.png)
Este artículo está basado en las intervenciones que tuvieron lugar durante el último encuentro del Programa Quest, que se llevó a cabo el pasado miércoles 28 de mayo de 2024 en Madrid. Durante este encuentro, con la inteligencia artificial como temática, más de 150 líderes digitales tuvieron la oportunidad de explorar cómo desarrollar una visión crítica, una comprensión profunda y obtener aprendizajes enriquecedores sobre los mayores desafíos de IA a los que se enfrentan las organizaciones hoy en día. El encuentro se desarrolló en el Auditorio Torre Cepsa, gracias a la colaboración imprescindible de Cepsa como anfitrión y co-organizador.
Si 2023 marcó para Ferrovial el inicio de sus pruebas y primeros productos, 2024 está siendo el año de maximizar y expandir su impacto. Esto ha implicado una revisión exhaustiva de funciones, apertura a la colaboración e integración de plataformas como Quercus, que les permite acelerar y escalar de manera segura la IA Generativa. Javier Lázaro, Digital Hub Director en Ferrovial, fue el encargado de exponer cómo están abordando los casos de uso en su organización, aprovechando los aprendizajes previos para incrementar el impacto de la IA Generativa.
A día de hoy, existe una Inteligencia Artificial para cualquier tipo de problema. Si esto es así, ¿por qué cuesta tanto generar impacto en negocio con la cantidad de oportunidades que existen? El problema es escalar las soluciones. Pasar de casos de éxito a nivel piloto a casos productivos no es fácil.
Existen barreras desde el punto de vista cultural o de gestión del cambio, ya que es una tecnología que cambia la forma de trabajar de los empleados, la forma en la que relacionarse con los clientes… Centrándonos en las barreras tecnológicas, las principales son las siguientes:
La La aproximación ante todas estas barreras era poner el foco en resolver estos problemas tecnológicos para generar impacto. Sin embargo, el esfuerzo que se dedicaba a resolver los problemas tecnológicos era mucho mayor que el dedicado a generar ese impacto y a llevar a cabo la gestión del cambio necesaria. La necesidad era ser capaces de alinear el foco y el impacto. Para ello decidieron crear una capa intermedia, una plataforma que eliminara la complejidad tecnológica y que utilizando las buenas prácticas de Platform Engineering permitiera cuando fuera necesario acelerar una prueba de concepto, lanzarla, gestionando desde la infraestructura hasta el acceso a los datos y los canales, pero que partiera de unas bases en las que cuando fuera necesario escalar, estuviera preparada para ello desde el principio.
Para todo ello es necesario:
Es fundamental partir los esfuerzos. Tiene que haber esfuerzos focalizados en la generación de impacto y en el cambio y esfuerzos focalizados en la parte de plataforma. Para una IA transformadora, se necesita una plataforma que acelere, asegure y gobierne todas las iniciativas de IA generativa, evitando la proliferación de casos de uso desconectados. Es por ello que Ferrovial ha creado Quercus, su propia plataforma de IA con ventajas de Platform Engineering. La plataforma integra técnicas, productos y componentes de última generación para ofrecer casos de uso empresariales bajo un marco y una estrategia comunes. La plataforma garantiza que la experiencia y el conocimiento de Ferrovial permanezcan en casa como uno de los principales activos críticos.
Quercus se basa en los siguientes principios:
Conclusiones
La utilización de la IAGen en ámbitos como el desarrollo, persigue un incremento exponencial en términos de productividad, pero, ¿cómo podemos asegurar que las expectativas están siendo cumplidas? Enrique Santiago, Director corporativo de Industria & Financial Services en Entelgy fue el encargado de transmitir las métricas que permitirán a los diferentes líderes digitales invertir en los recursos empresariales que realmente puedan maximizar la eficiencia empresarial.
Para Enrique, el elemento más complejo de la Inteligencia Artificial es la inteligencia natural. Si analizamos porque hoy en día estamos sufriendo todos con la IA, nos damos cuenta de que afecta a las personas. ¿Sabemos sacarle partido a la IA? ¿Estamos preparados como trabajadores? ¿Sabemos cómo medir el impacto en la productividad? ¿Sirve medir la métrica de negocio o hay que medir otras cosas para entenderla? ¿A qué velocidad y en qué actividades debo hacerlo?
Situación de la IA en el entorno empresarial
Todas las organizaciones están utilizando IA desde hace tiempo. La aplicación de Inteligencia Artificial en casos de éxito no es nada nuevo, pero antes se les catalogaba como casos de Big Data, Analítica Avanzada, RPA… La diferencia es que ahora hay presión mediática y social debido a la democratización de su uso. Sin duda, el negocio es mejorable con IA, pero el impacto en el mismo pasa por las personas.
Implementación GitHub Copilot
En Entelgy han analizado el impacto en la productividad de desarrolladores de software antes y después de utilizar GitHub Copilot. Los resultados muestran un impacto positivo de un 9%. ¿Por qué no se supera este porcentaje? Porque depende de las personas y un factor muy importante es la aceptación por parte de los usuarios en cada colectivo. Mientras que los empleados junior están aceptando alrededor de un 67% de las propuestas que la IA le hace, mientras que los perfiles senior no pasan del 12%.
¿Es un problema cultural o de calidad de programación? Ahora se encuentran analizando la deuda tecnológica que genera un Copilot. Si tiene impacto o no. Los primeros análisis dicen que no, que se trata de un problema cultural, en el que las personas no aceptan recibir órdenes de una máquina. Por ello, es fundamental gestionar la comunicación y el cambio.
El gran objetivo
El gran objetivo es mejorar el negocio, la calidad de atención a los clientes, el entorno laboral. Sin embargo, para ello es necesario pasar de usuarios medio comprometidos a usuarios mejorados gracias a las capacidades que le ofrece la IA mediante la implementación de nuevas herramientas que ayudan en la toma de decisiones y en la operativa.
Es responsabilidad de las organizaciones cambiar el discurso para convencer con argumentos reales a sus empleados de que la IA les puede ayudar a mejorar. Los programas de habilidades en IA para los usuarios finales son básicos para convencer a los empleados de que la IA no es un enemigo. No se trata únicamente de implementar una solución tecnológica, sino de llevar a cabo un cambio cultural y de que los usuarios se pongan de la parte del negocio.
