U.S. — Sources confirmed on Thursday that, following a raid on Rep. Ilhan Omar's home on October 12, DHS officials seized her mobile phone, but decided to let her keep a pager.

Hosted by Google Developers Space (https://sites.google.com/view/devspace-sg/home) and ETH65 (https://t.me/ethsixfive)Sponsored by Searce (https://www.searce...

Las empresas están invirtiendo mucho dinero en herramientas de inteligencia artificial (IA), servicios y estrategias internas. Pero, por desgracia, los grandes desembolsos no garantizan el éxito. **“La IA está en todas partes: transforma industrias, reestructura flujos de trabajo y promete un futuro de posibilidades ilimitadas”** , afirma Paul Pallath, vicepresidente de IA aplicada en la consultora tecnológica Searce. **“Pero por cada historia de éxito de la IA, hay un fracaso silencioso** : proyectos piloto costosos que nunca se amplían, modelos que refuerzan los prejuicios y sistemas que se vuelven obsoletos en cuestión de meses”. La diferencia entre el éxito y el fracaso radica en cómo se implementa, se gobierna y se mantiene la IA, dice Pallath. **“Para acertar con la IA, las organizaciones deben evitar los errores más comunes y costosos”**. Aquí hay 11 formas en que las organizaciones fracasan con la IA, y sugerencias de formas de abordar estos escollos. ## **No incluir a los usuarios en la planificación de la IA** **“¿La forma más rápida de condenar una iniciativa de IA? Tratarla como un proyecto tecnológico en lugar de una transformación empresarial”** , afirma Pallath. **“La IA no funciona de forma aislada, sino que se nutre de la intuición, la confianza y la colaboración humanas”.** La suposición de que el simple hecho de proporcionar herramientas atraerá automáticamente a los usuarios es un mito costoso, afirma Pallath. “Ha dado lugar a innumerables implementaciones fallidas en las que las soluciones de IA quedan sin utilizar, desalineadas con los flujos de trabajo reales o se topan con el escepticismo”, afirma. **“La IA debe integrarse perfectamente en los flujos de trabajo, alinearse con las responsabilidades de los empleados y estar respaldada por una gobernanza clara**. Sin aceptación, la IA corre el riesgo de ser infrautilizada o directamente rechazada, lo que hace que las inversiones sean ineficaces”. Involucrar a los empleados desde el principio, hacerlos partícipes del desarrollo de la IA y fomentar la transparencia, dice Pallath. “Cocrear marcos de gobernanza que garanticen que la IA se alinee con las realidades empresariales, capacitando a los equipos para confiar, perfeccionar y maximizar su potencial”, explica. **“La clave es construir la IA con tu gente, no a pesar de ellos”.** ## **Descuidar la formación y la educación** La IA puede tener mala reputación, y los empleados temen perder sus puestos de trabajo en favor de las máquinas. Depende de los directivos garantizar que las personas entiendan cómo y por qué sus organizaciones utilizan herramientas y datos de IA. Sin una plantilla que adopte la IA, **“lograr un impacto empresarial real es un reto”** , afirma Sreekanth Menon, líder global de IA/ML en la empresa de servicios y soluciones profesionales Genpact. “Esto requiere que**los directivos den prioridad a una cultura digital y apoyen activamente a los empleados durante la transición”.** Para aliviar las preocupaciones de los empleados sobre la IA, los líderes deben ofrecer una amplia formación en IA en todos los departamentos, afirma Menon. “Al enseñar a los empleados cómo la IA puede mejorar su trabajo, no solo hacerlo más rápido, las organizaciones pueden fomentar una cultura de curiosidad y aceptación hacia la IA, lo cual es crucial para el éxito”, afirma. “No hay un tipo de formación que sea adecuado para todo el personal que se verá afectado por la IA”, afirma Douglas Robbins, vicepresidente de Ingeniería y Creación de Prototipos de la empresa de tecnología e investigación y desarrollo MITRE Labs. “Por ejemplo, los desarrolladores prácticos necesitarán un nivel de comprensión de la IA diferente al de los de adquisición”. Los líderes de TI no ignoran la importancia de la formación en IA, ya que el 95% cree que los proyectos de IA fracasarán si no cuentan con personal que pueda utilizar eficazmente las herramientas de IA. Sin embargo, solo el 40% de los líderes de TI afirma que sus organizaciones cuentan con formación formal en IA para los empleados, según una encuesta reciente de Pluralsight. ## **Subestimar la importancia de una hoja