¿Qué es la IA (inteligencia artificial)?

La inteligencia artificial (IA) ha sido descrita como un conjunto de tecnologías que brinda visión a las computadoras y les permite entender el lenguaje escrito y hablado; como máquinas capaces de realizar funciones generalmente asociadas con las mentes humanas; como un método de simular la inteligencia humana; como una oportunidad potencial de incalculable valor para la productividad humana; y como la posible condena de la humanidad.

En resumen, la IA está copando el centro de atención en múltiples debates empresariales y sociales especialmente agitados. Se hizo hueco lentamente y de repente está en todos lados. Durante más de un siglo, la IA había centrado la imaginación de un pequeño grupo de filósofos y fanáticos de la ciencia ficción y, desde hace unos 80 años, la de un grupo más pequeño de matemáticos y científicos informáticos. Gracias (principalmente) a los esfuerzos de este último grupo, la IA explotó en la conciencia pública durante las últimas seis semanas de 2022 y, ahora, parece estar a punto de lograr el potencial largamente prometido de transformar casi todos los aspectos de la vida humana.

Sin embargo, para las empresas en crecimiento, las preguntas sobre la IA son bastante simples: ¿la IA puede aumentar la productividad de nuestro negocio? ¿Podemos utilizarla para operar de manera más eficiente, para crecer más rápido o para ser más rentables? Independientemente de si la IA nos ayuda a hacer todo eso, ¿podemos permitírnoslo?

Este artículo ofrece respuestas a estas preguntas prácticas. Explica los aspectos más destacados de la historia de la IA, cómo puede beneficiar a las empresas en crecimiento, cómo funciona y las ventajas empresariales que puede aportar.

¿Qué es la Inteligencia Artificial?

Aunque todavía se está debatiendo cuál es la naturaleza de la IA, no resulta arriesgado afirmar que es un conjunto de tecnologías y prácticas destinadas a crear sistemas informáticos que puedan realizar tareas que, antes de la IA, solo podían desempeñar los humanos.

Lo que todas estas tareas tienen en común es que requieren tomar decisiones basadas en la información. Por lo tanto, todos los sistemas de IA incluyen datos y algoritmos que procesan y, a veces, actúan sobre los datos. Algunos sistemas de IA, como los chatbots de IA generativa, están entrenados con tantos datos que se convierten en un tema de interés periodístico. Pero los innumerables sistemas de IA que se centran más en tareas empresariales específicas solo necesitan suficientes datos para abordar cada tarea a resolver, que aún puede ser un gran volumen de datos según los estándares cotidianos.

Los algoritmos de IA son tan numerosos y variados que resultan complicados de explicar en profundidad. Pero lo que todos tienen en común es la capacidad de reconocer patrones en los datos, tomar decisiones o predicciones basadas en esa información y, en muchos casos, aprender de la calidad de sus decisiones. Las principales diferencias entre muchas de las tecnologías y métodos de IA más populares dependen de cómo funciona cada algoritmo, como el aprendizaje automático o machine learning (ML), el aprendizaje profundo, el procesamiento del lenguaje natural (PLN), la visión por computadora (coputer vision) y las redes neuronales que subyacen a la mayoría de ellos. Estas son las tecnologías que permiten a las máquinas comprender y generar voz, reconocer imágenes y tomar decisiones autónomas y de resolución de problemas.

Cualquier debate sobre los sistemas de IA también debe incluir el factor humano. Las personas crean y ajustan el software que incorpora los algoritmos, diseñan el hardware para ejecutar el software, juzgan la calidad del output de los sistemas de IA y, a menudo, proporcionan comentarios que ayudan a mejorar el sistema.

IA débil frente a IA fuerte

Una de las formas en que los filósofos y los científicos informáticos han categorizado la IA durante mucho tiempo es "débil" o "fuerte". La IA fuerte, también llamada inteligencia general artificial (AGI), ha sido un tema constante en la ciencia ficción y los medios de noticias, y ha generado el debate más social desde la aparición de ChatGPT en noviembre de 2022: lo cual es irónico, ya que no se conocen instancias de AGI. La IA fuerte sigue siendo un concepto teórico, que genera controversias en cuanto a lo cerca que algunos de sistemas de IA están de la AGI.

La IA débil, por otro lado, está en todas partes. "Débil" se refiere al alcance de lo que un sistema de IA puede hacer, no a la calidad con la que realiza sus tareas. Todos los sistemas de IA utilizados en las empresas actuales están estrechamente enfocados en funciones o capacidades específicas, en lugar de tratar de replicar la inteligencia humana general. Incluso ChatGPT y otros modelos grandes de lenguaje (LLM) similares se consideran débiles/limitados, a pesar de su amplio conocimiento, porque se limitan al lenguaje. Sus habilidades no pueden extrapolarse a la comprensión visual, el control motor o la toma de decisiones complejas, y no aprenden ni se adaptan como la inteligencia humana.

