P

ara tomar decisiones sobre la importancia relativa y el valor de la IA generativa y la IA analítica, las organizaciones primero deben comprender las diferencias entre ambas tecnologías, así como los distintos beneficios y riesgos asociados con cada una de ellas.

¿En qué se diferencian la IA generativa y la IA analítica?

Distintos propósitos y capacidades.

El propósito principal de la IA generativa es utilizar modelos de redes neuronales de aprendizaje profundo para generar contenido nuevo, como imágenes, texto, música, código de programación o incluso obras de arte completas, que imiten la creación humana. La IA analítica, por otro lado, se refiere a los sistemas de inteligencia artificial basados en el aprendizaje automático estadístico, diseñados para tareas específicas como clasificación, predicción o toma de decisiones basadas en datos estructurados.

Distintos métodos algorítmicos.

En términos de métodos algorítmicos, la IA generativa suele emplear técnicas complejas como transformadores, mecanismos de atención, redes generativas antagónicas y codificadores automáticos variacionales para generar contenido. La IA analítica utiliza una variedad de enfoques de aprendizaje automático generalmente más simples, incluidos el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo, así como diversas arquitecturas de redes neuronales adaptadas a tareas específicas.

Distintos tipos de datos.

La IA generativa utiliza texto, imágenes y otros formatos de datos relativamente no estructurados, todos en una secuencia que puede usarse para predecir otras secuencias. La IA analítica emplea datos estructurados, normalmente filas y columnas de números.

Distintos retornos de inversión.

En términos generales, la IA generativa tiene más probabilidades de generar ahorros de costos gracias al aumento de la productividad en la generación de contenido, mientras que la IA analítica puede generar mejores decisiones, ahorros de costos e incrementos en las ventas.

Distintos riesgos.

Las preocupaciones de seguridad en torno a la IA generativa y la IA analítica pueden diferir en función de sus respectivas aplicaciones, capacidades y riesgos potenciales.

Cómo pueden las empresas encontrar el equilibrio adecuado entre la IA generativa y la IA analítica

Las empresas deberán determinar cómo asignar la atención de la dirección, las inversiones y el talento a estos dos ámbitos distintos de la inteligencia artificial. Una consideración principal es cuán familiarizados están los actores clave con los dos tipos de IA. En general, la IA generativa es la que abre puertas. Genera entusiasmo sobre la IA en ejecutivos y profesionales no técnicos, y ofrece pocas barreras de uso. La IA analítica requiere una mayor orientación estadística para utilizarse de manera eficaz, por lo que su audiencia principal son los científicos de datos o personas con perfil cuantitativo. Es probable que esa base de usuarios siempre sea más pequeña que la de la IA generativa, aunque las interfaces de IA generativa pueden facilitar que las personas no técnicas realicen formas simples de modelos analíticos. Sin embargo, los ejecutivos de empresas con grandes volúmenes de datos estructurados, como los servicios financieros, el comercio minorista y las empresas de telecomunicaciones, probablemente estén familiarizados con la IA analítica.

Los factores que describimos a continuación pueden servir como guía para determinar el énfasis relativo en la IA generativa o analítica dentro de una empresa o industria.

Considere su estrategia y modelo de negocio.

¿La actividad principal de la empresa implica crear, vender o distribuir contenido? Si es así, la IA generativa debería ser su enfoque principal.

Considere el formato de los activos de datos exclusivos y patentados.

Si los activos de datos de la empresa son principalmente contenido no estructurado (como texto, imágenes o video), la IA generativa debería tener prioridad. Si, por otro lado, la mayoría de los datos de la empresa son estructurados y numéricos, debería inclinarse hacia la IA analítica.

L

a IA no necesita una actualización de ciencia ficción para transformar la economía: los modelos actuales (y las versiones más baratas y potentes que vienen) están a punto de alterar casi todos los rincones del mercado laboral.

