Estrategia de inteligencia artificial: proceso para desarrollar una estrategia de inteligencia artificial

En este artículo se describe el proceso para preparar la organización para la adopción de la inteligencia artificial. Aprenderá a seleccionar las soluciones de inteligencia artificial adecuadas, a preparar los datos y a establecer su enfoque en los principios de inteligencia artificial responsables. Una estrategia de inteligencia artificial bien planificada se ajusta a los objetivos empresariales y garantiza que los proyectos de inteligencia artificial contribuyan al éxito general. Como primer paso, cree un centro de excelencia de inteligencia artificial (CdE de IA) o designe un responsable de inteligencia artificial para supervisar la adopción de la inteligencia artificial.

Identificación de casos práctico de inteligencia artificial

La inteligencia artificial mejora la eficiencia individual y mejora los procesos empresariales. La IA generativa fomenta la productividad y mejora las experiencias de los clientes. La inteligencia artificial no generativa, como el aprendizaje automático, es ideal para analizar datos estructurados y automatizar tareas repetitivas. Con estos conocimientos, identifique las áreas de su empresa en las que la IA podría añadir valor. Para obtener más información, consulte ejemplos de casos de uso de IA.

• Buscar oportunidades de automatización. Identifique los procesos adecuados para la automatización para mejorar la eficiencia y reducir los costes operativos. Céntrese en tareas repetitivas, operaciones con muchos datos o áreas con altas tasas de errores en las que la inteligencia artificial puede tener un efecto significativo.

• Realice una evaluación interna. Recopile información de varios departamentos para identificar desafíos e ineficiencias que la inteligencia artificial podría abordar. Documente flujos de trabajo y recopile información de las partes interesadas para descubrir oportunidades de automatización, generación de información o mejor toma de decisiones.

• Explorar los casos práctico del sector. Investigue cómo las organizaciones o sectores similares usan la inteligencia artificial para resolver problemas o mejorar las operaciones. Use herramientas como las arquitecturas de inteligencia artificial en el Centro de arquitectura de Azure para obtener inspiración y evaluar qué enfoques pueden adaptarse a sus necesidades.

• Establecer objetivos de IA. Para cada caso de uso identificado, defina claramente el objetivo (uso general), el objetivo (resultado deseado) y la métrica de éxito (medida cuantificable). Estos elementos servirán como puntos de referencia para guiar la adopción de la inteligencia artificial y medir su impacto.

Para obtener más información, consulte Estrategia de IA de ejemplo.

Definición de una estrategia de tecnología de IA

Una estrategia de tecnología de inteligencia artificial se centra en seleccionar las herramientas y plataformas más adecuadas para los casos de uso de IA generativos y no generados. Microsoft ofrece una variedad de opciones, como software como servicio (SaaS), plataforma como servicio (PaaS) e infraestructura como servicio (IaaS), cada una con distintos niveles de personalización y responsabilidad compartida entre usted y Microsoft. Para guiar la decisión, use el siguiente árbol de decisión de IA. Para cada servicio, evalúe las aptitudes, los datos y el presupuesto necesarios para tener éxito con ese servicio. Hay instrucciones en este artículo para ayudar con este proceso de evaluación.

Compra de servicios de software de IA (SaaS)

Microsoft ofrece varios servicios de inteligencia artificial generativa de Copilot que mejoran la eficacia individual. Estos Copilots le permiten comprar software como servicio (SaaS) para funcionalidades de inteligencia artificial en toda su empresa o para usuarios específicos. Por lo general, los productos SaaS requieren conocimientos técnicos mínimos.

En términos de datos necesarios, Microsoft 365 Copilot usa datos empresariales en Microsoft Graph. Puede clasificar los datos con etiquetas de confidencialidad. Copilotos basados en roles tienen diferentes opciones de conexión a datos y de complementos para ingerir datos. La mayoría de los Copilots en el producto no requieren preparación de datos adicionales. Extensión de Microsoft 365 Copilot le permite agregar más datos mediante Microsoft Graph o agentes declarativos que pueden extraer de diferentes orígenes de datos. Copilot Studio automatiza gran parte del procesamiento de datos necesario para crear copilots personalizados para varias aplicaciones empresariales. Use los vínculos de la tabla siguiente para obtener más información.