Principales conclusiones

• La IA puede permitir a las computadoras aprender, resolver problemas y tomar decisiones.
• La integración de las capacidades de IA en las soluciones de tecnología empresarial puede ayudar a las empresas a automatizar más operaciones, obtener mejores insights de sus datos y fortalecer las experiencias de los clientes.
• El futuro de la IA está siendo moldeado por varios avances y la creciente importancia de la colaboración humano-IA, ambos de los cuales presentan oportunidades y desafíos para las empresas.
• A medida que la IA avanza, las empresas que logren aprovechar eficazmente sus capacidades y se adapten al panorama cambiante estarán mejor posicionadas para prosperar que las que se quedan atrás.

Inteligencia Artificial en detalle

¿Por qué las empresas, especialmente las empresas en crecimiento, deberían preocuparse por la IA? La razón es porque una multitud de esos algoritmos de IA débiles, es decir, estrechamente enfocados, se están incorporando rápidamente o a aplicaciones empresariales que pueden ayudar a mejorar la eficiencia, reducir costos e impulsar el crecimiento. Los algoritmos de IA pueden ayudar a las empresas en crecimiento a automatizar tareas repetitivas, obtener insights valiosos de los datos y mejorar las experiencias de los clientes de formas que, antes de la irrupción de la IA, solo estaban al alcance de las empresas más grandes y con mayores presupuestos.

Por ejemplo, los chatbots de servicio al cliente y los asistentes virtuales basados en IA pueden gestionar consultas básicas de los clientes las 24 horas del día, los 7 días de la semana, lo que libera a las personas para que se centren en problemas más complejos. También pueden aprender de las interacciones con los clientes para proporcionar un soporte más personalizado y eficiente a lo largo del tiempo. (Vale la pena señalar que muchos de los chatbots existentes con los que probablemente hemos interactuado, y que nos han frustrado, son sistemas de IA basados en reglas o mucho más simples; la nueva generación de chatbots de clientes mejorados con IA que está surgiendo ahora, no es tan limitada).

En marketing y ventas, los algoritmos de IA pueden analizar los datos de los clientes para identificar patrones y preferencias, lo que permite a las empresas crear campañas de marketing específicas y recomendaciones de productos personalizadas que pueden propiciar mayores tasas de conversión e incrementar la fidelización de clientes. Y eso, por supuesto, significa más ingresos.

Internamente, la IA puede ayudar a las empresas a mejorar la automatización en las tareas de entrada de datos, contabilidad(opens in a new tab) y gestión de inventario, por ejemplo, reduciendo el riesgo de errores humanos y ahorrar tiempo. También puede contribuir a realizar las funciones de contabilidad y gestión financiera, como la previsión de la demanda(opens in a new tab), la elaboración de presupuestos(opens in a new tab) y la planificación(opens in a new tab), y la preparación de los estados financieros(opens in a new tab).

¿Cómo funciona la IA?

Los propietarios y gerentes de las empresas en crecimiento deben comprender dos aspectos importantes de cómo funciona la IA. Una de ellas es cómo funciona la IA en términos generales: ¿de dónde proviene su capacidad para analizar la información de la empresa y ayudarla a tomar decisiones mejor informadas? La otra es en qué medida resulta probable que utilicen la IA, en la práctica, en sus propias organizaciones.

Cómo funciona la IA en términos generales

La IA funciona procesando datos, identificando patrones, utilizando esos patrones para tomar decisiones o realizar predicciones, obteniendo comentarios sobre la calidad de sus elecciones e iterando ese proceso cientos, miles o millones de veces. Dividamos el proceso por pasos:

1. Entrada de datos: los sistemas de IA generalmente necesitan entrenamiento o una combinación de instrucciones precisas y acceso a datos antes de que puedan ser lanzados al mundo. De cualquier manera, eso significa grandes conjuntos de datos. Los datos pueden provenir de una combinación de diferentes fuentes, como sensores conectados a Internet, bases de datos de la empresa e interacciones con los usuarios. Y puede presentar múltiples modalidades, como texto, imágenes, audio y video.
2. Procesamiento inicial: independientemente del tipo, los datos del mundo real suelen estar desordenados. Debe preprocesarse para eliminar información irrelevante y redundante y transformarse en un formato que el sistema de IA pueda comprender y analizar. Esto generalmente implica técnicas como la depuración y normalización de datos.
3. Escritura/selección de algoritmos: el núcleo de cualquier sistema de IA son sus algoritmos, los modelos matemáticos y las instrucciones que le indican al sistema de cómo procesar y aprender de los datos. Históricamente, han existido muchos tipos diferentes de algoritmos de IA, pero hoy en día la mayoría de los sistemas de IA utilizan uno o más de los diversos enfoques del aprendizaje automático (ML), incluidos el aprendizaje profundo y las redes neuronales. Los algoritmos de ML también incluyen los que entrenan el sistema de IA (que se analizan más adelante en este artículo). Cada enfoque, y por supuesto, cada algoritmo individual, tiene sus propias fortalezas y debilidades que pueden funcionar mejor o peor en cualquier tarea dada.
4. Formación: esto implica alimentar los datos en el sistema de IA (que puede incluir docenas de algoritmos) y permitirle aprender y ajustar sus parámetros internos para adaptarse mejor a los patrones y las relaciones de los datos.
5. Pruebas y validación: después del entrenamiento, el sistema de IA se prueba con datos que nunca había visto para evaluar su rendimiento y precisión. Esto ayuda a garantizar que el sistema no solo memorice los datos de entrenamiento, sino que su uso puede ampliarse a nuevas situaciones. Si el rendimiento del sistema no es satisfactorio, puede ser necesario volver a entrenarlo con más datos o puede ser necesario revisar su algoritmo.
6. Despliegue: el sistema de IA ahora se puede desplegar en un entorno de producción para realizar predicciones o decisiones basadas en datos reales.