En este caso de uso observamos un ejemplo muy concreto de cómo los bancos pueden ser agentes implementadores de Inteligencia Artificial en procesos de back office y operación interna, así como en customer experience. Carlos Mérida Campos, Director de programa de Inteligencia Artificial en Banco Sabadell, explicó cómo la IA ayuda a sus empleados para que estos ayuden a sus clientes.
El problema de los gestores en el servicio de soporte al banco
En la entidad reciben al día decenas de miles de peticiones o consultas, las cuales son gestionadas de dos maneras: mediante los canales de autoservicio y a través de los gestores humanos. Este caso de uso se centra en la segunda. Las consultas más comúnmente realizadas son las que tienen que ver con Cuentas y Personas. En este área, en el 60% de los tickets, los gestores necesitan buscar entre decenas de manuales y centenares de FAQs. Además, en el 90% de los tickets el agente requiere redactar una respuesta larga. El proceso de documentación entre las fuentes de información para dar una respuesta solvente a las preguntas de los clientes es realmente complicado.
Solución: una interfaz conversacional a quien poder preguntarle
El reto es aplicar la Inteligencia Artificial para ayudar y asistir a los gestores. Mediante el uso de la IA el objetivo es mejorar la calidad de las respuestas, reducir el tiempo de respuesta y la curva de aprendizaje, así como la rotación que sufren en los centros de atención. ¿Cómo? Dotando a los agentes con una interfaz conversacional tipo chatbot, en la cual pueden no solo volcar la pregunta y obtener la respuesta, sino también conversar alrededor de esa pregunta.
Cómo funciona la solución
Para poder ser solvente, la solución tiene que conocer toda la documentación. Para ello, el sistema clasifica la información en varias fases:
En definitiva, se trata de una interfaz tipo Chat GPT en la cual se realiza una pregunta sobre un tema concreto y el sistema genera una respuesta con referencias incluidas de la documentación de dónde la ha extraído, de tal forma que el gestor pueda verificarla o ampliarla. Además, en la solución se puede repreguntar y profundizar sobre la pregunta, entablando una conversación y ofreciendo un feedback, el cual no lo utiliza el sistema para aprender de manera automática, pero si le sirve al equipo que hay detrás para afinarlo.
Lecciones aprendidas
A dónde quieren evolucionar
El Servicio Andaluz de Salud atiende a más de 8,8 millones de personas a través de 1560 centros de atención primaria, 58 hospitales. Atienden 7 millones de urgencias anuales y 15 millones de consultas externas. Todo ello con un presupuesto de 14.000 millones de euros. A sus más de 125.000 empleados, profesionales sanitarios en su mayor parte, el Servicio Andaluz de Salud ofrece un soporte técnico y funcional avanzado en relación con herramientas informáticas y múltiples aplicaciones que utilizan en su día a día, a través de un servicio y plataforma innovadora: ayudaDIGITAL. Juan Carlos Rubio Pineda, Subdirector de Servicios TIC al usuario y Administración Electrónica en Servicio Andaluz de Salud profundizó en la herramienta ayudaDIGITAL, que se caracteriza por ser 24x7 omnicanal con un alto grado de uso de inteligencia artificial en canales como el correo, web, App móvil, WhatsApp o incluso el teléfono.
Inteligencia Artificial en ayudaDIGITAL
En el Servicio Andaluz de Salud, donde nada puede parar y todo es crítico, existía la necesidad de tener un servicio de atención al usuario potente, ya que se encarga de procesar y atender 800.000 tickets de incidencias o peticiones de asistencia funcional o técnica al año. Con 80.000 elementos de configuración TIC registrados en su CMDB y 800 aplicaciones para las que los agentes tienen que ofrecer respuesta. En un contexto de tales dimensiones y con tanta complejidad, desde hace 20 años Accenture se ha encargado de evolucionar ese servicio de atención hasta el punto de aplicar técnicas de IAGen y convertirlo en un servicio omnicanal.
Junto con Accenture, incorporan GenAI para brindar un mejor soporte TIC:
Gonzalo Estevez de Pablo, Responsable de Tecnología & innovación para la atención a clientes en Iberdrola, e Ibai Perez Arbulu, Responsable global Cloud & GenAI en Iberdrola fueron los encargados de explicar cómo desde el equipo Cloud & GenAI de Iberdrola, se está trabajando en escalar y acelerar el despliegue de soluciones de GenAI y el reto que esto supone: mantenerse al día, posicionarse y no perder oportunidades. Ibai se encargó de exponer tres lecciones aprendidas orientadas a tecnología y organización y Gonzalo complementó las mismas con una visión de transformación del negocio de atención al cliente, es decir, una visión más funcional.
Lección aprendida 1: clusterizar capacidades GenAI en la organización
¿Cómo han conseguido en Iberdrola adoptar la GenAI de una manera efectiva, es decir, con casos de uso ya en producción? A través de una unión de fuerzas mediante el GenAI Center of Competence, que funciona como enabler para la adquisición de las capacidades necesarias que requiere la adopción a escala de la IA Generativa. Se trata de un centro especializado en Gen AI para acelerar la adopción de casos de uso sobre las mejores prácticas, con un único equipo que integra conocimientos GenAI y Cloud, es decir, el centro aúna las capacidades, poniéndolas a disposición del negocio bajo una misma manera de funcionamiento.
Lección aprendida 2: unificar pipeline Delivery Business + Tech
¿Qué quiere decir poner a disposición del negocio estas capacidades? Hay un concepto clave: enablement. Se trata de un acompañamiento constante en el que las capacidades específicas que se requieren para un caso de uso son proporcionadas al negocio en tiempo y forma y explicadas para su utilización.