Microsoft Copilots	Descripción	Usuario	Datos necesarios	Capacidades necesarias	Principales factores de coste
Microsoft 365 Copilot	Use Microsoft 365 Copilot para una solución para toda la empresa que automatiza el trabajo en aplicaciones de Microsoft 365 y proporciona una forma más segura de chatear con datos empresariales en Microsoft Graph.	Negocio	Sí	Administración general de TI y datos	Licencia
Copilots basados en roles	Utilice Microsoft Copilot for Security y agentes basados ​​en roles para Microsoft 365 a fin de mejorar la productividad de roles empresariales específicos. Los agentes basados en roles incluyen Microsoft 365 Copilot para ventas, Microsoft 365 Copilot para servicio y Microsoft 365 Copilot para finanzas.	Negocio	Sí	Administración general de TI y datos	Licencias o unidades de proceso de seguridad (Copilot for Security)
Copilots en el producto	Use Copilots para mejorar la productividad dentro de los productos de Microsoft. Los productos con Copilots en el producto incluyen GitHub, Power Apps, Power BI, Dynamics 365, Power Automatey Azure.	Empresas y particulares	Sí	Ninguno	Gratuito o suscripción
Copilot Free o Pro	Use la versión gratuita para el acceso basado en explorador a los modelos de Azure OpenAI. Use Copilot Pro para mejorar el rendimiento y más capacidad.	Individual	No	Ninguno	Ninguno para Copilot Gratuito o suscripción para Copilot Pro
Herramientas de extensibilidad para Microsoft 365 Copilot	Personalice (amplíe) Microsoft 365 Copilot con más datos (conocimientos) mediante conectores de Microsoft Graph o funcionalidades (aptitudes) mediante agentes declarativos. Para crear agentes declarativos, use herramientas de extensibilidad como Copilot Studio (desarrollo de SaaS), generador de agentes, kit de herramientas de Teams en VS Code (opción pro-código) y Sharepoint.	Empresas y particulares	Sí	Administración de datos, TI general o aptitudes para desarrolladores	Licencia de Microsoft 365 Copilot
Copilot Studio	Use Copilot Studio para desarrollar, probar e implementar agentes en un entorno de autoría de SaaS.	Desarrollador	Sí	Uso de una plataforma para conectar fuentes de datos, mapear solicitudes e implementar copilotos en varias ubicaciones	Licencia

Creación de cargas de trabajo de IA con plataformas de Azure (PaaS)

Microsoft proporciona varias opciones de plataforma como servicio (PaaS) para crear cargas de trabajo de IA. La plataforma que elija depende de los objetivos de inteligencia artificial, las aptitudes necesarias y las necesidades de datos. Azure ofrece plataformas adecuadas para diferentes niveles de experiencia, desde herramientas fáciles para principiantes hasta opciones avanzadas para desarrolladores experimentados y científicos de datos. Revise las páginas de precios de y use la calculadora de precios de Azure para calcular los costos.

Objetivo de IA	Solución de Microsoft	Datos necesarios	Capacidades necesarias	Principales factores de coste
Crear aplicaciones RAG con una plataforma centrada en el código	Fundición de IA de Azure o Azure OpenAI	Sí	Selección de modelos, orquestación del flujo de datos, fragmentación de datos, enriquecimiento de fragmentos, elección de la indexación, comprensión de los tipos de consulta (texto completo, vector, híbrido), comprensión de los filtros y facetas, realización de reclasificación, flujo de avisos de ingeniería, implementación de puntos de conexión y consumo de puntos de conexión en aplicaciones	Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.
Ajuste de los modelos de IA generativa	Fundición de IA de Azure	Sí	Preprocesamiento de datos, división de datos en datos de entrenamiento y validación, validación de modelos, configuración de otros parámetros, mejora de modelos, implementación de modelos y consumo de puntos de conexión en aplicaciones	Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.
Entrenamiento e inferencia de modelos de aprendizaje automático mediante sus propios datos	Azure Machine Learning o Microsoft Fabric	Sí	Preprocesamiento de datos, modelos de entrenamiento mediante código o automatización, mejora de modelos, implementación de modelos de aprendizaje automático y consumo de puntos de conexión en aplicaciones	Proceso, almacenamiento y transferencia de datos
Consumo de modelos de IA no generativos en aplicaciones	Servicios de Azure AI	Sí	Selección del modelo de IA adecuado, protección de puntos de conexión, consumo de puntos de conexión en aplicaciones y ajuste según sea necesario	Uso de puntos de conexión de modelo consumidos, almacenamiento, transferencia de datos, proceso (si entrena modelos personalizados)

