En 2022, la gran historia de la Inteligencia Artificial (IA) fue que esta tecnología pasó de los laboratorios de investigación y las pruebas de concepto a su implementación en las empresas para obtener valor comercial. Este año comenzó más o menos igual, con algoritmos de aprendizaje automático ligeramente mejores y canales de datos optimizados. Pero parece haber pasado mucho tiempo desde que ocurrió eso, y en los pocos meses que quedan de 2023, el cambio podría compensar aún más lo que esperamos. La llegada de la generación de IA lo cambió todo, y el ritmo de ese cambio no se parece a nada que hayamos visto antes. Los impactos potenciales recuerdan los albores de Internet y es probable que sean igualmente transformadores para las empresas. Según McKinsey, la IA de generación está preparada para aportar hasta 4.400 millones de dólares anuales a la economía mundial.
La IA es ahora una prioridad a nivel de junta directiva El año pasado, la IA consistía en soluciones puntuales y aplicaciones de nicho que utilizaban Machine Learning (ML) para predecir comportamientos, encontrar patrones y detectar anomalías en conjuntos de datos cuidadosamente seleccionados. Los modelos fundamentales de hoy son polivalentes. Pueden codificar, escribir poesía, dibujar en cualquier estilo artístico, crear diapositivas de PowerPoint y maquetas de sitios web, escribir textos de marketing y correos electrónicos, encontrar nuevas vulnerabilidades en el software y trazar agujeros en novelas inéditas. “La IA generacional afecta todos los aspectos de la empresa y de la sociedad”, declara Bret Greenstein, socio y líder de la estrategia de comercialización de IA generacional en PricewaterhouseCoopers. “Con un modelo previamente capacitado, puede incorporarlo a Recursos Humanos, finanzas, TI, servicio al cliente; a todos nos conmueve”. Todos los clientes de PwC están teniendo esta discusión, afirma. “Nunca había visto este nivel de interés y entusiasmo”. Y nadie tiene por qué convencerse de ello, añade. Todo el mundo lo quiere. “Una vez que lo tienes en el lugar de trabajo, obtienes 1000 casos de uso porque todos quieren hacerlo”. Las posibilidades de aumentar la productividad o de permitir tipos de negocios que antes no eran posibles son enormes. Pero también existe la desventaja: la posibilidad de que la IA de generación acabe con las empresas. La frase “riesgo existencial” está ahora en todas partes, no en el sentido de que la IA destruiría a la humanidad, sino en el sentido de que haría obsoletas funciones empresariales, o incluso empresas enteras.
Regulando la IA En una reunión reciente en Washington de líderes de IA que informaron a los reguladores sobre la IA, la mayoría se manifestó a favor de algún tipo de regulación de la industria. En Europa, la Ley de IA está en camino. Aunque fue escrito antes de la generación AI, tiene disposiciones que se aplican, pero lo más probable es que pase por modificaciones antes de entrar en vigor. En julio, la ciudad de Nueva York comenzó a aplicar nuevas reglas sobre el uso de IA en las decisiones de contratación. Y a finales de marzo, Italia prohibió ChatGPT por completo, antes de volver a hacerlo aproximadamente un mes después. “La reacción instintiva de Italia fue un tiro cruzado”, dice Greenstein. Pero es una señal de lo que está por venir. “Si tomas algo un poco arriesgado y lo haces mil veces más grande, los riesgos se amplifican”, afirma. La generación de IA es esa amplificación y la reacción del mundo ante ella es como la reacción de las empresas y la sociedad ante la introducción de un cuerpo extraño. “No podemos rechazarlo, pero tampoco podemos permitir que tome el control y que suceda de forma no regulada”, afirma.
