IA Generativa en EdTech: 5 errores a evitar para el éxito a largo plazo

Este artículo fue escrito por Jim Kim, Líder del equipo de Aceleración de Productos en AWS, y por Mastin Jones, Gerente Sr. en AWS. La traducción estuvo a cargo de Marcelo Ahuerma, Arquitecto de Soluciones Sr. en AWS.

Los líderes actuales de tecnología educativa (EdTech) enfrentan una presión intensa para «hacer algo con IA». Ya sea que esa presión provenga de juntas directivas, inversionistas o Wall Street, el mensaje es claro: desarrollar una estrategia de IA ahora. El miedo a quedarse atrás ha creado una mentalidad donde las empresas lanzan apresuradamente funcionalidades de IA sin comprender qué problemas están resolviendo para sus usuarios.

En Amazon Web Services (AWS), trabajamos estrechamente con líderes de EdTech que navegan el panorama de la IA generativa, y hemos visto estos patrones emerger repetidamente. La prisa inicial fue comprensible, ya que había una sensación de que quien se moviera primero ganaría la IA, pero es importante señalar que, en palabras del CEO de Amazon Andy Jassy, «todavía estamos en el comienzo relativo». Si bien todavía hay tiempo para respirar, también es momento de moverse de manera decisiva pero deliberada, comenzando ahora. Las mejores estrategias de IA generativa no son reactivas; son intencionadas, fundamentadas y centradas en el usuario.

Basándonos en nuestra experiencia colaborando con organizaciones de EdTech en todo el espectro educativo, hemos creado una lista de cinco errores comunes que descarrilan los esfuerzos de IA generativa y los enfoques estratégicos que recomendamos para evitarlos.

Error 1: Construir una solución en busca de un problema

Como se mencionó anteriormente, los equipos a menudo construyen rápidamente funcionalidades de IA generativa solo para decir que las tienen. En lugar de trabajar hacia atrás desde las necesidades del cliente, las empresas trabajan hacia adelante desde la tecnología. Esta mentalidad resulta en productos como chatbots que se fuerzan en los flujos de trabajo del usuario. Las empresas logran una victoria a corto plazo al lanzar una funcionalidad de IA, pero no ven la adopción de usuarios que esperaban.

Evite este error comenzando con los clientes y trabajando hacia atrás desde sus puntos de dolor, ya sean compradores externos o partes interesadas internas que podrían beneficiarse de asistencia impulsada por IA. Amplíe su definición de «cliente» para incluir grupos internos como recursos humanos, desarrollo curricular o equipos de operaciones. Por ejemplo, si su empresa está dedicando tiempo significativo a adaptar manualmente el currículo de ciencias para diferentes estándares estatales, ese es un problema medible que la IA podría resolver.

Rompa los silos entre producto, ingeniería, ventas y marketing para definir casos de uso alineados. Supere el sesgo de recencia (la tendencia a sobreenfatizar las tendencias o ideas más recientes) y avance hacia la priorización sistemática de casos de uso basados en la voz del cliente y los verdaderos impulsores del ROI.

Error 2: Construir el piso superior primero

Los equipos saltan a la IA generativa sin invertir en la base: infraestructura de datos. La diferenciación con modelos de IA generativa depende en gran medida de datos únicos. Los fundamentos de una estrategia de datos de IA se construyen identificando los datos necesarios, asegurando que los modelos puedan utilizar esos datos e implementando gobernanza en torno a la calidad, seguridad y acceso para garantizar que las personas correctas tengan los datos correctos cuando los necesiten para entregar los mejores resultados. A menudo, la limpieza de datos se considera deuda técnica, menos atractiva para financiamiento que herramientas de IA llamativas. En nuestra experiencia asesorando a empresas de EdTech, este trabajo fundamental es crítico para el éxito a largo plazo.