Existen unas fases iniciales donde el propio negocio identifica y filtra los casos de uso en función de su contexto corporativo. Una vez se han definido los casos de uso, se fija un equipo de trabajo multidisciplinar (negocio, desarrollo back y front, python, GenAI…) que se dedica a madurarlos y diseñarlos. Para esta fase se necesita una correcta comprensión del negocio, de los datos, de la tecnología y de los KPIs para saber si el resultado es satisfactorio o no. Una vez esto está definido, el fin es acotar el proyecto a building blocks específicos con personas especializadas en hacer el delivery de los mismos al negocio en tiempo record. Al mismo tiempo, el negocio es capaz de recibir esos activos y utilizarlos de forma acompañada y con best practices.
Cuando esto ocurre, se entra en el ciclo iterativo de delivery, donde se empieza a poner en juego el mapa de capacidades de GenAI, extendiendo los desarrollos, probando, midiendo los KPIs y refinando. Finalmente, cuando el caso llega a producción, se elabora un plan de escalado de adopción del caso de uso (gestión del cambio), se pide feedback al GenAI CC sobre experiencia de usuarios técnicos, se lleva a cabo la monitorización funcional de la solución y la medición de beneficios, así como el mantenimiento de la solución y se identifican posibles líneas evolutivas.
Lección aprendida 3: mapa capacidades homologadas
Transformación del Customer Journey con GenAI
Lo que buscan en Iberdrola al introducir la tecnología de GenAI en el servicio al cliente es dar una atención más personalizada, más eficaz y más escalable. Más personalizada porque poseen el histórico de todas las interacciones del cliente con la organización, más eficaz porque poseen el contexto y pueden ser más concretos a la hora de resolver sus necesidades y más escalable porque una vez se tiene montado un caso de uso de una tipología es más ágil añadir otras nuevas.
¿Cuál es el reto que está planteando la GenAI en el servicio al cliente? No es detectar la intención del cliente, sino que responda lo que la organización quiere como la organización quiere. Para ello, tienen que meter las reglas de negocio dentro de los modelos LLM de GenAI.
En lo que a Customer Journey se refiere, existen numerosos casos de uso potenciales en los que se puede introducir GenAI para mejorar la experiencia y el servicio al cliente.
Mejoras con GenAI - Servicio al Cliente
Casos de uso GenAI - Servicio al Cliente
Estos son algunos de los casos de uso en los que están trabajando actualmente en Iberdrola:
Jesús Oliva, Head Head Of Data Science & AI en CEPSA ha presentado la plataforma creada por Cepsa que cumple un triple objetivo: facilitar la observabilidad y monitorización de los desarrollos y productos de IA desplegados en la compañía, garantizar su adecuado gobierno y, por último, acelerar el desarrollo de nuevas soluciones aprovechando las sinergias existentes.
Cepsa Green Digital
En 2023, desde el Área de Digital y junto con cada una de las unidades de negocio, Cepsa diseñó su estrategia Green Digital, creada por y para los negocios y con un foco muy claro en las personas. El objetivo es aportar valor a los negocios empoderando a los empleados y a los clientes para impulsar su transición energética.
En base a esta estrategia, crearon su estrategia de Inteligencia Artificial basada en cuatro pilares:
Plataforma de Gobierno y Observabilidad de la IA: Triple Objetivo
Acelerando el desarrollo
Esta plataforma permitirá acelerar el desarrollo de todas las soluciones de IA. Tanto los desarrollos de machine learning como los más innovadores de IA Generativa, garantizando la excelencia y liderazgo, ya que permitirá a todas las áreas y negocios de Cepsa trabajar conjuntamente con el equipo de Ciencia de Datos e Inteligencia Artificial. Se trata de una plataforma única de desarrollo de IA que fomenta la reutilización, las mejores prácticas y las sinergias entre soluciones de IA. Dentro de la misma, cuentan con desarrollos internos (ML engine, GenAI engine y EPKs engine) y aceleradores externos (MLOps y GenAI para desarrollo de código)
Gobierno y observabilidad
Se trata de una plataforma que permitirá tener una visión 360º de la IA en la compañía en torno a 6 pilares principales.
Fujitsu colabora con Informa D&B para incorporar tecnología de IA explicable para la industria de la información financiera-comercial. Esta colaboración trae consigo una nueva era de toma de decisiones mediante la incorporación de tecnología de IA explicable. Fujitsu e Informa apuestan por aportar innovación transformadora a la industria a través de la introducción de esta tecnología, que permitirá a los 4,5 millones de usuarios de Informa en España acceder a datos altamente sofisticados de forma ágil y eficiente, mejorando significativamente la calidad de las soluciones de información empresarial.
Necesidades de Riesgo y Fraude en el escenario actual del sector financiero
Informa D&B es la empresa de referencia en España y Portugal, en ofrecer una visión integral comercial, sectorial, financiera y de marketing, del panorama empresarial local. Como socio de confianza en el mercado español, Informa D&B proporciona a más del 95% de las instituciones financieras del país, evaluaciones de riesgo altamente confiables para sus operaciones comerciales.
Objetivos en el sector de la información comercial / Informa D&B
Acuerdo de Fujitsu con Informa D&B
Fujitsu e Informa apuestan por aportar innovación transformadora, que permitirá a los 4,5 millones de usuarios de Informa en España, mejorar significativamente la calidad de las soluciones de información empresarial. Fujitsu implementará tecnología de Inteligencia Artificial Explicable para procesar y analizar grandes volúmenes de datos, categorizarlos y proporcionar predicciones precisas con total transparencia y visibilidad. La tecnología de Fujitsu está diseñada para garantizar la confianza y la comprensión en cada paso del proceso, asegurando la alineación con los más altos estándares éticos y regulatorios establecidos en la Unión Europea.
Fujitsu Advanced Sentinel AI
Fujitsu Advanced Sentinel AI es una solución de vanguardia que combina tecnologías de inteligencia artificial como la IA explicable y tecnologías de red para una detección de riesgos y un cumplimiento efectivos. Permite a las organizaciones detectar y prevenir riesgos de forma proactiva, garantizando el cumplimiento de las regulaciones.
