Por qué toda organización debería invertir en inteligencia artificial predictiva

David Rice: Las empresas están invirtiendo millones en IA generativa. Construyen agentes, siguen la moda. Y a menudo ignoran el otro 50 % de la pila de IA, que es la parte que realmente entrega un valor de negocio medible. La IA predictiva no es llamativa. No escribe poemas ni genera imágenes. Simplemente predice quién va a hacer clic, quién va a comprar. Segmenta tu marketing. Detecta fraudes antes de que ocurran y automatiza decisiones a gran escala sin intervención humana. Si la dejas de lado, suele ser porque no parece tan humana.

El invitado de hoy es Eric Siegel, autor de "The AI Playbook" y fundador de Machine Learning Week. Según él, la mayoría de las organizaciones debería invertir al menos tanto en IA predictiva como en IA generativa, pero demasiada atención se la lleva el bombo de la IA generativa, y eso es una pérdida para todos. Este es el problema que sigue viendo. Las empresas tratan la IA predictiva como un proyecto de ciencia de datos.

Envían al científico de datos a construir un modelo, celebran cuando está terminado y lo llaman valor. Pero el modelo no es el valor. Actuar sobre las predicciones es el valor. La integración operativa es el valor. Y eso requiere una colaboración profunda con las partes interesadas de negocio a lo largo de seis pasos que Eric va a describir, no solo tres técnicos.

La mayoría de empresas se saltan completamente los pasos del lado de negocio. Se saltan definir qué se predice y qué se hace al respecto. Se saltan la integración operativa. Y luego se preguntan por qué sus inversiones en IA no están dando frutos. Así que hoy cubrimos por qué la IA predictiva es menos llamativa, pero más autónoma que la IA generativa.

Cómo la IA predictiva se convertirá en la capa de fiabilidad que haga realmente viable a la IA generativa. Los seis pasos del marco de ML para negocios y cuáles tres suelen saltarse tus responsables de negocio. Por qué un índice de precisión del 95% suena impresionante, pero puede volver inútil tu sistema. Y lo que los líderes empresariales necesitan comprender sobre las probabilidades. No te preocupes, no es ciencia de cohetes.

Soy David Rice. Esto es Personas Gestionando Personas. Y si has estado persiguiendo la IA generativa dejando la predictiva de lado, esta conversación te muestra exactamente lo que te estás perdiendo. Así que vamos allá.

Eric, ¡bienvenido! Es un gusto tenerte hoy en el programa.

Eric Siegel: Gracias, David. Es genial estar aquí.

David Rice: La IA generativa recibe mucha atención, pero tú has llamado a la IA predictiva, en cierto modo, el 50% olvidado de la pila de IA, ¿verdad? Aunque es esencial para el verdadero valor de negocio. Tengo curiosidad, ¿por qué crees que las organizaciones están tan emocionadas con los modelos generativos y qué pasa por alto la gente cuando deja al margen estos sistemas predictivos en su forma de pensar?

Eric Siegel: Sí, me gusta cómo lo planteas. La IA predictiva es más antigua, pero no pasada de moda. La mayor parte de su valor está aún por explotar. Es en cierto modo la otra, la IA original. En cierto sentido, era lo que la mayoría de la gente entendía como IA antes de la llegada de ChatGPT y otras soluciones generativas de IA hace pocos años. Es aprender de datos para predecir y así segmentar y mejorar cualquier operación a gran escala. Así que predecir quién va a hacer clic, comprar, mentir o morir, cometer fraude, cualquier resultado o comportamiento que sea valioso para una organización que maneja operaciones a gran escala. Tu pregunta es: ¿por qué la IA generativa recibe tanta atención?

Pues la respuesta es sencilla. Es mucho más atractiva y mucho más fácil de usar. Ninguna de esas cosas significa que necesariamente sea más valiosa, y abordaré cada uno de esos dos puntos. Déjame hacer una afirmación general que es realmente subversiva en la cultura actual, que se centra tanto en la IA generativa y su hype.

Aunque es extremadamente valiosa, y no critico a la tecnología, me maravilla; critico algunas de las historias y el boom que hay alrededor. Pero aquí va la frase subversiva: la mayoría de las organizaciones deberían invertir al menos tanto en IA predictiva como en generativa, y cada una resuelve problemas diferentes y no deberían competir más que un parque acuático y una estación de esquí.