Para navegar por este nuevo panorama, los líderes deben comprender y planificar cómo afectará la automatización a sus negocios. Para ello, es necesario comprender qué tareas y responsabilidades tienen más probabilidades de estar bajo presión, y trazar un rumbo para mover a la empresa a lo largo de la cadena de valor de la inteligencia antes de que se acabe el tiempo.

¿Qué es lo que no está en riesgo de ser automatizado?

Investigadores, académicos y profesionales han debatido ampliamente qué trabajos y tareas son más vulnerables a la automatización. Algunas amenazas son obvias: los vehículos autónomos pronto podrían estar en posición de reemplazar a millones de conductores de transporte compartido, autobuses y camiones. Mientras tanto, la traducción de idiomas, la escritura creativa, el diseño e incluso la programación cotidiana están pasando a manos de la IA.

Los pioneros en investigación de IA Ajay Agrawal, Joshua Gans y Avi Goldfarb argumentaron en 2018 que, a medida que avanza la IA, el último bastión de la ventaja humana será el juicio: la capacidad de sopesar opciones y tomar decisiones bajo incertidumbre. Sin embargo, esa perspectiva nos deja una tarea imposible: definir con precisión qué califica como juicio en un momento dado.

Hoy en día, las tareas que exigen juicio humano (elegir un tratamiento médico, revisar un contrato legal, escribir un guion que capture el espíritu de la época) pronto podrían ser realizadas por IA a medida que los modelos acceden a datos más ricos y mayor capacidad de cómputo. Tampoco podemos asumir que las personas siempre preferirán a un terapeuta, consejero o mediador humano, según investigaciones recientes.

Entonces, ¿cómo podemos separar las tareas que la IA automatizará próximamente de aquellas que requerirán nuevos avances tecnológicos para lograrlo? Para responder eso, debemos volver a los principios fundamentales y revisar dónde comenzó todo.

De un concurso de laboratorio a una revolución industrial

A mediados de la década del 2000, la científica computacional Fei-Fei Li observó que el campo de la visión computacional (enfocado en permitir que las computadoras “vean” e interpreten imágenes) enfrentaba un cuello de botella: los algoritmos carecían de datos visuales suficientes para alcanzar el rendimiento humano. Su solución fue contundente: construyó ImageNet, un vasto conjunto de imágenes meticulosamente etiquetadas armado con ayuda de Amazon Mechanical Turk. Pero su verdadero golpe de genialidad llegó en 2010, cuando agregó una clasificación global al conjunto de datos, transformando el reconocimiento de imágenes en una competencia estilo gladiador para investigadores.

Luego, en 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton arrasaron con la competencia. Con dos tarjetas gráficas NVIDIA GTX 580, el trío de Toronto logró entrenar una red neuronal convolucional en solo unos días, un enfoque revolucionario que demostró que era posible alterar la historia de la visión computacional con el presupuesto de un estudiante de posgrado.

Ese momento puso fin al largo invierno de la IA, colocó a las redes neuronales en el centro del progreso y reveló el libro de jugadas con el que sigue funcionando este campo: Primero, reunir datos relevantes. Luego, depender de métricas para cuantificar e impulsar el progreso. Por último, inundar el modelo con datos y GPU hasta que aprenda por sí solo.

Datos, recompensa y cómputo

El marco que impulsó el avance en reconocimiento de imágenes es mucho más general de lo que muchos creen. Puede aplicarse siempre que podamos: a) definir el entorno de la tarea y reunir sus datos; b) especificar una recompensa objetivo; y c) proporcionar el poder computacional para permitir que el sistema itere.

Si se apilan esos tres ingredientes, se obtiene un motor de automatización de uso general. Ahora, dos tendencias de datos aceleran este ciclo. En primer lugar, los modelos pueden generar ejemplos sintéticos ilimitados (por ejemplo, creando “kilómetros de conducción” virtuales que cubran todos los escenarios extraños, en lugar de depender de datos de conductores reales). Y, en segundo lugar, la IA se despliega cada vez más en una variedad de dispositivos y sensores (en teléfonos, autos y otros lugares), capturando y cuantificando señales del mundo real que antes resultaban demasiado costosas o poco prácticas de medir.