Funcionalidades:
En este Gloria Nuño, Branch Manager en Daikin España profundizó en el objetivo principal de Daikin en la estrategia de mejora del proceso de post-venta, que es reducir el tiempo que los agentes de soporte técnico de Daikin dedican a los tickets del Centro de Experiencia del Cliente (CEC). Actualmente, los instaladores registran tickets sin consultar los manuales apropiados. Muchos de estos problemas podrían resolverse de manera más eficiente utilizando información de los manuales. Además, detalles sobre consultas no cubiertas por los manuales podrían ayudar a Daikin a actualizar su documentación para abordar preguntas similares de manera más rápida en el futuro. Daikin tiene como objetivo simplificar el proceso mediante la introducción de un modelo de Generación Aumentada de Recuperación (RAG) con GenAI.
GenAI para Daikin
Daikin ha desarrollado su estrategia centrada en la inteligencia artificial generativa para mejorar tanto la experiencia de sus empleados como la de sus clientes. Utilizando herramientas como OpenAI GPT, Google PaLM 2 y Meta LLaMA, la organización está transformando varios de sus procesos internos.
Experiencia del Empleado
Daikin emplea GenAI para agilizar y optimizar el proceso de Onboarding de nuevos empleados, facilitando su incorporación a la empresa. Además, la formación continua se ve beneficiada con programas personalizados impulsados por IA, y la búsqueda de procedimientos internos se ha vuelto más eficiente, permitiendo a los empleados acceder rápidamente a la información que necesitan.
Experiencia del Cliente
En el ámbito del cliente, Daikin utiliza GenAI para optimizar los precios en el mercado B2B, priorizar las cotizaciones y generar propuestas de ventas cruzadas. La planificación de visitas también ha sido optimizada, mejorando la eficiencia de las operaciones de ventas y aumentando la satisfacción del cliente.
Metodología
Daikin ha adoptado una metodología de prueba error, aprendiendo de sus propios errores para ir mejorando los modelos, avanzando a través de distintas fases que aseguran una integración efectiva y orientada al valor del negocio. El proceso comienza con la fase de Idea, donde se transforma un concepto general en una idea tangible. Luego, en la etapa de Discusión, se refina esta idea en un formato de caso de negocio, listo para ser experimentado considerando los datos disponibles.
La fase de Experimento implica pruebas de viabilidad técnica y de valor comercial, seguido por la fase de Piloto, donde se prueba la solución en campo para verificar su impacto real en el negocio. Una vez validado, se procede a la Implementación, integrando la solución en los procesos empresariales existentes. El Soporte es crucial para abordar cuestiones técnicas y funcionales post-implementación, y la fase de Mejora se enfoca en identificar nuevas fuentes de datos, mejorar modelos existentes y ajustar el alcance funcional. Daikin sigue principios clave en este proceso: estructurar el dominio no estructurado de la innovación, adoptar un enfoque pragmático orientado al valor del negocio, fomentar el aprendizaje rápido y centrarse en los méritos comerciales.
Caso de uso
Mejora del proceso del Call Center
Daikin ha implementado un caso de uso para mejorar la eficiencia de su centro de atención telefónica, abordando varios desafíos empresariales críticos. El alto volumen de interacciones con los clientes, tanto en preventa como en servicio, y el tiempo intensivo requerido para encontrar respuestas en los manuales, junto con la capacitación de nuevos agentes, han llevado a la compañía a buscar una solución más eficiente.
Por qué: Para abordar estos problemas, la empresa ha alineado su estrategia con la automatización y la mejora de la eficacia del backoffice, con el objetivo de reducir el tiempo de resolución de tickets y mejorar el tiempo de recuperación de información.
Quién: Este proyecto involucra a equipos de Innovación de TI, Servicio DENV, Servicio AFF y CX.
Qué: El proceso se centra en la generación aumentada de recuperación de información a partir de tickets CEC, utilizando manuales de servicio y otros documentos relevantes. Esto permite generar respuestas en lenguaje natural para preguntas relacionadas con la instalación, operación y servicio.
Cómo: Utilizando manuales de servicio, instalación y operación, junto con los tickets CEC, Daikin ha implementado procesos de generación aumentada de recuperación (Retrieval Augmented Generation) mediante el uso de transformadores y modelos como GPT. Esto facilita respuestas precisas y rápidas a las consultas de los clientes, mejorando así la eficiencia del centro de atención telefónica.
Ahorro potencial
Actualmente, la empresa gasta más de 200,000 horas respondiendo preguntas basadas en la documentación. Con la nueva metodología, Daikin puede reducir este tiempo en más del 50%, mejorando también la calidad de las respuestas. El análisis muestra que en el área de preventa, con 310.570 tickets y un tiempo promedio de 5 minutos por ticket, se puede lograr una mejora del 70% en el tiempo de respuesta. En el área de postventa, con 734.805 tickets y un tiempo promedio de 8 minutos por ticket, la mejora esperada es del 80%.
Las suposiciones clave para este éxito incluyen la corrección de las respuestas generadas y una documentación adecuada de toda la información. Cada interacción con el cliente se registra meticulosamente en un ticket CEC, asegurando una base de datos robusta para futuras consultas.
Salomé Valero, Innovation Director en Kyndryl y Pol Capdevila, Data Scientist en Kyndryl profundizan en un proyecto de investigación en el ámbito de sostenibilidad para con IA determinar cómo llevar a cabo una correcta reforestación de parques y zonas verdes teniendo en cuenta la biodiversidad, la huella de carbono, etc. Este proyecto acaba de ser premiado por El Mundo como una de las mejores 100 ideas en sostenibilidad.
ReforestAI
ReforestAI es una iniciativa conjunta de Kyndryl y la Universidad Complutense de Madrid enfocada en el uso de la inteligencia artificial para la reforestación y la lucha contra el cambio climático. Esta colaboración utiliza tecnologías avanzadas de IA para analizar datos ambientales y optimizar los procesos de reforestación, mejorando así la eficiencia y efectividad de los esfuerzos de restauración ecológica. Para elegir este proyecto se basaron en cinco factores: el grado de innovación, la proyección o escalabilidad, la dificultad de desarrollo, la disponibilidad de datos y la prioridad. Estos son los tres pilares en los que se basa:
Este proyecto no solo tiene como objetivo reforestar áreas degradadas, sino también crear un modelo escalable que pueda replicarse en diferentes partes del mundo, contribuyendo significativamente a los esfuerzos globales de mitigación del cambio climático y restauración de ecosistemas.
