La inversión en IA se prevé que alcance los 40.74 mil millones de dólares para 2030. A medida que la adopción de IA se acelera tanto en la UE como en EE. UU., los minoristas de Reino Unido y Estados Unidos están tomando enfoques diferentes. Las organizaciones estadounidenses están usando la IA para desbloquear nuevas oportunidades de ingresos y reformular la experiencia del cliente. Los minoristas británicos se han centrado principalmente en lo que la IA puede hacer internamente.

Existen razones comprensibles para estas diferencias. Pero los minoristas del Reino Unido corren el riesgo de quedarse atrás si no amplían su estrategia para incorporar la IA a lo largo de todo el recorrido del cliente.

La brecha transatlántica de IA: eficiencia operativa vs crecimiento de ingresos

Para los minoristas del Reino Unido, la adopción temprana de IA ha sido cautelosa. El foco ha estado en eficiencias operativas internas, como la creación de contenido de marketing, la atención al cliente superficial y la respuesta a consultas postcompra.

Los minoristas estadounidenses, por otro lado, están integrando la IA directamente en el recorrido de compra. Un tercio de los adultos en EE. UU. ya usan asistentes de IA al comprar en línea, como Rufus de Amazon, para descubrir o investigar productos. Las experiencias de pago dentro de la conversación (in-chat checkout) son cada vez más populares. Los minoristas estadounidenses posicionan la IA más como un asistente de ventas digital que como una herramienta de back-office.

Aunque ambos enfoques tienen méritos, existe el riesgo de que los minoristas británicos se queden atrás. La brecha no ocurrirá de la noche a la mañana: se manifestará silenciosamente, comenzando por la cuota de atención y luego impactará en los ingresos.

Los minoristas minoristas globales que utilicen IA para descubrimiento, conversión y valor de por vida tomarán posiciones en momentos decisivos. Las marcas del Reino Unido centradas en la eficiencia operativa podrían verse ausentes de los recorridos que más importan.

Cumplimiento vs experimentación

Los minoristas británicos no llegaron a la cautela de forma arbitraria. La regulación y las expectativas de los consumidores la modelaron. La GDPR hace que los compradores esperen consentimiento claro, transparencia sobre el uso de datos y control antes de interactuar con experiencias impulsadas por IA.

Por ello, muchos minoristas británicos comenzaron con casos de uso más seguros y operativos, como automatizar el soporte, mejorar el contenido y agilizar el cumplimiento, antes de reinventar por completo el viaje de comercio electrónico. La explicabilidad y la confianza fueron priorizadas antes de la experimentación.

En EE. UU., unas guardas regulatorias menos estrictas facilitaron a los minoristas probar herramientas de IA públicamente, iterar rápidamente y demostrar valor directamente a los consumidores. La posición del Reino Unido no es una debilidad; es un punto de partida diferente.

Al asegurar que las funciones de IA orientadas al cliente sean cumplidas y seguras, los minoristas británicos pueden desbloquear nuevos ingresos y fortalecer la confianza del consumidor, en lugar de arriesgar la necesidad de revertir características por preocupaciones de cumplimiento.

Convertir la IA en un motor de crecimiento comercial

La adopción más rápida en EE. UU. ha sido menos sobre la tecnología y más sobre cómo se enmarca la conversación interna. La conversación en la sala de juntas no es “¿Cómo ahorramos costos?” sino “¿Cómo adquirimos de forma más inteligente, convertimos más rápido y aumentamos el valor de por vida?”.

Los minoristas estadounidenses tratan la IA como una palanca de crecimiento a lo largo de todo el recorrido del cliente, desde la personalización de descubrimiento y la optimización de precios, hasta la orientación de promociones, la agilización de la compra y la automatización de comunicaciones de ciclo de vida. La IA se plantea como un impulsor de ingresos, no como una comodidad operativa.

Los minoristas británicos cuentan con sólidas bases operativas. El cambio consiste en dirigir esa disciplina hacia el crecimiento, las recomendaciones con consentimiento y las compras asistidas. Experimentos controlados que generen conocimiento y confianza del cliente al mismo tiempo.

Para que estos experimentos funcionen, los datos de producto deben estar listos: especificaciones ricas, reseñas, imágenes y contenido de apoyo que den a la IA referencias reales durante el descubrimiento y la búsqueda conversacional. La personalización predictiva puede priorizar a clientes de alto valor y mostrar ofertas relevantes. Experiencias de compra asistidas por IA pueden construir familiaridad y conocimiento con el tiempo. Precios dinámicos y comunicaciones de ciclo de vida impulsadas por IA mejoran tanto la conversión como la retención. Nada de esto implica abandonar la confianza que los minoristas británicos ya han construido.

El riesgo de quedarse atrás puede ser gradual, pero es real

El comercio minorista del Reino Unido tiene las bases. Ahora deben ampliarlas. Los costos de adquisición de clientes aumentarán si los competidores ganan primero en el momento de descubrimiento. Las conversiones ocurrirán antes y en otros lugares si el recorrido no se está modelando. El valor de por vida quedará rezagado a medida que la retención impulsada por IA se consolide más rápido para las marcas que se movieron antes.

Las brechas acumulativas son más difíciles de cerrar que las visibles. Aquel que combine una gobernanza sólida y prácticas de datos confiables con una innovación real orientada al cliente será aquel que compita efectivamente en lo que viene.

Hemos destacado el mejor hosting para comercio electrónico.

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes en la industria de la tecnología hoy.

