Después de la irrupción de Open AI -ChatGTP- vimos como Google -Gemini-, Microsoft -Copilot- y otros gigantes desarrollaron modelos propios. Otras empresas nuevas surgieron como Anthropic -Claude- o Mistral -Mistral AI-.

Además, el predominio de EEUU está en disputa, ya que China cuenta con varios modelos propios muy potentes y con menor costo de procesamiento -DeepSeek, Hunyuan, Qwen- y resultados iguales o incluso superiores en muchos casos.

Estas empresas tienen diferentes estrategias sobre multimodalidad - capacidad de manejar textos, imágenes, videos, búsqueda, código, razonamiento - y diferentes estrategias de desarrollo, infraestructura y expansión.

La capacidad de estos modelos -que se actualizan permanentemente- se miden en tests y evaluaciones que cubren diferentes tareas específicas.

Estamos en el inicio de una nueva gobernanza de datos, infraestructura y posibilidades, con un escenario muy dinámico y posibles colapsos y nacimientos de gigantes tecnológicos de la próximas décadas. Apple, AWS, IBM y otras redefinen estrategias de desarrollos propios y/o alianzas con resultados impredecibles.

Cuando ChatGPT salió en noviembre de 2022, solo procesaba texto, tenía una ventana de contexto de unas pocas páginas, no accedía a internet, no podía ejecutar código ni ver imágenes, y su conocimiento estaba congelado en el tiempo.

Menos de tres años después, los modelos líderes procesan texto, imágenes, audio y video en tiempo real, manejan ventanas de contexto de hasta 1 o 2 millones de tokens (libros enteros), se conectan a internet, ejecutan código, usan herramientas externas y razonan en pasos complejos.

La velocidad y las direcciones en que se desarrolla nos ponen en una disyuntiva estratégica: tenemos que tomar decisiones en un escenario muy cambiante que abrirá más posibilidades en el corto plazo, disminuirá costos y reemplazará mucho de lo que hacemos hoy. La brecha entre los que se adapten tempranamente y el resto será cada vez mayor.

Este boom de la IA no trae sólo ventajas y buenos resultados. Hay muchas promesas exageradas y soluciones buscando un problema. Miles de empresas se crean cada día y muchas de ellas no superan los 6 meses de vida. El nivel de inversión global es tan alto que el riesgo de estar creando una burbuja — empresas sobrevaloradas, aplicaciones inútiles, consultores y soluciones mágicas- está en el debate tecnológico.

Además de un razonable escepticismo o incredulidad, también hay resistencias que pueden ser válidas: qué pasará con el trabajo y la creatividad de las personas, qué dependencias nuevas tendremos de la tecnología, qué ocurre con la información que le damos a la IA.

Algunas de esas preguntas todavía no tienen una respuesta única o definitiva. Sin embargo, vamos a tener que buscarlas a medida que avanzamos, porque la tecnología no esperará para seguir su desarrollo acelerado.

La tecnología no es una burbuja. Los resultados en procesos reales son medibles y reproducibles. No hay vuelta atrás. Debemos superar la idea de "esto no me sirve" y pasar a preguntarnos "¿esto resuelve mi problema específico, a un costo razonable, con un riesgo manejable?"

Contexto — la información que le damos cuando le pedimos una ejecución. Mientras más claro, completo y organizado mejor será su respuesta. Tiene límites de extensión: conversaciones muy largas o documentos muy grandes hacen que pierda precisión.

Documentos — puede tomar como fuente documentos completos, procedimientos, planillas, normas, etc. Es posible indicarle qué sólo trabaje con esa información. Es la base de los sistemas configurados para una empresa.

Capacidades / Skills — documentos con instrucciones específicas que incorpora a su contexto cuando se le pide que resuelva problemas específicos. Se puede configurar para que responda siempre en un formato preestablecido, seguir ciertos criterios de calidad, conocer el glosario interno de tu operación.