El proyecto emplea tecnologías avanzadas de IA y machine learning responsable para analizar datos ambientales, determinar las mejores áreas para la reforestación, y monitorear el crecimiento de las plantas. La supervisión humana es un componente clave, asegurando que los algoritmos y las decisiones automatizadas se alineen con los objetivos ecológicos y éticos. Además, el proyecto promueve la transparencia y colaboración a través de datos abiertos y el uso de una herramienta abierta no propietaria, lo que permite a otros investigadores y organizaciones beneficiarse de sus hallazgos y metodologías.
En cuanto a los desafíos, el primero llegó con los datos, ya que no hay inteligencia artificial sin datos. Contaban con tres fuentes de datos diferentes: meteorológicas, del suelo y los propios árboles. Unir todo esto en un mismo Dataset fue un proceso complejo. Una vez creado, tuvieron que aplicar diversas técnicas de rebalanceo de datos, como la creación de datos sintéticos, para alcanzar un estado óptimo del Dataset y comenzar a crear modelos para atacar los diferentes casos de uso.
Casos de uso
La intención de Roberto Moral, Director de Arquitecturas en Cisco, durante su presentación fue explicar la estrategia de Cisco en materia de Inteligencia Artificial, la cual se basa en los siguientes tres objetivos: intentar diferenciarse de la competencia proporcionando un mejor servicio a sus clientes, añadiendo características adicionales a sus productos y ofreciendo un mejor servicio a los empleados.
AI Readiness Index
Cisco’s AI Evolution
Cisco está impulsando la evolución de la inteligencia artificial con una trayectoria de innovaciones que abarca desde 2019 hasta el futuro cercano. En 2019, la compañía inició su viaje con una infraestructura de IA basada en SiliconOne y el uso de análisis predictivo y modelado estadístico. Avanzando a 2021, Cisco incorporó la eliminación de ruido y la inteligencia artificial de aprendizaje profundo y de voz, mejorando significativamente la precisión y eficiencia de sus soluciones.
Para 2023, Cisco se enfocó en el Model Observability, que pretende assegurar que los modelos creados tienen un ciclo de vida, un governance adecuado y se utilizan para lo que se han creado, y en la introducción de asistentes GenAI, enriquecidos con aquellos conocimientos que van a dar valor a la resolución del problema. Mirando hacia adelante, en 2024 y 2025, la compañía planea implementar operaciones de IA de próxima generación (AIOps) y asegurar la seguridad de los modelos, asegurando que las soluciones de IA sean no solo avanzadas, sino también seguras y confiables.
Con estos desarrollos, Cisco demuestra un compromiso continuo con la innovación en IA, abordando tanto los desafíos técnicos como las necesidades del mercado con soluciones robustas y escalables. Esta evolución refleja su capacidad para adaptarse y liderar en el ámbito de la inteligencia artificial, ofreciendo tecnologías que no solo potencian las capacidades actuales, sino que también preparan a las empresas para un futuro impulsado por la IA.
Why Generative AI
La IA generativa ha cruzado el umbral de viabilidad tecnológica y económica, desbloqueando nuevas oportunidades para crear valor. Estos son algunos de sus principales beneficios:
Cisco’s AI differentiation
Trusted Business Partner | Responsible AI Outcomes
Cisco se posiciona como un socio comercial de confianza, priorizando la protección de datos y adoptando un enfoque centrado en el cliente y la seguridad, lo que ha ganado la confianza del 99% de las grandes empresas del mundo. La compañía se guía por principios de IA responsable, asegurando inversiones y experiencias futuras para sus clientes.
Leading AI Infrastructure and Silicon | Powering AI Workloads
En cuanto a la infraestructura, Cisco ofrece un rendimiento de red de gran nivel para la formación e inferencia en IA y ML, logrando tiempos de finalización de tareas hasta 1.9 veces más rápidos. La flexibilidad en la elección de la arquitectura de red y GPU sin bloqueo a gran escala son características destacadas, junto con una mayor eficiencia energética que optimiza la sostenibilidad y reduce el coste total.
Breadth and Scale of Data | Enabling AI Applications
La amplitud y escala de los datos son fundamentales en la estrategia de Cisco, habilitando aplicaciones de IA con telemetría de máquinas a escala y abarcando dispositivos conectados. Sus conocimientos impulsados por IA abarcan dispositivos, aplicaciones, seguridad y redes, ofreciendo inteligencia derivada de miles de millones de eventos de seguridad y métricas de observabilidad diarias.
Responsible AI
En Cisco siempre han sido defensores de los derechos humanos y la privacidad de los datos. Actualmente cuentan con un marco de IA Responsable (RAI) y controles en materia de transparencia, equidad, responsabilidad, privacidad, seguridad y fiabilidad. Con la aparición de la IA Generativa, están evolucionando continuamente su marco y controles RAI para sacar a la luz nuevas variantes de problemas, tales como: contenidos falsos, alucinaciones, sesgos, resultados imprevistos, resultados perjudiciales o falsificaciones profundas.
How to boost AI Readiness?
Hace unos años, los responsables de las organizaciones consideraban que la ciberseguridad aportaba riesgos a nivel tecnológico. Sin embargo, a día de hoy, la ciberseguridad es percibida como un riesgo de negocio. Una brecha en ciberseguridad puede causar un impacto directo en el valor de la organización, la pérdida reputacional, de información confidencial o económica. Incluso puede derivar en el cierre total de la organización debido a un ciberataque. La ciberseguridad es un mundo con una gran carencia de recursos especializados, lo que supone un reto a la hora de realizar una protección efectiva. Joan Ruiz, Network & Security Systems Engineer en Fortinet se encargó de explicar algunos casos de uso aplicados a la ciberseguridad tanto a nivel ofensivo como defensivo.
Bad actors relying on AI
Las organizaciones cibercriminales se organizan como empresas. Tienen departamentos de RRHH que se encargan de contratar hackers, departamentos de IT que despliegan infraestructuras en el Cloud para poder lanzar ataques, incluso departamentos comerciales para poder monetizar los ataques. En ciertos casos, algunas organizaciones cibercriminales tienen incluso más presupuesto que del que disponen muchas organizaciones para su ciberdefensa, lo que supone un riesgo real.
