Haciendo una analogía con el mundo de la moda, la inteligencia artificial (IA) se mueve ahora en las pasarelas de la alta costura, en la vanguardia de la investigación y la innovación, y llega al mercado todavía fundamentalmente a través de la sastrería a medida. Pero ha empezado a construirse la calle principal, donde se van ubicando escaparates de IA pret à porter, está entrando en contacto con el mercado masivo.
En esta dinámica de democratización de acceso a la tecnología, los expertos instan a no perder de vista la realidad de cada negocio al diseñar la estrategia de I+D+I. La mayoría de las empresas se aventuran a poner en marcha proyectos de IA con objetivos claros en mente, como el de acelerar los tiempos de comercialización, pero sin una hoja de ruta clara para hacerlo de forma estructurada.
Ese necesario plan de implantación debe incluir, en primer lugar, los datos correctos. Sin ellos, cualquier intento es vano, no tiene sentido tomar decisiones sobre ingeniería y modelos. Además, un científico de datos no puede ejecutar un proyecto de IA a gran escala solo, necesita el apoyo de la infraestructura y las líneas de negocio específicas, por eso debe involucrar a la dirección desde el principio.
Modelos de IA generativa como ChatGPT están generado enorme entusiasmo por su extraordinaria capacidad para realizar tareas y generar texto similar al humano, pero sus sorprendentes habilidades tienen un precio: la escala. A medida que aumenta el tamaño de los modelos de IA, crece el volumen de datos con los que deben ser entrenados y aparecen nuevos desafíos de complejidad.
La clave del éxito y de la velocidad en la IA está en el entrenamiento. Ahora mismo, la diferenciación vía innovación en IA depende de la rapidez con la que se puede entrenar un modelo con datos en tiempo real cada vez mayores. Ese proceso suele llevarse a cabo en centros de datos empresariales y en la nube. Para la industria 4.0, requiere de servidores de alta potencia, aceleradores de hardware y redes de alta velocidad operando juntos dentro de una carga de trabajo. Pero incluso con esa infraestructura masiva, se necesitan mucho tiempo para para entrenar un solo modelo.
El hardware de una economía digital que implante la IA de forma generalizada exigirá un aumento exponencial en los requisitos de eficiencia energética. Incluso el centro de datos más avanzado se enfrenta a sus propios límites físicos en el suministro de energía y por el exceso de calor, lo que impide una mayor escalabilidad de los recursos. Ese hecho supone un desafío añadido para la innovación.
Para acortar el tiempo de entrenamiento de IA y combatir esas limitaciones de potencia, las GPU (unidad de procesamiento gráfico) se están volviendo cada vez más eficientes en el consumo de energía, con potencias capaces de alcanzar las operaciones de coma flotante por segundo de Peta (1.000.000.000.000.000.000). A ello se suma una memoria de alto ancho de banda (HBM) capaz de mover terabytes por segundo en una sola GPU.
Como los modelos más grandes que existen simplemente no caben en una sola GPU, las conexiones de GPU a GPU también alcanzan un rango de terabytes por segundo con una latencia extremadamente baja para permitir escalar el entrenamiento en muchas GPU con una sobrecarga mínima.
Es la respuesta a un crecimiento de la demanda de computación de IA en la nube y como servicio realmente extraordinario. Hoy en día es posible construir un negocio completo en un hardware alquilado, a partir de modelos completamente listos para usar. Tiene su riesgo, pero la posibilidad existe. Incluso los sectores que tradicionalmente exigían el control de su propio hardware, como el financiero, están migrando a la nube procesos de IA.
Líneas de crecimiento
El potencial transformador de la IA en todos los sectores podría alcanzar entre los 10 y 15 billones de euros, según McKinsey. El margen es realmente amplio, como consecuencia de los desafíos existentes todavía en entrenamiento y hardware. Pero conforme se despejan algunas dudas se pueden formular estimaciones más precisas. El tiempo desde la prueba de concepto hasta el sistema de producción se puede reducir entre ocho y diez veces si se estandariza de la gestión de datos y la implementación del modelo utilizando IA.
Desde 2018, la velocidad de entrenamiento se ha incrementado un 94,4% y el número relativo de patentes presentadas en 2021 multiplica por 30 el de 2015, lo que arroja una tasa de crecimiento anual compuesta del 76,9%. En este último dato, hay que considerar la irrupción sonora del sector tecnológico de China, cuyos modelos de protección industrial destacan más desde el punto de vista cuantitativo que cualitativo.
A juicio de la consultora IDC, la IA ha adoptado el rol de “habilitador de todas las nuevas tecnologías que se están implantando en el mercado”. Quizás le estamos pidiendo más de lo que puede ofrecer por ahora. Con la IA se busca, en el 71% de los casos, la automatización de tareas repetitivas, que puede suponer ahorros de hasta el 84% en las organizaciones de mayor tamaño, y en segundo lugar la mejora de calidad (48%), añade.
El automóvil (64%), gracias al uso generalizado de interfaces de voz en el automóvil, y el sector público (62%) son los que muestran mayor propensión a incorporar la IA, seguidos por la banca y los seguros (51%). Los fabricantes de vehículos prometen un paradigma completamente distinto a partir de 2025.
Sobre el impacto de la IA en los modelos de negocio directos al consumidor (b2c), otra consultora, Capgemini, sostiene más de la mitad de los consumidores 54% tienen interacciones diarias habilitadas por IA con distintos tipos de organizaciones, incluidos chatbots, asistentes digitales, reconocimiento facial o escáneres biométricos. En 2018, eran sólo el 21%. Tres cuartas partes de ellos tienen entre 18 y 35 años.
Interesante que solo el 14% de los clientes prefieren las interacciones solo con IA para la atención postventa, frente al 40 % que prefiere relacionarse sólo con humanos. En el sector minorista, en efecto, es mayor el porcentaje de clientes que se fían de interactuar con IA en la etapa inicial (49%) de la compra que en las etapas posteriores (39%), por ejemplo, para gestionar las devoluciones.