparativas revelan una variación significativa entre los distintos sistemas. Algunos presentan una gran capacidad de modificación algorítmica, pero tienen dificultades con la configuración de parámetros. Otros demuestran enfoques equilibrados, pero presentan mayores tasas de error de implementación. Comprender estos perfiles de rendimiento ayuda a los investigadores a seleccionar las herramientas adecuadas para las diferentes tareas de exploración.

El marco FML-bench evalúa específicamente agentes de IA para la investigación científica, haciendo hincapié en las perspectivas orientadas a la investigación en lugar de la mera realización de tareas de ingeniería. Esta distinción es importante porque el descubrimiento científico requiere capacidades diferentes a las del desarrollo de aplicaciones: creatividad, generación de hipótesis y diseño experimental, además de habilidades de implementación.

El papel de la IA confiable en la exploración

La confiabilidad determina qué posibilidades de IA pueden explorar las organizaciones de manera responsable. Los sistemas que producen resultados sesgados, comprometen la privacidad o funcionan de manera poco confiable en situaciones críticas limitan la exploración, independientemente de sus capacidades técnicas.

El marco de gestión de riesgos de IA del NIST hace hincapié en la confiabilidad como un constructo multidimensional: validez y fiabilidad (el sistema funciona según lo previsto), seguridad (evita resultados inaceptables), protección y resiliencia (resiste los ataques y se recupera de los fallos), rendición de cuentas y transparencia (las decisiones son explicables y atribuibles), explicabilidad e interpretabilidad (los resultados pueden ser comprendidos por las partes interesadas), mejora de la privacidad (la información personal está protegida) y equidad con gestión de los sesgos perjudiciales (la discriminación sistemática se mitiga).

Estas dimensiones no son propiedades binarias; existen en continuos e implican compensaciones. Maximizar la transparencia podría reducir el rendimiento. Mejorar la privacidad podría limitar la personalización. Una exploración eficaz de la IA aborda estas compensaciones de forma deliberada, no accidental.

Las directrices ejecutivas han abordado específicamente las preocupaciones sobre el sesgo ideológico, haciendo hincapié en que los estadounidenses requieren resultados fiables de los sistemas de IA. Cuando los sesgos ideológicos o las agendas sociales se incorporan a la IA, los sistemas resultantes pueden comprometer la neutralidad que se espera de los servicios gubernamentales y las aplicaciones críticas.

Pero un momento. La equidad implica juicios de valor sobre qué resultados constituyen un trato justo. Las distintas definiciones de equidad pueden entrar en conflicto desde el punto de vista matemático: optimizar una métrica de equidad puede empeorar otra. Esta complejidad implica que la exploración de una IA confiable requiere una deliberación ética constante, no solo soluciones técnicas.

Posibilidades futuras y expectativas realistas

Distinguir entre las posibilidades realistas de la IA a corto plazo y las capacidades futuras especulativas ayuda a las organizaciones a invertir sus recursos de exploración de forma inteligente.

1. En los próximos 3 a 5 años, se prevén avances continuos en sistemas de IA multimodal que procesan texto, imágenes, audio y video simultáneamente. El apoyo de la NSF a los programas de IA multimodal impulsa precisamente esta dirección. Estos sistemas permitirán aplicaciones que requieren la comprensión conjunta de múltiples tipos de información: diagnóstico médico que combina imágenes con el historial del paciente, monitoreo ambiental que integra imágenes satelitales con datos de sensores y herramientas educativas que se adaptan a diversas modalidades de aprendizaje.
2. La aceleración del descubrimiento científico se intensificará. Los sistemas de IA que realizan experimentos de forma autónoma, proponen hipótesis e identifican líneas de investigación prometedoras se convertirán en infraestructura de investigación estándar, en lugar de meras novedades experimentales. La inversión en infraestructura de bancos de pruebas para laboratorios programables en la nube facilita precisamente esta transición.
3. Las aplicaciones industriales pasarán de la optimización específica a una inteligencia operativa más amplia. En lugar de sistemas de IA que resuelven tareas individuales, se esperan plataformas integradas que coordinen múltiples capacidades de IA en flujos de trabajo completos: una gestión de la cadena de suministro que anticipe interrupciones, prediga la demanda, optimice el inventario y redirija la logística simultáneamente.

Dicho esto, algunas capacidades largamente prometidas aún están lejos de ser una realidad. La inteligencia artificial general —sistemas de IA con razonamiento similar al humano en diversos ámbitos— no es inminente, a pesar de las predicciones recurrentes. El razonamiento de sentido común, el aprendizaje por transferencia robusto y la creatividad fiable siguen suponiendo un reto fundamental para los sistemas de IA.

La estrategia de exploración más productiva se centra en las posibilidades alcanzables a corto plazo, en lugar de perseguir capacidades especulativas lejanas.

Próximos pasos prácticos para las organizaciones

Las organizaciones que estén listas para explorar las posibilidades de la IA pueden comenzar con acciones concretas en lugar de estrategias integrales.

1. Comience por evaluar los activos de datos actuales. ¿Qué datos estructurados y no estructurados genera, almacena y controla la organización? ¿Cuál es su calidad, integridad y accesibilidad? Muchas oportunidades de IA existen o fracasan en función de la disponibilidad de los datos.
2. Identificar problemas costosos y repetitivos donde el reconocimiento de patrones genera valor. Las interacciones con el servicio al cliente, los procesos de control de calidad, el procesamiento de documentos, el mantenimiento predictivo y la previsión de la demanda son ejemplos comunes de objetivos de alto valor.
3. Participe en las iniciativas de infraestructura de IA existentes. Para instituciones educativas e investigadores, NAIRR ofrece acceso a recursos computacionales, conjuntos de datos y conocimientos especializados. Para organizaciones industriales, las alianzas con los Institutos Nacionales de Investigación en IA brindan oportunidades de colaboración.
4. Es fundamental priorizar los marcos de gobernanza y la ética de la IA desde el principio. Implementar los principios de IEEE CertifAIEd™ o las directrices RMF de NIST para la IA desde el inicio resulta más sencillo que incorporar posteriormente la confiabilidad en los sistemas ya implementados. El crecimiento proyectado del mercado de gobernanza de la IA refleja el creciente reconocimiento de que la IA responsable no es opcional.
5. Formar equipos interdisciplinarios. La exploración de la IA requiere conocimientos especializados del sector, además de habilidades técnicas. Un científico de datos sin conocimientos de fabricación no puede explorar eficazmente las posibilidades de la IA en la optimización de la producción. Un administrador sanitario sin conocimientos de aprendizaje automático no puede evaluar de forma crítica las herramientas de diagnóstico de IA.

En realidad, muchas organizaciones complican demasiado la exploración de la IA. El enfoque más eficaz suele consistir en empezar poco a poco, aprender rápidamente y escalar lo que funciona, en lugar de intentar una transformación integral de la IA de inmediato.

Preguntas frecuentes