El mundo de los ciberdelincuentes es un mundo muy fraccionado y especializado, el que se encuentran un tipo de organizaciones llamadas organizaciones de ransomware as a service, que diseñan herramientas de malware y generan los manuales de instrucciones sobre cómo lanzar los ataques. Sin embargo, no los lanzan ellos, sino que hay otros grupos de ciberdelincuentes especializados en el phishing, en el robo de credenciales, en la detección de brechas de seguridad y otros que aprovechan estos recursos para lanzar los ataques.
Este tipo de actores se están beneficiando de herramientas de inteligencia artificial para optimizar su retorno de inversión. Cuando aparece una nueva vulnerabilidad, les aparece una alerta en el CRM para conocer cuál es la primera organización a la que deben atacar en función del retorno de inversión. Existen muchos casos de IA aplicados por los malos: los deep fakes, el password cracking, el desarrollo de malware, etc.
Artificial Intelligence in the Fortinet Security Fabric
Fortinet es un fabricante líder en ciberseguridad a nivel mundial. Tienen documentados más de 100 casos de uso aplicados de forma específica en materia de networking y ciberseguridad para resolver problemas muy concretos en la ciberdefensa. Sin embargo, no hay que tener una percepción de la IA como algo mágico, sino como una herramienta que dota de eficiencia a los analistas para hacer más rápido y mejor su trabajo.
Dentro del mundo de la IA, las redes neuronales y el machine learning han demostrado ser muy efectivos para construir productos en ciberseguridad. En Fortinet tienen herramientas aplicadas a su inteligencia de amenazas, a la detección de ataques conocidos y desconocidos, etc. En concreto, han desarrollado unos sistemas de redes neuronales que rompen los ficheros en pequeños trozos y los analizan para identificar y bloquear características de malware desconocido.
Los ciberdelincuentes cada vez lo tienen más complicado para utilizar malware en sus ataques. Últimamente emplean las propias herramientas de sistemas que se encuentran una vez han entrado en una organización para poder lanzar el ataque de forma completa. Para poder detectar este tipo de ataques sofisticados es necesaria IA orientada a detectar comportamientos anómalos dentro de las redes de los clientes.
FortiGuard Labs AI-Powered Threat Intelligence
En el caso de Fortinet, emplean diferentes líneas de desarrollo de IA: una interna y una externa. Los primeros casos de uso, que datan de 2011, eran casos de uso internos, donde los departamentos internos empezaron a utilizar herramientas de IA para mejorar sus procesos y su eficiencia. En paralelo, y a lo largo de los años, han ido construyendo productos y servicios que ofrecen a sus clientes que ya llevan de forma nativa IA integrada dentro de sus propios productos.
Fortinet tiene a día de hoy una cuota de mercado superior al 50% en el mercado de los cortafuegos. Esto significa que tiene desplegados por el mundo más Firewalls que el resto de todos los demás fabricantes de Firewalls juntos. Esto les genera una gran capacidad de ver lo que está sucediendo en el mundo a nivel de telemetría. Sin embargo, esta telemetría un día empezó a ser un problema para Fortinet a la hora de ingestar información de todas estas fuentes de datos y poder manejarla para extraer información accionable en ciberseguridad.
Para ello, construyeron modelos de IA mediante machine learning y redes neuronales para automatizar el análisis del malware, la creación de las firmas y la distribución de la inteligencia de amenazas a todos los productos que tienen desplegados para poder aplicar las estrategias de protección.
FORTINET + FIRST.org EPSS AI Attack Prediction
Uno de los casos de uso que no es propio de Fortinet, pero en el que es un colaborador importante es el de EPSS de la organización americana FIRST. Esta organización publicó hace unos años un scoring de vulnerabilidades. EPSS es un modelo mejorado de inteligencia artificial predictiva capaz de decir si una vulnerabilidad que acaba de aparecer en el mercado va a ser explotada o no por los cibercriminales en los próximos 30 días. Se estima que solo el 3% de las vulnerabilidades que surgen cada día son utilizadas por los malos para lanzar sus ataques.
En este modelo, Fortinet es el encargado de complementar la información de una vulnerabilidad con más detalles, como por ejemplo, si los malos hablan de una vulnerabilidad en los fotos de la darknet, si existen Exploits para poder vulnerar ese tipo de ataques, si hay herramientas ofensivas que lo tengan disponible, etc. Mediante ese tipo de información extraen el scoring que ayuda a las organizaciones a priorizar el parcheo de sus aplicaciones.
SOC Augmentation with AI
Dentro de los departamentos de ciberdefensa de las organizaciones, hay tres puntos clave llamados puntos de dolor:
En Fortinet, construyen herramientas, pero también prestan servicios de ciberseguridad, como el servicio de SOC gestionado. Este tipo de técnicas las emplean de forma inhouse y las ponen a disposición de los clientes. Una de las cosas que hacen es utilizar herramientas de IA para priorizar las amenazas que llegan al SOC y así poder detectar falsos positivos y poder priorizar a la hora de parchear. Por otro lado, proporcionan herramientas de Machine Learning Workbench. Por último, tienen casos de uso de GenAI, mediante un asistente virtual desplegado en muchos de los productos.
Advanced Phishing AI use case
Un ejemplo de caso de uso implementado inhouse es el de un botón dentro de Outlook llamado FortiPhish Alert. Cuando los empleados reciben un correo electrónico sospechoso de phishing simplemente tienen que pulsar este botón. Este correo se envía automáticamente a la plataforma de ciberseguridad que mediante un motor de machine learning clasifica los correos, extrae toda la información de indicadores que antes tenían que ser analizados por analistas humanos y determina un nivel de riesgo.
Francisco Torres Quero, CDO en Prosegur se encargó de explicar cómo en Prosegur utilizan la IA para contextualizar llamadas de call center y generar nuevos casos de uso en base a indicadores de productividad y mantenimiento.
