El panorama de la inteligencia synthetic (IA) ha experimentado una rápida evolución en los últimos años, con inversiones que superaron con creces las expectativas de ingresos a corto plazo1. Esta desconexión ha llevado a una situación compleja en la que tanto los gigantes tecnológicos como las nuevas empresas enfrentan desafíos. Grandes empresas como Cisco, Intel y Dell han anunciado despidos, mientras que numerosas empresas emergentes de inteligencia synthetic han cerrado2. La euforia inicial en torno al potencial de la IA para revolucionar las industrias ha dado paso a preocupaciones más pragmáticas, e incluso líderes de la industria como OpenAI enfrentan dudas sobre su viabilidad a largo plazo3. En este documento, examinamos el estado precise de la IA a través de la lente del ciclo de adopción de la innovación, explorando los desafíos y oportunidades a medida que la tecnología avanza desde la fase innovadora hacia la adopción generalizada.
Comprender los desafíos de la implementación
Integración y Adaptación Tecnológica
El principal obstáculo al que se enfrenta la adopción de la IA es la dificultad para aplicar e integrar la tecnología de forma eficaz. Muchos proyectos no cumplen con las expectativas, ya que las organizaciones luchan por encontrar casos de uso prácticos que brinden un valor tangible4. Este desafío se ve agravado por el rápido ritmo del desarrollo de la IA, que a menudo supera la capacidad de una organización para adaptar sus procesos y su fuerza laboral.
El problema de las alucinaciones
Uno de los problemas más importantes que afectan a los modelos de lenguaje de gran tamaño (LLM) es su tendencia a producir información convincente pero falsa, conocida como alucinaciones5. Este problema socava la confianza en los sistemas de IA y requiere una verificación cuidadosa de los datos, lo que limita su utilidad en escenarios que requieren una alta precisión.
Manejo de expectativas
A menudo existe una desconexión entre lo que producen los modelos de IA y lo que esperan los usuarios. Esta desalineación puede generar decepción y resistencia a la adopción, incluso cuando el rendimiento de la IA es objetivamente bueno. Cerrar esta brecha requiere no sólo mejoras tecnológicas, sino también una mejor educación y gestión de expectativas.
Calidad y cantidad de datos
Entrenar modelos de IA con datos específicos del cliente ha resultado un desafío debido a dos factores principales:
Mala calidad de los datos en muchas organizaciones6 Volumen de datos insuficiente para una formación eficaz
Estos problemas requieren técnicas adicionales de limpieza y aumento de datos, lo que aumenta los costos y la complejidad del proyecto.
Consideraciones de costos
Los costos operativos de ejecutar modelos avanzados de IA siguen siendo altos. Por ejemplo, se estima que ChatGPT cuesta más de $0,36 por consulta para operar7, mientras que su precio oscila entre $5 y $15 por 1 millón de tokens8. Esta estructura de precios a menudo da como resultado que los servicios se ofrezcan por debajo del costo, lo que es insostenible en el largo plazo.
Demandas computacionales
Las técnicas avanzadas de IA como el Árbol de los Pensamientos (ToT) requieren cientos de llamadas a modelos para generar un único resultado. Esta intensidad computacional aumenta los costos y limita la escalabilidad de ciertas aplicaciones de IA.
El ciclo de adopción de la innovación
El estado precise de la adopción de la IA se alinea con el modelo de adopción de tecnología “Cruzando el abismo”9. Actualmente nos encontramos en la fase innovadora, caracterizada por un alto optimismo, pero también con un enfoque en “descubrir cosas” en lugar de una implementación práctica generalizada.
A medida que la industria avanza hacia la fase visionaria, las empresas están comenzando a demostrar soluciones reales en aplicaciones específicas. Sin embargo, esta transición va acompañada de una caída del entusiasmo a medida que se hace realidad el difícil camino hacia la rentabilidad.
Aspectos únicos de la period precise de la IA
Inversión corporativa en tecnología disruptiva
A diferencia de revoluciones tecnológicas anteriores, esta period de la IA está marcada por importantes inversiones de grandes empresas tecnológicas de Estados Unidos y China. Sin embargo, la rentabilidad de estas inversiones puede tardar entre 10 y 15 años, lo que plantea interrogantes sobre el compromiso a largo plazo de estos gigantes corporativos para financiar la investigación en IA.
La analogía del laboratorio de investigación
La situación precise traza paralelismos con los laboratorios de investigación de las décadas de 1950 y 1960, como Bell Labs y Xerox PARC. Estas instituciones produjeron tecnología innovadora pero a menudo no lograron capitalizar sus innovaciones. Existe la posibilidad de que los gigantes tecnológicos de hoy enfrenten un destino related, y que las startups más pequeñas y ágiles finalmente cosechen los frutos de su investigación.
