¿Hacia donde camina la IA?
Voy a intentar descifrar mi humilde visión de hacia donde camina la IA en base a dos premisas que creo importantes: la destrucción de valor por obsolescencia acelerada y el nacimiento de la era de la IA local (Edge AI). Ambas desde un análisis basado en mi experiencia trabajando en mi sector 'el desarrollo de aplicaciones, programas o servicios web de tipo fullstack'. También se podrían llamar, para un lector menos técnico, gastar dinero para no ser el último y la IA sustituirá el trabajo humano o será una herramienta que amplificará las capacidades de aquellos que la entiendan.
Voy a intentar descifrar mi humilde visión de hacia donde camina la IA en base a dos premisas que creo importantes: la destrucción de valor por obsolescencia acelerada y el nacimiento de la era de la IA local (Edge AI). Ambas desde un análisis basado en mi experiencia trabajando en mi sector 'el desarrollo de aplicaciones, programas o servicios web de tipo fullstack'. También se podrían llamar, para un lector menos técnico, gastar dinero para no ser el último y la IA sustituirá el trabajo humano o será una herramienta que amplificará las capacidades de aquellos que la entiendan.
1. La Trampa de la Reina Roja: Competir para no morir
Confirmando con datos algunas de las tesis de partida, las grandes corporaciones no están invirtiendo basándose en un cálculo tradicional de Retorno de la Inversión (ROI). Están atrapadas en la "Paradoja de la Reina Roja" (de Alicia en el país de las maravillas): tienes que correr a toda velocidad simplemente para permanecer en el mismo lugar.
- Destrucción del Capital Físico: Se está pagando a "precio de oro" hardware que tiene una vida útil operativa ridículamente corta. Una GPU H100 de Nvidia, que costaba unos 30.000-40.000 dólares hace un par de años, queda obsoleta en menos de 18-24 meses tras el lanzamiento de las arquitecturas Blackwell (2024/2025) y las proyectadas para 2026/2027.
- Depreciación Acelerada Inédita: En la historia industrial, una fábrica o una central eléctrica se amortizaba a 20 o 30 años. En la IA, la infraestructura se deprecia casi por completo en 3 años debido al ritmo de la innovación. Esto significa que las empresas tienen que volver a gastar decenas de miles de millones antes siquiera de haber rentabilizado la generación anterior. Es una carrera armamentística donde el objetivo no es ganar dinero hoy, sino evitar que el competidor te borre del mapa mañana.
Una gran plataforma de IA compite por tener los modelos más avanzados antes de que otros los desarrollen. Invierten grandes cantidades de dinero para ser los primeros pero no para generar beneficios. Pagando el 'hardware' a precio 'de locos' sin tener en cuenta que deja de ser útil a corto plazo. ¿De verdad es necesario que los modelos de IA en la nube sean lo mejor y más rápido en todo?
2. La Falacia del Mercado IA: Herramienta de Productividad vs. Sustituto Humano
El segundo punto de mi enfoque trata de desmontar la narrativa de Silicon Valley. El mercado financiero ha valorado a las empresas de IA bajo la premisa de que esta tecnología va a sustituir millones de puestos de trabajo de cuello blanco (capturando todo ese coste laboral como beneficio neto). Sin embargo, la realidad operativa es un poco más siniestra:
- La IA en la actualidad es un Copiloto, no un Piloto: En el uso real corporativo, la IA funciona de manera óptima como una herramienta de aumento de capacidades (un asistente ultraeficiente para programar, redactar o analizar), pero sigue requiriendo la supervisión, el contexto y el criterio humano para evitar errores graves ("alucinaciones"). Ejemplos de empresas sustituyendo capital humano por 'agentes' han visto como se han mantenido un breve tiempo pretendiendo hacer 'lo mismo' y rápidamente han tenido que corregir su posición asimilando grandes pérdidas de capital y de 'credibilidad' en el camino. Cierto es que, como en todo, si hay negocios o empresas que por el tipo de trabajo que realizan pueden sustituir ciertos perfiles por agentes de IA. Eso es innegable. Más adelante trataré de mostrar que en estos casos, la IA en la nube o de grandes plataformas puede resultar no ser el camino.