IA y gestión del cambio La gestión del cambio ha sido durante mucho tiempo fundamental para el éxito de los proyectos de IA. No importa cuán preciso sea un modelo de IA o cuánto beneficio traerá a una empresa si los usuarios previstos se niegan a tener nada que ver con él. Pero hasta este año, este era un problema relativamente manejable ya que los proyectos de IA tenían un alcance limitado. Sin embargo, con la IA de generación, el impacto en la fuerza laboral será dramáticamente mayor. “Este es el proyecto de gestión del cambio más grande de la historia”, dice Greenstein. “Nunca habíamos tenido una tecnología que llegara a todos tan rápidamente”.
IA integrada Integrar la IA en los sistemas empresariales que los empleados ya utilizaban era una tendencia antes de que apareciera la IA genérica. Hizo que las predicciones y los análisis fueran ampliamente accesibles y puso el poder de los datos en manos de las personas que los necesitaban, exactamente cuando los necesitaban y en la forma que les resultara más útil. Fueron necesarios años para que la IA tradicional (ML y redes neuronales) llegara al punto en el que pudieran integrarse. La generación de IA tardó algunos meses. Hoy en día, la mayoría de las principales plataformas de IA, incluida OpenAI, tienen API que permiten a las empresas y a los proveedores de software empresarial agregar rápidamente funcionalidades de IA genérica a sus sistemas. “Mejorar las aplicaciones existentes con IA integrada es fantástico”, afirma Greenstein. Aún mejor es cuando la IA se puede adaptar a las necesidades únicas de cada negocio. El aprendizaje automático tradicional requiere una gran cantidad de datos, científicos de datos experimentados, así como capacitación y ajuste. Sin embargo, las plataformas de IA de generación actual requieren muchos menos datos, ya que las empresas pueden comenzar con modelos básicos de propósito general y ajustarlos con sus propios datos, agregar una base de datos vectorial o inyectar información y ejemplos directamente en el mensaje. Y a medida que se vuelve más barato y más fácil personalizar la IA, más empresas comenzarán a hacerlo para casos de uso más pequeños, dice Greenstein, lo que lo hará verdaderamente omnipresente en la empresa. “Dado cómo creemos que se desarrollará el mercado, la IA generativa se integrará en cada aplicación que utilicemos”, afirma Nick Patience, director de investigación especializado en IA de S&P Global Market Intelligence. En un informe reciente, estimó que los ingresos por software de IA de generación crecerán de 3.700 millones de dólares este año a 36.000 millones de dólares en 2028. “Y es posible que incluso lo hayamos subestimado”, dice Patience. Actualmente está rastreando a 262 proveedores de IA de generación, de los cuales 117 se especializan en generación de texto, y planea producir una nueva versión del informe en los próximos seis meses. Normalmente, afirma, este tipo de informes se actualizan cada dos años, pero este mercado se está moviendo demasiado rápido para eso. Una de las razones por las que la IA genómica se está incorporando más rápido al software empresarial que las generaciones anteriores de IA es que potencialmente puede cambiar la relación entre los humanos y el software, afirma. “Tiene la capacidad de permitir que las personas conversen en lenguaje natural y hagan las cosas”, agrega. “Antes, necesitaban codificar o comprender Excel o un lenguaje de consulta. Mediante el uso del lenguaje natural, usted puede, como ser humano, ejecutar consultas complejas sobre conjuntos de datos y otras cosas que son demasiado complejas para hacerlas por su cuenta”. Patience sigue este espacio desde hace más de dos décadas y dice que nunca ha visto algo así. “Es increíble”, dice. “Nuestros clientes, y clientes con los que nunca he hablado antes, quieren saber qué está pasando. Para aquellos que tienen habilidades, será un multiplicador de fuerza. Para otros, será una amenaza un poco mayor. Pero permitirá a las personas realizar un trabajo de mayor valor del que pueden realizar actualmente”.
