Las empresas deben poder cambiar de modelos sin reconstruir flujos de trabajo, renunciar al conocimiento institucional ni perder el control de la inteligencia que las diferencia. Las discusiones sobre estrategia de IA suelen comenzar con la misma pregunta: ¿Qué modelo está ganando? La respuesta cambia con cada nueva versión, a medida que emergen capacidades y se reordena el orden competitivo.

En nuestra experiencia desplegando herramientas de IA en algunas de las grandes empresas de atención sanitaria de Estados Unidos, observo que esta especie de mareo por las novedades distrae a las organizaciones de una pregunta mucho más útil: Si el modelo en el que confía cambia o deja de estar disponible mañana, ¿su operación de IA puede continuar sin interrupciones?

Cualquier empresa necesita una estrategia de salida de un solo modelo de IA. Esto no implica abandonar los modelos de frontera, que seguirán siendo una parte importante de la pila de IA empresarial. El punto es asegurar que los flujos de trabajo, la propiedad intelectual y la inteligencia institucional no dependan de un solo modelo o proveedor.

Los modelos están convirtiéndose en infraestructura

Los modelos de base líderes son extraordinariamente capaces, pero sus capacidades tienden a converger. Una característica que distingue a un proveedor hoy suele estar disponible en varios otros en cuestión de semanas, a veces incluso de días.

Vimos una evolución similar con la nube, donde el acceso a la computación se volvió esencial pero rara vez creó una ventaja competitiva duradera por sí solo. La ventaja proviene de lo que las organizaciones construyen encima: sus aplicaciones, datos, procesos operativos y conocimiento propietario.

La IA está avanzando en la misma dirección. Un modelo debe permanecer como un componente de la arquitectura de IA de la empresa. No debe convertirse en el repositorio de la lógica de negocio, el conocimiento operativo o los procesos propietarios.

Esto resulta particularmente importante en sanidad, donde un modelo puede resumir un expediente clínico o interpretar una política, pero no comprende por sí mismo cómo se aplica esa política a un plan de salud, cuándo se debe escalar un caso, qué evidencia necesita un clínico revisar, ni cómo se debe documentar una decisión para una auditoría. Esa inteligencia pertenece a la organización.

La realidad 70/30 para la IA empresarial

Los modelos de propósito general pueden manejar aproximadamente el 70% de una tarea. Pueden extraer información, clasificar documentos, producir resúmenes, responder preguntas y realizar razonamiento amplio.

El 30% restante suele decidir si un sistema de IA es simplemente impresionante en una demostración o confiable en producción. Esa última milla requiere terminología de dominio, políticas empresariales, lógica especializada, salidas consistentes, evidencia trazable, evaluación frente a estándares conocidos y una escalada clara a expertos humanos.

Un modelo puede identificar correctamente el problema clínico general y aun así aplicar la política incorrecta. Puede generar una explicación convincente sin entregar al revisor la evidencia necesaria para validarla. También puede comportarse de manera distinta tras una actualización del proveedor. esas brechas residen en ese 30% final y, en entornos regulados, determinan si el sistema puede confiarse en producción.

En sanidad, esto significa combinar modelos especializados para tareas clínicas y administrativas con modelos de frontera cuyo valor agregado proviene de sus capacidades más amplias. El conocimiento, las políticas, los sistemas de evaluación y los controles de gobernanza de la empresa deben rodear a esos modelos, de modo que el modelo subyacente pueda cambiar sin que la inteligencia de la organización se vea afectada.

Qué significa la dependencia de modelos en producción

Los riesgos de depender demasiado de un único modelo se vuelven mucho más evidentes cuando la IA pasa de la experimentación a la producción. Un proveedor puede lanzar una nueva versión que estructure la información de manera diferente, responda a instrucciones de formas distintas o exprese incertidumbre de forma menos coherente. Un flujo de trabajo que funcionaba de forma fiable durante las pruebas puede empezar a producir resultados ligeramente diferentes.

El cambio también puede ser comercial u operativo, no técnico. El precio puede aumentar, la latencia puede empeorar, los límites de uso pueden afectar la disponibilidad, o un proveedor puede descontinuar un modelo en un calendario que no se alinea con los procesos de validación y lanzamiento de la organización. E incluso si un modelo sigue disponible, quizá ya no sea la mejor opción para un flujo de trabajo concreto.