De hecho sí compiten por atención, tiempo de los científicos de datos, recursos. Así que por desgracia es un juego de suma cero. En nuestro perjuicio, demasiado oxígeno se lo lleva la IA generativa. Por tanto, es desproporcionado y es una pérdida para todos. La IA predictiva segmentará el marketing prediciendo quién va a comprar, la detección de fraudes prediciendo qué transacción puede ser fraudulenta.

Y más específicamente, a qué transacción bloquear o retener o auditar. Cualquier operación a gran escala con recursos limitados. Los negocios son un juego de números. No tenemos una bola de cristal, pero podemos inclinar las probabilidades a nuestro favor prediciendo mejor que por azar. Ese es el juego que juegas con la IA predictiva.

O sea, calcula a partir de la historia, probabilidades. La probabilidad no es el tema de conversación más sexy, pero si te interesa el valor, si te interesa mejorar tus operaciones a gran escala, aquí es donde debes ir. La gracia de la IA generativa está en lo aparentemente humana que es y lo bien que encaja con el relato a largo plazo de la IA.

Desde el nacimiento del término en los cincuenta, por supuesto todas las películas entretenidas, por lo tanto, es tan llamativa y es realmente notable. Y eso no está estrictamente desvinculado de su potencial para ser compañera en el pensamiento y generar primeros borradores de textos, código, y todo lo demás que hace tan notablemente bien. Para la mayoría de sus usos, eso sí, necesitas mucho a un humano interviniendo.

Irónicamente, al ser tan aparentemente humana, se aplica a cosas que normalmente haría un humano y que toleran poco los errores. Mientras que la IA predictiva, menos semejante al humano, es potencialmente más autónoma, porque decide automáticamente qué transacción de tarjeta de crédito bloquear si resulta posiblemente fraudulenta, por ejemplo.

Esa fue mi pequeña charla sobre la diferencia entre los dos campos.

David Rice: No te preocupes. Es curioso porque es como esa persona en el grupo de amigos que hace todas las mejores cenas, pero nadie piensa en ella como un foodie. Porque su Instagram no parece el de Food Network.

Pero es interesante, porque como dijiste, esto lleva mucho tiempo. Creo que muchas empresas, especialmente a nivel de empresa, han estado trabajando en estos sistemas por años y hace poco tuve un invitado y comentábamos que si ya has incorporado estos sistemas y has hecho el trabajo...

La "revolución de los agentes" que se avecina probablemente no será para ti, porque mucho de eso ya está automatizado.

Eric Siegel: Me preocupa el término IA agéntica y agentes de IA. He escrito algunos artículos en Forbes diciendo que creo que el término es, en su mayoría, engañoso y poco útil.

Es un término de hype. No alude a ninguna nueva tecnología en particular. Solo alude a la intención, que es automatizar más, y obviamente es... una intención autoevidente, ¿verdad? Eso es lo que queremos hacer. Por eso construimos máquinas: para que hagan cosas que de otro modo tendría que hacer una persona.

Así que ponerles la palabra agéntico no significa que haya algo nuevo. Son casos de uso bastante obvios para intentar hacer con IA generativa, pero enseguida llegas a un nivel de ambición y alcance para el cual no puede ser autónomo sin un humano en el circuito.

Eso me lleva a un punto clave que estoy empezando a destacar mucho, que es donde estos dos universos chocan, donde la IA predictiva y la generativa realmente se necesitan mutuamente. Creo que la próxima "killer app" de la IA predictiva será servir como la capa de fiabilidad para la IA generativa.

Así que, en la medida que todos tenemos grandes ambiciones con la IA generativa, ya sea que la llamemos agente o lo que sea, tienes la idea de que será agente de atención al cliente, interactuando directamente con consumidores sobre muchos temas o incluso realizando transacciones, etc.

La idea de tener eso 100% automático rápidamente se vuelve inviable. Quizá funcione bien el 95% del tiempo, pero si el 5% restante comete un error crítico, divulga información errónea o realiza una transacción indebida, puede ir mal de mil formas distintas. Y si acierta el 95% de las veces, increíble, pero el sistema entero no tiene valor. No es viable ni se va a desplegar.

Una tasa de error del 5% es demasiado alta. ¿Cómo lo solucionamos? Podemos esperar a que la tecnología mejore ese 5%, pero eso es más difícil de lo que parece. La diferencia entre lo que puede hacer la IA generativa y lo que puede hacer un humano solo será más evidente. Hay rendimientos decrecientes en esa mejora, pero podríamos realizar gran parte de esa promesa de autonomía si ponemos una capa predictiva. Usemos IA predictiva, analítica predictiva, machine learning empresarial, como quieras llamarlo.

