Mi mayor conclusión de @chipro: 1. Las mayores mejoras en tu producto de IA provienen de hablar con los usuarios y entender sus comentarios, no de adoptar los últimos modelos o estar pegado a las noticias de IA. Muchas empresas pierden tiempo debatiendo qué tecnología usar, cuando las verdaderas victorias provienen de una mejor experiencia del usuario y una preparación de datos adecuada. 2. La mayoría de los problemas de productos de IA no son problemas de IA. Cuando las empresas piensan 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 leads 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. Cómo preparas tus datos importa más que qué base de datos elijas. Las empresas ven sus mayores ganancias en el rendimiento de IA al organizar y preparar mejor su información: dividiendo el contenido en trozos del tamaño adecuado, añadiendo resúmenes, convirtiendo el contenido en formato de pregunta y respuesta, en lugar de angustiarse por qué infraestructura técnica usar. 4. Tus mejores desempeñadores 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 usaron IA para trabajar aún más rápido, mientras que los de bajo rendimiento a menudo solo copiaban y pegaban código que no entendían. 5. El ajuste fino debería ser tu último recurso. Antes de invertir en el ajuste fino de un modelo, prueba soluciones más simples primero: mejora tus indicaciones, añade scripts básicos de post-procesamiento o arregla tu canal de datos. Una empresa capturó el 90% de los errores de su modelo con un script simple. El ajuste fino crea dolores de cabeza de mantenimiento continuo y solo debe usarse cuando todo lo demás se ha agotado. 6. No necesitas ser perfecto para ganar. Muchas empresas exitosas eligen "suficientemente bueno" en lugar de perfecto al implementar sistemas de IA. Calculan si invertir en dos ingenieros para mejorar la precisión del 80% al 85% es mejor que usar a esos mismos ingenieros para lanzar una característica completamente nueva. A menudo, la nueva característica proporciona más valor. 7. La productividad de IA es casi imposible de medir. Las empresas invierten mucho en herramientas de codificación de IA pero no pueden probar 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 número de empleados 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 entender cómo funcionan juntos los diferentes componentes se convierte en la habilidad más valiosa. Según el presidente del currículo de CS de Stanford, la codificación es solo una herramienta; la verdadera habilidad es entender cómo funcionan los sistemas y diseñar soluciones paso a paso a los problemas. 9. Nos estamos quedando sin texto en internet para entrenar. El mundo ha agotado esencialmente los datos de texto disponibles públicamente para entrenar modelos de IA. Esto significa que las mejoras futuras vendrán menos de alimentar a los 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 enfrentan una "crisis de ideas": simplemente no saben qué crear. El mejor enfoque: pasa una semana notando qué te frustra en tu trabajo diario, luego construye pequeñas herramientas para resolver esos puntos de dolor específicos.