Automatización de procesos de negocio La IA ha desempeñado durante mucho tiempo un papel en la RPA, aunque sea pequeño. ML se utilizó para análisis de sentimientos y para escanear documentos, clasificar imágenes, transcribir grabaciones y otras funciones específicas. Luego salió la generación AI. “El mundo ha cambiado desde 2022”, apunta David McCurdy, arquitecto jefe empresarial y director de tecnología de Insight. “Hemos hecho una serie de cosas con nuestros clientes que no estaban en la caja de herramientas hace 12 meses. Ahora tienes la capacidad de saltar procesos que han existido durante años, a veces décadas, gracias a la tecnología generativa”. Uno de los mejores casos de uso inmediato es resumir documentos y extraer información del material, señala. “Esto no era posible antes”, dice. “Ahora puedes entrar y extraer un concepto, no sólo una palabra. Está transformando algunos de nuestros flujos de trabajo”. Sin embargo, las empresas todavía no están extrayendo suficiente valor de los datos no estructurados escondidos en los documentos, declara Nick Kramer, vicepresidente de soluciones aplicadas de la consultora de gestión SSA & Company. “La tecnología existente simplemente no muestra el contenido más relevante de manera consistente y sencilla”, afirma. “Aquí es donde los grandes modelos de lenguaje me entusiasman mucho. La capacidad de asimilar el corpus de conocimientos de la empresa ofrece posibilidades ilimitadas”.
Gestión de proveedores de IA Sólo las empresas más grandes construirán o gestionarán sus propios modelos de IA, e incluso éstas dependerán de los proveedores para que les proporcionen la mayor parte de la IA que utilizan. Microsoft, Google, Salesforce: todos los actores principales participan en la IA, por lo que tiene sentido aprovecharla. Pero a medida que la IA de generación afecta más a los datos, las personas y los procesos de una empresa, ese proceso de gestión y selección de proveedores se vuelve cada vez más importante. “No adquiriría tecnología operativa que no tuviera capacidades de aprendizaje automático e inteligencia artificial”, dice McCurdy de Insight. “Si las empresas no aprovechan la IA y no tienen una hoja de ruta, no compraremos su software”. Esta es una de las formas en que las empresas pueden evitar la deuda técnica, afirma, invirtiendo en socios y empresas que invierten en IA. Pero incluso cuando un proveedor tiene IA en su hoja de ruta, o ya la está desarrollando, todavía existen riesgos. “Al igual que en los primeros días de Internet, muchas empresas aparecerán y desaparecerán”, afirma Rob Lee, director principal de currículo y profesor del Instituto SANS. Ya está viendo esto en el espacio de la ciberseguridad. “En Black Hat vi al menos cien empresas. ¿Pero tienen algo realmente vendible?” Una cosa con la que los compradores deben tener cuidado son las medidas de seguridad que implementan los proveedores. Con los despliegues de nuevas tecnologías, la seguridad suele pasar a un segundo plano. Con la IA, eso sería un gran error. “¿Qué sucede si cargas tus datos en estas IA?” pregunta Lee. “Quieres experimentar, pero si alguien carga la hoja de cálculo equivocada en la IA equivocada, se produce una filtración de datos”.
IA confiable El año pasado, a medida que la IA clásica se implementó cada vez más en la producción, las empresas comenzaron a tomar más en serio la cuestión de la confiabilidad. Querían modelos que fueran confiables, libres de prejuicios y basados en principios éticos. Además, la IA debe ser transparente y comprensible, ya que la gente quiere saber por qué la IA toma las decisiones y recomendaciones que hace. Hoy en día, la confiabilidad es una prioridad para todos, desde los estudiantes universitarios que intentan obtener ayuda con sus tareas hasta los líderes globales que buscan evitar un apocalipsis de la IA. Investigadores, proveedores, consultores y reguladores están trabajando para encontrar barreras de seguridad y principios éticos que regirán cómo se entrena e implementa la IA. “Todavía estamos en las primeras fases de esto”, dice Donncha Carroll, socio en la práctica de crecimiento de ingresos y jefe del equipo de ciencia de datos de Lotis Blue Consulting. “No conviene confiar en un sistema cuyo funcionamiento no se puede ver ni auditar, especialmente si puede tomar decisiones que pueden tener consecuencias. La parte de supervisión aún no se ha resuelto”.
