Una revisión profunda está en curso en el mundo empresarial de la IA. Directores ejecutivos que durante dos años ajustaron modelos de frontera a sus negocios ahora plantean preguntas más exigentes.

¿Qué se obtuvo realmente por el dinero invertido? ¿A dónde va nuestra data cuando pasa por el modelo de otra empresa? Y cuando el modelo en el que se estandarizó el año pasado ya no es el mejor, ¿cuánto de nuestro negocio hemos entregado a un proveedor que no controlamos?

La última pregunta es la que debería mantener a los líderes despiertos por la noche, porque para la mayoría de las compañías la respuesta honesta es: mucho más de lo que creen.

La conversación sobre IA se ha centrado principalmente en cuál modelo es el mejor. Eso es lo incorrecto. En un campo donde la dirección cambia cada pocas cuotas, “mejor modelo” es una instantánea, no una estrategia. La pregunta que realmente importa es arquitectónica: cuando el estado del arte se mueve —y siempre se mueve—, ¿puedes moverte con él o tienes que reconstruir tu negocio cada vez?

Los modelos son temporales. Planifica en consecuencia

Aquí está lo que una década ejecutando IA a escala de producción enseña, que ningún gráfico de benchmark puede capturar: los modelos son desechables, y lo serán cada año más. El motor de transcripción que lideraba el mercado cuando iniciamos ya es una nota al pie. El sistema de visión por computadora que dominaba hace tres años ha sido superado una y otra vez. Hemos cambiado motores de mejor a peor en flujos de trabajo en vivo de clientes cientos de veces —en reconocimiento de voz, traducción, detección de objetos, desenfoque de rostros, y ahora modelos de lenguaje grandes— y cada ciclo se agota más rápido que el anterior.

Una empresa muy dependiente de un único proveedor hereda la hoja de ruta, precios y prioridades de ese proveedor como propias. Cuando el proveedor aumenta precios, tú pagas. Cuando descontinúa la versión en la que trabajaste, vuelves a reconstruir.

Cuando un modelo open-source más pequeño, ajustado con tus datos, haría el trabajo mejor y más barato, no puedes recurrir a él porque tus flujos de trabajo hablan un solo dialecto. Eso no es una asociación. Es una dependencia — y depender de un objetivo móvil es probablemente la posición más costosa en la que puedes estar.

De ahí nace la necesidad de construir sistemas donde el bloqueo de modelo no sea una opción desde el día uno: una capa de orquestación que conecte y gestione cientos de modelos comerciales, open-source y propietarios, across tareas cognitivas diferentes, dirige cada tarea al motor que mejor funcione y sustituye modelos a medida que el estado del arte evoluciona — sin que nadie tenga que reconstruir un flujo de trabajo.

El modelo se convierte en un componente, no en un cimiento. El verdadero cimiento es la capa de orquestación y los datos subyacentes, y éstos deben pertenecer a la empresa, no al proveedor.

La disciplina que hace real la pluralidad de modelos: evaluaciones

La pluralidad de modelos suena bien en una keynote y colapsa en la práctica sin una cosa: la capacidad de demostrar, con tus propios datos, qué modelo es realmente mejor para tu tarea. “Mejor” no es una posición en una tabla de líderes.

Un modelo que encabeza un benchmark público puede rendir mal con tus acentos, ángulos de cámara, umbrales legales o tu definición de “lo suficientemente bueno.” Los benchmarks públicos miden capacidad general y, por ello, dicen poco sobre el rendimiento de un modelo dentro de tu flujo de trabajo específico.

Así, la verdadera moneda de la próxima era no es el modelo, sino la evaluación. Las empresas que avanzan pueden enfrentar a cualquier motor contra cualquier otro con su propio contenido y con su propio estándar de calidad, tomando decisiones de intercambio basadas en evidencia en lugar de marketing de proveedores. Esa capacidad de evaluación continua, con datos reales de clientes, convierte el “qué modelo usar” en una decisión medida que puedes rehacer cada vez que el campo cambie. Esta habilidad de evaluación es, en sí misma, un activo estratégico. Es lo que transforma un montón de modelos intercambiables en una ventaja compuesta; y es justamente la capacidad que una empresa pierde en cuanto estandariza en una caja negra única.

Propiedad de tu propio audio y video

Hay una razón por la cual esto importa más en audio y video. El texto es prácticamente una mercancía. Los datos propietaris, defensibles y difíciles de replicar en la empresa son el registro grabado de lo que una compañía dijo, hizo, produjo y presenció — décadas de transmisiones, grabaciones, llamadas y eventos capturados. Es multimodal, tiene derechos, y no puede ser reemplazado, lo que resulta convertirlo en exactamente lo que esta generación de IA busca con mayor voracidad.