Aprendemos a partir de muchos ejemplos a identificar automáticamente los casos más propensos a problemas, las situaciones más riesgosas. Entonces desviamos automáticamente esos casos más arriesgados a un humano en el circuito, más costoso.

Por ejemplo, el 15 % de los momentos más riesgosos de interacción con clientes a través de un chatbot. Esa parte se pausa y la interviene un humano si hace falta. Si intentamos cubrir ese 5% seleccionando un 15%, probablemente atrapamos la mayoría. Quizá la tasa de error neta baja al 1%, que puede ser viable según el uso y el negocio. En ese caso, se cumple el 85% de la promesa de autonomía, mucho mejor que el 0% si el sistema no es viable.

David Rice: Mencionaste esa capa de máquina, y me da curiosidad porque recientemente has sacado un nuevo libro, el "AI Playbook". Cuéntame. Porque el título me resultó interesante: dominar el raro arte del despliegue del aprendizaje automático.

¿Por qué es tan raro, es lo que quiero preguntar?

Eric Siegel: Sí, es una verdad incómoda. El despliegue de machine learning al que se refiere el subtítulo del libro, apunta a proyectos de IA predictiva o analítica predictiva, es decir, machine learning empresarial. Creas un modelo predictivo a partir de datos.

Eso es lo que hace el aprendizaje automático: aprende de los datos y lo encapsula en reglas, fórmulas o algo similar en un modelo. Por cierto, tanto la IA generativa como la predictiva se construyen con aprendizaje automático. Ambas son categorías de casos de uso de machine learning, pero el resultado final son sistemas muy diferentes con propósitos distintos.

En IA predictiva, las predicciones son por unidad organizativa, como el cliente, el paciente, la transacción potencialmente fraudulenta, el satélite que podría quedarse sin batería, el lugar de prospección de petróleo que podría ser relevante, el eje de tren que podría fallar. Los casos de uso son infinitos. Pero resulta que, aunque estos casos de uso existen desde hace décadas —desde los años sesenta hacíamos cosas como targeting para marketing y scoring crediticio con regresión— es un campo potencialmente más maduro.

Lleva más tiempo existiendo, pero aún así, igual que la IA generativa, no ha alcanzado madurez profesional. Falta una parte fundamental por lo que escribí el libro y por lo que co-fundé la startup Gooder AI, donde intentamos cubrir ese último tramo entre tecnología y negocio.

Tecnología y negocio es una brecha de sobra conocida, entre el personal técnico y los data scientists y su cliente, el stakeholder de negocio. La brecha es muy amplia y eso mata proyectos una y otra vez.

En concreto, el científico de datos viene y dice: "hola, hice el modelo de machine learning que me pediste para predecir qué cliente va a cancelar, o desertar"; eso se llama modelado de abandono (churn modeling). Así puedes ofrecer un incentivo que no puedes dar a todos, pero sí a los que tienen mayor riesgo, para que los números cierren.

Así que muchos casos de uso predictivo se pueden enmarcar como predecir algo malo para intervenir, por ejemplo, predecir qué interacción de IA generativa podría salir mal para que intervenga un humano, predecir qué transacción será fraudulenta para bloquearla, predecir qué cliente o empleado va a abandonar.

Hewlett Packard lo hizo para sus 300.000 empleados antes de escindir HPE, lo cuento en mi primer libro y lo presentaron en mi conferencia. El caso es que el científico de datos viene y dice: hice el modelo, predice bien, es fiable, aprendió de los datos, he hecho todas las comprobaciones técnicas, así que implántalo. Entonces el stakeholder de negocio pregunta: ¿qué tan bueno es el modelo? Sabemos que no hay bola de cristal, solo podemos calcular probabilidades de que alguien haga clic, compre o abandone, es cuestión de probabilidades.

Así que dime, ¿qué tan bueno es el modelo? ¿Qué tan bien nos va con los datos disponibles? Y el data scientist casi siempre responde: es genial, el área bajo la curva ROC es 0,837, y luego silencio. Los data scientists suelen estar formados solo para calcular métricas técnicas de rendimiento.