Análisis de llamadas de Call Center en el negocio de Alarmas
¿Cómo analizan en Prosegur las llamadas de Call Center en los diferentes países en los que están presentes? En Prosegur están poniendo el foco en la parte productiva y operativa de mejora de indicadores internos, no tanto de apoyo al operador ni de servicio al cliente, sino de toma de decisiones interna. Aunque una vez que está analizada y disponible toda la información, se puede aplicar a diversos casos de uso, han preferido centrarse en un caso muy concreto relacionado con la puesta en producción y la gestión y tramitación de un millón de llamadas mensuales entre CRA y Call Center a nivel mundial.
Carlos Emilio Rabazo, Gerente de Transformación Digital y Ecosistemas de Innovación en Telefónica España fue el encargado de explicar cómo en Telefónica están provocando toda una transformación interna utilizando la inteligencia artificial generativa como excusa. VIvieron algo similar hace 7 años con la transformación digital, cuando utilizaron esta para transformar la organización y, sobre todo, la cultura. Lo que pretenden con Plan Imagina es reimaginar todo lo que están haciendo dentro de la organización, de tal forma que los procesos se hagan de una forma diferente, las personas tengan una forma diferente de pensar y los modelos de canal, de aproach comercial sean diferentes.
Cambio de Paradigma: de la transformación digital a la revolución inteligente
Capacitación y Certificación: plan de formación ambicioso y adaptado
Telefónica ha diseñado un ambicioso plan de capacitación y certificación en inteligencia artificial, adaptado a los diversos perfiles dentro de la organización, con el objetivo de preparar a más de 3.000 empleados para enfrentar los desafíos tecnológicos del futuro. Este programa se estructura en cuatro grandes bloques de conocimiento: Conocimiento General de IA, IA en Telefónica, Tecnologías IA y Consultoría IA.
El itinerario formativo se divide en tres niveles diferenciados según el perfil: Básico, Medio y Avanzado. En el nivel básico, los participantes reciben formación sobre los fundamentos de la IA, ética y regulación, así como sobre la evolución del portfolio B2B de Telefónica y las tecnologías IA utilizadas en la empresa. Este nivel consta de 9 sesiones con una duración total de 10 horas.
El nivel medio, que incluye los contenidos del nivel básico, se centra en la transformación de negocios mediante la IA, análisis verticales por sector y tecnología, y metodologías de consultoría IA. Este nivel comprende 17 sesiones que suman 13 horas de formación, incluyendo formación técnica adicional.
Finalmente, el nivel avanzado, que abarca los contenidos de los niveles anteriores, profundiza en la IA aplicada, la arquitectura y seguridad en proyectos internos de IA, y certificaciones avanzadas. Este nivel consta de 27 sesiones con un total de 21 horas de formación, más formación técnica específica.
¿Dónde incluir la IA?
De cara a poner orden y homogeneidad en las diferentes iniciativas, algunas ya puestas en marcha, han definido una metodología (basada en Design Thinking) que les ayude a identificar qué nuevas funcionalidades de Inteligencia Artificial incorporar a los productos/servicios ya existentes. Este enfoque se desarrolla a través de cinco etapas fundamentales: Empatizar, Definir, Idear, Prototipar y Testear, involucrando a diferentes equipos especializados en cada fase.
Construir una propuesta de valor específica para llevar a sus clientes
Con más de 500 casos de uso que abarcan desde el soporte al negocio y la experiencia del cliente hasta ciberseguridad y recomendaciones personalizadas, Telefónica muestra su capacidad para integrar la IA en múltiples áreas como retail, IT, redes 5G y publicidad. La propuesta de Telefónica se centra en mejorar la confianza en los datos, asegurando su protección con los más altos niveles de seguridad y permitiendo a los usuarios decidir el propósito de su uso.
Este enfoque se materializa en un Servicio E2E que incluye consultoría de casos de uso, arquitecturas y plataformas, licencias y herramientas de IA, así como seguridad y gobierno del dato, y cumplimiento normativo. Además, Telefónica se rige por principios de IA responsable que garantizan que sus soluciones sean justas, transparentes, explicables, centradas en las personas, y aplicables tanto a socios como a terceros.
En definitiva, están utilizando la IA como excusa interna para transformar toda su propuesta de valor, la cual parte del hecho de que sean capaces de tener capacidades internas para identificar casos de uso en sus clientes. Lo último que están haciendo tiene que ver con cómo cambiar su relato y la propuesta de valor interna, que es lo que les está ayudando a cambiar la filosofía y la cultura dentro de la organización.
Todo ello a través de un ambicioso catálogo de casos de uso por cada uno de los sectores y un nuevo itinerario de la IA en La Cabina, un centro de demos para que los clientes cuenten con un espacio en el que pensar cómo incorporar la IA dentro de sus procesos. Por último, han desarrollado un equipo denominado ImaginaLab, formado por personas de diferentes áreas de la organización con inquietudes tecnológicas relacionadas con la IA. Dentro de este equipo están desarrollando diversos casos de uso por iniciativa propia. Dentro de este equipo se están desarrollando diversos casos de uso por iniciativa propia. Este grupo de trabajo es relevante porque no ha sido planificado por la alta dirección, sino que ha surgido desde abajo de forma espontánea.
Lecciones aprendidas
En esta sesión, exploramos gracias a Patricia Gómez, Head of Digital Delivery Center en NEORIS y Jose Luis Ruiz, Senior Manager Digital Delivery Center en NEORIS, cómo la plataforma CODAI ha transformado el desarrollo de software en los proyectos de NEORIS mediante la integración de inteligencia artificial generativa (GenAI) combinada con capacidades y creatividad de la inteligencia humana, abordando aspectos cruciales del end to end del proceso de desarrollo, pasando por la creación de código generado por IA hasta la reestructuración organizacional necesaria para aprovechar plenamente estas tecnologías. Los asistentes aprenderán a cómo mejorar la productividad, la eficiencia y la rapidez, manteniendo la seguridad y control sobre sus desarrollos en entornos colaborativos.
Generando valor al negocio con Gen AI
En NEORIS tomaron como punto de partida una tendencia muy fuerte en el mercado como es la democratización del Software. Una tendencia que presenta retos y desafíos en lo que a calidad, seguridad y agilidad del desarrollo de soluciones y productos digitales se refiere. En NEORIS están convencidos de que la IAGen es una vía para abordar estos desafíos. Otro de los retos fundamentales es cómo transformar el rol de los desarrolladores con perfil más senior, redefiniéndolo hacia un perfil de pensador de soluciones tecnológicas.