Evite este error definiendo sus fuentes de datos y cómo ingerirá, limpiará y almacenará datos para su usabilidad. Confirme la calidad de los datos mediante análisis robusto: la herramienta de IA de una universidad falló porque una base de datos usaba «términos» y otra usaba «semestres». Establezca políticas de gobernanza de datos en torno al acceso, privacidad y cumplimiento. Construya arquitectura de datos moderna como parte de su estrategia de IA, permitiéndole avanzar en ambas al mismo tiempo.

Error 3: No tener forma de medir lo «bueno»

Ansiosos por ver qué puede hacer una prueba de concepto (PoC), los equipos omiten definir métricas de evaluación por adelantado y luego se atascan debatiendo si las soluciones son «suficientemente buenas». Si la salida del modelo es precisa el 80 por ciento del tiempo, ¿es eso suficientemente bueno para producción? Depende.

Considere dos ejemplos reales de nuestros socios de EdTech: Un cliente usa IA generativa para crear libros ilustrados a partir de historias de estudiantes de tercer grado. Les preocupa menos la precisión exacta de las ilustraciones de dragones (por ejemplo, si un dragón tiene tres brazos en lugar de dos), pero les importa profundamente asegurar que no aparezca contenido inapropiado (por ejemplo, sin blasfemias o representaciones de fumar). Otro cliente usa IA generativa para calificar evaluaciones de alto impacto para estudiantes de secundaria. Aquí, la precisión se vuelve primordial.

Evite este error definiendo métricas por adelantado basadas en entregar valor, prevenir daños y proteger su marca. Elija métodos de evaluación como revisión de expertos, retroalimentación de usuarios o enfoques de IA como juez.

Cuando los equipos omiten este paso, los prototipos prometedores se quedan en los estantes mientras los equipos discuten sobre medidas de calidad subjetivas. En lugar de una discusión objetiva sobre la evaluación de resultados, el debate amorfo estanca el progreso. En nuestro trabajo, hemos visto clientes con herramientas prometedoras que aún no pueden avanzar porque nunca definieron qué significa «suficientemente preciso» para su caso de uso específico.

Error 4: No planificar para el éxito

Construye algo que funciona, tal vez una herramienta para mejorar la eficiencia interna, como automatización de alineación curricular o generación de informes de progreso estudiantil, pero nunca planificó escalarlo. De repente, enfrenta costos inesperados, necesidades de recursos o desafíos de integración. Este error es más táctico que los otros, pero igualmente importante. Los equipos a menudo se enfocan tan intensamente en probar que el concepto funciona que olvidan planificar qué sucede cuando lo hace.

Evite este error desarrollando planes de comercialización temprano: ¿Esto será monetizado? ¿Es más una estrategia de retención de clientes? ¿La solución está diseñada para mejorar la productividad o eficiencia interna y, de ser así, cómo se medirá esto? Comprender cómo la solución encaja en un modelo de negocio sostenible le ayuda a tomar decisiones informadas sobre precios, acceso de clientes y asignación de recursos. Cree hojas de ruta para escalar infraestructura y soporte operacional. Considere si tiene los recursos de ingeniería para mantener la solución o si necesita pagarse a sí misma mediante ganancias de eficiencia.

Al rastrear el éxito de herramientas de eficiencia interna, comience asignando valores medibles a procesos manuales. Si está automatizando la adaptación curricular para 50 estándares estatales diferentes, por ejemplo, calcule cuánto cuesta actualmente ese trabajo manual en tiempo del personal y costo de oportunidad. Al medir primero la ineficiencia de referencia, crea una imagen clara de antes y después que demuestra el impacto de su solución de IA. Para herramientas internas, recuerde que el personal liberado de tareas manuales puede cambiar a actividades de mayor valor y enfocadas en la misión que entregan mayores retornos para su empresa.

