¿Su empresa debería utilizar un modelo de IA generalista o especializado?
L
a sabiduría predominante en inteligencia artificial sugiere que los modelos más grandes ofrecen mejores resultados. En nuestro trabajo para compañías de seguros de salud y administradores externos de planes de salud, hemos descubierto que esta suposición se sostiene en muchos casos, pero se desmorona cuando la IA pasa de tareas generales a dominios profesionales especializados.
En este artículo compartimos lo que hemos aprendido sobre cómo los ejecutivos que evalúan inversiones en IA para aplicaciones profesionales de resolución de problemas deben decidir entre modelos de IA generalistas y modelos especializados.
Cuando la escala ofrece el mayor valor
Las ofertas de IA generativa más conocidas como ChatGPT, Claude y Gemini, se basan en modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) y otras tecnologías de IA que se entrenan con texto e imágenes provenientes de innumerables dominios, y por lo tanto parecen capaces de responder prácticamente cualquier pregunta imaginable.
En contraste, los modelos de IA generativa especializados no solo comprenden qué información recuperar, sino también cómo opera esa información dentro del marco de toma de decisiones de un dominio específico. Estas tecnologías de IA generativa agregan datos de entrenamiento altamente contextualizados y metodologías a las capacidades fundamentales de las tecnologías de IA generalistas.
Una arquitectura híbrida como camino hacia el futuro
Nuestra experiencia sugiere que el futuro de la implementación de IA generativa empresarial radica no solo en elegir entre modelos generalistas y especializados, sino también en estrategias de implementación híbrida bien pensadas. Los enfoques más eficaces aprovechan los modelos generalistas para las tareas en las que se destacan, mientras dependen de proveedores especializados para el razonamiento y la toma de decisiones específicas del dominio.
Cómo elegir un proveedor de IA y evitar errores comunes
Dado el buen desempeño que tienen actualmente los mayores LLM en tareas que no son críticas para la misión, es difícil que los líderes empresariales cometan errores graves al elegir entre ellos para tales propósitos. Sin embargo, eso no ocurre cuando se evalúan modelos de IA más especializados. Hemos desarrollado varias preguntas clave que los líderes empresariales pueden formular durante las evaluaciones de proveedores de IA especializada para evitar los errores más comunes:
— ¿Puede el proveedor demostrar claramente la lógica detrás de su IA y hacer que su razonamiento sea transparente?
La pregunta crítica no es si la IA puede procesar información más rápido que los humanos, sino si puede usar esa información de maneras en que sus principales expertos en el dominio puedan confiar, comprender y aprovechar. Busque soluciones que integren marcos de juicio profesional, no solo árboles de decisión, y que puedan explicar por qué priorizan ciertas evidencias.
— ¿El proveedor mantiene una colaboración continua con expertos en su campo? ¿Cómo maneja las prácticas en evolución?
Esto requiere una profunda colaboración entre los desarrolladores de IA y los expertos del dominio, no solo para recopilar datos de entrenamiento, sino también para comprender los marcos subyacentes que guían la toma de decisiones profesionales. Esta pregunta garantiza que su proveedor pueda adaptarse conforme cambian los estándares profesionales, mientras mantiene acceso a la experiencia en el dominio que impulsa la mejora continua.
— ¿La solución propuesta por el proveedor puede abordar la integración entre dominios y la expansión de alcance, o su oferta solo funcionará como una solución puntual?
La clave para captar todo el potencial de la IA radica en comprender y abordar las barreras organizacionales y culturales que enfrentan las iniciativas de IA, en lugar de simplemente desplegar modelos generales más potentes. Esta pregunta ayuda a los líderes a elegir proveedores que anticipan cómo se interconectan las decisiones profesionales entre dominios, y que amplíen sus capacidades conforme evolucionan las necesidades de la organización.
En entornos empresariales de alto riesgo, la experiencia especializada supera a la inteligencia general. Nuestro recorrido desarrollando IA específica para el sector salud nos enseñó que el camino hacia una IA profesional efectiva no radica simplemente en elegir modelos más grandes, sino también en seleccionar soluciones más inteligentes que comprendan cómo piensan, deciden y actúan realmente los profesionales.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
The prevailing wisdom in artificial intelligence suggests that bigger models yield better results. In our work for health insurance companies and third-party administrators of health plans, we’ve discovered that this assumption holds in many cases but breaks down when AI moves from general tasks to specialized professional domains.
In this article we share what we have learned about how executives evaluating investments in AI for professional problem-solving applications should decide between generalist AI models and specialized ones.
WHEN SCALE DELIVERS THE GREATEST VALUE
Well-known generative AI offerings like ChatGPT, Claude and Gemini are built on large language models (LLMs) and other AI technologies that are trained on text and images from countless domains and therefore seem capable of answering almost any question imaginable.
In contrast, specialized generative AI models understand not just what information to retrieve but also how that information operates within a specific domain’s decision-making framework. These generative AI technologies add highly contextualized training data and methodologies to the core capabilities of generalized AI technologies.
HYBRID ARCHITECTURE AS THE PATH FORWARD
Our experience suggests that the future of enterprise generative AI implementation lies not only in choosing between generalist and specialized models but also in thoughtful hybrid implementation strategies. The most effective approaches leverage generalist models for tasks they excel at while relying on specialized vendors for domain-specific reasoning and decision-making.
HOW TO CHOOSE AN AI VENDOR AND AVOID COMMON PITFALLS
Given how well today’s biggest LLMs perform across less-mission-critical tasks, it’s hard for business leaders to make grave errors when choosing among them for such purposes. That’s not the case when evaluating more specialized AI models, however. We’ve developed several key questions business leaders can ask during specialized AI vendor evaluations to avoid the most common pitfalls:
CAN THE VENDOR CLEARLY DEMONSTRATE THE LOGIC BEHIND ITS AI AND MAKE ITS REASONING TRANSPARENT?
The critical question isn’t whether AI can process information faster than humans but whether it can use that information in ways that your key domain experts can trust, understand and build upon. Look for solutions that embed professional judgment frameworks, not just decision trees, and can explain why they prioritize specific evidence.
DOES THE VENDOR MAINTAIN ONGOING COLLABORATION WITH DOMAIN EXPERTS IN YOUR FIELD? HOW DOES IT HANDLE EVOLVING PRACTICES?
This requires deep collaboration between AI developers and domain experts — not just to gather training data but also to understand the underlying frameworks that guide professional decision-making. This question ensures your vendor can adapt as professional standards change, while maintaining access to the domain expertise that drives continuous improvement.
CAN THE VENDOR’S PROPOSED SOLUTION ADDRESS CROSS-DOMAIN INTEGRATION AND SCOPE EXPANSION, OR WILL ITS OFFERING ONLY FUNCTION AS A POINT SOLUTION?
The key to capturing AI’s full potential lies in understanding and addressing the organizational and cultural barriers that AI initiatives face, rather than simply deploying more powerful general-purpose models. This question helps leaders choose vendors that anticipate how professional decisions interconnect across domains and ones that expand their capabilities as an organization’s needs evolve.
In high-stakes enterprise environments, specialized expertise trumps general intelligence. Our journey building healthcare-specific AI taught us that the path to effective professional AI lies not in simply choosing bigger models but also in selecting smarter solutions that understand how professionals actually think, decide and act.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
