A

medida que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) continúan avanzando a un ritmo vertiginoso, muchos líderes empresariales siguen debatiéndose sobre cómo poner en práctica esta tecnología. Por un lado, buscan áreas en las que estas herramientas de IA generativa puedan demostrar rápidamente su valor. Por otro, quieren sentar las bases para una transformación de mayor escala y a largo plazo.

La IA se está convirtiendo en una parte natural de todo lo que hacemos y en un elemento intrínseco de cada faceta del negocio, integrándose de manera fluida en diversos procesos para mejorar la eficiencia y la innovación. Un área prometedora que puede ofrecer tanto un impacto inmediato como ayudar a sentar las bases es la búsqueda y recuperación de información impulsada por LLM. Se trata de un enfoque que puede cambiar radicalmente la forma en que las empresas interactúan con sus propios datos para obtener información, generar nuevas ideas y tomar mejores decisiones.

Aunque los desafíos persisten y pueden seguir evolucionando con el tiempo, no hay duda de que la transición hacia la búsqueda y recuperación habilitadas por LLM e IA generativa continuará. Para hacerlo de manera eficaz, las organizaciones deben seguir varios pasos:

1. Definir claramente los casos de uso.

Colabore entre los equipos de negocio que definen los requerimientos y los equipos técnicos o proveedores responsables de construir y desplegar las soluciones, con el fin de alinearse en una solución con resultados claramente medibles que permitan su evaluación más adelante.

2. Establecer procesos de admisión (intake) que consideren tanto el riesgo como el valor.

Considere no solo el ROI del caso de uso, sino también la sensibilidad de los datos que se están utilizando, el daño potencial de la aplicación y los usuarios previstos al priorizar en qué casos de uso invertir. Incorpore un enfoque por niveles de riesgo para evaluar los casos de uso.

3. Invertir en prácticas relacionadas con la recopilación, prueba y validación de datos para disponer de información real eficaz.

Reconozca que el uso eficaz de los LLM, especialmente aquellos utilizados en tareas de búsqueda y recuperación, sigue necesitando una base sólida de datos sobre la cual operar. Por lo tanto, los esfuerzos de transformación de datos deben continuar, manteniendo el foco tanto en la calidad de los datos que alimentan los modelos como en los flujos de trabajo generales para obtener, etiquetar, almacenar, acceder y procesar los datos, que son clave.

4. Incorporar prácticas de prueba estandarizadas.

Las evaluaciones ad hoc tienen un alcance limitado. Alinéese con un proceso estándar de desarrollo de modelos, respaldado por guías prácticas (playbooks) y prácticas de prueba predefinidas para habilitar sistemas de calidad, resilientes y bien probados.

5. Establecer capacidades de supervisión.

Tenga en cuenta que las cosas cambian: los datos cambian, la forma en que los usuarios interactúan con los sistemas cambiará, la tecnología cambia y lo que se puede necesitar de los sistemas cambia con el tiempo. Reconozca que estos sistemas deben supervisarse para asegurar un rendimiento continuo. Además, es necesario determinar métricas para que exista algo (y alguna forma) que monitorear.

6. Desplegar programas de capacitación, concientización y comunicación.

Dotar a sus colaboradores del conocimiento necesario para construir, desplegar y aprovechar de manera eficaz y responsable las herramientas de IA generativa es tan importante como la infraestructura técnica y los controles de gestión de riesgos que deben implementarse. Identifique las necesidades de aprendizaje y concientización relacionadas con la IA generativa en toda su organización y lance programas de capacitación y comunicación personalizados.

Es probable que la búsqueda siga siendo una aplicación dominante para los LLM y la IA generativa multimodal durante algún tiempo. Sin embargo, estos sistemas aún requieren datos efectivos, herramientas adecuadas y una gobernanza sólida para operar de manera eficaz y a gran escala. La IA responsable y las prácticas de gobernanza asociadas deben sustentar todo el despliegue de la IA. Dada la rapidez con la que cambia el panorama tecnológico, considere los casos de uso en función del impacto y el riesgo, e invierta en funciones subyacentes que le permitan escalar de manera responsable en una multitud de áreas.