Traiga sus propios modelos con servicios de infraestructura (IaaS)

Para las organizaciones que necesitan más control y personalización, Microsoft ofrece soluciones de infraestructura como servicio (IaaS). Aunque se prefieren las plataformas de Azure (PaaS) para las cargas de trabajo de IA, Azure Virtual Machines a través de CycleCloud y Azure Kubernetes Service proporciona acceso a GPU y CPU para las necesidades avanzadas de inteligencia artificial. Esta configuración le permite traer sus propios modelos a Azure. Consulte las páginas de precios pertinentes y la calculadora de precios de Azure.

Objetivo de IA	Solución de Microsoft	Datos necesarios	Capacidades necesarias	Principales factores de coste
Entrenar e inferir sus propios modelos de inteligencia artificial. Traer sus propios modelos a Azure.	Azure Virtual Machines o Azure Kubernetes Service	Sí	Administración de infraestructura, TI, instalación de programas, entrenamiento de modelos, pruebas comparativas de modelos, orquestación, implementación de puntos de conexión, protección de puntos de conexión y consumo de puntos de conexión en aplicaciones	Proceso, orquestador de nodos de proceso, discos administrados (opcional), servicios de almacenamiento, Azure Bastion y otros servicios de Azure usados

Para obtener más información, consulte Estrategia de IA de ejemplo.

Definición de una estrategia de datos de IA

Para cada caso de uso de IA, debe definir una estrategia de datos de IA. La estrategia de datos debe describir las prácticas de recopilación, almacenamiento y uso de datos que se alinean con los estándares normativos, éticos y operativos. Adapte la estrategia a cada caso de uso para garantizar salidas confiables de inteligencia artificial y promover la seguridad y la privacidad de los datos. Si es necesario, puede consolidar estas estrategias individuales en una estrategia de datos de resumen más amplia para su organización.

• Establecer la gobernanza de datos. Defina los principios de gobernanza de datos para cada caso de uso de inteligencia artificial para asegurarse de que las cargas de trabajo son compatibles con estándares legales y éticos. Incluya la categorización de datos en función de la confidencialidad y las directivas para controlar el acceso, el uso y el almacenamiento pertinentes para el caso de uso.

• Planificar el ciclo de vida de los datos. Especifique cómo recopilar, almacenar, procesar y retirar datos para cada caso de uso de inteligencia artificial. Incluya directivas de retención y eliminación y use el control de versiones para mantener la precisión durante las actualizaciones.

• Configurar controles de equidad y sesgo de inteligencia artificial. Desarrolle procesos para detectar y abordar el sesgo en los datos usados para este caso de uso de IA. Use herramientas como Fairlearn para garantizar que los modelos proporcionen resultados justos y equitativos, especialmente cuando se trabaja con atributos de datos confidenciales.

• Promover la colaboración entre los equipos de inteligencia artificial y datos. Alinee el desarrollo de inteligencia artificial con los esfuerzos de ingeniería de datos para asegurarse de que los modelos se crean mediante datos de alta calidad y bien administrados. Establezca una canalización unificada para las actualizaciones de datos y entrenamiento del modelo de IA.

• Prepararse para la escalabilidad de los datos. Prevea el volumen, la velocidad y la variedad de datos necesarios para esta carga de trabajo de IA. Planee el uso de arquitecturas flexibles para escalar con demanda y considerar las infraestructuras basadas en la nube para una administración eficaz de recursos.

• Incorporar la automatización de la administración de datos. Planifique usar la inteligencia artificial y el aprendizaje automático para automatizar tareas como el etiquetado, la catalogación y las comprobaciones de calidad de datos. La automatización mejora la precisión y permite a los equipos centrarse en los esfuerzos estratégicos.

• Planificar el seguimiento y la evaluación continuos. Establezca auditorías periódicas de los datos y salidas del modelo para garantizar la calidad, el rendimiento y la equidad de los datos en curso. Supervise los modelos de inteligencia artificial y las canalizaciones de datos para identificar los cambios que puedan afectar a la confiabilidad o el cumplimiento.

Para obtener un ejemplo de estrategia de datos alineada con diferentes casos de uso, consulte el ejemplo de estrategia de IA .

Definición de una estrategia de IA responsable

Para cada caso de uso de inteligencia artificial, debe definir una estrategia de inteligencia artificial responsable que describa su rol para garantizar que las soluciones de inteligencia artificial sigan siendo confiables y beneficiosas para todos los usuarios. Las responsabilidades pueden variar en función de la tecnología adoptada en cada caso. Si es necesario, cree una estrategia de inteligencia artificial responsable más amplia que abarque principios generales derivados de casos de uso individuales.

• Establecer la responsabilidad de la inteligencia artificial. A medida que avanzan la tecnología y la normativa de la IA, asigne a alguien que supervise y gobierne estos cambios. Normalmente es responsabilidad del CdE de IA o de un responsable de inteligencia artificial.

• Alinearse con los principios de inteligencia artificial responsables establecidos. Microsoft sigue seis principios de inteligencia artificial responsable que se adhieren al marco de administración de riesgos de inteligencia artificial de NIST (RMF de IA). Use estos principios como objetivos empresariales para definir el éxito y controlar la adopción de la inteligencia artificial en cada caso de uso.

• Identificar las herramientas de inteligencia artificial responsable. Las herramientas de inteligencia artificial responsable garantizan que la inteligencia artificial se alinee con prácticas más amplias de inteligencia artificial responsable. Como parte de su estrategia, identifique qué herramientas y procesos de inteligencia artificial responsable son relevantes.

• Comprender los requisitos de cumplimiento legal y normativo. El cumplimiento normativo y legal influye en cómo se crean y administran las cargas de trabajo de inteligencia artificial. Investigue y cumpla los requisitos que rigen la inteligencia artificial en la que opera.

Para obtener más información, consulte Estrategia de IA de ejemplo.

Paso siguiente

Plan de inteligencia artificial

Ejemplos de casos de uso de IA

En estos ejemplos se resaltan varias aplicaciones de IA generativa y no generativa. Aunque no son exhaustivos, proporcionan información sobre cómo se puede aplicar la inteligencia artificial a diferentes áreas de su negocio.

Inteligencia artificial generativa	Inteligencia artificial no generativa
Agentes autónomos: desarrolle sistemas de inteligencia artificial que realicen tareas de forma independiente, como asistentes virtuales que administran programaciones o consultas de clientes.	Reconocimiento de imágenes: use la IA para identificar y clasificar objetos dentro de imágenes o vídeos, útiles en sistemas de seguridad o control de calidad.
Marketing: cree automáticamente publicaciones en redes sociales y boletines por correo electrónico.	Predicción: previsión de tendencias o optimización de operaciones basadas en datos históricos.
Plataformas de comercio electrónico: genere recomendaciones de productos personalizadas y experiencias de compras personalizadas.	Automatización de procesos: automatice tareas rutinarias y flujos de trabajo que no requieran generación de contenido, como bots de servicio al cliente.
Diseño del producto: cree rápidamente varias variaciones de prototipos de producto o elementos de diseño.	Análisis de datos: descubra patrones en datos estructurados para obtener conclusiones y decisiones controladas por datos.
Desarrollo de software: automatice la generación repetitiva de código, como las operaciones CRUD.	Simulación de modelos: simule cargas de trabajo complejas (dinámica fluida, análisis de elementos finitos) para predecir el comportamiento y optimizar los diseños o procesos.
Plataformas educativas: generar materiales de estudio personalizados para estudiantes.	Detección de anomalías: identifique patrones inusuales en los datos. Puede usar esta estrategia para la detección de fraudes o la predicción de errores de equipos, por ejemplo.
Servicio al cliente: proporcione respuestas basadas en contexto a través de bots de chat controlados por IA.	Recomendación: ofrezca recomendaciones personalizadas basadas en el comportamiento del usuario, que se usan habitualmente en los servicios de comercio electrónico y streaming.
Agencias de publicidad: cree variaciones de anuncios dirigidas para diferentes segmentos de audiencia.	Optimización: mejore la eficacia mediante la resolución de problemas complejos (optimización de la cadena de suministro, asignación de recursos).
Aplicaciones de salud y bienestar: genere rutinas de entrenamiento personalizadas y planes de comidas.	Análisis de opiniones: analice el texto de las redes sociales o las reseñas de los clientes para medir la opinión pública y mejorar la experiencia del cliente.

