En el artículo anterior hablaba de mis dificultades para activar y utilizar algunas de las herramientas de inteligencia artificial de SAP.
Mi conocimiento sobre Inteligencia Artificial es medio. No soy un experto, pero llevo bastante tiempo trasteando con ChatGPT, Claude y otras herramientas para intentar comprender qué permiten hacer realmente.
Y creo que esa experimentación es importante.
Leer artículos, completar cursos y aprender conceptos está bien, pero hasta que no nos manchamos las manos, resulta difícil distinguir entre las posibilidades reales de la tecnología y todo el ruido que la rodea.
Parece que hay dinero
Hace unos días encontré un artículo de Zapier sobre el dinero que están destinando las empresas a la inteligencia artificial.
Los datos llaman la atención.
Según una encuesta realizada entre 715 profesionales estadounidenses de empresas con más de 500 empleados, el 52 % de los responsables afirma que su organización gasta más de 100.000 dólares al mes en herramientas relacionadas con la IA.
Además, el 86 % espera aumentar la inversión durante los próximos doce meses.
Parece que hay dinero.
Lo que no está tan claro es si sabemos exactamente para qué lo estamos utilizando.
El 91 % de los responsables considera que estas herramientas justifican claramente su coste. Sin embargo, solo el 34 % de los empleados sin funciones directivas sabe en qué se está gastando realmente el presupuesto.
Y, a pesar de toda esa inversión, siguen apareciendo problemas bastante conocidos:
- Seguridad, cumplimiento y gobierno.
- Calidad y disponibilidad de los datos.
- Integración con los sistemas existentes.
- Falta de formación.
- Demasiadas herramientas que hacen cosas parecidas.
Es decir, podemos gastar cientos de miles de euros en licencias y seguir sin tener claro qué problema estamos intentando resolver.
Algo que, pensándolo bien, tampoco es completamente nuevo en el mundo del software empresarial: ¿cuántos productos has comprado, llevado por la moda de turno, que finalmente no utilizas?
De una conversación a una aplicación
Hoy en día, tenemos, al alcance de nuestra mano, herramientas como ChatGPT y Claude, que nos permiten crear aplicaciones sencillas, en cuestión de minutos
Por ejemplo, basado en los ejemplos de un curso que hice, diseñé un par de generadores de landing pages: describes un negocio, producto o servicio y la herramienta genera una página completa.
Después utilicé esos generadores para crear diferentes ejemplos relacionados principalmente con la formación y la consultoría SAP.
El resultado puede verse en esta recopilación de landing pages.
No estoy diciendo que estas páginas sean productos terminados ni que sustituyan el trabajo de un desarrollador o un diseñador profesional.
Son prototipos.
Pero son prototipos funcionales que permiten transformar una idea en algo visible, probar diferentes enfoques y decidir si merece la pena continuar.
Y todo ello sin montar previamente un gran proyecto, contratar infraestructura o esperar varias semanas para ver el primer resultado.
Con esto también quiero señalar la importancia de no creerse nada por el hecho de verlo en una web, si no tenéis certeza que lo que hay por detrás es algo real.
Todo estamos hartos de ver, en nuestras redes, ofertas maravillosas con promesas difíciles de cumplir, pero con una apariencia «profesional»…
Veamos un ejemplo, con esos generadores que he comentado:
Este es el prompt que he utilizado: «Academia de formación especializada en SAP, áreas de Recursos Humanos, ABAP, Finanzas y Logística, que ofrezca prácticas en empresas del sector, resaltando la experiencia de nuestros instructores. Crea testimonios de alumnos de ediciones anteriores y de clientes satisfechos con promociones anteriores».
La primera versión nunca es la última
Con ChatGPT o Claude puedo explicar lo que quiero en lenguaje natural y empezar a construir casi inmediatamente.
Las herramientas generan el código, explican cómo funciona, corrigen errores y aplican los cambios que voy solicitando.
Eso no significa que hagan todo bien.
La primera versión rara vez es perfecta. Hay que revisar los textos, probar la aplicación, detectar incoherencias y pedir bastantes ajustes.
En ocasiones, también hay que convencer a la IA de que su solución no funciona, aunque ella parezca bastante satisfecha con el resultado.
Además, convertir un prototipo en una aplicación real exige ocuparse de cuestiones como la seguridad, la protección de datos, la accesibilidad, el rendimiento, los costes y el mantenimiento.
Pero la barrera de entrada se ha reducido de una forma espectacular.
Hasta hace poco, alguien con una idea podía describirla en un documento o en una presentación. Ahora puede terminar la conversación con una aplicación funcionando.
Concretamente, el coste que ha tenido hacer estas pruebas ha sido de un par de horas y a nivel económico, aquí van las «escalofriantes» cifras: 0,28 $ en OpenAI y 0,97 $ en Claude.
Bueno, también hay que añadir que pago la suscripción mensual de 20 $, tanto de Claude, como de ChatGPT.
