Las empresas deberían resistirse a adoptar sistemas de IA cada vez más potentes simplemente para seguir la moda, según un artículo publicado por TechRadar Pro. Su argumento central es que la tecnología empresarial debería elegirse para resolver un problema específico del negocio, no para maximizar la cantidad de modelos o agentes en uso.
El artículo señala que las empresas llevan mucho tiempo utilizando el aprendizaje automático tradicional para tareas como recomendaciones, previsiones, detección de fraudes y estimación del valor del ciclo de vida de los clientes. Para datos estructurados y predicciones sencillas, estos métodos pueden ser más rápidos y baratos que los modelos de lenguaje grandes, que pueden aumentar los costos y la variabilidad sin mejorar el resultado.
Algunos procesos quizá no necesiten IA en absoluto. Cuando una tarea sigue reglas fijas y debe producir resultados consistentes —como transferir datos según un horario o activar una acción bajo una condición predefinida—, la automatización convencional puede ser suficiente. Añadir un agente a un proceso fiable y económico puede introducir complejidad sin hacerlo más útil.
La IA generativa es más adecuada cuando una tarea requiere interpretar lenguaje, imágenes u otra información no estructurada, o cuando el siguiente paso depende del contexto. Los agentes pueden utilizar esa comprensión para interactuar con sistemas y realizar acciones. El artículo prevé que los sistemas empresariales combinarán estos enfoques, en lugar de que una tecnología sustituya a todas las demás.
Trasladar la IA de una prueba de concepto a la producción también conlleva costos y responsabilidades, entre ellos la seguridad, la supervisión y el control del comportamiento del sistema. Cuanta más libertad tenga un agente para interpretar información y tomar decisiones, más importante será evaluar su rendimiento, limitar los datos y las acciones a los que puede acceder y ofrecer mecanismos para que las personas intervengan. Además, ejecutar modelos más capaces a gran escala puede resultar caro, por lo que el valor añadido debe justificar ese gasto.
El artículo recomienda empezar por las necesidades del negocio y los datos disponibles, en vez de elegir primero una tecnología. Los datos estructurados y fiables pueden ser adecuados para el aprendizaje automático tradicional; la información no estructurada puede hacer útil la IA generativa; y los agentes pueden justificarse cuando las tareas requieren comprensión contextual y acciones en distintos sistemas. En otros casos, el software convencional sigue siendo la mejor opción.
También sostiene que las herramientas de IA no eliminan la necesidad de ingenieros. Pueden ayudar al personal con experiencia a trabajar más rápido y permitir que los ingenieros júnior alcancen la productividad antes, pero las organizaciones siguen necesitando personas con conocimientos técnicos para construir, supervisar y reparar los sistemas subyacentes. La inversión en talento júnior y la transferencia de conocimientos siguen siendo importantes a medida que los ingenieros con experiencia se marchan o se jubilan.
El artículo concluye que la ventaja empresarial dependerá de reconocer dónde la IA mejora realmente los resultados y dónde funcionan mejor las herramientas más sencillas. Elegir el enfoque adecuado, afirma, requiere datos sólidos, experiencia en ingeniería y el criterio necesario para evitar complejidades innecesarias.
Fuentes: TechRadar.