Amedida que la IA generativa juega un papel cada vez más relevante en nuestras vidas, a todos nos convendría desarrollar nuestros propios puntos de vista matizados sobre esta tecnología.

¿Cómo podemos entender qué están haciendo las personas con la IA? Hasta ahora, se han utilizado tres métodos principales:

1. Telemetría

Lo que hacen realmente los usuarios: los registros de uso a los que solo pueden acceder los propios LLM.

— Fortalezas: capta el comportamiento real, gran volumen de datos.

— Debilidades: se limita a plataformas individuales, excluye a usuarios que no han iniciado sesión y a quienes optan por no participar, carece de detalle contextual (debido a la privacidad) y es inaccesible para la mayoría de nosotros.

2. Encuestas

Lo que dicen los usuarios cuando se les pregunta.

— Fortalezas: permite preguntar cualquier detalle (por ejemplo, datos demográficos), es fácil de implementar.

— Debilidades: sesgo de autoselección, puede no reflejar el comportamiento real, bajo volumen de datos.

3. Escucha social

Lo que dicen los usuarios sin que se les pregunte.

— Fortalezas: veracidad (el anonimato proporciona seguridad psicológica), nivel de detalle, lo que más preocupa a las personas, reflexiones posteriores e impacto.

— Debilidades: bajo volumen de datos, sesgo hacia las fuentes, ausencia de datos demográficos.

Ningún método por sí solo lo captura todo. Pero, juntos, estos enfoques complementarios ayudan a formar una imagen funcional y útil de cómo mil millones de seres humanos ya están integrando la IA en su vida diaria.

Cuando distintos informes coinciden, probablemente haya una señal a la que conviene prestar atención. Y coinciden en muchas cosas.

No es sorprendente que el uso de los LLM esté creciendo rápidamente.

ChatGPT acaba de alcanzar aproximadamente 800 millones de usuarios activos semanales que, en conjunto, envían alrededor de 20 mil millones de mensajes por semana. Anthropic afirma que el 40% de los empleados reporta usar IA en el trabajo, el doble del porcentaje de hace apenas dos años.

Las tareas siguen una distribución de ley de potencia.

En una distribución de ley de potencia, unos pocos eventos son desproporcionadamente grandes, mientras que la mayoría son muy pequeños. OpenAI observa que el 78% de todos los mensajes encaja en sus tres categorías principales (orientación práctica, escritura y búsqueda de información). Anthropic señala que el 20% de las categorías de tareas representa el 87% del uso. En mi investigación, los 20 principales grupos de casos de uso representan más de la mitad del total de casos de uso. Esta concentración sugiere que los líderes deberían enfocar las inversiones en IA en un pequeño conjunto de casos de uso de alto impacto, en lugar de intentar hacerlo todo al mismo tiempo.

Usamos la IA de forma sustancial para escribir.

El informe de OpenAI indica que “la escritura es el caso de uso más común en el trabajo, y representa alrededor del 40% de los mensajes relacionados con el trabajo”. Anthropic en realidad no dice mucho sobre esto en su informe más reciente, pero en su informe de febrero de 2025, uno de los hallazgos principales fue que “el uso se concentra en el desarrollo de software y en tareas de redacción técnica”. Al menos 20 de los 100 principales casos de uso que analizo están directamente relacionados con la escritura. Esto tiene sentido, dado que el texto es el formato de salida que la IA generativa produce predominantemente. Dado cuánto domina la escritura el uso, las organizaciones podrían ver un retorno de inversión más rápido con herramientas que se mantengan más cerca de las palabras en presentaciones, informes y comunicaciones, que con aplicaciones más exóticas y ambiciosas.

El aprendizaje y la educación son una categoría importante.

Para Anthropic, el uso relacionado con educación creció de 9.3% a 12.4%. Para OpenAI, alrededor del 10% de todos los mensajes de ChatGPT son solicitudes de tutoría o enseñanza. En mi investigación, el 20% de mis casos de uso pertenece al grupo de aprendizaje y educación, lo cual no resulta sorprendente, dado que se trata de una tecnología “inteligente” diseñada para una especie cognitivamente avanzada, curiosa y neoténica.