La demanda de datos para entrenamiento y ajuste ha superado lo que la web abierta puede suministrar. Lo que realmente se necesita ahora es lo que las empresas ya poseen en sus archivos: datos multimodales, con derechos claros, junto con juicio humano experto sobre qué es “bueno” en cada caso.

Por eso, la postura de los últimos dos años ha sido a veces perversa: las empresas han pagado precios premium para hacer pasar su audio y video por modelos de terceros, con visibilidad limitada de qué se retiene, aprende o un día compita contra ellos. Si tus datos son el insumo escaso que todos persiguen, lo último que quieres es entregarlos como subproducto de tu factura de software.

La alternativa es invertir la lógica empresarial: convertir los archivos crudos de la organización en activos de IA listos para usar, enriquecidos y gobernados con metadatos de derechos desde el momento de la creación, y no añadidos después. Porque cuando la data en cuestión es la voz de un testigo, la semejanza de un atleta o un broadcast con derechos, la procedencia y el consentimiento no son extras opcionales.

De ahí, los poseedores de derechos pueden poner esa data a trabajar por sí mismos — licenciándola a desarrolladores de modelos y proveedores de nube en sus propios términos, con consentimiento, trazabilidad y compensación integrados en el trato.

El mundo se está moviendo hacia el ajuste fino y el código abierto

Observa hacia dónde se dirigen los compradores más sofisticados y la pauta es inequívoca: el viejo impulso de encaminar todo al modelo de frontera más grande cede ante un enfoque más deliberado: una cartera de modelos, donde los más pequeños, de código abierto y ajustados, manejan la mayor parte de la carga diaria, reservando los grandes para los problemas que realmente los requieren.

Las razones son prácticas: costo, latencia, control de datos y la capacidad de especializar un modelo en datos propietarios hasta que supere a un modelo general en tu tarea específica.

Aquí se fusionan las dos ideas: el ajuste fino y el código abierto solo funcionan a tu favor si realmente posees los datos para ajustar y tienes la arquitectura para desplegarlo. Una empresa atada a un solo proveedor no puede ajustar un modelo abierto con su propio material y colocarlo en producción, ya que la infraestructura simplemente no lo permite.

Una empresa con una capa de orquestación y datos listos para IA gobernados puede hacer exactamente eso y seguir haciéndolo a medida que emergen mejores modelos base. Poseer tus datos y tener libertad en tu arquitectura es lo que realmente hace disponible esta nueva era de modelos especializados y ajustados abiertamente. Sin ello, estás viendo un cambio desde la banca que tenía la ventaja, desde la banda de afuera.

La soberanía es una postura, no un producto

Es razonable desconfiar de cuán rápido la “IA soberana” se está convirtiendo en una categoría de marketing, porque la soberanía entregada a través de una nueva dependencia de un único proveedor es simplemente bloqueo con mejor branding. La verdadera soberanía es una postura arquitectónica con tres compromisos.

Primero, pluralidad de modelos, verificada por evaluaciones: cada modelo —comercial, código abierto o ajustado— probado con tus datos y reemplazable a voluntad.

Segundo, gobernanza que viaja con los datos: procedencia, trazabilidad, consentimiento y políticas aplicadas a nivel de datos.

Tercero, propiedad real: tu audio y video, enriquecidos y controlados como un activo que despliegas a propósito, no uno que se filtra de forma incidental. Nada de esto es un argumento en contra de los laboratorios de frontera: construyen tecnología extraordinaria y muchas empresas la utilizan a diario a través de una arquitectura que mantiene la palanca a tu lado de la mesa.

La empresa no tiene que elegir entre usar los mejores modelos del mundo y controlar su propio futuro. El punto es hacer ambas cosas: orquestar cada modelo que valga la pena usar, demostrar cuál gana con tus datos y poseer el audio, el video y el juicio que hacen viable cualquiera de ellos.

El modelo es temporal. Tus datos y tu juicio no lo son. Construye para eso y gastarás la próxima década acumulando una ventaja que tus competidores alquilaron y perdieron.

Probamos el mejor software de recuperación de datos para Mac y PC.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica hoy.

Las opiniones expresadas aquí son del autor y no necesariamente las de TechRadarPro o Future plc. Si te interesa contribuir, encuentra más información aquí: https://www.techradar.com/pro/perspectives-how-to-submit