- Techo de Utilidad Corporativa: Al no poder sustituir por completo la responsabilidad legal y operativa del factor humano, las empresas no están dispuestas a pagar licencias de miles de millones de dólares a las grandes plataformas de la nube de forma perpetua. Hay un desajuste masivo entre lo que los hyperscalers gastan en crear el software y lo que el tejido empresarial real está dispuesto a pagar por usarlo.
3. El Futuro es Local: La Descentralización y la Eficiencia del "Small Tech"
Mi visión actual de lo que será el futuro de la IA (a medio plazo), en mi humilde opinión, vira hacia el uso local y modelos optimizados fuera de las grandes plataformas. Es la tendencia técnica más sólida y con mayor tracción en este momento. Es el paso de los modelos monolíticos gigantistas a los modelos especializados y eficientes. Yo mismo estoy trabajando en este campo y viendo los resultados a corto plazo. La velocidad no es tan importante como la calidad de los datos y el precio real por token generado. No deja de ser un negocio, y como tal uno debe creer en datos concretos, no en la previsiones ni en el marketing.
En qué estoy trabajando:
- Modelos de Tamaño Reducido (SLMs): Modelos como las variantes avanzadas de Llama (Meta), Gemma (Google) o Phi (Microsoft), o modelos Asiáticos como Qwen, que cuentan con "pocos" parámetros (entre 3B y 8B), están demostrando que, cuando se especializan en una tarea concreta o se entrenan con los datos internos de una empresa, ofrecen un rendimiento idéntico o superior al de un modelo gigante en la nube (como GPT-4), a una fracción minúscula del coste de cómputo.
- Hardware Local y Soberanía del Dato: Ejecutar la IA localmente (en los propios servidores de una empresa o directamente en los chips NPU de los ordenadores y teléfonos de los usuarios) resuelve de un plumazo los tres grandes problemas de las grandes plataformas:
- Coste de Inferencia Cero: No pagas a Microsoft, Amazon, Google, OpenAI, ....... por cada pregunta o tarea ejecutada.
- Privacidad Absoluta: Los datos sensibles de la empresa o del usuario nunca salen del dispositivo o dispositivos de la empresa.
- Latencia: La respuesta es inmediata al no depender de una conexión a un centro de datos externo.
- Diversidad de especialización: Muchos modelos pequeños pero muy especializados desarrollan las tereas de manera más rápida y a un coste mucho menor, al mismo tiempo que se siguen especializando en mejorar dentro de los proceso internos de la empresa.
- Aislamiento: Al ser una parte crítica del negocio y mantenerse aislada de agentes externos sufrirá menos de 'ingerencias' o 'manipulaciones' que puedan ocurrir en los sistemas globales. Se da el caso de que bajo ciertas condiciones, falta de valor o filtrado de los datos de entrenamiento, estos sistemas 'han sido manipulados' para obtener resultados poco imparciales. Cosa que intentaré tratar en alguna publicación posterior si el tiempo y las ganas me lo permiten.
Conclusión Analítica: ¿Hacia un "Invierno Tecnológico" de las grandes corporaciones?
Si unimos todas las piezas y miramos al futuro, el escenario que describo dibuja una burbuja de infraestructura.
Las grandes plataformas corren el riesgo de quedarse con centros de datos hiper-costosos e infrautilizados si las empresas y usuarios descubren que un modelo local de estas características:
- Gratuito o de código abierto
- Entrenado de manera local con datos propios privados y altamente especializados
- Instalado en sus propios equipos / servidores
- Probablemente 'desconectado' de plataformas externas
>>> resulta ser más que suficiente para el 90% de sus necesidades.
Esto forzaría una corrección histórica en el sector tecnológico, pinchando la valoración de los gigantes de la nube y revalorizando a las empresas que diseñan hardware eficiente y software de código abierto enfocado a la ejecución local. Al final este escenario puede ser poco realista porque cuando el tiempo pasa se suele poner los pies en la tierra y redirigir objetivos.