La ampliación ya está aquí y la automatización está en camino.

Para Anthropic, las conversaciones directivas (automatización) pasaron del 27% al 39% en ocho meses, y entre las transcripciones de APIs empresariales, el 77% ya está dominado por la automatización. Para OpenAI, en el trabajo la mayoría de las tareas (56%) son de ejecución (en lugar de expresión o consulta). En las plataformas sociales que observo a diario, estoy viendo más publicaciones que nunca sobre el uso de agentes de IA.

E

n la década de 1930, los ejecutivos del sistema Bell se dieron cuenta de que el creciente uso de los teléfonos pronto crearía desafíos de red tan complejos que sobrepasarían la capacidad de los interruptores mecánicos para mantenerse al día. Así que lanzaron una iniciativa para crear los transistores como una alternativa más rápida y mucho más barata.

A partir de la década de 1960, con la idea de la “oficina sin papel”, ha habido esfuerzos similares para abordar los retos relacionados con el flujo masivo de documentos en las organizaciones. La digitalización mejoró significativamente nuestra capacidad para gestionar ese flujo cada vez mayor, pero todavía hay una gran cantidad de papel circulando dentro y entre las organizaciones, y los documentos electrónicos siguen siendo, en gran medida, producidos, editados y procesados por personas. La promesa de la IA, especialmente de los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), es que pueden hacerse cargo de esas tareas.

Para comprender cómo podría suceder esto en la práctica, dos de nosotros (Peter Cappelli y Valery Yakubovich) estudiamos una iniciativa de una gran compañía de seguros médicos estadounidense que introdujo IA para procesar la organización de documentos y la extracción de información de los mismos como primer paso en el proceso de reembolso, en el otoño de 2024. Para obtener el permiso, tuvimos que comprometernos a no identificar a la aseguradora. El trabajo real de procesamiento de documentos se realizaba en las instalaciones por un proveedor, Ricoh, una empresa de servicios digitales que desempeñó el papel principal en el esfuerzo de implementación de IA. Dos de nosotros (Braj Thakur y Ashok Shenoy) participamos activamente en ese proyecto. Esta empresa no utilizaba la IA para tomar decisiones sobre la aprobación o denegación de las reclamaciones.

Estas son las lecciones generalizables que obtuvimos de este esfuerzo.

1. El objetivo no debe ser la automatización, sino realizar el trabajo de una manera rentable.

Actualmente existe una amplia gama de herramientas basadas en LLM disponibles, con diferentes capacidades, algunas de ellas muy sofisticadas. El equipo de desarrollo descubrió que una de las herramientas más avanzadas podía realizar una buena labor de extracción y clasificación. Sin embargo, resultó ser tan costosa que hacía inviable la solución.

Para reducir costos, el equipo decidió usar el modelo Claude LLM de Anthropic, pero los cargos de Amazon Web Services (AWS), el proveedor de servicios en la nube que ofrecía las herramientas necesarias, resultaron ser demasiado altos debido a los costos de almacenamiento y potencia de cómputo. En resumen, incluso un LLM eficiente no sirve si no es más barato que aquello que pretende reemplazar.

Otro intento consistió en enviar al modelo de IA generativa aquellos documentos que no habían sido clasificados o cuyos datos no habían sido extraídos correctamente, en lugar de devolverlos a los empleados. Un hallazgo importante fue una herramienta que capturaba campos a lo largo de múltiples páginas de un documento, pero los procesaba como una sola imagen, lo que reducía considerablemente los costos (que se calculan por imagen). Los documentos que no se procesaban con precisión se enviaban para una última revisión a una herramienta de IA más costosa.

Finalmente, algunos documentos aún tenían que enviarse a los indexadores para ser retrabajados (2.7% en comparación con casi el 90% antes de cualquier intervención), un enfoque conocido como “intervención humana”. Sin embargo, para identificar este pequeño número de errores, los indexadores debían revisar el 27% de los documentos en los que el modelo de IA generativa tenía menos del 97% de confianza en su clasificación.

