El modelo se puede alquilar. La inteligencia debe ser tuyaHagamos un pequeño experimento mental en el ámbito de la tecnología-ficción: ¿qué habría ocurrido si el PageRank de Larry Page y Sergey Brin no hubiera logrado atraer a sus primeros inversores en 1998? Google no inventó el motor de búsqueda; ya existían muchos otros, desde AltaVista, Excite o Lycos —que contaban la frecuencia de las palabras en las páginas y vendían su página de resultados al mejor postor— hasta conceptos de catálogo o portal como Yahoo! o AOL, que intentaban captar al máximo la atención de los usuarios para mostrarles la mayor cantidad posible de publicidad. Imaginemos qué habría pasado si estos modelos se hubieran consolidado, privándonos de la web que surgió gracias al método de búsqueda sencillo y eficiente de Google…¿De qué se dieron cuenta Larry Page y Sergey Brin? Adaptaron y ampliaron un sistema que sabían que funcionaba en la literatura académica —¡recordemos que ambos eran estudiantes de doctorado y, por tanto, leían artículos académicos sin parar!: el citation index (o, más concretamente, el citation impact). Trasladaron este concepto a un nuevo entorno: la web. Comprendieron que existía una señal poco aprovechada —las relaciones entre páginas— y la utilizaron para generar una métrica. Al ponderar los enlaces según la importancia de las páginas que los incluían, no solo lograron indexar la web, sino también definir la atención como una construcción social: una página se considera importante cuando otras páginas la enlazan utilizando un término determinado.¿Cuál es la señal más infrautilizada hoy en día en el ámbito de la inteligencia artificial corporativa?Como he mencionado en varias ocasiones, la inteligencia artificial corporativa es radicalmente distinta a la inteligencia artificial de uso individual: las empresas no solo necesitan respuestas a sus preguntas; requieren memoria persistente y gestión de estados, bucles de aprendizaje basados en retroalimentación, ciberseguridad integrada, registros (logs) trazables e inalterables, entre otros elementos.Hasta ahora, las empresas han estado construyendo esta infraestructura de soporte utilizando herramientas del siglo XX, como Python. El problema es que los agentes de inteligencia artificial están demostrando ser lo suficientemente inteligentes como para escapar de estos entornos controlados y provocar todo tipo de resultados negativos. Esto no ocurre porque sean intrínsecamente malvados —algo imposible, por definición—, sino porque los objetivos y los mecanismos de seguridad están mal definidos, o bien debido a permisos excesivos, ataques de inyección de instrucciones (prompt injection) o un aislamiento deficiente. En lugar de contar con una plataforma que proporcione estas capacidades de forma coherente, las empresas intentan definirlas caso por caso, aplicación por aplicación.Por otro lado, las empresas toman constantemente decisiones sobre proveedores, clientes, inventario, precios, servicios, etc. Estas decisiones generan, de forma continua, evidencia sobre qué funciona y qué no; eso sí, siempre que la empresa sea lo suficientemente inteligente como para capturar dicha información. ¿Qué pasaría si pudiéramos evaluar la inteligencia artificial en función de si la empresa aprende y mejora, más allá de la calidad de los resultados individuales? ¿Y si la optimización mediante inteligencia artificial llegara a ser más importante que el simple acceso a modelos más capaces?La competencia se desplaza de las capacidades de los modelos al rendimiento del sistemaUna empresa no solo necesita un modelo de inteligencia artificial muy potente; requiere una arquitectura que coordine sus capacidades en función de sus objetivos. Investigadores que escriben en el blog de inteligencia artificial de Berkeley describen explícitamente el giro hacia los «sistemas de inteligencia artificial compuestos» (compound AI systems), en los que el diseño del sistema puede ofrecer mejores resultados que el simple escalado de los modelos.Otros experimentos, como FrugalGPT o DSPy, constituyen precedentes concretos en los que la selección del modelo queda supeditada a los resultados obtenidos: FrugalGPT demostró que las «cascadas» de modelos pueden igualar el rendimiento del modelo individual más potente, reduciendo hasta en un 98% el coste de las tareas evaluadas; por su parte, DSPy mostró que los flujos de trabajo optimizados, que emplean modelos más pequeños, pueden competir con enfoques basados en modelos propietarios de gran envergadura.¿Qué hace que este siguiente paso sea tan relevante? La capacidad de aprender a partir de distintas ejecuciones. Si logramos que cada interacción sirva para orientar las decisiones futuras en un contexto determinado, podremos obtener una ventaja sustancial. Los «modelos del mundo» (world models) aportan precisamente esta posibilidad: permiten anticipar las consecuencias antes de actuar. Las investigaciones sobre Dreamer demuestran con éxito este mecanismo en diversas tareas de control. Una vez logrado esto, es posible recurrir al aprendizaje por refuerzo —u otro mecanismo de optimización— para aprovechar la experiencia y mejorar progresivamente la toma de decisiones.El aprendizaje organizacional acumulado se convierte en la verdadera ventaja competitiva.Si bien los modelos de amplia disponibilidad —ya sea a través de API comerciales o implementaciones de modelos de pesos abiertos— pueden ofrecer capacidades comunes, la experiencia específica de una empresa permite tomar decisiones verdaderamente diferenciadas; aquellas que realmente marcan la diferencia. Pensemos, por ejemplo, en las decisiones de renovación que pueden tomarse al aprender de los resultados observados en cuanto a la retención de clientes.Sin embargo, hay que tener en cuenta que la simple acumulación de datos no garantiza automáticamente una ventaja: es necesario procesar la información adecuadamente, y no mediante «una inteligencia artificial» cualquiera, sino mediante «tu propia inteligencia artificial». Asegúrate de situar el entrenamiento en el nivel correcto, aquel que puedas gestionar y controlar.PageRank permitió extraer valor de algo que la web ya generaba: los enlaces. El próximo gran avance en la inteligencia artificial corporativa podría extraer valor de algo que las empresas ya generan a diario: la experiencia. Si esa experiencia se transforma en un aprendizaje acumulado que la empresa controla y conserva —incluso cuando los modelos cambian—, la ventaja competitiva pasa a pertenecer a la propia organización. Aquella empresa que deje de esperar a que aparezca un modelo «más inteligente» podría ser, sencillamente, la primera en comprender que su activo más valioso es la inteligencia que ella misma aprende a construir —y a mantener.Mi criterio de adquisición propuesto se basa en la siguiente pregunta: ¿puede la empresa cambiar de proveedor de modelos conservando, al mismo tiempo, su historial operativo, sus políticas aprendidas, sus objetivos y los resultados positivos ya demostrados? ¿Es capaz tu empresa de exportar y reutilizar ese aprendizaje al cambiar de plataforma o proveedor? ¿Eres dueño de tu inteligencia corporativa, o simplemente la tienes alquilada en su totalidad? Al dejar de depender de una «inteligencia artificial genérica» y empezar a trabajar con «tu propia inteligencia artificial», pasas a controlar el activo de aprendizaje, sin necesidad de ser propietario de cada uno de los modelos subyacentes.Es entonces cuando una empresa puede convertirse en una organización verdaderamente optimizable. En definitiva, la optimización es, precisamente, lo que necesitas.(This article was previously published on Fast Company)