Gen AI Leader
Deep Dive
Saber qué es un foundation model no basta para el examen GENAI-L: el Dominio 4 evalúa si puedes pensar como un líder de negocio que debe decidir qué tipo de solución construir, cuándo tiene sentido usar gen AI (y cuándo no), cómo llevarla a producción dentro de una organización, y cómo demostrar que generó valor real.
Contenido
Antes de elegir un producto o un modelo, un líder de negocio debe reconocer qué tipo de problema está resolviendo. El examen agrupa las soluciones de gen AI en cuatro categorías amplias, cada una con casos de uso e implicaciones de negocio distintas.
Generación de texto
Resúmenes, redacción de correos, respuestas de atención al cliente, generación de reportes. Ejemplo de industria: una aseguradora usa un foundation model para resumir automáticamente expedientes de siniestros de 40 páginas en un párrafo accionable para el ajustador.
Generación de imágenes
Creación o edición de material visual a partir de texto, usando modelos como Imagen. Ejemplo de industria: una cadena de retail genera decenas de variantes de una foto de producto para distintas campañas de marketing sin repetir sesiones fotográficas.
Generación de código
Autocompletado, generación de funciones, migración de código legado, generación de pruebas unitarias. Ejemplo de industria: un banco usa gen AI para acelerar la migración de un sistema de core bancario de un lenguaje antiguo a uno moderno, reduciendo semanas de trabajo manual.
Personalización de necesidades del usuario
Respuestas o recomendaciones adaptadas al contexto individual de cada usuario, combinando gen AI con datos propios (a menudo vía RAG). Ejemplo de industria: un proveedor de e-learning genera rutas de estudio distintas para cada alumno según su progreso y sus errores previos.
Punto de examen
Estas categorías no son mutuamente excluyentes: una misma solución puede combinar varias (por ejemplo, un asistente de desarrollo que genera código y también genera documentación en texto). El examen espera que reconozcas la categoría dominante de un caso de uso descrito, no que memorices una lista cerrada.
Antes de decidir "sí, necesitamos gen AI para esto", una organización debe evaluar dos tipos de factores muy distintos: qué necesita el negocio y qué es técnicamente viable. Confundir ambos es una causa común de proyectos de IA que fracasan.
| Requisitos de negocio | Restricciones técnicas |
|---|---|
| Objetivo de negocio concreto (reducir costo, acelerar un proceso, mejorar satisfacción del cliente) | Disponibilidad y calidad de los datos propios necesarios |
| Presupuesto disponible y horizonte de retorno esperado | Context window y capacidades del modelo elegido |
| Requisitos regulatorios y de cumplimiento del sector | Necesidad de grounding para evitar respuestas no verificables |
| Tolerancia al riesgo de la organización (errores, sesgo, reputación) | Latencia y throughput requeridos en producción |
| Nivel de adopción y capacitación esperado del equipo | Integración con sistemas existentes (APIs, seguridad, IAM) |
Idea clave
Una solución puede ser técnicamente perfecta y aun así fracasar como iniciativa de negocio si no resuelve un problema real, o puede tener un objetivo de negocio impecable pero ser inviable si los datos necesarios no existen o no tienen la calidad suficiente. Ambos factores se evalúan juntos, no en secuencia aislada.
Google Cloud recomienda un marco de decisión simple, de lo más simple/barato a lo más complejo/costoso. La regla general del examen: nunca empieces por la opción más compleja si una más simple resuelve el problema.
Usar un modelo pre-entrenado tal cual
Si un foundation model disponible en Model Garden ya responde bien con un buen prompt, no hace falta nada más. Es la opción más rápida y barata.
Prompt engineering avanzado
Técnicas como few-shot prompting o chain-of-thought mejoran la calidad sin cambiar el modelo ni añadir infraestructura nueva.
Grounding con datos propios (RAG)
Cuando el modelo necesita responder con información específica y actualizada de la organización (no solo conocimiento general), se conecta a datos propios vía RAG usando Vertex AI Vector Search.
Fine-tuning
Solo cuando ni el prompt engineering ni el grounding logran el estilo, formato o comportamiento especializado requerido. El fine-tuning es la opción más costosa y de mayor mantenimiento a largo plazo.
Error común de examen
Las preguntas suelen describir un problema que se resuelve con prompt engineering o RAG, pero ofrecer "fine-tuning" como distractor tentador. Elige siempre la opción más simple que resuelva el requisito de negocio descrito.
Elegir la solución técnica correcta es solo una parte del trabajo. Llevarla a producción de forma sostenible requiere un proceso organizacional, no solo un despliegue de infraestructura.
Este orden importa para el examen: preguntas que describen "lanzar directamente a toda la organización sin piloto" o "construir antes de definir métricas" describen malas prácticas de integración.
Un error frecuente es medir solo métricas técnicas (precisión del modelo, latencia) sin conectar esos números con el impacto de negocio real. El examen espera que reconozcas métricas orientadas al negocio.
ROI (retorno de inversión)
Comparar el costo total de la solución (incluyendo TCO) contra el valor generado: ahorro de costos, ingresos adicionales o reducción de riesgo.
Tasa de adopción
Qué porcentaje de los empleados o usuarios objetivo usan la solución de forma activa y recurrente, no solo la probaron una vez.
Satisfacción del usuario/cliente
Encuestas de satisfacción, NPS o retroalimentación cualitativa de los empleados o clientes que interactúan con la solución.
Tiempo ahorrado / eficiencia
Reducción medible en el tiempo que toma completar una tarea (por ejemplo, horas ahorradas por semana en redacción de reportes) antes y después de introducir la solución.
Punto de examen
Si una pregunta pide "cómo medir el éxito de una iniciativa de gen AI ante el liderazgo ejecutivo", la respuesta correcta casi siempre combina una métrica de negocio (ROI, adopción, satisfacción, tiempo ahorrado) — no solo una métrica puramente técnica como la exactitud del modelo.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una aerolínea evalúa lanzar un asistente de gen AI para su equipo de atención al cliente. El equipo de datos confirma que existen suficientes conversaciones históricas etiquetadas de buena calidad, pero el área de negocio aún no ha definido qué problema específico resolverá el asistente ni cómo se medirá su éxito. Según las buenas prácticas recomendadas por Google Cloud, ¿cuál es el paso más apropiado antes de construir el prototipo?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
Inicia sesión para llevar tu progreso.