Si puede convertir un fenómeno en números, la IA lo aprenderá y lo reproducirá a escala. Eso significa que cualquier trabajo que pueda medirse puede, en teoría, automatizarse.

Prosperar a pesar de las incógnitas desconocidas

Los humanos somos generalistas evolutivos, seleccionados para navegar por mapas incompletos. No solo sobrevivimos a las incógnitas desconocidas: prosperamos con ellas, y esa resiliencia es nuestra mayor ventaja. A lo largo de incontables generaciones afinamos nuestras cuerdas vocales y cerebros sociales hasta que surgió el lenguaje, abriendo la puerta al conocimiento acumulativo, el razonamiento abstracto y el pensamiento simbólico. A partir de allí, superamos nuestros límites biológicos, creando herramientas que expandieron nuestros sentidos, memoria y habilidades.

Pero la piedra angular de nuestra ventaja es nuestra corteza prefrontal altamente plástica y densamente conectada. Este centro de comando neuronal nos permite imaginar infinitos “qué pasaría si”, ensayar futuros contrafactuales y ajustar la estrategia en el instante en que cambian las condiciones. A falta de una verdadera singularidad, incluso las máquinas cuánticas tendrán dificultades para igualar nuestro talento para la planificación contrafactual abierta y multidisciplinar.

A medida que la IA acelera el progreso, crea nuevas incógnitas desconocidas, por lo que nuestros mapas siguen redibujándose. Mientras tanto, convierte lo predecible en rutina, tal como la mecanización agrícola nos sacó de la subsistencia, liberando más de nuestra capacidad cerebral contrafactual para problemas de mayor nivel.

La IA también tendrá dificultades en dominios donde la medición roza lo imposible: como lo demuestra el esfuerzo de una década que el Event Horizon Telescope necesitó para capturar una sola imagen de un agujero negro, y los desafíos aún no resueltos de explorar la física a gran escala, el manto profundo de la Tierra, los océanos abisales o las interacciones celulares vivas dentro del cerebro humano. También se quedará atrás donde la medición esté limitada por la privacidad, la ética o la regulación; donde la sociedad exija un razonamiento transparente; y donde las personas simplemente prefieran un toque humano.

Pero una excepción crucial en lo que puede medirse podría resultar decisiva: tareas que desafían la cuantificación porque sus probabilidades de resultado son fundamentalmente incognoscibles.

El crecimiento de una empresa emergente, la asignación de capital o talento a proyectos altamente inciertos, la contención de un nuevo virus, el establecimiento de la política de un banco central durante un cambio de régimen financiero, la redacción de principios éticos de la IA, la invención de un nuevo medio artístico, el inicio de una tendencia de moda o la creación de un nuevo éxito de taquilla que rompa géneros: todas estas tareas se sitúan en zonas donde las probabilidades desaparecen. Algunos actos y descubrimientos creativos no son más que ingeniosas recombinaciones de lo conocido, pero los verdaderamente ambiciosos dependen de nuestra capacidad singular para imaginar nuevos y complejos mundos contrafactuales.

Para los líderes que guían a sus organizaciones en esta transición turbulenta, ¿qué hay más allá de la hoja de cálculo? Todo aquello que no cabe en una celda: las habilidades que se resisten a ser contabilizadas, los problemas abiertos sin precedentes fiables, lo intangible.

En términos generales, la receta es sencilla. Respalde las apuestas arriesgadas con retornos difusos, recompense a los equipos que replantean los problemas y se inclinan por lo desconocido, y rote el talento por las funciones que se enfrentan a la incertidumbre en I+D, nuevos mercados e interacciones complejas con clientes, socios y políticas. Reserve tiempo libre y fomente colisiones entre equipos para estimular la serendipia y la recombinación de ideas. No trate esos espacios de ambigüedad planificada como pasivos, sino como activos estratégicos.

Solo los líderes que presten atención a lo que es medible (y, más crucialmente, a lo que obstinadamente no lo es) estarán listos cuando llegue el próximo cambio.