IA de código abierto El código abierto ha sido durante mucho tiempo un motor de innovación en el espacio de la IA. Muchas herramientas de ciencia de datos y modelos básicos son de código abierto o se basan en gran medida en proyectos de código abierto. Durante algunos meses de este año, hubo preocupación de que el nuevo espacio de la generación de IA estuviera dominado por gigantes tecnológicos, empresas que tenían los millones de dólares necesarios para entrenar grandes modelos de lenguaje (LLM) y los datos para entrenarlos. ChatGPT de OpenAI, Bard de Google, Watson de IBM, Claude de Anthropic y otros modelos básicos importantes son propietarios. Pero en febrero, Meta lanzó Llama, un LLM de código abierto con licencia para uso no comercial, que rápidamente se convirtió en la base de muchos proyectos. Luego, en julio, salió Meta’s Llama 2, y esta vez, tenía licencia para uso comercial. Cualquiera podía usarlo o modificarlo, de forma gratuita, siempre que tuviera menos de 700 millones de usuarios activos diarios. Microsoft rápidamente se comprometió a respaldarlo en su plataforma Azure. Lo mismo hizo Amazon en AWS. Y VMware lo convirtió en una de las piedras angulares de su pila de IA de generación. En agosto, Meta continuó lanzando modelos. Esta vez fue Code Llama, un LLM capacitado para escribir código. Luego, en septiembre, el Instituto de Innovación Tecnológica de los EAU lanzó el Falcon 180B, el modelo de código abierto más grande hasta el momento. Rápidamente ascendió a la cima de la clasificación abierta LLM de Hugging Face, anteriormente dominada por Llama 2 y sus variantes. Falcon también se lanzó bajo una variante de la licencia Apache 2, disponible para uso comercial y funciona tanto para la generación de código como para el lenguaje natural. Los modelos de código abierto hacen posible que las empresas implementen IA personalizada en su propia infraestructura, sin tener que enviar sus datos a un proveedor de la nube y ofrecen mayor flexibilidad y menores costos. Algunos de estos modelos de código abierto son incluso lo suficientemente pequeños como para ejecutarse en computadoras de escritorio o dispositivos móviles. “Verán más de esta increíble potencia de cálculo distribuida en el borde”, afirma Carroll de Lotis Blue.
Infraestructura de datos segura y confiable Tanto el ML como la IA gen. dependen de los datos. En los últimos 10 años, los datos se han convertido en el activo más valioso de una empresa, la electricidad que impulsa la innovación y la creación de valor. Para que todo esto fuera posible, los datos debían recopilarse, procesarse e introducirse en los sistemas que los necesitaban de forma fiable, eficiente, escalable y segura. Luego, los almacenes de datos evolucionaron hasta convertirse en lagos de datos y luego en estructuras de datos y otras arquitecturas de datos a nivel empresarial. Todo eso resultará valioso, tanto a medida que las empresas continúen expandiendo sus proyectos de IA tradicionales como para la funcionalidad de IA de nueva generación que estará en línea. Para muchas empresas, eso significa que los chatbots públicos como ChatGPT no son una opción debido a la falta de protección de datos de nivel empresarial. “Es necesario proteger los datos que ingresan”, dice McCurdy. “Eso crea una barrera obvia para algunos casos de uso hasta que se establece ese perímetro de seguridad”. Para algunos, eso significa ejecutar el modelo de OpenAI u otros en nubes privadas, o incluso ejecutar modelos de código abierto localmente, dependiendo del perfil de riesgo de la empresa. Mientras tanto, incluso después de años de esfuerzo, muchas empresas todavía no tienen sus datos listos para la IA. Según la nueva encuesta sobre Tendencias globales en IA 2023 de S&P Global realizada a 1.500 profesionales y tomadores de decisiones de IA, publicada en agosto, el mayor desafío tecnológico para la implementación de la IA es la gestión de datos. Y aunque el 69% de las empresas tiene al menos un proyecto de IA en producción, sólo el 28% ha alcanzado escala empresarial.
