La madurez en el uso de Inteligencia Artificial, más allá de radicar en la elección de un modelo (normalmente el más popular), dependerá de entender qué tarea merece un modelo general, uno especializado o una combinación.
A veces tengo la impresión de que la Inteligencia Artificial (IA) en las empresas es una suerte de carrera para encontrar “el modelo bueno”; esto es, el más potente, el más nuevo, el que todos mencionan en LinkedIn, el que promete razonar mejor, escribir mejor, programar mejor o resolver casi cualquier cosa con una ventana de contexto cada vez más grande. Y sí, los modelos fundacionales cambiaron el juego, pero en la operación diaria de una empresa, la pregunta que debemos hacernos es si ¿realmente necesitamos usar el mismo modelo para todo?
Y la respuesta corta es “no”.
Los modelos fundacionales son como esos consultores generalistas que pueden entrar a casi cualquier junta, entender rápido el contexto y aportar una respuesta razonable. Son flexibles, amplios y muy útiles para tareas abiertas como análisis, síntesis, generación de ideas, redacción, programación, exploración de escenarios; no obstante, es claro que también tienen límites conocidos, ya que pueden ser costosos para ciertas tareas, sobredimensionados para otras y, en algunos casos, demasiado generales para resolver con precisión problemas de dominio.
Y, aquí es donde entran los modelos especializados. Uno financiero, uno logístico, uno legal, uno de transporte, uno médico, uno industrial. La verdad, no necesariamente son más espectaculares, pero pueden ser más útiles cuando el problema tiene reglas, vocabulario, datos y criterios muy particulares. Dicho en otras palabras, no siempre necesitas al cerebro más grande de la sala, sino que necesitas al especialista que sí entiende el proceso.
Pensemos por ejemplo en cuando pasamos del chatbot al agente. Un agente de IA no solo responde, sino ejecuta. Consulta sistemas, interpreta documentos, genera tickets, revisa inventarios, sugiere acciones, prepara reportes o detona flujos; esto hace que la elección del modelo no sea solo un detalle técnico sino una decisión operativa. Si el agente va a tocar procesos sensibles, conviene preguntarse qué modelo debemos usar, para qué tarea, con qué nivel de precisión, bajo qué costo y con qué controles.
Otra idea en la que me gusta enfocar el tema es que la IA empresarial empieza a parecerse menos a una sola herramienta y más a una caja completa de expertos; es decir, para analizar un requerimiento simple, quizá convenga un modelo generalista; pero, para diseñar arquitectura, requerimos otro más específico; y para escribir código, uno más. Y así podemos pensar en ideas concretas como hacer testing, documentar, revisar cumplimientos o riesgos. Por eso es fundamental entender que la eficiencia no está en usar siempre el modelo más poderoso, sino en dividir bien el proceso.
Por eso los model hubs se están volviendo tan interesantes, ya que funcionan como una especie de app store de modelos con espacios donde se pueden encontrar, comparar y usar modelos con capacidades específicas. La lógica tiene que ver con que, así como nadie espera que una sola aplicación resuelva edición de video, contabilidad, mensajería, diseño y ciberseguridad, tampoco deberíamos esperar que un solo modelo de IA sea la mejor opción para todo.
El problema es que esto exige una nueva madurez en TI, y ya no basta con “saber usar IA”. Para este cambio de “chip” es necesario saber enrutar tareas, pues tenemos que diseñar arquitecturas que permitan cambiar de modelo sin rehacer toda la operación. Tenemos que medir desempeño, costo, latencia, seguridad, precisión y trazabilidad. Y, sobre todo, más vale evitar casarse con una tecnología en un mercado donde cada semana aparece algo nuevo.
“One size does not fit all” suena a frase de presentación corporativa, pero en IA empieza a ser una regla práctica. No todas las áreas necesitan el mismo modelo. No todos los agentes deben pensar igual. No todas las tareas justifican el mismo costo. Y no todos los procesos toleran el mismo margen de error.
Pienso ahora que la ventaja competitiva no estará en tener acceso al último modelo, sino en saber cuándo usarlo y cuándo no; esto implica entender que la IA empresarial será modular, combinable y especializada. Una arquitectura de modelos, agentes y controles donde cada pieza cumpla una función clara.
Add a Comment