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.

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.

E

n las primeras etapas de la innovación, las empresas enfrentan un dilema familiar: ¿Qué ideas merecen más inversión? La solución tradicional, la investigación de mercado centrada en el ser humano, puede proporcionar ideas valiosas, pero a menudo es lenta, costosa y limitada en alcance. Ahora, la IA generativa ofrece una nueva y fascinante herramienta: usuarios sintéticos.

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), como ChatGPT y Gemini, han captado la atención por su capacidad para generar contenido e ideas. Pero una frontera menos explorada es su potencial para simular respuestas de clientes ante conceptos de productos y características. Nuestra investigación muestra que los LLM, usados con cuidado, pueden funcionar como grupos focales sintéticos, generando información temprana sobre las preferencias del cliente en una fracción del tiempo y costo de los estudios realizados con humanos.

De generador de texto a simulador de mercado

Los LLM se entrenan con enormes conjuntos de datos que incluyen reseñas de productos, discusiones y patrones de comportamiento expresados en lenguaje natural. Esto los hace sorprendentemente hábiles para responder preguntas estructuradas basadas en opciones sobre productos.

En nuestros estudios, utilizamos un programa para solicitar directamente a los LLM comparaciones de productos que imitan encuestas de investigación de mercado realizadas con humanos.

Para evaluar las respuestas de los LLM, también realizamos estos estudios de análisis conjunto con muestras humanas. ¿Los resultados? Los LLM produjeron preferencias realistas y direccionalmente precisas para muchos atributos conocidos.

En múltiples categorías de productos, los LLM generaron consistentemente clasificaciones de preferencias que se alineaban con los resultados obtenidos de humanos. Como herramienta de prueba previa, el potencial es claro: los LLM pueden identificar ideas débiles desde el principio y priorizar direcciones prometedoras antes de que comience la investigación formal.

Pero existen límites, y son importantes

A pesar de estos resultados prometedores, los LLM “listos para usar” no son simuladores perfectos. De hecho, tienden a sobreestimar el interés en características novedosas o inusuales.

Los LLM están preentrenados, y sin datos adicionales proporcionados por el investigador o acceso a internet, pueden revelar preferencias estáticas y no ajustarse dinámicamente a las condiciones actuales del mercado, proporcionando así información irrelevante.

Usando nuestras metodologías, actualmente los LLM pueden aproximarse a señales promedio del mercado, pero no pueden ofrecer información específica por segmento. Para cualquier cosa más allá de la detección de tendencias generales en etapas tempranas, la investigación humana sigue siendo esencial.

El poder de los datos propios

Uno de los hallazgos más contundentes de nuestra investigación es cuán mejor funcionan los LLM cuando se afinan con los datos históricos de clientes de una empresa.

El afinamiento implica ajustar los parámetros del modelo basándose en estas respuestas de encuestas pasadas. Este proceso mejora la capacidad del LLM para simular preferencias humanas, incluso para características que no ha visto antes.

Las empresas que construyen y afinan sus propios “simuladores de clientes” internos usando LLM y datos históricos de encuestas pueden desbloquear perspectivas más precisas en etapas tempranas.

Costo, velocidad y el embudo de innovación ampliado

Los estudios tradicionales de análisis conjunto pueden costar decenas de miles de dólares y tomar semanas en diseñarse, ejecutarse y analizarse. Nuestros estudios basados en LLM se realizaron en cuestión de horas, a una fracción del costo. Pudimos generar miles de respuestas simuladas e iterar rápidamente.

Esta velocidad permite un proceso de innovación diferente. En lugar de desarrollar solo unas pocas ideas para probar, los equipos ahora pueden explorar docenas, o incluso cientos, de conceptos iniciales, empleando usuarios sintéticos como filtro.