de ruta de IA viable** El camino de cada organización hacia la madurez de la IA será ligeramente diferente, dice Robbins. **“Desarrollar una hoja de ruta de IA que documente la propuesta de valor alineada con la misión, así como cuándo, quién y cómo se desarrollarán, probarán, desplegarán y mantendrán las capacidades”** , dice. Aunque estaba comentando sobre las agencias del gobierno federal, el consejo puede aplicarse a cualquier organización. Alcanzar el nivel necesario de madurez de la IA para cumplir los objetivos será un proceso de varios pasos, dice Robbins. **“Centrarse tanto en lo que funcionó como en las barreras que aún existen será vital para informar sobre los esfuerzos futuros y guiar dónde poner los recursos para abordar problemas potencialmente de largo plazo** , como las políticas o la contratación”, dice. Las categorías generales que deben incluirse en una hoja de ruta para la madurez de la IA incluyen estrategia y recursos; organización y fuerza laboral; facilitadores tecnológicos; gestión de datos; uso ético, equitativo y responsable; y rendimiento y aplicación, apunta Robbins. ## **Minimizar la gestión de datos** Disponer de datos de alta calidad es vital para el éxito de la IA.**“Sin una base de datos sólida, la adopción de la IA se vuelve casi imposible”** , afirma Menon, de Genpact. Una reciente encuesta de Genpact y HFS Research realizada a 550 altos ejecutivos muestra que el 42% piensa que la falta de calidad de los datos o de estrategia es el mayor obstáculo para la adopción de la IA. Una mala higiene de los datos socava el éxito de la IA, afirma Menon. “Construir una plataforma de datos centralizada para organizar y gestionar los datos procedentes de múltiples fuentes”, dice Meno. “Esto garantiza datos de alta calidad y bien seleccionados para impulsar con éxito los modelos de IA”. Los datos deficientes e inexactos “no solo amenazan la toma de decisiones, sino que pueden dar lugar a contratiempos normativos”, añade Souvik Das, director de Productos y Tecnología de la empresa de _software_ financiero Clearwater Analytics. Las empresas deben establecer un marco de gobernanza para la gestión de datos. **“La gestión de datos _ad hoc_ está obsoleta, y lo que se impone es un marco estructurado que proporcione claridad y coherencia en las funciones, responsabilidades y procesos** [como] garantizar que los datos se limpien meticulosamente y que el acceso esté controlado y sea conforme”, afirma Das. La gobernanza de datos puede ser tan complicada como vital, con muchos escollos que evitar. ## **Suponer que la IA es una solución de ‘configurar y olvidar’** La IA no es una implementación puntual. **“Es un sistema vivo que exige una supervisión, adaptación y optimización constantes”,** afirma Pallath, de Searce. “Sin embargo, muchas organizaciones tratan la IA como una herramienta lista para usar, solo para verla quedar obsoleta. Sin equipos dedicados a mantener y perfeccionar los modelos, la IA pierde rápidamente relevancia, precisión e impacto comercial”. Los cambios en el mercado, la evolución de los comportamientos de los clientes y los cambios normativos pueden convertir una herramienta de IA que antes era poderosa en una responsabilidad, afirma Pallath. Si no se controla, la IA podría producir resultados obsoletos o incluso perjudiciales, erosionando la confianza, los ingresos y la ventaja competitiva, afirma. “Cree equipos especializados para supervisar el rendimiento de la IA, automatizar las actualizaciones y perfeccionar los modelos de forma continua”, afirma Pallath.**“Trate la IA como un sistema vivo, que se nutre de la iteración, el aprendizaje y la gobernanza proactiva para ofrecer un valor sostenido**. El éxito no consiste solo en la implementación, sino en el compromiso a largo plazo con la excelencia”. ## **Ignorar los marcos de IA responsables** Uno de los descuidos más peligrosos en la implementación de la IA es no establecer marcos éticos sólidos, dice Pallath. **“Sin directrices claras para el uso responsable de la IA, las organizaciones corren el riesgo de desplegar algoritmos sesgados, manejar mal datos sensibles o perseguir casos de uso problemáticos** que pueden desencadenar sanciones reglamentarias y daños a la reputación”, afirma. Los marcos éticos sólidos no son restricciones, sino facilitadores que alinean las iniciativas de IA con los valores de la organización y la confianza de las partes interesadas, afirma Pallath. “Construir marcos de IA responsables e integrales desde el primer día”, afirma. **“Priorizar la ética, el cumplimiento y la transparencia en cada iniciativa de IA. La IA responsable no se trata solo de mitigar riesgos, es una ventaja competitiva** que genera confianza, credibilidad y resiliencia empresarial”. ## **Pasar por alto los riesgos** Las implementaciones de IA, como cualquier iniciativa de TI, conllevan riesgos. Algunos de ellos están relacionados con la ciberseguridad y otros con la integridad y la privacidad de los datos. **“La falta de consideraciones éticas estandarizadas sobre la IA crea desafíos en la gestión de los riesgos potenciales asociados a la IA, como los algoritmos sesgados y las brechas de seguridad** ”, afirma Menon. “Las repercusiones de estos problemas pueden ser graves y dar lugar a daños en la reputación y responsabilidades legales”. Las empresas deben tomar medidas para proteger los datos de IA y garantizar la privacidad y la integridad de los datos. “Al establecer barreras de seguridad desde el principio, de acuerdo con los principios de IA responsable y las creencias y estrategias de la organización, las organizaciones pueden mitigar los riesgos, fomentar la confianza de los clientes, distinguirse de la competencia y allanar el camino para la innovación a largo plazo”. ## **Actuar con demasiada rapidez para desplegar la IA de forma generalizada** Cubrir una organización con casos de uso de IA sin probar primero los conceptos y aplicaciones en unas pocas áreas seleccionadas podría resultar en un fracaso. “**Adopte un enfoque por fases”** , afirma Robbins, de MITRE Labs. “Empiece con aplicaciones más sencillas y poco intrusivas **y avance gradualmente hacia usos más complejos y potencialmente intrusivos.** Las primeras aplicaciones de IA pueden ayudar en tareas como el análisis de datos, la traducción de idiomas en tiempo real y la automatización administrativa”. Con el tiempo, se pueden adoptar usos más avanzados, como la identificación de patrones previamente indetectables, siempre que se cuente con los marcos de gobernanza adecuados, afirma Robbins. ## **No tener en cuenta los procesos existentes** **“A medida que comienza la ejecución de la IA, es crucial aplicar el mismo enfoque en repensar los procesos sobre cómo se realiza el trabajo”** , dice Lan Guan, director de IA de la empresa de TI y servicios profesionales Accenture. “Los líderes empresariales tienen un mayor sentido de urgencia para hacer que las cosas sucedan”, pero no tener en cuenta los procesos puede perjudicar los esfuerzos para escalar la IA a largo plazo. **“Debemos resistirnos a utilizar la IA para simplemente amplificar lo que ya está roto”.** Es de esperar que este problema se amplíe con la introducción cada vez mayor de la IA agencial orientada a la toma de decisiones en la empresa. ## **No establecer un retorno de la inversión demostrable** Comprar montones de soluciones de IA sin tener en cuenta el retorno de la inversión (ROI) de las compras es una buena forma de condenar las estrategias de IA. **“Muchas organizaciones se apresuraron a implementar la IA sin alinear sus estrategias con objetivos empresariales claros, lo que dificulta la medición del éxito”** , afirma Menon. “Esta falta de alineación dificulta el impacto a largo plazo y la optimización de los recursos”. Los líderes deben definir primero los beneficios esperados de la IA, asegurándose de que la estrategia apoya el crecimiento a largo plazo, afirma Menon. **“La IA es voraz. No puedes permitirte simplemente dedicar más recursos al problema y esperar lo mejor**. En su lugar, los líderes deben examinar cuidadosamente las implicaciones de costes de cada flujo de trabajo impulsado por la IA”. ## **Subestimar la importancia de medir los resultados** **LaIA sin medición es IA sin responsabilidad**, dice Pallath. “Un error fundamental que cometen las organizaciones es lanzar iniciativas de IA sin métricas de éxito claras”, dice. **“Sin marcos de medición sólidos, es imposible validar si los sistemas de IA están aportando un valor empresarial real o simplemente creando deuda técnica”.** La incapacidad de cuantificar el impacto socava tanto el rendimiento actual como las inversiones futuras, afirma Pallath. Las organizaciones deben establecer métricas claras antes de la implementación. “Haga un seguimiento tanto del rendimiento técnico como del impacto empresarial”, afirma. “Recuerde que lo que se mide se mejora, y solo el éxito medido de la IA puede replicarse y ampliarse”.

