Durante los primeros años de la inteligencia artificial generativa, la atención de las empresas se centró en una pregunta: ¿qué modelo ofrece los resultados más avanzados? Ahora que la IA forma parte de las operaciones cotidianas de muchas grandes organizaciones, la prioridad está cambiando. El reto ya no consiste únicamente en encontrar el modelo más potente, sino en elegir el más adecuado para cada tarea y demostrar que la inversión produce resultados.

Grace Adamson, AI Product Marketing Manager en Snowflake, describe esta evolución como un paso de la experimentación a la optimización. En lugar de aplicar un único modelo a todos los casos, las empresas empiezan a valorar conjuntamente la calidad, la velocidad, el coste y el impacto empresarial de cada interacción.

## La eficiencia como nueva medida del progreso

No todas las tareas requieren capacidades de razonamiento avanzadas. Algunas necesidades —como clasificar documentos, resumir textos o extraer datos— pueden resolverse con modelos más eficientes, incluidos modelos de código abierto, a un coste menor. En cambio, una solicitud compleja puede justificar el uso de un modelo de frontera con capacidades superiores.

Adamson denomina «eficiencia de inteligencia» a la capacidad de convertir modelos, datos y recursos de computación en resultados empresariales medibles. La idea es sencilla: no basta con que una solución de IA funcione; también importa cuánto cuesta, qué valor genera y si existe una alternativa más eficiente que ofrezca resultados comparables.

Este enfoque adquiere especial relevancia a gran escala. Una diferencia pequeña en el consumo de tokens o en el coste de inferencia puede traducirse en ahorros considerables cuando se procesan millones de solicitudes. Según pruebas internas de Snowflake citadas por Adamson, los agentes que emplearon enrutamiento dinámico de modelos construyeron una canalización de dbt con hasta tres veces más eficiencia en el uso de tokens que un enfoque basado exclusivamente en un modelo de frontera, manteniendo la misma calidad.

## Enrutamiento dinámico: el modelo adecuado para cada tarea

La creciente oferta de modelos plantea un desafío operativo: cada semana aparecen nuevas opciones con distintas capacidades, precios y características de rendimiento. Evaluarlas y decidir cuál debe encargarse de cada tarea puede convertirse en una carga para los equipos.

El enrutamiento dinámico de modelos busca simplificar ese proceso. En el caso de Cortex AI Gateway, las solicitudes pueden dirigirse al modelo que mejor equilibre calidad, velocidad y coste para el uso previsto. Una tarea sencilla podría asignarse a un modelo eficiente, mientras que una petición que requiera razonamiento más profundo podría enviarse a un modelo más avanzado.

La selección puede producirse sin que cada empleado tenga que comparar modelos o conocer sus precios. Los equipos técnicos y administradores conservan la capacidad de definir qué modelos y proveedores están disponibles y establecer políticas según las necesidades de la organización. Para empresas internacionales o sectores regulados, también es importante considerar la disponibilidad regional y los requisitos de cumplimiento.

La automatización, sin embargo, no significa renunciar al control. Adamson señala que las políticas de gobernanza —incluidos los controles de seguridad y el enmascaramiento de datos— deben aplicarse a los modelos que procesan las solicitudes, sean abiertos o propietarios. La flexibilidad en la elección del modelo debe convivir con reglas comunes de protección y acceso.

## Controlar el coste y medir el impacto

Para que la IA sea una inversión gestionable, las empresas necesitan visibilidad de su uso y sus resultados. Esto incluye observar patrones de consumo, rendimiento, latencia y coste, además de entender qué equipos utilizan los recursos y qué valor obtienen.

Snowflake ha incorporado controles de visibilidad y costes en su plataforma, con información sobre el uso de tokens y los gastos asociados a aplicaciones y agentes de IA, incluidos agentes de terceros conectados mediante Cortex AI Gateway. Las organizaciones también pueden establecer límites y cuotas de gasto y asignar costes a equipos concretos.

Esta capacidad cobra aún más importancia a medida que se extienden los sistemas agénticos y los flujos de trabajo automatizados. Cuanto mayor sea la autonomía de una solución, más necesario resulta contar con controles que permitan supervisar su comportamiento y evitar que el gasto crezca sin una justificación clara.

La medición del retorno tampoco debería limitarse a la adopción. Un alto número de usuarios no demuestra por sí solo que la IA esté generando valor. Adamson recomienda definir primero el objetivo de cada iniciativa y medir los resultados en función de ese propósito.

En proyectos de productividad, pueden servir como indicadores el tiempo necesario para completar una tarea, la rapidez con que se pone en marcha un proyecto o la satisfacción de los empleados. En casos más concretos —como la detección de fraude, la reducción de riesgos o la identificación de oportunidades de venta adicional— es posible vincular la solución con resultados financieros y operativos más directos. También conviene comparar el valor obtenido con el coste: una solución que ofrece resultados similares por la mitad del precio puede representar una mejor inversión.

## Una estrategia centrada en las cargas de trabajo

El cambio de fondo es pasar de una estrategia «centrada en el modelo» a otra «centrada en la carga de trabajo». En vez de empezar por decidir qué modelo utilizar, las organizaciones definen el resultado que necesitan y establecen límites de calidad, coste y gobernanza. Después, la plataforma puede ayudar a seleccionar el modelo más adecuado para cumplir esos criterios.

Este planteamiento también reduce el riesgo de depender de un único proveedor o modelo. A medida que las alternativas evolucionan y los modelos abiertos mejoran en tareas empresariales habituales, mantener flexibilidad puede ayudar a las organizaciones a adaptarse sin reconstruir sus aplicaciones cada vez que cambia el mercado.

Para los usuarios finales, parte de esta infraestructura puede volverse casi invisible: hacen una pregunta o inician una tarea y la plataforma gestiona la selección del modelo. Pero, como advierte Adamson, que la complejidad quede oculta no significa que deba desaparecer la supervisión. La gobernanza, la observabilidad y la gestión de costes siguen siendo esenciales, especialmente cuando la IA se integra más profundamente en los procesos empresariales.

## Empezar por los resultados, no por la tecnología

Para los directivos que buscan obtener más valor de la IA en los próximos años, la recomendación de Adamson es comenzar por los problemas que la empresa necesita resolver. Los responsables de negocio deben trabajar junto con los equipos de datos e IA para definir prioridades y diseñar soluciones vinculadas a resultados concretos.

A partir de ahí, conviene construir una arquitectura abierta y adaptable, establecer una base sólida de gobernanza y visibilidad, e identificar un conjunto reducido de casos de uso de alto valor. Los proyectos piloto que demuestren un impacto tangible pueden generar confianza y aportar evidencia para ampliar la inversión.

La transformación también debe incluir a las personas y los procesos. Incorporar una herramienta de IA no siempre basta: para obtener resultados sostenibles, las empresas pueden necesitar replantear cómo se realiza el trabajo y cómo se integra la tecnología en las decisiones cotidianas.

La madurez de la IA empresarial no se medirá únicamente por la sofisticación de los modelos empleados. Cada vez más, dependerá de la capacidad de asignar el modelo correcto a cada tarea, mantener el control de los datos y los costes, y demostrar que la tecnología mejora resultados que importan al negocio.

from Latest from TechRadar https://ift.tt/NQSr0g9
via IFTTT IA