Aumento, no reemplazo

Es tentador imaginar un futuro en el que los usuarios sintéticos reemplacen por completo a la investigación humana. Ese futuro aún no ha llegado, y puede que nunca lo haga.

Aunque los LLM pueden generar conocimientos iniciales creíbles, todavía carecen del matiz, la inteligencia emocional y la variabilidad de las personas reales.

Si se usan de manera responsable, los LLM deben aumentar, no reemplazar, la investigación de mercado.

H

oy en día, tenemos acceso a más información que nunca. YouTube y TikTok pueden proporcionarnos oportunidades de aprendizaje en profundidad de forma gratuita. Los modelos de lenguaje de gran tamaño como ChatGPT y Gemini han demostrado que pueden responder casi cualquier pregunta que se le ocurra con un nivel de precisión cada vez mayor.

Con tantos datos al alcance de la mano, cada vez más personas empiezan a preguntarse: ¿Por qué invertir tiempo y dinero en un título universitario cuando puedo reunir información y desarrollar habilidades en línea?

El problema con esta pregunta es que plantea a la universidad únicamente como una guardiana de la información. Para muchos, la educación superior ofrece mucho más: un viaje transformador en el que los estudiantes pueden establecer contactos y desarrollar habilidades blandas transferibles (como el pensamiento crítico, la comunicación, la resolución de problemas, la inteligencia emocional y la creatividad).

Para aquellos que creen que una educación universitaria puede ofrecer ventajas, aquí le presentamos cómo maximizar los beneficios de la educación superior mientras navega por el cambiante panorama tecnológico.

1. Aprenda las innovaciones más recientes a través de cursos.

La tecnología evoluciona a diario y no muestra señales de desaceleración. Para mantenerse al día con el ritmo del cambio, piense en complementar las habilidades blandas que ya está desarrollando en la universidad con las habilidades duras relevantes para su industria.

Comprender cómo el panorama tecnológico está impactando su campo puede ser parte de su educación universitaria, y un número cada vez mayor de instituciones están proporcionando a sus estudiantes oportunidades para que así sea.

2. Haga networking, networking y más networking.

Construir una red profesional sólida es esencial para su desarrollo profesional. Muchas universidades ofrecen a sus estudiantes oportunidades únicas para hacerlo: oportunidades que son difíciles de recrear a través de las redes sociales y las plataformas de aprendizaje en línea.

Mientras esté en la universidad, participe activamente en estas oportunidades, así como en talleres, seminarios y reuniones estudiantiles. Aproveche el acceso que tiene a personas que pueden abrirle puertas y hacer que su transición al mundo laboral sea menos estresante.

3. Aproveche las oportunidades de trabajo en equipo y resolución de problemas.

Participar en el aprendizaje basado en proyectos y en competencias puede mejorar significativamente su capacidad para resolver problemas del mundo real, los cuales a menudo requieren que trabaje con diferentes personalidades y personas de diversas disciplinas.

En la universidad, probablemente tendrá la oportunidad de trabajar con sus compañeros de esta manera, para resolver problemas bajo una cierta presión de tiempo. Si bien los avances tecnológicos están transformando varias industrias, su capacidad para comunicarse y colaborar eficazmente con los demás seguirá siendo invaluable. Para entrevistas de trabajo, presentaciones laborales y proyectos en equipo, necesitará las habilidades blandas que la universidad proporciona: la capacidad para comunicarse de manera persuasiva, compartir su perspectiva e ideas, y comprender las experiencias de sus colegas.

4. Complemente su educación con otros recursos.

Para complementar aún más su formación académica, puede ser útil buscar pasantías y proyectos comunitarios que le proporcionen experiencia práctica en el mundo real. Este trabajo le permitirá poner en práctica las habilidades y tecnologías más recientes en su industria. La red que construya mientras esté en la universidad puede ayudarle a conectarse con este tipo de oportunidades.

Además de buscar pasantías y trabajos voluntarios, usted puede obtener una ventaja competitiva en el mercado laboral al complementar su educación universitaria con cursos en línea, talleres y certificaciones adicionales en su área de interés. Dependiendo de sus intereses, puede encontrar talleres gratuitos o con descuentos para estudiantes en su localidad.