Precisión, recall, puntuación F, lift, área bajo la curva. Incluso la precisión es solo una métrica técnica y lo que te dice es el rendimiento predictivo bruto, comparado con la línea base (adivinanza aleatoria). Eso da una orientación técnica de que el modelo es mejor que el azar, y está bien, es importante y lo máximo que podemos esperar. Pero no dice nada sobre el valor potencial, cuánto dinero ganarías usando ese modelo para marketing, retención, detección de fraude, mantenimiento predictivo, etc.

A quién contratar, a quién retener. Siempre se trata de segmentar recursos limitados y hacerlo con predictibilidad, pero cuando quieres calcular ese resultado en términos monetarios, de ahorro, o cualquier KPI relevante de negocio, todavía hoy no es un ejercicio habitual en data science.

Y en cierto modo, yo mismo me sorprendo aún, pese a llevar más de 30 años en el campo del machine learning. Entré en esto como nerd, igual que la mayoría de data scientists, por ser la tecnología más guay, aprender de datos, descubrir patrones que valgan para casos nuevos y desconocidos.

Eso es emocionante técnicamente, porque se aprende algo que se mantiene en casos inéditos. Pero estamos fetichizando las tecnologías básicas, emocionándonos más por la ciencia de cohetes que por el lanzamiento del cohete.

Cuando realmente quieres lanzar el cohete después de construirlo, tienes que probarlo con KPIs que importan, probarlo en condiciones reales. Se puede construir el cohete, pero también hay que saber manejarlo y monitorizar su rendimiento.

Así que ese paso hacia calcular métricas empresariales, desempeño monetario, beneficios y ahorros, hacer una previsión de cuánto ganarías usando las predicciones... de eso trata Gooder AI y es clave en mi libro "AI Playbook".

La mala noticia es que este campo todavía falla la mayoría de las veces: la mayoría de los modelos predictivos hechos para usarse en empresas nunca se operacionalizan. La buena noticia es que solo queda el último kilómetro. Ya hemos recorrido 10.000, estamos sobre hombros de gigantes que inventaron los algoritmos, y ahora solo hace falta una organización más alineada, colaboración profundo entre lo técnico y lo empresarial y hablar un mismo idioma, incluyendo métricas de negocio.

Así podemos reparar la baja tasa de adopción y obtener valor de forma más habitual.

David Rice: Hacer crecer un equipo global no debería implicar gestionar cinco sistemas distintos de RRHH, nómina y TI. Deel lo reúne todo para que puedas contratar, incorporar, pagar y equipar a gente en cualquier lugar sin el caos habitual. Ya sea que contrates empleados en diez países o gestiones freelancers en distintos husos horarios, Deel gestiona cumplimiento, beneficios y nóminas en un solo lugar, lo que significa menos herramientas, menos quebraderos de cabeza y más tiempo para centrarte en tu gente.

¿Listo para ver cómo es contratar sin fronteras? Visita deel.com/pmp. Eso es deel.com/pmp para reservar una demo. Deel, contrata, gestiona y paga a cualquiera, en cualquier parte.

Por curiosidad, ¿cuál es el cambio más difícil que las empresas deben hacer para ir más allá de esas métricas empresariales (o cómo miden la tecnología) y centrarse en el impacto organizacional?

Eric Siegel: Es una gran pregunta. Ajustar las métricas es solo una cosa que hay que adaptar. Más en general, definir un proyecto de IA predictiva es definir un par de cosas: qué se predice y qué se hace al respecto, sobre qué pones probabilidades.

Qué exactamente predices, quién comprará si contactas, qué transacciones resultarán fraudulentas, etc. Y luego qué se hace con ello, la intervención o la oportunidad que se aprovecha. Si predices algo positivo, como quién comprará si se le contacta, entonces contactas a esos.

Ese par de qué se predice y qué se hace define el proyecto, pero eso es solo el primero de lo que formalizo como seis pasos en "AI Playbook", el paradigma o marco Biz ML, la práctica empresarial para el éxito de proyectos de machine learning.

Y el ingrediente clave en estos pasos es una colaboración profunda entre tecnología y negocio. Los científicos de datos no pueden hacer esto en aislamiento. Los proyectos de IA predictiva siempre son una consultoría, no la instalación de una tecnología nueva, como si fuera una base de datos más rápida. Aquí cambiar operaciones con probabilidades es un cambio fundamental para la organización. Por tanto, todo es primero un proyecto de negocio que utiliza machine learning. Hay que enmarcarlo así. Para lograr esa colaboración a lo largo de todos los pasos, probablemente el mayor reto es que el área de negocio debe formarse, pero solo hasta un punto accesible, interesante, relevante. No hay que saber cómo cambiar las bujías del motor, solo saber conducir el coche. Es la diferencia entre ir en un Uber y conducir tú mismo. Pero si no conduces, no llegas a destino en este caso.

Esa capacitación es uno de los objetivos de mi libro "AI Playbook". Es una formación que no se consigue en una hora, pero tampoco es un curso universitario; es casi lo que uno puede aprender en un solo libro. Así todos pueden trabajar juntos, ejecutar exitosamente estos proyectos y llevarlos hasta el despliegue, la integración real en la operación. Las operaciones no cambian solas; ese cambio es el despliegue.

David Rice: Antes comentabas que generativa y predictiva se encuentran, que se hibridan y compensan debilidades. ¿Cuál sería un buen ejemplo de ambos operando juntos en la práctica y qué obstáculos encuentran los equipos al intentar integrarlos?

Eric Siegel: Buena pregunta. Lo he llamado híbrido en artículos y charlas recientes. Híbrido puede significar muchas cosas, pero aquí es hibridar IA predictiva y generativa. Una forma es la que mencioné: usar IA predictiva como capa de fiabilidad para una IA generativa.

Otra es que la IA generativa te ayude con el proyecto de IA predictiva. Al principio dije que generativa recibe toda la atención porque es más sexy y más fácil. La facilidad viene de que es un modelo de lenguaje entrenado para manejar idiomas humanos. Eso significa que puedes interactuarle en español, inglés, etc. No hace falta casi formación para empezar a usar la IA generativa. Si alguien no la ha probado, ¿a qué espera?

Y por eso puede ayudar a cerrar la brecha técnica-negocio. Por ejemplo, en nuestra solución Gooder AI, sirve de consola empresarial para proyectos de IA predictiva, donde uno de los principales gráficos tiene dos ejes: el eje X es usando un modelo para decidir cuántos casos contactar (para marketing), bloquear (si es fraude), inspeccionar, etc.

Según el modelo predictivo, desde menos a más, ordenando y priorizando clientes o casos. Es el trabajo del modelo, que sirve para triage y priorización de quién contactar, bloquear, inspeccionar, etc. Hay que decidir dónde marcar el corte, no contactar ni bloquear demasiado o demasiado poco. Siempre hay una zona "justa", pero el orden lo da el modelo.

El eje Y es el dinero: retorno potencial, ahorros o ganancias por ese proyecto. Esa gráfica suele subir y bajar, porque hay un punto óptimo. Esa visualización está en nuestra herramienta, pero no es habitual en otras. Es fundamental, solo son dos ejes, ambos claros para negocio, nada es ciencia de cohetes y podría enseñarse en secundaria, pero es nuevo incluso para muchos "quants".

Como he dicho, la gente ni siquiera calcula métricas de negocio como ahorro monetario o beneficio. Aún no está en la cultura, aunque es imprescindible. Como es nuevo, sería bueno poder hacer mil preguntas sin temor a aburrir, así que hemos integrado un chatbot de modelo de lenguaje, le dimos las instrucciones especializadas según lo que ves, y ahora puedes preguntar lo que sea. ¿Por qué la curva sube y baja? Explícalo con una historia para un niño: "Estás vendiendo limonada, decides a cuántos ofrecer, quiénes pasan frente al puesto…" y lo hace muy bien.

Así que ese es otro ejemplo de cómo ambos tipos pueden complementarse: usar la IA generativa para comprender los proyectos de IA predictiva.

David Rice: Hay quien argumenta que los modelos predictivos pueden servir como un guardarraíl crítico, sobre todo cuando los sistemas generativos alucinan o se comportan de forma imprevisible.

¿Cómo crees que la IA predictiva puede estructurarse como esa capa de seguridad operacional?

Eric Siegel: Esos son ejemplos clásicos, incluso los cita la primera edición de mi primer libro "Predictive Analytics" (2013/2016). Por ejemplo, Shell Oil predice qué equipos en sus plataformas petroleras tienen más riesgo de incidente. Así que la seguridad en el trabajo puede aplicarse caso a caso, igual que cualquier otro ejemplo. Lo que diferencia los casos predictivos del forecasting es que aunque ambos intentan estimar el futuro, el forecasting suele ser sobre un único resultado: si la economía sube o baja, cuántos helados se venderán el próximo trimestre. La IA predictiva, en cambio, hace predicciones por caso: qué individuo tendrá un helado, qué votante votará o es persuadible si le visitas con un voluntario.