Error 5: Construir en silos

Cuando la IA generativa es impulsada por un solo equipo, los resultados a menudo carecen de conocimientos clave del cliente, viabilidad o alineación organizacional. Esto crea proyectos que no pueden ser entregados (es decir, no son técnicamente factibles con los recursos actuales) o no proporcionan valor porque están separados de las necesidades reales del cliente.

Evite este error creando un mecanismo para que las conversaciones ocurran entre departamentos. Ya sea que lo llame centro de excelencia (CoE), comité directivo de IA o algo más, necesita a alguien responsable de involucrar a múltiples partes interesadas mientras construye estas soluciones. Comience con representación de los departamentos de tecnología, ventas y producto como su línea base y considere construir desde ahí: ninguna persona tiene la visión completa de lo que los clientes necesitan, lo que el producto puede hacer y cuáles son sus capacidades de desarrollo. Así que fomente el debate entre departamentos y asegúrese de que todos los equipos tengan tiempo práctico con herramientas de IA generativa para que comprendan qué pueden y no pueden hacer estos sistemas.

Cuando alguien impulsa un proyecto solo, puede terminar con promesas a clientes que no pueden cumplirse o soluciones que funcionan pero se quedan en el estante porque están desconectadas de las necesidades reales del cliente. La clave es reunir diferentes unidades de negocio para combinar esas diferentes perspectivas y encontrar el camino correcto hacia adelante.

Desarrollando su hoja de ruta estratégica con AWS

Las mejores estrategias de IA generativa son proactivas e impulsan el ROI. Evitar los cinco errores que discutimos en esta publicación puede ayudarle a construir soluciones que importan para su negocio y sus usuarios. Amazon Bedrock puede ayudarle a evaluar la preparación para IA, planificar casos de uso y construir responsablemente con herramientas como modelos preentrenados, monitoreo continuo y controles de seguridad.

¿Listo para desarrollar su estrategia de IA? Obtenga más información sobre cómo podemos ayudarle a evitar estos errores comunes y desarrollar un enfoque estratégico para la IA generativa.

Lea historias relacionadas en el AWS Public Sector Blog:

• Optimización de herramientas de evaluación educativa con IA generativa en AWS
• Renaissance usa IA generativa en AWS para acelerar el aprendizaje personalizado a escala
• 6 tendencias de IA en EdTech: Cómo la inteligencia artificial está transformando la educación

Autores

Jim Kim Jim lidera el equipo de Aceleración de Productos en AWS, ayudando a empresas de EdTech y GovTech a lanzar nuevos productos y funcionalidades más rápidamente. Antes de unirse a AWS, Kim construyó y lideró equipos de ventas y éxito del cliente en BetterLesson y EVERFI. Comenzó su carrera como decano de estudiantes de primer año en la Universidad de Stanford y Bowdoin College. Kim tiene un MBA de la Fuqua School of Business de la Universidad de Duke, una maestría en educación de la Harvard Graduate School of Education y una licenciatura de la Universidad Johns Hopkins.

Mastin Jones Mastin es Gerente Sr. que apoya a clientes de EdTech de AWS. Durante los últimos 10 años, ha ayudado a organizaciones que van desde startups en etapa temprana hasta multinacionales globales a aprovechar las tecnologías de nube de AWS para mejorar la educación para estudiantes y educadores en todo el mundo. Antes de unirse a AWS, Jones trabajó en Pearson Education y The Cengage Group, y se desempeñó como maestro de educación especial con Indianapolis Public Schools. Vive en Rochester, Nueva York, con su esposa, dos hijos y una variedad de animales.

Este contenido ha sido traducido de la publicación original del blog, que se puede encontrar aquí.

Acerca del traductor

Marcelo Ahuerma es Arquitecto de Soluciones Sr. en el sector público de AWS, con más de 20 años de experiencia en seguridad informática y arquitectura tecnológica en México y Estados Unidos. Su enfoque principal es el sector de Tecnologías para la Educación (EdTech), donde ayuda a sus clientes a optimizar sus cargas de trabajo en la nube.