L

a capacidad de la inteligencia artificial para resolver problemas complejos depende de varios factores que pueden mejorar o dificultar su eficacia. Entre las consideraciones más críticas se encuentran la disponibilidad de datos de alta calidad, el alcance de las posibles soluciones al problema, la claridad del objetivo que se desea alcanzar y la necesidad de adaptarse a sistemas en constante cambio. Cuando estos elementos faltan o están mal definidos, presentan desafíos que requieren enfoques innovadores para superarlos.

1. Escasez de datos de alta calidad

Los datos son la entrada más importante de cualquier modelo de IA, pero con demasiada frecuencia, se presta más atención al tamaño de los datos que a su calidad. Si bien las tendencias actuales con modelos de lenguaje de gran tamaño sugieren que una cantidad cada vez mayor de datos es la clave para obtener modelos y resultados de mayor calidad, sigue siendo una cuestión de investigación abierta si esto seguirá siendo así.

Se ha demostrado que los datos de alta calidad son igual de importantes, si no más, que las grandes cantidades de datos. En determinados casos, si se dispone de un conjunto de datos relativamente pequeño (pero de gran calidad) como punto de partida, se puede aumentar cuidadosamente el número de puntos de datos generando datos sintéticos.

2. Demasiadas soluciones potenciales

Cuando un problema tiene demasiadas posibles soluciones, resolverlo mediante métodos de fuerza bruta (probando exhaustivamente todas las combinaciones) se vuelve poco práctico. Históricamente, este tipo de problemas se ha abordado utilizando heurísticas: reglas simples diseñadas para proporcionar soluciones “lo suficientemente buenas” para la mayoría de los escenarios, aunque rara vez sean óptimas.

La IA ofrece una alternativa prometedora para manejar la complejidad de los problemas con innumerables soluciones potenciales. Sin embargo, a medida que aumenta el número de posibles soluciones, también lo hace el desafío de verificar su calidad.

3. La falta de un objetivo claro y medible

Un objetivo, o función de recompensa, es la meta o resultado que el modelo de IA intenta alcanzar. En otras palabras, se trata de hacerle la pregunta correcta al sistema. Formular lo que usted desea que el modelo haga es una de las partes más difíciles de cualquier sistema de aprendizaje automático. Los juegos como el ajedrez tienen un objetivo claro y medible, como una puntuación o un conjunto de reglas para determinar al ganador, y las iteraciones sin costo permiten que la IA aprenda rápidamente.

Pero en el mundo real, que a menudo es complejo y caótico, no existe una métrica sencilla que podamos utilizar para medir el progreso. Sin un objetivo claro y medible, puede ser difícil definir qué significa que el modelo sea “bueno”. Cuanto más ambiguo sea el objetivo, peor será el rendimiento del modelo.

4. Cuando lo “bueno” no puede codificarse

Los problemas que enfrentan las organizaciones rara vez son estáticos. Combinado con la dificultad de identificar fácilmente si una solución propuesta es buena, la IA corre el riesgo de ofrecer soluciones que se desvíen progresivamente de la respuesta óptima. Una técnica cada vez más adoptada para superar este desafío es el aprendizaje por refuerzo con retroalimentación humana (RLHF, por sus siglas en inglés).

Esta técnica (que incluye a los humanos en el proceso) permite que el modelo aprenda e incorpore conocimientos humanos fuera de los datos. El RLHF es particularmente útil en situaciones donde es difícil codificar una solución algorítmica clara, pero donde los humanos pueden juzgar intuitivamente la calidad de los resultados del modelo.

Un camino equilibrado hacia adelante

A medida que la IA continúa evolucionando, es necesario que las organizaciones aborden su implementación de manera reflexiva.

E

n su cuento “The Evitable Conflict”, publicado hace 75 años, el escritor de ciencia ficción Isaac Asimov describió cómo las máquinas podrían dirigir industrias enteras. Hoy en día, cada vez hay más pruebas de que la IA puede superar a los humanos en muchas tareas cognitivas individuales. Un experimento realizado por un equipo de la Universidad de Cambridge sugiere que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) pueden superar a los humanos en la mayoría de las tareas, incluyendo el diseño de productos, el control de costos y la inteligencia de mercado.

Si bien estos resultados son impresionantes, los estudios que conocemos se han realizado en condiciones de laboratorio artificiales. Los ejecutivos en el mundo real enfrentan desafíos indefinidos y cambiantes, a menudo con datos insuficientes o inexactos.

¿Qué sucede si sacamos la IA del laboratorio y la llevamos a una empresa real? Durante el último año, nos unimos a una serie de reuniones del equipo ejecutivo de Giesswein, una empresa austriaca con ingresos de 85 millones de dólares, que vende zapatillas ecológicas de lana orgánica. Nuestra idea era experimentar con diferentes formas de integrar la IA en sus reuniones ejecutivas para comprender qué funciona y cómo.

La IA en la sala de juntas

Diseñamos tres tipos de intervenciones y realizamos al menos dos variaciones diferentes de cada una para probar su replicabilidad. Después de cada intervención, realizamos entrevistas de seguimiento con los dos hermanos que dirigen la empresa familiar para recopilar sus percepciones sobre la efectividad.

Nuestro primer tipo de intervención consistió en alimentar la agenda del equipo ejecutivo en ChatGPT 4.0 durante varias reuniones, pidiendo sugerencias sobre qué preguntas y temas discutir. El resultado se compartió con el equipo durante la reunión a medida que se abordaban los puntos de la agenda. También desarrollamos indicaciones para generar recomendaciones más específicas. Por ejemplo, cuando la cuestión de la subcontratación estaba en la agenda, solicitamos argumentos a favor y en contra. Sabíamos que la empresa ya estaba subcontratando parte de su producción en China, por lo que pedimos a ChatGPT que explorara qué debía tener en cuenta si quería externalizar toda la producción. A continuación, se compartieron los resultados durante la reunión ejecutiva.

En un segundo tipo de intervención, escribimos indicaciones relacionadas con los puntos discutidos por los ejecutivos durante la reunión y luego compartimos los resultados. Por ejemplo, un posible factor decisivo en la decisión de subcontratación era la infrautilización de la línea de producción, lo que hacía que los costos fijos fueran un problema mayor. Mientras discutíamos esto en vivo, pedimos a ChatGPT que generara una lista de productos alternativos que podrían lanzarse utilizando el mismo material que la empresa ya producía.

Un tercer tipo de intervención se llevó a cabo después de las reuniones del equipo ejecutivo, con ChatGPT respondiendo preguntas específicas que tenía la dirección, por ejemplo, sobre opciones de entrada al mercado en EE. UU. Probamos dos versiones de esto: en la primera, entablamos una conversación prolongada con ChatGPT, usando nuestro propio criterio para guiar la herramienta de IA. En la segunda versión, simplemente formulamos las preguntas de los ejecutivos sin ninguna interpretación o iteración adicional.

Aumento, no sustitución

En general, nuestros experimentos con la junta directiva demostraron que la IA podría ser valiosa para guiar y enriquecer las discusiones ejecutivas, pero solo con una gestión activamente involucrada.

El uso no supervisado de la IA no funcionó bien, ya que proporcionó resultados que no eran lo suficientemente específicos para que los ejecutivos los encontraran útiles. Por el contrario, las aplicaciones supervisadas, complementadas con las habilidades de un asesor humano sin un conocimiento especial de la empresa, pero con experiencia en el desarrollo de estrategias, fueron percibidas como altamente beneficiosas por los ejecutivos. Observamos tres implicaciones específicas:

1. Ventaja de la torpeza

Parece contradictorio, pero la mayor ventaja de ChatGPT fue interrumpir el flujo natural de las reuniones. Esperábamos que la torpeza, la incomodidad y la demora que introducía fueran una gran molestia, pero los ejecutivos apreciaron que los hiciera detenerse y reflexionar.

