Els líders empresarials de diversos sectors continuen veient la intel·ligència artificial generativa (AI) com a una força transformadora capaç de remodelar les operacions, l’impuls als clients i la presa de decisions estratègiques. No obstant això, tot i l’entusiasme generalitzat i l’adopció ràpida provocada pel llançament de ChatGPT fa tres anys, moltes organitzacions lluitan per assolir retorns substancials i constants dels seus projectes d’AI. Enquestes recents de les empreses de recerca capdavanteres Forrester i Boston Consulting Group (BCG) posen de manifest una realitat desoladora: només un petit percentatge d’empreses—al voltant del 15% segons Forrester i el 5% segons BCG— han aconseguit millores significatives en els resultats empresarials vinculats als seus esforços amb AI generativa. Aquest èxit limitat s’explica per diversos desafiaments que contínuament afronten les tecnologies d’AI generativa. Un problema clau és la tendència de l’AI a produir respostes massa amables o simplistes, sovint sense matisos crítics o sense desafiar adequadament les dades d’entrada rebudes. Això redueix la profunditat i la fiabilitat de les perspectives generades per l’AI. A més, la inconsistència en la lliurada de resultats precisos complica l’ús pràctic, especialment quan cal gestionar documents complexos, llargs o específics d’un àmbit. Examples concrets il·lustren aquestes dificultats: el motor de recomanacions de vi negre amb IA de CellarTracker té dificultats per interpretar correctament les preferències dels usuaris amb mitja de terminologies diverses i distincions subtils, mentre que l’eina d’Intel·ligència Artificial de Cando Rail per resumir normes de seguretat troba desafiaments per mantenir la precisió en textos normatius extensos. El servei al client està entre les aplicacions més madures de les tecnologies de xatbots. Empreses com Klarna i Verizon han adoptat xatbots d’AI per gestionar consultes rutinàries, amb l’esperit d’obtenir eficiències operatives i reduccions de costos.

Tot i això, cada vegada té més ressò que l’AI no pot substituir completament els agents humans en la gestió d’interaccions complexes, sensibles o matisades amb els clients. La manca d’empatia semblant a la humana i la incapacitat d’entendre matisos contextuals subtils limiten l’eficàcia de l’AI en aquestes situacions, fent que sigui essencial la supervisió humana contínua. Els experts descriuen l’estat actual de l’AI generativa com una «frontera esmaperduda», reflective de rendiments desiguals en diferents casos d’ús. Mentre que l’AI destaca en tasques com la generació de llenguatge i el resum de dades, té dificultats quan cal una comprensió profunda del context o coneixement especialitzat. Els desafiaments per interpretar amb precisió dades geogràfiques o expressions col·loquials relacionades amb el temps posen de manifest la necessitat de seguir desenvolupant i perfeccionant aquesta tecnologia. Per fer front a aquests obstacles i maximitzar el valor de l’AI, les empreses estan invertint de manera important en fomentar la col·laboració estreta entre els seus equips interns i els proveïdors de tecnologia d’AI. Líders del sector com OpenAI i Anthropic, així com startups innovadores com Writer, incorporen els seus enginyers dins les organitzacions clients per cocrear solucions d’AI personalitzades que s’adaptin a les necessitats i fluxos de treball específics de cada empresa. El consens dominant en els àmbits empresarial i tecnològic és que, tot i que l’AI generativa té un potencial enorme, assolir-ne tot el seu potencial requereix aplicacions més enfocades, una participació humana constant i una mentalitat oberta a una revisió profunda dels processos i habilitats existents. L’AI generativa s’ha de veure com una eina potent d’augment, més que com una solució autònoma. Amb una estratègia deliberada i un esforç sostingut, les organitzacions poden passar de l’experimentació inicial a assolir resultats mesurables, posicionant l’AI com un motor clau de la avantatge competitiu en els propers anys.