Enterprises are investing a lot of money in artificial intelligence tools, services, and in-house strategies. But unfortunately, big outlays don’t guarantee success. “AI is everywhere — transforming industries, reshaping workflows, and promising a future of limitless possibilities,” says Paul Pallath, vice president of applied AI at technology consulting firm Searce. “But for every AI success story, there’s a silent failure: expensive pilots that never scale, models that reinforce bias, and systems that become obsolete within months.” The difference between success and failure lies in how AI is implemented, governed, and sustained, Pallath says. “To get AI right, organizations must avoid the most common — and costly — missteps. Here are 11 ways organizations fail with AI, and suggestions of ways to address these pitfalls. ## Not including users in AI planning “The fastest way to doom an AI initiative? Treat it as a tech project instead of a business transformation,” Pallath says. “AI doesn’t function in isolation — it thrives on human insight, trust, and collaboration.” The assumption that just providing tools will automatically draw users is a costly myth, Pallath says. “It has led to countless failed implementations where AI solutions sit unused, misaligned with actual workflows, or met with skepticism,” he says. “AI must integrate seamlessly into workflows, align with employee responsibilities, and be supported by clear governance. Without buy-in, AI risks being underutilized or outright rejected, rendering investments ineffective.” Engage employees from the outset, involve them in AI’s development, and foster transparency, Pallath says. “Co-create governance frameworks that ensure AI aligns with business realities, empowering teams to trust, refine, and maximize its potential,” he says. “The key is building AI with your people, not despite them.” ## Neglecting to train and educate AI can have a bad reputation, with employees jittery about losing their jobs to machines. It’s up to leadership to ensure that people understand how and why their organizations are using AI tools and data. Without a workforce that embraces AI, “achieving real business impact is challenging,” says Sreekanth Menon, global leader of AI/ML at professional services and solutions firm Genpact. “This necessitates leadership prioritizing a digital-first culture and actively supporting employees through the transition.” To ease employee concerns about AI, leaders should offer comprehensive AI training across departments, Menon says. “By educating employees on how AI can improve their work, not just make it faster, organizations can foster a culture of curiosity and acceptance toward AI, which is crucial for success,” he says. “No single type of training will be appropriate for all staff that will be touched by AI,” says Douglas Robbins, vice president of engineering and prototyping at technology and research and development company MITRE Labs. “For example, hands-on developers will need a different level of AI understanding than those in acquisition.” IT leaders are not lost on the importance of AI training, as 95% believe AI projects will fail without staff who can effectively use AI tools. It’s just that only 40% of IT leaders say their organizations have formal AI training for employees, according to a recent survey from Pluralsight. ## Shortchanging the importance of an actionable AI roadmap Each organization’s path to AI maturity will be slightly different, Robbins says. “Develop an AI roadmap that documents the value proposition aligned to mission, as well as when, who, and how capabilities will be developed, tested, deployed, and sustained,” he says. While he was commenting about federal government agencies, the advice can apply to any organization. Reaching the necessary level of AI maturity to meet goals will be a multi-step process, Robbins says. “Focusing on both what worked and what barriers still exist will be vital to informing future efforts and guiding where to put resources to address potentially long-lead-time problems like policy or hiring,” he says. Broad categories that should be included in a roadmap for AI maturity include strategy and resources; organization and workforce; technology enablers; data management; ethical, equitable, and responsible use; and performance and application, Robbins says. ## Downplaying data management Having high-quality data is vital for AI success. “Without solid data foundations, AI adoption becomes nearly impossible,” Genpact’s Menon says. A recent Genpact and HFS Research survey of 550 senior executives shows that 42% think a lack of data quality or strategy is the biggest barrier to AI adoption. Poor data hygiene undermines AI success, Menon says. “Build a centralized data platform to organize and manage data coming from multiple sources,” Meno says. “This ensures high-quality, well-curated data to drive AI models successfully.” Subpar and inaccurate data “doesn’t just threaten decision-making; it can lead to regulatory mishaps,” adds Souvik Das, chief product and technology officer at financial software firm Clearwater Analytics. Companies need to establish a governance framework for data management. “Ad-hoc data management is out, and a structured framework is in, providing clarity and consistency in roles, responsibilities, and processes [such as] ensuring data is meticulously cleaned and access is