Probar barato antes de invertir caro
Las empresas necesitan seguridad, integración y gobierno. No parece razonable conectar cualquier chatbot a los sistemas corporativos y confiar en que todo salga bien.
Pero tampoco parece razonable comenzar siempre con una gran plataforma, decenas de licencias y un programa corporativo de transformación con nombre en inglés.
Antes de escalar hay que experimentar.
Una pequeña prueba permite comprobar:
- Si el problema merece realmente la pena.
- Si la IA aporta algo frente a una solución tradicional.
- Qué datos necesitamos.
- Cuánto cuesta cada ejecución.
- Qué riesgos aparecen.
- Si alguien utilizaría el resultado.
Para muchas tareas ni siquiera hace falta inteligencia artificial. Si una regla determinista resuelve el problema, probablemente será más barata, predecible y fácil de mantener.
No todo merece consumir tokens.
¿Nos hemos olvidado ya de los RPA?
SAP: seguridad antes que libertad
En el mundo SAP aparece otro elemento importante: el gobierno de la Inteligencia Artificial.
SAP hace especial hincapié en que los agentes no deben acceder libremente a los datos ni ejecutar acciones sin control sobre los sistemas empresariales.
Tiene sentido.
Un agente conectado a SAP S/4HANA no solo puede resumir un documento; también podría consultar datos sensibles, modificar un pedido, aprobar una factura o iniciar un proceso con consecuencias económicas.
Por tanto, es necesario controlar:
- A qué información puede acceder.
- Qué operaciones puede realizar.
- Con qué identidad actúa.
- Quién autorizó cada acción.
- Qué actividad queda registrada.
La propuesta de SAP pasa por situar a Joule como una capa central para acceder al contexto empresarial, coordinar agentes y gobernar sus actuaciones.
SAP también contempla el uso de agentes y herramientas de terceros, así como estándares abiertos como MCP y A2A, siguiendo ciertas reglas.
Por tanto, no estamos necesariamente ante un ecosistema completamente cerrado.
Pero la dirección parece clara: podemos construir con distintas herramientas, aunque SAP quiere que el acceso final a sus sistemas quede gobernado desde su propia plataforma.
Y eso plantea algunas dudas.
- ¿Debe ser Joule la puerta prácticamente obligatoria para acceder a los procesos de SAP?
- ¿Llegará a ser igual de sencillo utilizar agentes creados con OpenAI, Anthropic u otros entornos?
- ¿Necesitaremos añadir licencias, BTP, entitlements, usuarios, roles y varias capas de configuración antes de poder probar una idea o conseguirán reducir esta fricción?
La seguridad y el gobierno son imprescindibles en producción.
Lo que no está tan claro es que una prueba de concepto deba superar desde el primer día las mismas barreras que un agente capaz de modificar procesos críticos.
Si con ChatGPT o Claude puedo empezar a construir en minutos, pero para conectar una prueba con SAP necesito atravesar toda su plataforma, muchas ideas no llegarán siquiera a probarse.
La facilidad de acceso también forma parte del producto.
SAP intenta evitar que la Inteligencia Artificial se convierta en el salvaje oeste.
La duda es si, para conseguirlo, terminará colocando un peaje antes de cada camino.
Menos presentaciones y más soluciones reales
Como hemos mencionado, la Inteligencia Artificial puede convertirse en una partida de cientos de miles de euros al mes.
También puede ser una conversación que, unas horas después, termina convertida en aplicaciones funcionando.
El prototipo es útil porque permite comprobar rápidamente si una idea merece la pena antes de empezar a gastar de verdad.
Pero no deberíamos quedarnos ahí.
Se hacen demostraciones, se preparan presentaciones y se comprueba que la tecnología funciona, pero nunca se llega a construir algo que resuelva un problema real y pueda utilizarse de forma continuada.
Una prueba de concepto no debería ser el destino, sino una forma rápida y barata de decidir si merece la pena seguir avanzando.
Después de experimentar hay que seleccionar los casos que realmente aportan valor, integrarlos en los procesos, medir sus resultados y convertirlos en soluciones seguras y mantenibles.
Y probablemente esa sea la parte más complicada.
Crear una demostración sorprendente puede llevar unas horas.
Conseguir que alguien la utilice todos los días, que esté integrada con los sistemas y que produzca un beneficio medible requiere bastante más trabajo.
Porque una prueba de concepto demuestra que algo puede hacerse; lo verdaderamente importante es comprobar si sirve para algo.
Quizá la pregunta no debería ser cuánto estamos invirtiendo en inteligencia artificial.
Ni siquiera cuántos prototipos hemos creado.
Quizá deberíamos empezar preguntando qué hemos conseguido llevar a producción y qué valor real está aportando.
Y, si para responder necesitamos otra presentación generada por IA, es posible que todavía no lo tengamos demasiado claro 😉
PD.- Amenazo con lanzar una newsletter; si quieres apuntarte, aquí te dejo el enlace: No Lo Sabemos Todo.
Un comentario sobre “¿La inteligencia artificial es cara?”