Con esa separación en su lugar, una organización puede evaluar diferentes modelos contra los mismos criterios de rendimiento y realizar un cambio mediante un proceso controlado. Puede adoptar capacidades mejores a medida que surgen, usar diferentes modelos para distintas tareas y cambiar de proveedor sin reconstruir los flujos de trabajo y el conocimiento operativo que los rodea.

Una estrategia de salida de IA es una estrategia de propiedad

En términos prácticos, una estrategia de salida de IA implica mantener varios activos críticos en propiedad, gobernados y portátiles:

• Datos y conocimiento empresarial propietarios
• Prompts, políticas y lógica de decisión
• Definiciones de flujo de trabajo y orquestación
• Conjuntos de datos de evaluación y referentes de rendimiento
• Retroalimentación humana y historial de decisiones
• Trazabilidad y controles de gobernanza

Conjuntamente, estos activos forman la capa de inteligencia de la empresa, que captura cómo funciona la organización y toma decisiones. Un modelo ampliamente disponible ofrece poco diferenciador por sí solo. La ventaja reside en el conocimiento, las políticas y la experiencia operativa propietarias que dan forma a cómo se utiliza el modelo.

Cuando ese contexto está integrado en herramientas específicas del modelo, características propietarias o sistemas de memoria alojados, la organización corre el riesgo de perder el control de la inteligencia que está creando. Cambiar de modelo puede requerir mucho más que reemplazar una API. Podría significar reconstruir años de lógica de negocio, diseño de flujos de trabajo, retroalimentación de expertos y aprendizaje operativo.

Definir la frontera entre modelos y empresas

Mantener la separación entre modelos y empresas también puede proteger la experiencia humana. Cada interacción entre un experto y un sistema de IA genera algo valioso: un clínico puede corregir una recomendación, una enfermera puede aclarar cómo aplicar una política, un líder de operaciones puede cambiar una vía de escalamiento, o un equipo de cumplimiento puede establecer un nuevo requisito de revisión.

Con el tiempo, esas interacciones se convierten en inteligencia institucional. Es crucial que fortalezcan a la empresa en lugar de desaparecer dentro de la plataforma de un proveedor o volverse inaccesibles cuando la organización cambia de modelos.

Señales de advertencia de una dependencia excesiva de modelos

Una señal es cuando los prompts y la lógica empresarial están redactados de forma tan específica para un modelo concreto que no se pueden transferir fácilmente. Otra es cuando cambiar de modelos exige rediseñar la aplicación en lugar de realizar una evaluación controlada y un ajuste de configuración.

Los líderes deben poder responder a una pregunta básica: ¿Qué perderíamos si este modelo dejara de estar disponible mañana?

Abordar estos riesgos no exige una reconstrucción costosa. Las empresas pueden empezar separando la lógica de negocio de las llamadas a modelos, creando interfaces estandarizadas, manteniendo conjuntos de evaluación independientes del modelo, documentando dependencias de flujo de trabajo y almacenando el conocimiento organizacional en sistemas que controlan.

También deben probar la intercambiabilidad de modelos antes de necesitarla. Ejecutar el mismo flujo de trabajo con varios modelos ayuda a revelar dependencias ocultas y proporciona información significativa sobre rendimiento, costo, latencia y riesgo.

La elección del modelo debe seguir siendo reversible

Comenzamos esta discusión con una pregunta, pero creo que lo más importante no es solo qué modelo debe usar una empresa hoy. Los líderes deben preguntar cuán difícil sería reemplazar ese modelo mañana.

Ese es el propósito de una estrategia de salida. No se trata de abandonar IA o alejarse de la innovación de frontera, sino de sentar las bases para la elección, la resiliencia y la propiedad duradera de la inteligencia empresarial.

Esta pieza forma parte de TechRadar Pro Perspectives, un espacio para presentar a las mentes más brillantes de la tecnología hoy.

from Latest from TechRadar https://ift.tt/TnHGaD4
via IFTTT IA