El equipo era consciente de que, después de décadas de trabajar juntos, estaban muy alineados en muchos temas y podían casi completar las frases del otro. También sabían que su experiencia compartida y sus rutinas bien ensayadas creaban puntos ciegos de manera natural. Como nos dijo el CEO Markus Giesswein, aceptó este experimento porque esperaba “un apoyo equilibrado y estructurado, ya que muchas decisiones en nuestro rango de tamaño se toman en función de la intuición y las emociones”.

La tendencia de ChatGPT a proporcionar listas exhaustivas llevó al equipo a considerar opciones que de otro modo no habrían considerado, pero el verdadero valor radicó en romper y ralentizar los patrones de pensamiento e interacción existentes, permitiendo la discusión de nuevos elementos.

2. Ilusión de completitud

La amplitud de las sugerencias de LLM también tuvo un inconveniente. A medida que el equipo se acostumbró a que la herramienta les señalara problemas que de otro modo habrían pasado por alto, observamos una creciente dependencia de ella para no omitir nada importante.

Por ejemplo, en una de las reuniones se discutió un próximo anuncio. ChatGPT ofreció un amplio conjunto de factores que debían abordarse antes del anuncio, pero omitió posibles implicaciones legales que debían considerarse. En circunstancias normales, los ejecutivos podrían haber planteado las cuestiones legales, pero la IA había creado la ilusión de una completitud infalible en la que comenzaron a confiar.

3. Ventaja en velocidad y costos

Una última serie de ventajas de introducir la IA en estas reuniones fue la velocidad y la reducción de costos. Las discusiones en la sala de juntas suelen dar lugar a preguntas que requieren más investigación. ChatGPT permitió al equipo recopilar datos y hacer recomendaciones inmediatas, lo que agilizó la adopción de medidas.

Por ejemplo, cuando Giesswein consideró el futuro de su planta en Eslovaquia, surgió una pregunta importante: el posible costo de renovar la instalación si decidían conservarla. ChatGPT fue capaz de proporcionar estimaciones lo suficientemente rápidas y precisas que permitieron a los ejecutivos avanzar en esta cuestión.

En algunos casos, el uso de la IA también puede reducir los costos de exploración adicional. Por ejemplo, una de las decisiones que tomó el equipo requería emitir un comunicado de prensa. En el pasado, habrían contratado a una agencia para redactar y publicar el comunicado, pero ChatGPT produjo una declaración que se ajustaba a su propósito. Este beneficio también fue evidente cuando utilizamos ChatGPT en el análisis posterior a la reunión.

Un nuevo tipo de interacción para equipos ejecutivos

Hasta ahora, gran parte de la conversación sobre el valor de la IA generativa se ha centrado en la precisión de la información que proporciona. Nuestra participación de un año en Giesswein sugiere que el valor radica en otro lugar, específicamente en el proceso de interacción en sí mismo. Los ejecutivos son conscientes de que la herramienta ocasionalmente tendrá alucinaciones; también están acostumbrados a trabajar con información incompleta o defectuosa.

Lo que hace que la IA sea un miembro valioso del equipo ejecutivo es que es diferente de los humanos. Esto interrumpe y, por lo tanto, amplía las consideraciones, en algunos casos proporcionando información para avanzar rápidamente. Pero para que esto funcione, necesita a un humano que opere la herramienta. La inteligencia colectiva de la combinación entre humanos y herramientas ofrece algo nuevo y emocionante.

L

as tecnologías nuevas y disruptivas suelen generar tanto entusiasmo como ansiedad, y la IA generativa no es la excepción.

Sin embargo, creemos que gran parte del potencial no aprovechado de la IA generativa está siendo frenado por cinco mitos persistentes que limitan a los líderes de marketing y ventas:

Mito 1: La IA generativa solo es útil en las etapas iniciales de identificación de clientes.