El dilema del innovador
Las principales empresas tecnológicas están impulsando activamente la adopción de la IA para evitar ser víctimas del dilema del innovador10. Están intentando guiar a sus clientes hacia la adopción de la IA, incluso ante una adopción lenta. La estrategia de precios de Microsoft para Copilot, inicialmente fijada en 108.000 dólares al año para 300 licencias y luego ajustada a 360 dólares al año para una sola licencia, ilustra los desafíos que supone encontrar el equilibrio adecuado.
Modelos de precios: un desafío crítico para la adopción de la IA
Uno de los obstáculos más importantes en la comercialización de la IA es determinar los modelos de precios adecuados. Las empresas están luchando por equilibrar la necesidad de ingresos sostenibles con el objetivo de impulsar la adopción y crear valor para los clientes. Recientemente, el director ejecutivo de Cohere se quejó de que hay poco margen para vender servicios ChatBot11. Han surgido varias estrategias de fijación de precios, cada una con sus propias compensaciones12.
Los precios basados en el uso cobran a los clientes en función del consumo de recursos, lo que ofrece transparencia pero potencialmente desalienta la experimentación. Los modelos de suscripción proporcionan ingresos predecibles, pero es posible que no se ajusten al uso actual o al valor creado. La fijación de precios basada en el valor intenta vincular los costos con los beneficios obtenidos, pero su implementación puede ser compleja. Los modelos Freemium impulsan la adopción, pero enfrentan desafíos para convertir a los usuarios gratuitos en clientes de pago. Las tarifas únicas de licencia, habituales en el software program empresarial, pueden no reflejar la naturaleza continua del desarrollo de la IA.
La complejidad de los precios de la IA se ve agravada aún más por factores como costos operativos inciertos, dificultades para cuantificar el valor de la IA, preocupaciones sobre la propiedad de los datos, rápidos cambios tecnológicos y presiones competitivas.
A medida que la industria madura, podemos esperar que los modelos de precios evolucionen, potencialmente avanzando hacia enfoques más sofisticados, basados en el valor y precios dinámicos en los mercados de IA. Las estrategias exitosas deberán comunicar de manera efectiva el valor de las ofertas de IA y al mismo tiempo garantizar un crecimiento sostenible para los proveedores.
Desafíos y consideraciones adicionales
Preocupaciones éticas y regulatorias
A medida que la IA se vuelve más poderosa y omnipresente, las consideraciones éticas y los desafíos regulatorios están pasando a primer plano13. Cuestiones como el sesgo en los sistemas de inteligencia synthetic, preocupaciones sobre la privacidad y el cumplimiento de la industria. y el potencial de que la IA se utilice de manera dañina es cada vez más importante. Navegar por este complejo panorama será essential para el éxito a largo plazo de la industria.
Educación en IA y transformación de la fuerza laboral
Existe una necesidad creciente de educación en IA en todos los niveles, desde la alfabetización digital básica hasta las habilidades técnicas avanzadas. Las organizaciones deben invertir en reciclar y mejorar las habilidades de su fuerza laboral para aprovechar eficazmente las tecnologías de inteligencia synthetic. Esta transformación de la fuerza laboral presenta desafíos y oportunidades tanto para individuos como para organizaciones.
Explicabilidad y transparencia de la IA
A medida que los sistemas de IA se vuelven más complejos, crece la necesidad de una IA explicable (XAI). Las partes interesadas, incluidos los usuarios finales, los reguladores y los desarrolladores, deben comprender cómo los sistemas de IA toman sus decisiones. Mejorar la transparencia y la interpretabilidad de los modelos de IA es essential para generar confianza y garantizar un despliegue responsable14.
Consumo de energía e impacto ambiental
El entrenamiento y el funcionamiento de grandes modelos de IA requieren importantes recursos computacionales, lo que genera un alto consumo de energía. A medida que crezca la adopción de la IA, abordar el impacto ambiental de estos sistemas será cada vez más importante. Desarrollar arquitecturas de IA más eficientes energéticamente y promover prácticas de IA sostenibles serán desafíos clave para la industria.
Gobernanza y estandarización de la IA
A medida que la IA se vuelve más frecuente en todas las industrias, existe una creciente necesidad de mejores prácticas y marcos de gobernanza estandarizados. Establecer estándares en toda la industria para el desarrollo, implementación y monitoreo de la IA será essential para garantizar un uso responsable y consistente de la tecnología.