controlled and compliant,” Das says. Data governance can be as tricky as it is vital, with lots of pitfalls to avoid. ## Assuming AI is a ‘set-it-and-forget-it’ solution AI isn’t a one-time deployment. “It’s a living system that demands constant monitoring, adaptation, and optimization,” Searce’s Pallath says. “Yet, many organizations treat AI as a plug-and-play tool, only to watch it become obsolete. Without dedicated teams to maintain and refine models, AI quickly loses relevance, accuracy, and business impact.” Market shifts, evolving customer behaviors, and regulatory changes can turn a once-powerful AI tool into a liability, Pallath says. Left unchecked, AI might produce outdated or even harmful results, eroding trust, revenue, and competitive edge, he says. “Build dedicated teams to monitor AI performance, automate updates, and refine models continuously,” Pallath says. “Treat AI as a living system — one that thrives on iteration, learning, and proactive governance to deliver sustained value. Success isn’t just about deployment — it’s about long-term commitment to excellence.” ## Ignoring responsible AI frameworks One of the most dangerous oversights in AI implementation is neglecting to establish robust ethical frameworks, Pallath says. “Without clear guidelines for responsible AI use, organizations risk deploying biased algorithms, mishandling sensitive data, or pursuing problematic use cases that can trigger regulatory penalties and reputation damage,” he says. Strong ethical frameworks aren’t constraints; they’re enablers that align AI initiatives with organizational values and stakeholder trust, Pallath says. “Build comprehensive responsible AI frameworks from day one,” he says. “Prioritize ethics, compliance, and transparency in every AI initiative. Responsible AI isn’t just about risk mitigation — it’s a competitive advantage that builds trust, credibility, and business resilience.” ## Overlooking the risks AI deployments, like any IT initiative, come with risks. Some of these involve cybersecurity and others relate to data integrity and privacy. “The lack of standardized ethical AI considerations creates challenges in managing potential risks associated with AI, such as biased algorithms and security breaches,” Menon says. “The repercussions of these issues can be severe, resulting in reputational damage and legal liabilities.” Enterprises need to take measures to protect AI data and ensure data privacy and integrity. “By establishing guardrails early on in accordance with the responsible AI principles and the organization’s beliefs and strategies, organizations can mitigate risks, foster trust with customers, distinguish themselves from competitors, and pave the way for long-term innovation.” ## Moving too quickly to deploy AI broadly Blanketing an organization with AI use cases without first testing out concepts and applications in a few select areas could result in failure. “Take a phased approach,” MITRE Labs’ Robbins says. “Start with simpler, low-intrusive applications and gradually advance to more complex and potentially intrusive uses. Early AI applications can assist in tasks like data analysis, real-time language translation, and administrative automation.” Over time, more advanced uses such as identifying previously undetectable patterns can be adopted, provided the governance frameworks are in place, Robbins says. ## Not taking existing processes into account “As AI execution starts, it’s crucial to apply the same focus on rethinking processes on how the work gets done,” says Lan Guan, chief AI officer at IT and professional services firm Accenture. “Business leaders have a heightened sense of urgency to ‘make things happen,’ but failing to look at processes can hurt efforts to scale gen AI over the long term. We must resist using AI to merely amplify what is already broken.” Expect this issue to magnify with decision-oriented agentic AI increasingly entering the enterprise. ## Not establishing demonstrable ROI Buying up scads of AI solutions without regard for return on investment (ROI) of the purchases is a good way to doom AI strategies. “Many organizations rushed AI implementation without aligning their strategies with clear business objectives, making it difficult to measure success,” Menon says. “This lack of alignment hinders long-term impact and resource optimization.” Leadership must first define the expected benefits of AI, ensuring that the strategy supports long-term growth, Menon says. “AI is power-hungry. You can’t afford to just throw more resources at the problem and hope for the best. Instead, leaders should carefully examine the cost implications of every AI-driven workflow.’ ## Underestimating the importance of measuring outcomes AI without measurement is AI without accountability, Pallath says. “A fundamental mistake organizations make is launching AI initiatives without clear success metrics,” he says. “Without robust measurement frameworks, it’s impossible to validate if AI systems are delivering real business value or just creating technical debt.” The inability to quantify impact undermines both current performance and future investments, Pallath. Organizations need to establish clear metrics before deployment. “Track both technical performance and business impact,” he says. “Remember that what gets measured gets improved, and only measured AI success can be replicated and scaled.”