Como aplica a grandes operaciones masivas, es muy valiosa. Son millones de microdecisiones y el santo grial es predecir un resultado pertinente para cada microdecisión. Al aplicarlo muchas veces, la ley de los grandes números compensa que no tenemos bola de cristal sino solo probabilidades. Probabilidad suena arcano y mucha gente le rehuye, pero el resultado es comprensible: es el mejor sustituto a la certeza mágica, un número entre 0 y 100 de posibilidades. Así sabes cómo priorizar, clasificar y decidir casuísticamente. Esa priorización puede aplicarse no solo a seguridad sino a cualquier cosa, y no es ciencia de cohetes aplicarla.

Eso es lo que el responsable de negocio debe entender si quiere sacar partido a esta tecnología. Después debe participar en el proyecto. No basta con enviar al científico de datos; ahí está el talón de Aquiles y eso viene del fetiche por la tecnología, porque mola tener machine learning, pero solo hay valor cuando esas predicciones, fruto del trabajo duro de los data scientists, se aplican operativamente. Hay que actuar en base a ellas, incorporarlas en la gran operación, porque ahí se materializa el valor. Y solo se logra con colaboración profunda. El fetichismo tecnológico provoca pensar que por usar la mejor tecnología ya hay valor. No, el valor es el proyecto de negocio, que incluye ese análisis y la colaboración hasta la integración en operaciones.

La colaboración engloba a negocio, con capacitación en qué se predice y qué se hace con ello, los seis pasos que, aunque incluyen ciencia de cohetes, son comprensibles: poner probabilidades, priorizar, decidir cómo tratar cada caso.

David Rice: Muchos marcos de IA predictiva enfatizan el modelado de datos, pero creo que tu enfoque destaca además cosas como la definición de la predicción, la integración operacional y la iteración continua. ¿Cuáles serían los pasos menos obvios, pero críticos, que las empresas suelen saltarse al invertir en IA predictiva y cómo afecta eso a los resultados?

Eric Siegel: Me gusta cómo lo preguntas: cuáles son los principales pasos que se saltan. Básicamente, se saltan todos los pasos o la mayoría desde el lado del negocio. Los científicos de datos intentan hacerlos todos, pero solo están formados para el análisis numérico y la evaluación técnica de rendimiento.

Intento que ellos también colaboren más en el puente con negocio: en mi conferencia Machine Learning Week y antes Predictive Analytics World, la mitad son data scientists, y cuando les doy charla, les animo a calcular métricas de negocio, a involucrar mucho más al stakeholder.

Desde el área de negocio, los pasos clave tienen que ver con qué se predice, qué se hace respecto a ello y, otro aspecto ya mencionado, qué tan bien predice el modelo: ese trío (qué se predice, qué tan bien, y qué se hace) recoge lo básico del proyecto y sus requisitos.

Los seis pasos de mi marco Biz ML en el libro "AI Playbook" consisten en dos tríos sobre esas cuestiones: qué se predice, cuán bien y qué se hace. Los tres pasos finales son los mismos que todo data scientist hace desde los años sesenta: preparar los datos, entrenar el modelo (ahí está la ciencia de cohetes) y desplegar en operaciones.

Esos son los pasos 4, 5 y 6; los tres anteriores son de preproducción, pero los seis requieren colaboración con negocio. Los tres previos establecen qué se predice, cómo se define el éxito y qué intervención se realiza. También hay un artículo en Harvard Business Review que lo resume; no hace falta leer el libro, pero si quieres participar en estos proyectos desde negocio, ese es el objetivo del libro: sumergirse en los seis pasos, adquirir el nivel semi-técnico para luego poder participar.

David Rice: Por desgracia, hoy se nos acaba el tiempo, Eric, pero quiero darte las gracias por venir, ha sido realmente fascinante.

Eric Siegel: Excelente, David. Muchas gracias por invitarme.

David Rice: Oyentes, si no lo han hecho todavía, visiten peoplemanagingpeople.com/subscribe para suscribirse al boletín. Recibirán podcasts como este y los últimos artículos publicados en su bandeja de entrada. Si quieren aprender más sobre este tema, revisen "The AI Playbook". De verdad que vale la pena.

Y hasta la próxima, mantente curioso sobre la IA predictiva. No te enfoques solo en el furor de la generativa.