Leyes de derechos de autor y propiedad intelectual
A los titulares de derechos de autor en ciertos países les preocupa que su información se utilice en el entrenamiento de modelos de IA. Japón y Estados Unidos ejemplifican las posiciones extremas que pueden adoptar los países. En Japón, las IA pueden aprender a utilizar información sobre derechos de autor sin ninguna repercusión authorized. Sin embargo, en Estados Unidos los grandes titulares de derechos de autor creen que es una violación authorized entrenar una IA con materials protegido por derechos de autor.
Una preocupación legítima es que, por supuesto, los modelos de IA pueden consumir tanta información, mucha más de la que cualquier ser humano puede absorber en su vida. Definitivamente hay acuerdos que se van a cerrar con modelos realmente masivos que tendrán acceso a esta información, pero ¿es esto generalmente útil o útil para el avance basic de la IA?
Conclusión
La industria de la IA se encuentra en un momento crítico. Si bien la tecnología se ha mostrado inmensamente prometedora, enfrenta importantes desafíos en términos de adopción, rentabilidad e implementación práctica. A medida que nos acercamos al “abismo” en la adopción de la IA, el enfoque debe cambiar hacia el desarrollo de aplicaciones de calidad que brinden un valor tangible a los clientes.
El futuro de la IA probablemente dependerá de qué tan bien la industria pueda abordar estos desafíos. Esto incluye mejorar la tecnología en sí, desarrollar modelos de negocio sostenibles, navegar por los panoramas regulatorios y gestionar eficazmente los impactos sociales. Si bien el camino a seguir puede ser desafiante, los beneficios potenciales de la IA siguen siendo enormes y prometen transformar las industrias y la sociedad de manera profunda.
A medida que avancemos, será elementary que las partes interesadas de todo el ecosistema de la IA (desde investigadores y desarrolladores hasta líderes empresariales y formuladores de políticas) colaboren para abordar estos desafíos. Al hacerlo, podemos trabajar para aprovechar todo el potencial de la IA y al mismo tiempo mitigar sus riesgos y garantizar que sus beneficios se distribuyan ampliamente en toda la sociedad.
Escrito por: Dr. Oliver King-Smith es director ejecutivo de smartR AI, una empresa que desarrolla aplicaciones basadas en sus marcos SCOTi® AI y alertR.
Referencias:
1“La inteligencia synthetic está perdiendo popularidad”, Economist, 19 de agosto de 2024
2https://techcrunch.com/2024/08/15/tech-layoffs-2024-list/
3“OpenAI podría estar al borde de la quiebra en menos de 12 meses, con proyecciones de pérdidas de 5 mil millones de dólares”, 25 de julio de 2024, Kevin Okemwa, Home windows Central
4“Gartner predice que el 30% de los proyectos de IA generativa se abandonarán después de la prueba de concepto para fines de 2025”, 29 de julio de 2024, Gartner
5 “Detección de alucinaciones en modelos de lenguaje grandes mediante entropía semántica”, 19 de junio de 2024, Sebastian Farquhar et al., Nature
6“El impacto de la mala calidad de los datos (y cómo solucionarlo)”, 1 de marzo de 2023, Keith D. Foote, Dataversity
7“No creerás cuánto cuesta operar ChatGPT”, 20 de abril de 2023, Fionna Agomuoh, Digital Tendencies
8https://openai.com/api/pricing/
9 “Cruzando el abismo: comercializar y vender productos de alta tecnología a clientes convencionales o simplemente cruzar el abismo”, 2014, Geoffrey A. Moore
10 “El dilema del innovador: cuando las nuevas tecnologías hacen que las grandes empresas fracasen”, 1997, Clayton Christensen
11“¿Qué márgenes? El modelo de negocio de la IA está cambiando rápidamente, cube el fundador de Cohere”, 19 de agosto de 2024, Maxwell Zeff, Techcrunch
12“7 modelos de fijación de precios de IA y cuáles utilizar para un crecimiento rentable”, 22 de mayo de 2024, Alvaro Morales, Con Orb
13 “Desafíos éticos y regulatorios de las tecnologías de IA en la atención médica: una revisión narrativa”, 2024, Ciro Mennella, Umberto Maniscalco et al, Heliyon
14 “Inteligencia synthetic explicable (XAI): lo que sabemos y lo que queda para lograr una inteligencia synthetic confiable”, 2023, Sajid Ali et al., Data Fusion
Crédito de la imagen: Freepik https://www.freepik.com/free-photo/workers-using-ai-computing-simulation_134840249.htm#fromView=image_search_similar&web page=1&place=0&uuid=6adc7e50-0e55-41bf-9410-f8edcbda3256