En conjunto, la productividad aumentó tres veces, y el volumen máximo diario pasó de 10,000 a 30,000 documentos. El tiempo promedio por documento para un indexador ahora representaba solo el 10% del nivel previo, y el total de documentos procesados por día se triplicó.

2. Una aplicación exitosa de IA puede no significar menos empleos.

Como resultado del proceso asistido por IA, el número de indexadores solo se redujo aproximadamente un 20%. Ahora que la función procesa un volumen mucho mayor de apelaciones y quejas, su plantilla es casi la misma que antes del cambio. Esto contradice la suposición de muchos entusiastas de la automatización de que los ahorros al adoptar IA provienen de recortes o eliminaciones totales de personal.

El objetivo debe ser el resultado final (calidad, costo, eficiencia), no la reducción de la fuerza laboral en sí misma. Resultó que los empleados seguían siendo necesarios en la función de reclamaciones, aunque no para la tarea repetitiva de ingreso inicial de datos. Eran necesarios para resolver problemas que incluso las herramientas de IA más avanzadas no podían manejar, como datos faltantes o ilegibles, formularios nuevos con formatos diferentes que la lógica difusa y los modelos generativos no podían procesar, y otras particularidades.

Este nuevo proceso impulsado por IA también creó una nueva tarea humana: el control de calidad, que consiste en muestrear y revisar los resultados del sistema. Esto es especialmente necesario porque el formato en el que llegan los datos cambia constantemente entre la amplia gama de proveedores y clientes que los envían, lo que plantea desafíos de ejecución y calidad.

3. La IA puede hacer que los empleados se enfoquen en trabajos de mayor valor.

Las mejoras en la calidad de los datos, a medida que los documentos pasaban del manejo inicial y la entrada de datos a las etapas más sustantivas del procesamiento de reclamaciones de seguros, ahorraron una enorme cantidad de tiempo y esfuerzo más adelante. El trabajo de los indexadores cambió de las tareas repetitivas de ingreso de datos (que resultaban tan aburridas) a la tarea más interesante de detectar errores y encontrar soluciones. Este cambio redujo la rotación de personal y mejoró la satisfacción laboral. La empresa descubrió que cuanto más experimentados eran los indexadores, mejor eran para encontrar y corregir errores.

4. Los ahorros provienen de los aumentos de escala que se hacen posibles gracias a una mayor productividad y calidad.

Los ahorros provinieron de dos factores. El primero, el aumento de escala: el sistema ahora procesa aproximadamente tres veces más documentos por indexador. El segundo, la calidad: menos errores en el procesamiento de reclamaciones, lo que reduce los costos operativos en otras áreas. El número de apelaciones, quejas y solicitudes de seguimiento sigue creciendo, pero no el número de empleados, por lo que los ahorros provienen de distribuir los costos operativos entre más documentos procesados.

5. Involucrar a los empleados que han desempeñado la función en el proyecto de IA es esencial.

La integración exitosa de la IA en los procesos laborales requiere sin duda la ayuda de expertos que ya hayan hecho esto antes, pero trabajar con los empleados directamente involucrados también es esencial. Incluso con la participación de ocho científicos de datos, analistas y expertos en automatización con experiencia, la implementación descrita en este artículo estuvo lejos de estar “lista para usarse”. Entrenar las herramientas de lógica difusa y de IA requirió coordinación con lo que los indexadores veían realmente en los documentos que llegaban. Fueron necesarias dos iteraciones en un periodo de tres meses para lograr que el sistema funcionara correctamente.

La lección duradera de las innovaciones tecnológicas, incluida la IA generativa, es que las promesas iniciales de ahorros de costos y eliminación de puestos de trabajo suelen superar la realidad. El éxito de la IA generativa no radica en transformar la gestión o en recortar personal, sino en mejorar las tareas de manera rentable.