La IA generativa ha demostrado su utilidad en la “parte superior del embudo”, especialmente en la generación de prospectos, y en la recopilación y análisis de información de los clientes. Sin embargo, su potencial se extiende a lo largo de todo el embudo, ofreciendo beneficios como la creación de contenido personalizado, el apoyo en investigaciones, el análisis de la competencia, la redacción automatizada de propuestas y la evaluación del rendimiento.

En muchos de estos casos, el juicio y la creatividad humana seguirán siendo esenciales, pero la IA generativa puede hacer gran parte del trabajo tedioso. Por ejemplo, una empresa de soluciones empresariales utilizó IA generativa para proporcionar informes a los vendedores antes de sus reuniones, incluyendo detalles de la cuenta, un resumen de interacciones previas e información sobre la propuesta de valor. ¿El resultado? Un aumento del 10% en la productividad de las ventas por segmento.

Mito 2: La IA generativa necesita un grán número de clientes o transacciones para que valga la pena.

Si bien la IA generativa ha demostrado su eficacia en la automatización de interacciones y transacciones para grandes bases de consumidores, como en la banca y el comercio minorista, también es valiosa en entornos de empresa a empresa (B2B), incluidos los acuerdos de gran escala y clientes corporativos.

En primer lugar, la IA generativa mejora la gestión del conocimiento y el procesamiento de datos a gran escala. Los vendedores pueden ahorrar una cantidad significativa de tiempo en la investigación de productos y la redacción de correos electrónicos. En segundo lugar, puede empoderar a los vendedores y gerentes de cuentas clave al extraer información de datos no estructurados y proporcionar planes de cuenta e inteligencia comercial en tiempo real mediante la captura automática de información pública, como anuncios, noticias y notas de reuniones internas.

Mito 3: La IA generativa no es lo suficientemente avanzada para resolver problemas complejos de los clientes.

Algunos profesionales de marketing y ventas siguen considerando la IA generativa simplemente como una interfaz de chat que responde preguntas. Sin embargo, las empresas líderes están entrenando agentes autónomos para realizar tareas internas y orientadas al cliente en múltiples canales, una práctica conocida como “agente de IA” (agentic AI).

Por ejemplo, un importante fabricante de equipos empleó agentes de ventas impulsados por IA generativa para automatizar las interacciones por correo electrónico relacionadas con el reemplazo de piezas. Estos agentes interactuaron con casi 50,000 clientes y generaron más de un millón de cotizaciones en el primer mes.

Mito 4: Los datos de nuestros clientes y productos están demasiado desordenados como para que la IA generativa funcione bien.

La IA generativa puede acelerar el procesamiento de datos y abordar muchos de los desafíos comunes en la gestión de información, ayudando a las empresas a organizar y mantener sus datos en buen estado. Por ejemplo, puede mejorar la categorización de piezas para optimizar precios o traducir el contenido de un sitio web en fichas de producto personalizadas basadas en consultas previas de los clientes.

Además, muchos casos de uso valiosos no requieren grandes cantidades de datos estructurados. La recuperación eficaz de información puede lograrse utilizando modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) disponibles públicamente junto con materiales internos básicos, como manuales de productos y documentos de preguntas y respuestas para la resolución de problemas.

Mito 5: La IA generativa tarda demasiado en implementarse.

Las empresas no necesitan reinventar la rueda al implementar IA generativa. Las soluciones estándar están ampliamente disponibles y la experiencia externa puede ayudar a desarrollar las capacidades distintivas incrementales que impulsan la ventaja competitiva. Gran parte de la complejidad asociada con la implementación de IA generativa radica en la creación de LLM, los cuales ahora están disponibles como servicio. Muchos proveedores de software empresarial también incorporan la IA generativa en sus herramientas, permitiendo a las organizaciones aprovechar sus funcionalidades con un esfuerzo mínimo. Cuando se requiere personalización, generalmente implica vincular la funcionalidad con procesos comerciales específicos, lo que puede lograrse en cuestión de semanas.

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.