Bases de datos De información estructurada y no estructurada. Todo lo que no puede mantener en contexto, lo aloja en estas bases -tengamos control o no sobre ello-.

La explosión de la IA que vemos hoy responde a la confluencia de varios factores, entre ellos:

- La digitalización de las últimas dos décadas puso a disposición la información con la que se entrenan los modelos.

- El éxito de investigación en algoritmos que se perfeccionaron a partir de alcanzar resultados prometedores — redes neuronales, machine learning, deep learning — que fueron mejorando gradualmente durante décadas. Su expresión última son los transformers, que detectan en simultáneo qué palabras son más relevantes para condensar la información.

- Infraestructura en la nube -cloud- que permite crecer y escalar sin servidores o unidades de procesamiento de información local.

- Menores barreras de entrada -plataformas no code / low code y formación digital- para que investigadores y no programadores utilicen la tecnología.

Información estructurada vive en tablas y bases de datos. Cada dato tiene su lugar definido y se aplican reglas de asociación entre ellos definidas por la estructura. Un Excel es el ejemplo más claro. Con la estructurada trabaja con mucha precisión, siempre que la información tenga una estructura consistente. Sin embargo, en muchos casos las fuentes de datos fueron creciendo y contienen información en formato estructurado pero cuya comprensión por parte de la IA

La IA puede leer con mucha precisión este tipo de información, si tiene una estructura consistente. Sin embargo, en muchos casos las fuentes de datos fueron creciendo y contienen información en formato semi-estructurado, dificultando considerablemente la correcta interpretación. Es el caso de celdas combinadas, tablas con abreviaturas o columnas sin nombres, por ejemplo.

Información no estructurada es todo lo demás: mails, PDFs, conversaciones, audios, fotos. Sin esquema fijo.

La IA procesa, resume y "etiqueta" la información no estructurada y la aloja en una base de datos vectorial. La ubicación de esa porción de información se define por cercanía de etiquetas / temas. Cuando necesita buscar algo en la base vectorial, toma los datos cercanos como contexto para generar su respuesta.

La IA maneja los dos tipos, pero de formas distintas. Es fundamental el manejo correcto de cada tipo de dato para que los resultados sean consistentes y confiables. Este es el error más habitual en procesos de bajo control y es la mayor fuente de riesgo si no se trabaja adecuadamente.

La IA que conocemos vive en el mundo digital. Pero hay toda una capa que conecta lo digital con lo físico: sensores en equipos, drones de inspección, vehículos autoguiados, brazos robóticos — todo puede conectarse con IA para tomar decisiones en tiempo real.

Aplicaciones industriales: El costo de estas integraciones físicas sigue siendo alto. Empezar por lo digital, aprender con procesos de información, y prepararse para cuando sea necesario integrar tareas físicas.

Lo que ya está pasando en empresas industriales: automatización de reportes, gestión documental y normativa, apoyo en cotizaciones y propuestas, decisiones de mantenimiento predictivo.

Lo que viene: integración con sistemas de planta, control de calidad asistido, nuevos servicios de control y trazabilidad para clientes, aplicaciones específicas por lugar de trabajo.

En este momento, las empresas que regulan la IA son las mismas que la desarrollan. No existe regulación global efectiva ni un organismo internacional con autoridad real para supervisar cómo se entrenan los modelos, qué datos se retienen o cómo se usan.

Por eso, es importante diseñar un uso de la tecnología que proteja los activos -datos- de las empresas y que anticipe posibles riesgos de dependencia tecnológica, migración de proveedores y políticas de confidencialidad explícitas.

Sin embargo, para muchas empresas es suficiente con mantener los mismos estándares de confianza actual, ya sea ejecutando funciones de IA de modo local -los datos nunca se comparten hacia servidores externos- y/o confiando en los proveedores actuales, como por ejemplo Google o Microsoft para sistemas de gestión.