Acelerando el ritmo del cambio La generación de IA no sería posible sin la conectividad global que ofrece Internet y la enorme cantidad de información fácilmente disponible en forma digital, lista para ser utilizada como datos de entrenamiento. Luego están la computación en la nube, SaaS y las API, que permiten implementar nuevas tecnologías de forma rápida y sencilla sin grandes costos iniciales de integración para las empresas. Por lo tanto, no sorprende que la tasa de adopción de la generación de IA sea más rápida que la de cualquier tecnología vista antes. Pero más allá de eso, la IA genérica también es una tecnología que ayuda a acelerar su propio desarrollo. En abril, el capitalista de riesgo Yohei Nakajima se preguntó si era posible tener un “fundador de IA” que pudiera administrar una empresa de forma autónoma, y pidió a ChatGPT que la construyera. Tomó aproximadamente tres horas en total y ChatGPT escribió el código, el trabajo de investigación y un hilo de Twitter. Nakajima lo llamó “BabyAGI” y se volvió viral en GitHub. Era un agente polivalente que podía utilizarse para cualquier objetivo, no sólo para iniciar una empresa. “En broma, le pedí al agente autónomo que creara tantos clips como fuera posible”, escribió Nakajima en una publicación de blog que describe el proyecto. “Se enteró del apocalipsis de los clips de IA y comenzó generando un protocolo de seguridad”. BabyAGI utiliza la API GPT-4 de OpenAI, la búsqueda de vectores Pinecone y el marco de IA LangChain para determinar qué tareas deben realizarse para lograr un objetivo, cómo priorizar esas tareas y luego realizarlas. Proyectos similares incluyen AutoGPT y AgentGPT. Otro ejemplo de IA que se impulsó por sí sola este año fue Alpaca, donde los investigadores de la Universidad de Stanford utilizaron uno de los primeros modelos Llama de Meta. Se trataba de un modelo en bruto que no se había sometido a aprendizaje reforzado a partir de la retroalimentación humana, un proceso costoso y que requería mucho tiempo. Alpaca tomó un atajo, utilizando text-davinci-003 de OpenAI, un pariente cercano de ChatGPT, para generar 52.000 pares de preguntas y respuestas y los utilizó para entrenar su nuevo chatbot. Todo el proceso costó menos de 600 dólares, dijeron los investigadores, de los cuales 500 dólares se gastaron en la API OpenAI y 100 dólares en costos informáticos. Y cuando el equipo lo probó, su rendimiento era comparable al de text-davinci-003. En otras palabras, los modelos de IA de generación pueden escribir código nuevo para mejorar su propio rendimiento y pueden generar datos para entrenar la próxima generación de modelos. “Las herramientas y los conjuntos de herramientas están cambiando muy rápidamente”, afirma Priya Iragavarapu, vicepresidenta de servicios de tecnología digital de AArete, una firma de consultoría de gestión. “Incluso antes de que los líderes y la comunidad puedan leer y comprender el manual”. Esto crea desafíos para las empresas que intentan planificar el futuro, afirma, ya que es difícil decir qué es ya posible y qué está aún en desarrollo. “A los líderes les resulta cada vez más difícil distinguir entre ambos”, afirma. Como resultado del rápido ritmo del cambio, muchas empresas buscan construir marcos flexibles, que les permitan adoptar diferentes modelos a medida que se desarrollan. Por ejemplo, PricewaterhouseCoopers no se vincula a ningún LLM en particular. “Tenemos una arquitectura de complementos”, dice Greenstein de PwC. “Hemos estado ayudando a las personas a construir según los estándares existentes, pero aún así tenemos flexibilidad”. La empresa también cuenta con personas que vigilan de cerca la vanguardia del desarrollo. “Con la IA, esto está llegando muy rápido. Nos estamos centrando en ‘medidas sin arrepentimiento’, como la construcción de una infraestructura independiente del LLM. Esto es fundamental ahora porque los modelos se están superando unos a otros”, concluye. Maria Korolov, CIO.com
Kommentare