Dimensiones de la estrategia
NEORIS está implementando una estrategia integral para impulsar la innovación en el desarrollo de software, enfocándose tanto en las compañías de la industria como en el desarrollo personal de sus empleados, con dos objetivos fundamentales: optimizar y maximizar la productividad en términos de eficiencia, y acelerar el go-to-market de soluciones y productos digitales. En el ámbito empresarial, NEORIS busca incrementar la velocidad del negocio y el Go-to-market, mejorar la resiliencia de los productos, aumentar el valor de las inversiones y la calidad de los resultados, además de fomentar la innovación constante.
Para las personas, tienen puesto el foco en la mejora de la experiencia del desarrollador. Las personas están en el centro, ya que las personas que posibilitan estas soluciones son una parte esencial. Lo que busca NEORIS es no solo empoderarles, sino también aumentar sus capacidades a nivel de desarrollo y conceptualización de soluciones. Es un punto fundamental para habilitar nuevos modelos y potenciar el desarrollo profesional, incrementando los niveles de fidelización de sus empleados.
Transformación del Ciclo de Vida del Software
NEORIS ha recorrido un camino gradual de transformación integral en el ciclo de vida del software, implementando metodologías ágiles y avanzadas para mejorar la eficiencia y calidad de sus desarrollos. Inicialmente, adoptaron el Agile Development, donde equipos ágiles y células de trabajo se encargan del desarrollo de proyectos, promoviendo una mayor adaptabilidad y velocidad en la entrega de soluciones. En una segunda fase, NEORIS evolucionó hacia el Agile Development Empowered, integrando la IAGen en tareas de desarrollo como la codificación y pruebas unitarias. Esta integración permite a los equipos aumentar su productividad y mejorar la precisión de sus entregas.
El siguiente paso en su transformación es el Agile Development Augmented, donde las organizaciones comienzan a implementar GenAI como una herramienta clave en el ciclo de vida del desarrollo de software (SDLC). Esto incluye la automatización de requisitos, estimaciones y pruebas, optimizando cada fase del proceso de desarrollo. Finalmente, NEORIS está implementando nuevos modelos ágiles SSDL, adoptando metodologías innovadoras que transforman la cultura organizacional y mejoran la productividad, agilidad y el tiempo de comercialización de los productos.
CODAI
NEORIS ha revolucionado su ciclo de vida del software mediante la implementación de CODAI, una innovadora herramienta que aplica inteligencia artificial generativa en cada etapa del Secure Software Development Life Cycle (SSDL). Este enfoque ha establecido un nuevo estándar en las herramientas de desarrollo DevTools 2.0, abarcando desde la definición de requisitos hasta la fase de mantenimiento y soporte.
El proceso comienza con la planificación y el análisis de requisitos, donde se estima el alcance y los costes basándose en datos históricos. Esto asegura una previsión precisa y una asignación óptima de recursos. Durante la etapa de codificación, se integran pruebas de seguridad estáticas y dinámicas (SAST y DAST), respaldadas por el desarrollador y el Centro de Soporte de Nivel 1, garantizando que el software no solo funcione correctamente, sino que también sea seguro desde el principio. Finalmente, en la fase de publicación, se llevan a cabo el setup y el onboarding, junto con la gestión de releases, DevSecOps y tareas técnicas de Nivel 3.
La potencia de CODAI + GitHub Enterprise + GenAI Tools
Este enfoque ha permitido a la empresa trabajar con plataformas y estándares de vanguardia para la creación de software, incrementando significativamente la eficiencia y calidad de sus desarrollos. La clave radica en la adopción de prácticas de Pair Programming y metodologías ágiles a lo largo del ciclo de vida del desarrollo de software. Además, el NEO Digital Team, un equipo multidisciplinar de expertos en inteligencia artificial e ingeniería de software, ha sido potenciado con un robusto plan de formación y certificación.
La integración con diversas plataformas, incluyendo GitHub Copilot, Bito, LangChain y otras, ha sido fundamental para transformar y optimizar el ciclo de vida del desarrollo de software. NEORIS también ha explorado otros espacios y plataformas que complementan estratégicamente la adopción de la inteligencia artificial en su negocio, asegurando así una implementación efectiva y adaptativa a las necesidades del mercado.
Medición
NEORIS ha implementado un enfoque integral y multidimensional para medir los resultados de su innovador sistema CODAI. Utilizando métricas SPACE+DORA, la compañía combina parámetros cuantitativos y cualitativos para evaluar la performance, actividad, satisfacción y eficiencia tanto a nivel individual como de equipo y de sistema.
A nivel individual, NEORIS recopila datos a través de GitHub, evaluando la eficiencia de los proyectos y servicios desarrollados. En el ámbito del equipo, se mide la velocidad de los equipos mediante historias de usuario y puntos de historia, agrupando métricas individuales para obtener una visión más completa.
El enfoque de sistema se centra en la percepción del cliente, combinando esta información con otras métricas individuales y de equipo para una evaluación holística. En cuanto a la codificación del software, CODAI abarca desde el autocompletado y optimización del código hasta pruebas unitarias, verificaciones de seguridad y soporte de mantenimiento, asegurando una alta calidad y resiliencia del producto final.
Resultados
NEORIS ha alcanzado una nueva frontera en innovación y eficiencia gracias a la implementación de CODAI. Para ello, ha sido necesario evaluar la madurez del SSDL, gestionar repositorios y observar la eficiencia operativa. Una de las principales ventajas obtenidas es la automatización avanzada, que ha generado hasta un 40% de código de alta calidad, optimizando significativamente el proceso de desarrollo. Además, los tiempos de desarrollo se han reducido en un 70%, permitiendo a los equipos trabajar de manera más rápida y efectiva. La productividad de los equipos también ha visto un incremento notable, con aumentos de hasta un 50%, lo que ha acelerado el tiempo de lanzamiento al mercado.
Aprendizajes
No Comments Yet
Let us know what you think