Buenas tardes, comparto la resolución de la práctica a partir del marco teórico o contexto provisto por la profesora en la clase.
-Tengo una duda sobre si este espacio del foro es para compartir los trabajos ó es solo para dudas-.
Gracias por todo...
Aplicar IA en el negocio
En esta actividad se pide:
Documentar las mejoras de productividad y calidad obtenidas con IA.
Comparar métricas entre el trabajo con IA y sin IA.
Diferenciar IA tradicional e IA generativa.
Comparar Machine Learning y Deep Learning.
Organizar las cuatro familias de análisis de datos.
Identificar algunas herramientas de IA y sus principales funciones.
1. Ganancias de productividad y calidad
En el estudio realizado con 758 consultores del Boston Consulting Group, se comparó el trabajo con y sin GPT-4.
En tareas ubicadas dentro de la frontera de la IA, los resultados mostraron:
12,2 % más tareas completadas.
25,1 % mayor velocidad de ejecución.
Aproximadamente 40 % más calidad en los resultados.
Sin embargo, en tareas fuera de la frontera, más complejas y dependientes del contexto específico del negocio, la precisión disminuyó 19 puntos porcentuales.
La conclusión es clara: la IA puede mejorar mucho la productividad, pero no funciona igual de bien en todas las tareas. En los problemas más complejos sigue siendo necesaria la intervención humana y, en todos los casos, la supervisión y validación de los resultados. Todo se chequea.
2. Comparación entre trabajar con IA y sin IA
Métrica
Sin IA
Con IA
Tiempo de ejecución
Referencia
25,1 % más rápido
Tareas completadas
Referencia
12,2 % más
Calidad
Referencia
Aproximadamente 40 % superior
Precisión en tareas complejas
Mayor
19 puntos porcentuales menor
Supervisión humana
Necesaria
También necesaria
Esto demuestra que usar IA no garantiza automáticamente mejores resultados: depende de si la tarea está dentro o fuera de sus capacidades.
3. IA tradicional vs. IA generativa
IA tradicional
IA generativa
Se apoya en reglas y Machine Learning.
Utiliza Deep Learning y redes neuronales profundas.
Reconoce patrones, clasifica y predice.
Puede generar contenido nuevo y adaptarse al contexto.
Ejemplo: clasificar una imagen como gato o perro.
Ejemplo: describir una imagen o generar una nueva variante.
En pocas palabras, la IA tradicional se orienta principalmente a clasificar o predecir, mientras que la IA generativa puede además crear contenido nuevo como texto, imágenes, audio o código.
4. Machine Learning vs. Deep Learning
Machine Learning
Deep Learning
Trabaja con características previamente definidas.
Aprende características y patrones a partir de grandes cantidades de datos.
Ejemplo: identificar características de un gato y clasificarlo como gato o perro.
Ejemplo: analizar muchas imágenes y determinar una probabilidad, como “93 % gato”.
Aplicación: clasificación de personas, animales u objetos.
Aplicación: reconocimiento facial o biométrico.
La diferencia principal es que en Machine Learning se indican las características relevantes, mientras que en Deep Learning el sistema puede aprenderlas a partir de los datos.
5. Familias de análisis de datos
Tipo de análisis
Pregunta principal
Ejemplo
Descriptivo
¿Qué está sucediendo?
Analizar métricas, ventas o comentarios de clientes.
Predictivo
¿Qué podría suceder?
Predecir si un cliente podría abandonar una aplicación.
Diagnóstico
¿Por qué sucedió?
Analizar causas mediante pruebas A/B o experimentos.
Prescriptivo
¿Qué debemos hacer?
Definir acciones, recursos y estrategias.
No siempre es necesario recorrer las cuatro etapas. El tipo de análisis depende del problema que queremos resolver.
6. Herramientas de IA y sus funciones
Herramienta
Función principal
ChatGPT
Generación, análisis y organización de contenido
Claude
Análisis y generación de contenido
Gemini
Análisis y generación multimodal
Midjourney
Generación de imágenes
Runway
Generación y edición de imagen y video
Canva
Diseño asistido por IA
ElevenLabs
Generación y clonación de voz
Cursor / GitHub Copilot
Asistencia para programación
Lovable
Creación rápida de aplicaciones y sitios web
Power BI
Análisis y visualización de datos
La idea no es elegir una herramienta por su popularidad, sino primero entender qué problema necesitamos resolver y después seleccionar la opción más adecuada.
Conclusión
La IA puede ayudarnos a trabajar más rápido y mejorar la calidad, pero su valor depende del tipo de tarea y del contexto que le proporcionemos.
Por eso, lo más útil es pensarla como un copiloto: puede procesar, clasificar, resumir y generar contenido, mientras que las decisiones, el contexto y la validación final siguen dependiendo de las personas.
