A pesar del ruido que rodea a los modelos de IA de frontera, la mayor parte de la economía no tecnológica sigue funcionando con hojas de cálculo, búsquedas manuales y sistemas heredados. Este fenómeno es aún más visible en la reparación automotriz, donde la brecha entre lo que promete la IA y lo que realmente entrega cuesta dinero real a la industria.

El mercado global de reparación de automóviles supera el billón de dólares, pero solo en Estados Unidos representa más de 180 mil millones al año, repartidos entre más de 250,000 empresas, y sin que ningún operador tenga más del 5% de cuota de mercado.

El vehículo promedio en EE. UU. tiene ahora 12,6 años de antigüedad, el fleet más viejo registrado, lo que implica reparaciones más frecuentes, piezas más complejas y más presión sobre talleres que ya operan con márgenes reducidos.

Desde 2022, los costos de reparación han aumentado un 25%, muy por encima de la inflación. A pesar de esto, la industria sigue combinando partes principalmente mediante búsquedas manuales en catálogos, experiencia y conjeturas. Esto provoca pedidos de piezas incorrectas, vehículos esperando en el taller y costos de devoluciones, retrabajos y tiempo de técnicos absorbidos por los talleres.

Este problema existe en todos los mercados, pero en EE. UU. es donde se manifiesta con mayor claridad: el mercado es enorme, altamente fragmentado y ha operado sin una infraestructura nativa de IA diseñada específicamente para él. Eso refleja un desafío técnico real que la IA de propósito general aún no ha podido resolver y no puede resolver en su forma actual.

Por qué fallan las modelos de propósito general

Los modelos de propósito general están diseñados para optimizar el lenguaje, el razonamiento y la creatividad, pero no para ser extraordinariamente precisos en una industria específica. En sectores como la reparación automotriz, la tolerancia al error es casi nula. Por ejemplo, si un modelo recomienda una pieza de faro que no encaja, retrasa al técnico, desilusiona al cliente y eleva considerablemente el costo para la aseguradora.

Al comparar modelos de propósito general líderes con tareas específicas de piezas automotrices, los resultados son claros. Los mejores modelos generales alcanzan alrededor de 5% de precisión en identificaciones de piezas. Un humano bien entrenado supera eso con creces, pero está limitado por la memoria, la complejidad del catálogo y el tiempo.

Un modelo diseñado para este problema, entrenado con datos OEM propietarios, esquemas normalizados de catálogos, reglas de ajuste y retroalimentación transaccional en vivo, alcanza más del 90% de precisión en los mismos benchmarks; no es una mejora marginal, es una categoría de capacidad diferente.

El problema de datos y arquitectura

Existen razones estructurales por las que la brecha es tan grande. Los datos de piezas y reparaciones automotrices no son una versión ampliada del texto genérico: son un grafo en constante evolución de relaciones: VINs, acabados, submodelos, variantes regionales, sustituciones de posventa y preferencias de los talleres. Mucho de esto permanece en catálogos de OEM fragmentados y formatos propietarios no disponibles en la web abierta.

La arquitectura requerida también es diferente; una decisión de piezas en un taller real debe tener en cuenta historial del vehículo, regulaciones de aseguradoras, inventario del proveedor, precios contractuales y preferencias de los técnicos, simultáneamente. Se necesita un modelo capaz de ingerir catálogos estructurados y hacer cumplir restricciones duras, no uno optimizado para utilidad conversacional general.

Construyendo la infraestructura que hace escalar posible

Construir un modelo base específico de dominio no es cuestión de ajustarlo a partir de una base general, sino de ensamblar un conjunto de datos a partir de años de acuerdos con OEM, normalización de esquemas y la integración continua de datos de reparación, reclamaciones e inventario.

El modelo debe conectarse a los sistemas que ejecutan el negocio, de modo que cada recomendación aceptada, cada devolución y cada resultado de trabajo retroalimente y incremente la precisión con el tiempo. La ventaja competitiva se acumula con el tiempo mediante la combinación de datos propietarios, integración profunda y aprendizaje continuo. Cuanto más tiempo opere el modelo, mejor se vuelve.

Para el mercado estadounidense, esto importa más que en cualquier otro lugar; la escala de la oportunidad —250,000 talleres, una flota envejeciendo cada año, costos que aumentan más rápido que la inflación— hace que el valor de corregir las piezas a la primera sea enorme.

Los mercados donde esta tecnología se ha implementado en Europa y Asia-Pacífico han mostrado mejoras de productividad reales y medibles. EE. UU. hasta ahora carecía de una infraestructura equivalente para acceder a esos resultados.

Qué deben preguntar compradores e inversores

Para compradores de tecnología en verticales complejas, la pregunta correcta a hacer a cualquier proveedor de IA no es qué tan capaz es su modelo en general, sino cómo funciona frente a los modos de fallo específicos que cuestan dinero a la industria. En la reparación automotriz, eso significa tasas de correcto a la primera vez, tasas de devolución y compresión del ciclo de trabajo.

La misma lógica aplica a inversores: el tamaño de un modelo no es una medida de cuán difícil es desplazar un negocio. Las preguntas relevantes son cuán difícil es ensamblar el conjunto de datos, cuán integrado está el modelo en flujos de trabajo operativos y cuánta capacidad de razonamiento es realmente general dentro del dominio.

Los modelos de propósito general seguirán mejorando y seguirán siendo valiosos para una amplia gama de tareas. Pero el valor más profundo y duradero en IA se crea donde los modelos dejan de ser simples asistentes y se convierten en infraestructura invisible, optimizada para un problema duro a la vez.

En la reparación automotriz, eso significa resolver el problema de piezas que ha afectado a la industria durante décadas. En EE. UU., donde la escala amplifica tanto el costo del problema como el valor de resolverlo, ese cambio ya es hora de que ocurra.

Este artículo forma parte de TechRadar Pro Perspectives, nuestra vía para presentar a las mentes más brillantes de la industria tecnológica actual.

Las opiniones expresadas aquí corresponden a su autor y no necesariamente a TechRadarPro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/8sjWV3D
via IFTTT IA