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

La democratización puede ser la palabra favorita de la industria de la IA, y con razón, ya que se ha ganado ese derecho a hablar de ella.

A comienzos de la década, construir cualquier cosa con aprendizaje automático exigía un gran equipo de investigación y un presupuesto significativo, y eso lo alejaba de muchos.

Hoy, sin embargo, la barrera para usar IA avanzada se ha reducido prácticamente por completo, y lo que antes era una tecnología silenciosa en segundo plano ha ocupado el protagonismo en el trabajo diario y en la conversación cotidiana.

Pero el acceso es solo la capa superficial. Debajo hay otra capa que, probablemente, importa más que el acceso a la IA en sí, y esa capa es el entrenamiento.

A diferencia del acceso, el entrenamiento de modelos no se ha democratizado en absoluto. La industria ha hecho fácil consumir un modelo y casi imposible crear uno.

Esto necesita cambiar.

Un guardián de la innovación

Si miramos de cerca qué es lo que la “democratización” ha entregado hasta ahora, vemos que lo que se ha abierto es solo el consumo. Cualquiera puede interactuar directamente con un modelo de IA, incluso sin formación técnica, y puede construir una aplicación en una tarde con un mínimo esfuerzo. Las liberaciones de pesos abiertos significan que cualquiera puede ejecutar un modelo en su propio hardware, sin depender de una API. Estos son avances genuinos que han contribuido a definir el mundo impulsado por IA en el que vivimos.

Lo que aún no se ha abierto es la capacidad de entrenar un modelo. Actualmente, producir un modelo de frontera sigue requiriendo capital medido en miles de millones, talento especializado escaso que solo unos pocos laboratorios pueden atraer y retener, conjuntos de datos vastos y ciclos de reentrenamiento que deben repetirse cada seis a doce meses solo para mantenerse actualizados.

Es un ciclo que frena el progreso y una barrera que ninguna startup, organización de salud con recursos limitados o fabricante de tamaño medio puede superar. Funciona como un guardián de la innovación, y es uno que las organizaciones con mayores recursos tienen todos los incentivos comerciales para mantener cerrado, porque la escasez de capacidad de entrenamiento es exactamente lo que protege su posición en el mercado.

Existe una dicotomía. El costo de usar un modelo ha caído casi a cero. El costo de hacer uno ha subido hacia los límites de lo que el capital privado puede sostener.

¿Puede ayudar el código abierto?

Algunos podrían argumentar que la solución es recurrir a modelos de pesos abiertos. Los pesos abiertos, sostiene el argumento, resuelven el problema de propiedad. Puedes descargar el modelo, ejecutarlo, ajustarlo y desplegarlo sin pedir permiso a nadie. Sin embargo, esto no es entrenamiento democratizado. Puede estar más cerca, pero poseer los pesos no es lo mismo que poseer el propio modelo.

Un modelo de pesos abiertos sigue siendo el resultado congelado de un proceso de entrenamiento realizado por la organización que lo produjo. Lo que los usuarios reciben es el resultado de ese proceso. Es cierto que pueden ajustar el modelo hasta cierto punto. Pero lograrlo de manera eficaz exige experiencia, computación y datos limpios. Y, a medida que el mundo avanza, el modelo envejece y requiere reentrenamiento.

Así que, a pesar de sus ventajas aparentes, los pesos abiertos no ofrecen a los usuarios la capacidad de producir y mejorar continuamente un modelo. Esa capacidad sigue estando en manos de los laboratorios que lo produjeron.

El cambio que podría revolucionar la innovación

En mi opinión, si la democratización llega a la capa de entrenamiento y permite a los usuarios la verdadera capacidad de crear, entrenar y poseer un modelo, se pueden abrir varias transformaciones estructurales que podrían acelerar de manera significativa la innovación en todos los sectores.

La propiedad persiste más allá del proveedor. Si un modelo es entrenado por su usuario con los datos que posee, los pesos le pertenecen sin restricciones de licencias, y no desaparecerá si la empresa que proporcionó las herramientas para construirlo desaparece. Diez líneas más de relación dejan de ser una suscripción. Ese único cambio elimina la dependencia de la que se basa el mercado actual.

Los modelos deben aprender de forma continua. Si el entrenamiento puede realizarse de manera continua y no como un evento cíclico y centralizado, el modelo no tiene que congelarse al desplegarse. Puede seguir aprendiendo de nuevos datos en producción sin costosos ciclos de reentrenamiento y sin necesidad de un equipo de especialistas para operarlo. Las soluciones temporales se vuelven innecesarias porque la limitación subyacente desaparece.

Cuando el control de lo que aprende un modelo y cómo ocurre se sitúa a nivel del usuario, la cadena de responsabilidad es legible. Ese es el tipo de trazabilidad que los reguladores esperan y que los modelos de frontera en negro no pueden proporcionar.

Estos son los beneficios distribuidos que hacen que la “democratización” sea la palabra correcta por fin. Si la capacidad de entrenar un modelo se comparte ampliamente, entonces el valor, el control y la responsabilidad también se comparten. La Inteligencia de Aprendizaje General considera el aprendizaje como parte de la arquitectura, no como un costo que solo pueden asumir los laboratorios más grandes.

El acceso a los modelos ya es barato y se encarece cada vez menos. Sin embargo, el acceso al entrenamiento no lo es, y ahí se decidirá la próxima fase de la competencia.

Hemos revisado, calificado y clasificado los mejores portátiles para programar: para programadores profesionales, codificadores, ingenieros de software y desarrolladores.

Este artículo fue producido como parte de TecnhRadar 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 está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit