Mi mayor conclusión de @chipro: 1. Las mayores mejoras en su producto de IA provienen de hablar con los usuarios y comprender sus comentarios, no de adoptar los últimos modelos o permanecer pegado a las noticias de IA. Muchas empresas pierden el tiempo debatiendo qué tecnología usar, cuando las verdaderas ganancias provienen de una mejor experiencia de usuario y preparación de datos. 2. La mayoría de los problemas de los productos de IA no son problemas de IA. Cuando las empresas creen que tienen un problema de rendimiento de IA, generalmente es un problema de experiencia del usuario, una brecha de comunicación organizacional o un problema de calidad de datos. Una empresa pensó que su sistema de puntuación de clientes potenciales de IA estaba roto, pero el verdadero problema era que el equipo de marketing no estaba haciendo las preguntas correctas para obtener datos útiles. 3. La forma en que prepara sus datos es más importante que la base de datos que elija. Las empresas ven sus mayores ganancias de rendimiento de IA al organizar y preparar mejor su información: dividir el contenido en fragmentos del tamaño correcto, agregar resúmenes, convertir el contenido en formato de preguntas y respuestas, en lugar de agonizar sobre qué infraestructura técnica usar. 4. Sus mejores empleados se benefician más de las herramientas de IA. En un experimento controlado, los ingenieros de mayor rendimiento obtuvieron el mayor aumento de productividad de los asistentes de codificación de IA, no los de menor rendimiento. Los ingenieros senior que ya sabían cómo resolver problemas usaban IA para trabajar aún más rápido, mientras que los de bajo rendimiento a menudo simplemente copiaban y pegaban código que no entendían. 5. El ajuste fino debe ser su último recurso. Antes de invertir en el ajuste de un modelo, pruebe primero soluciones más simples: mejore sus solicitudes, agregue scripts básicos de posprocesamiento o corrija su canalización de datos. Una empresa detectó el 90% de los errores de su modelo con un simple guión. El ajuste fino crea dolores de cabeza de mantenimiento continuos y solo debe usarse cuando todo lo demás se haya maximizado. 6. No necesitas ser perfecto para ganar. Muchas empresas exitosas eligen "lo suficientemente bueno" en lugar de perfecto al implementar sistemas de IA. Calculan si invertir dos ingenieros para mejorar la precisión del 80% al 85% es mejor que usar esos mismos ingenieros para lanzar una función completamente nueva. A menudo, la nueva función proporciona más valor. 7. La productividad de la IA es casi imposible de medir. Las empresas invierten mucho en herramientas de codificación de IA, pero no pueden demostrar claramente que funcionan. Cuando se ven obligados a elegir entre costosas suscripciones de IA para su equipo o contratar a una persona adicional, muchos gerentes eligen a la persona, no necesariamente porque la IA no ayude, sino porque el personal se siente más tangible. 8. El pensamiento sistémico importa más que la codificación. A medida que la IA automatiza más tareas de codificación, la capacidad de comprender cómo funcionan juntos los diferentes componentes se convierte en la habilidad más valiosa. Según el presidente del plan de estudios de informática de Stanford, la codificación es solo una herramienta: la verdadera habilidad es comprender cómo funcionan los sistemas y diseñar soluciones paso a paso a los problemas. 9. Nos estamos quedando sin texto de Internet para entrenar. Básicamente, el mundo ha agotado los datos de texto disponibles públicamente para entrenar modelos de IA. Esto significa que las mejoras futuras provendrán menos de alimentar modelos con más datos y más de mejores técnicas de entrenamiento, retroalimentación humana y encontrar nuevas fuentes de datos como audio y video. 10. Muchas personas no saben qué construir a pesar de tener herramientas poderosas. Incluso con herramientas de IA que pueden construir casi cualquier cosa, muchos empleados se enfrentan a una "crisis de ideas": simplemente no saben qué crear. El mejor enfoque: pase una semana notando lo que lo frustra en su trabajo diario, luego construya pequeñas herramientas para resolver esos puntos débiles específicos.