E

l lanzamiento del modelo R1 de DeepSeek a finales de enero de 2025 provocó un fuerte descenso de las valoraciones del mercado en toda la cadena de valor de la IA, afectando tanto a los desarrolladores de modelos como a los proveedores de infraestructura. Los inversionistas vieron en R1 un competidor poderoso (y económico) frente a los modelos de IA estadounidenses, lo que puso en duda las proyecciones de crecimiento extraordinario que habían justificado las valuaciones elevadas. Sin embargo, para aquellos que han estado atentos, la llegada de DeepSeek (o algo parecido) era inevitable.

Aun así, este es un momento útil para reflexionar sobre hacia dónde se dirige la IA. Más que considerar a DeepSeek R1 como un punto de inflexión, es más útil verlo como un indicador de dónde estamos realmente ahora, y un presagio de lo que está por venir.

He aquí cinco lecciones que los líderes empresariales deberían extraer de este momento.

1. Del reconocimiento de patrones a la resolución de problemas

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) se robaron el protagonismo en 2023 y 2024, pero en 2025 quedaremos asombrados por los sistemas de IA capaces de razonar, planificar y operar de manera autónoma. Esto se debe a que dos tendencias interrelacionadas dominarán el panorama de la IA este año: el auge de los modelos de razonamiento y la llegada de agentes de IA listos para el uso generalizado. Estas capacidades dependen en gran medida del aprendizaje por refuerzo (RL, por sus siglas en inglés), un método para entrenar a un agente inteligente para que tome una secuencia de decisiones óptimas. Piense en ello como aprender a jugar un videojuego: Cuando acierta en el blanco, salta sobre un abismo o adivina una palabra, gana puntos. A medida que juega, aprende a realizar acciones que son recompensadas.

La última generación de modelos, como GPT-4, era asombrosa para identificar patrones: Se entrenaban con enormes volúmenes de información, la contextualizaban y nos dejaban sin palabras con sus predicciones precisas del siguiente término en una conversación.

DeepSeek R1 es un modelo de razonamiento gratuito, al igual que los modelos ChatGPT o3-mini de OpenAI y Copilot o1 de Microsoft. Estos modelos representan un cambio crucial de la simple predicción de la siguiente palabra a la resolución metódica de problemas que se basa en gran medida del aprendizaje por refuerzo. Gracias a esta capacidad de razonamiento, estos modelos pueden desempeñarse mucho mejor que sus predecesores en tareas específicas, como resolver problemas matemáticos.

Con la capacidad de desglosar y razonar los problemas, los agentes de IA son capaces de aprender a navegar dinámicamente por flujos de trabajo complejos, adaptándose a nueva información a medida que surge en el proceso de realización de tareas, en lugar de limitarse a scripts rígidos y predefinidos. Esto es justo lo que hacemos los humanos en nuestro trabajo diario, como cuando los agentes de servicio al cliente responden consultas, los empleados administrativos organizan horarios y planifican viajes, o los analistas de datos recopilan información, la analizan y redactan un informe.

2. El punto de inflexión económico de la IA

Uno de los grandes titulares en torno a DeepSeek R1 es su supuesto costo de desarrollo de 5.5 millones de dólares. Esta cifra es engañosa. Probablemente solo refleje el costo de una única prueba de entrenamiento, sin incluir los gastos de infraestructura, ingeniería e implementación. Una cifra total que incluyera esos gastos sería mucho más alta, aunque significativamente inferior a las estimaciones de los costos de desarrollo de OpenAI, Anthropic, Google y otros modelos con los que compite R1.

En lugar de centrarnos únicamente en estas cifras, deberíamos prestar más atención a los costos de inferencia, es decir, los gastos asociados al uso real de los modelos una vez que han sido entrenados. El entrenamiento requiere una inversión inicial sustancial, pero los costos de inferencia son cruciales para las aplicaciones empresariales. DeepSeek R1 y otros modelos recientes, incluida la serie de modelos Llama de Meta, han logrado reducciones significativas en estos costos.