Ejemplo de estrategia de IA

Esta estrategia de inteligencia artificial de ejemplo se basa en una empresa ficticia, Contoso. Contoso opera una plataforma de comercio electrónico orientada al cliente y emplea a representantes de ventas que necesitan herramientas para predecir los datos empresariales. La empresa también administra el desarrollo y el inventario de productos para producción. Sus canales de venta incluyen tanto empresas privadas como agencias del sector público altamente reguladas.

Caso de uso de IA	Objetivos	Objetivos	Métricas correctas	Enfoque de IA	Solución de Microsoft	Necesidades de datos	Necesidades de aptitudes	Factores de coste	Estrategia de datos de IA	Estrategia de IA responsable
Característica de chat de aplicaciones web de comercio electrónico	Automatizar el proceso empresarial	Mejorar la satisfacción del cliente.	Aumento de la tasa de retención de clientes	PaaS, IA generativa, RAG	Fundición de IA de Azure	Descripciones de elementos y emparejamientos	Desarrollo de aplicaciones en la nube y RAG	Uso	Establecer la gobernanza de datos para los datos de los clientes e implementar controles de equidad de inteligencia artificial.	Asignar la responsabilidad de IA al CoE de IA y ajustarla a los principios de inteligencia artificial responsable.
Flujo de trabajo interno de procesamiento de documentos de la aplicación	Automatizar el proceso empresarial	Reducir los costos	Aumento de la tasa de finalización	Inteligencia artificial analítica, ajuste preciso	Servicios de Azure AI - Documento de inteligencia	Documentos estándar	Desarrollo de aplicaciones	Uso estimado	Definir la gobernanza de datos para documentos internos y planificar directivas de ciclo de vida de datos.	Asignar la responsabilidad de IA y garantizar el cumplimiento de las directivas de control de datos.
Administración del inventario y compra de productos	Automatizar el proceso empresarial	Reducir los costos	Vida útil más corta del inventario	Aprendizaje automático, entrenamiento de modelos	Azure Machine Learning	Historial de inventario y datos de ventas	Desarrollo de aprendizaje automático y aplicaciones	Uso estimado	Establecer la gobernanza de los datos de ventas y detectar y abordar los sesgos en los datos.	Asignar la responsabilidad de IA y cumplir con las regulaciones financieras.
Trabajo diario en toda la empresa	Mejora de la productividad individual	Mejorar la experiencia de empleado	Aumento de la satisfacción de los empleados	SaaS, IA generativa	Microsoft 365 Copilot	Datos de OneDrive	IT general	Costes de suscripción	Implementar la gobernanza de datos para los datos de los empleados y garantizar la privacidad de los datos.	Asignar la responsabilidad de IA y usar características integradas de inteligencia artificial responsable.
Aplicación de comercio electrónico para la característica de chat regulada del sector	Automatizar el proceso empresarial	Aumentar las ventas	Aumento de las ventas	Entrenamiento de modelo de IA generativa de IaaS	Azure Virtual Machines	Datos de entrenamiento específicos del dominio	Desarrollo de aplicaciones e infraestructura en la nube	Infraestructura y software	Definir la gobernanza para los datos regulados y planificar el ciclo de vida con medidas de cumplimiento.	Asignar la responsabilidad de IA y cumplir las normativas del sector.