MANILA, Philippines—Globe Business has partnered with Google and global cloud consulting firm Searce to launch Google Agentspace in the Philippines, aiming to help enterprises improve productivity and...

Singapore, Singapore--(Newsfile Corp. - April 25, 2025) - Spiking, a leading fintech innovator, has partnered with Searce to launch a cutting-edge software as a service (SaaS) solution on the Google Cloud Marketplace.This collaboration combines Spiking's financial analytics and Searce's technical consulting expertise. The result is TradeGPT, an advanced AI solution with Retrieval-Augmented Generation (RAG) capabilities, being made available on the Google Cloud Marketplace.Dr. Clemen Chiang, CEO...

Searce secara signifikan telah memperluas investasinya di Asia Tenggara.

Carsome telah mendigitalisasi industri mobil bekas sejak 2015.

ARTIFICIAL INTELLIGENCE (AI) adoption in the Philippines has gained ground and will continue to grow, driven by the country’s young and skilled workforce, according to technology consulting firm Searce. However, regulators and companies must put in place various safeguards to ensure the responsible use of AI-driven technologies. “There is traction in the adoption of AI […]

Searce, perusahaan konsultan teknologi modern yang didukung oleh AI dan para engineer handal, telah dinobatkan sebagai Google Cloud Country Partner of the ...

Menggandeng Google Cloud sebagai penyedia cloud utamanya, CARSOME menghadirkan pengalaman jual beli dan kepemilikan mobil yang lebih inovatif dan unik untuk ...

Miliki 150 pelanggan di Asean, tingkat akuisisi Searce 40%.

Miliki 150 pelanggan di Asean, tingkat akuisisi Searce 40%.

Miliki 150 pelanggan di Asean, tingkat akuisisi Searce 40%.

Miliki 150 pelanggan di Asean, tingkat akuisisi Searce 40%.

CARSOME telah jual 500 ribu mobil, bakal luncurkan layanan baru.