Por regla general, la caída de los precios tiende a estimular la competencia y a impulsar la adopción por parte de los usuarios. Basta pensar en la caída de los precios ajustados al rendimiento en mercados de productos electrónicos (teléfonos inteligentes, televisores, ordenadores portátiles) impulsada por el aumento de la eficiencia en la producción de semiconductores. Esta es la Ley de Moore, que impulsa la caída de los precios y el aumento de las tasas de adopción de demasiados productos finales. Lo mismo está sucediendo en la IA.

3. La IA de código abierto y la propietaria coexistirán

Una de las razones por la que deberíamos haber anticipado un desarrollo como DeepSeek R1 es la lógica económica del software de código abierto. Históricamente, los proyectos de código abierto han desafiado a las soluciones propietarias al reducir significativamente los costos, como sucedió con Unix/Linux en la informática empresarial, Android en los sistemas operativos móviles, MySQL en las bases de datos y, por supuesto, Llama en la IA. La ventaja en costos del software de código abierto está bien documentada. Era predecible que la IA siguiera una trayectoria similar.

Las empresas como OpenAI, Alphabet y Anthropic siguen estando a la vanguardia en cuanto a capacidades multimodales, seguridad (parece fácil vulnerar DeepSeek R1) y otros puntos de referencia. Aun así, los modelos de código abierto como DeepSeek R1 han reducido la brecha en el razonamiento basado en texto y han demostrado una eficiencia notable. Su potencial para aplicaciones empresariales se refleja en la decisión inmediata de Microsoft de integrar DeepSeek R1 en Azure. Dado su menor costo y mayor flexibilidad, los modelos abiertos como DeepSeek R1 serán muy atractivos para los usuarios, al igual que los modelos de lenguaje más pequeños como Phi-4 de Microsoft, que han demostrado un gran rendimiento en muchos casos de uso.

Por ahora, todo apunta a un mercado con una amplia gama de participantes, en lugar de un escenario donde un solo actor domine casi todo.

4. La escasez de chips impulsa la innovación algorítmica

Otro aspecto de la reacción ante DeepSeek R1 se ha centrado en la “sorprendente” noticia de que China parece haber alcanzado a Estados Unidos en cuanto a modelos de IA de vanguardia. Las restricciones estadounidenses a la exportación pretendían limitar el acceso chino a los semiconductores más avanzados y preservar el liderazgo estadounidense en la investigación de IA. El hecho de que este enfoque no haya tenido un éxito total no debería ser una gran sorpresa. La necesidad es la madre de la invención. Las limitaciones de chips han llevado a los investigadores chinos a priorizar la eficiencia algorítmica sobre la potencia bruta de cálculo, una estrategia que podría resultar profética a medida que se dispara el consumo de energía de los centros de datos.

5. DeepSeek R1 no lo cambió todo

Dicho todo esto, los principales laboratorios de IA y los gigantes tecnológicos de Occidente (incluidos Microsoft, Meta, Alphabet y Amazon) seguirán invirtiendo a niveles vertiginosos, asegurando que la demanda de GPU e infraestructura de IA de última generación siga siendo alta. Los modelos abiertos no reemplazarán por completo a los propietarios, y es probable que sigamos viendo un consumo inmenso de recursos computacionales en el entrenamiento e inferencia de modelos. Como resultado, la carrera por desarrollar los sistemas de IA más avanzados continuará impulsando la demanda de chips de alto rendimiento e infraestructura en la nube a gran escala, a pesar de que en estos momentos los costos de inversión superan con creces los ingresos de muchas empresas del sector.

Además, los grandes compradores de infraestructura de Occidente están indudablemente preocupados por el riesgo de suministro, ya que la mayoría de los semiconductores avanzados se fabrican en una planta de TSMC ubicada en Taiwán.

Podría decirse que el ritmo del avance de la IA, así como la importancia social y económica de este conjunto de tecnologías, no tiene precedentes históricos. Con el aprendizaje por refuerzo que permite avances en los modelos de razonamiento y los agentes de IA, que a su vez darán lugar a innumerables aplicaciones nuevas, 2025 estará repleto de momentos “DeepSeek”. Se esperan avances continuos, un aumento de los casos de uso en el mundo real y el verdadero inicio de una transformación económica a escala sísmica.