Durante todo el proceso, son cruciales la supervisión e intervención humanas. Los científicos de datos y los expertos en IA participan en la selección y preparación de los datos, la elección de los algoritmos adecuados y el ajuste del rendimiento del sistema. También supervisan los outputs o salidas del sistema para garantizar su precisión.

Tenga en cuenta que todo esto sigue evolucionando rápidamente. A medida que las tecnologías de IA continúan avanzando, están surgiendo nuevos enfoques y arquitecturas que pueden manejar tareas más complejas y conjuntos de datos más grandes. Por ejemplo, la arquitectura de "transformador" de IA se introdujo en un documento académico de junio de 2017 y, sobre la base de eso, el modelo de transformador generativo preentrenado (GPT por sus siglas en inglés) se describió por primera vez un año después en un documento de junio de 2018. Desde entonces, los GPT han superado los límites de la IA en términos de comprensión y generación de lenguaje, convirtiendo en realidad ChatGPT solo cuatro años y cinco meses después, en noviembre de 2022.

A pesar de estos avances constantes, los sistemas de IA aún están limitados por la calidad de los datos con los que se entrenan, la calidad de la información que se brinda para actuar en aplicaciones empresariales y los posibles sesgos y suposiciones inherentes a los datos y los algoritmos.

Cómo funciona la IA para las empresas en crecimiento

En la práctica, las empresas en crecimiento se benefician de la IA a través de las capacidades y eficiencias mejoradas que aporta a sus herramientas y procesos cotidianos. Los algoritmos de IA suelen estar integrados en varias aplicaciones empresariales con las que las organizaciones están familiarizadas y, a menudo, ya están utilizando. El software de IA independiente, como ChatGPT y otros modelos similares posteriores, siguen siendo poco habituales.

Por ejemplo, es posible que la IA ya se integre de manera relativamente sutil en aplicaciones de software como servicio(opens in a new tab) (SaaS), como gestión de relaciones con el cliente(opens in a new tab) (CRM), automatización de marketing(opens in a new tab) y software de contabilidad(opens in a new tab), ya que muchos proveedores de SaaS han comenzado a incorporar capacidades de IA. Un sistema CRM podría utilizar algoritmos de IA para analizar los datos de los clientes y proporcionar recomendaciones personalizadas para las estrategias de ventas y marketing. Un gerente de negocios simplemente interactúa con la interfaz de CRM, mientras que la IA funciona en segundo plano para procesar datos y generar insights.

Otros productos que las empresas en crecimiento podrían usar, o considerar, aprovechan de forma más ambiciosa las capacidades de IA, incluidos los recientes avances en IA generativa. Las empresas todavía están descubriendo cómo incorporar estas capacidades, por lo que están surgiendo muchos enfoques diferentes.

¿Qué puede hacer la IA?

Las personas tienden a antropomorfizar, es decir, proyectar atributos humanos en casi todo, incluida la IA. Por lo tanto, muchas personas piensan en la IA como "capacidad de pensar". Pero eso no lo hace. ¿Qué hace realmente la IA? Aquí hay ocho características clave, que se pueden incorporar en las aplicaciones empresariales de manera que conduzcan a beneficios potencialmente significativos, y, a veces, a la extraña sensación de que el software puede pensar de verdad.

• Analizar datos: si los datos son el nuevo petróleo(opens in a new tab), la IA puede ser una refinería importante. Los algoritmos de IA pueden procesar y analizar grandes cantidades de datos estructurados y no estructurados mucho más rápido y con mayor precisión que los humanos. Esto les permite descubrir patrones y tendencias ocultos que pueden informar la inteligencia empresarial(opens in a new tab) y los procesos de toma de decisiones de la empresa. El análisis de datos basado en IA se puede aplicar prácticamente a cualquier campo.
• Automatizar procesos: desde la entrada de datos y el procesamiento de documentos hasta la gestión de inventario, la logística(opens in a new tab) y la contabilidad(opens in a new tab), la IA puede automatizar tareas repetitivas y laboriosas(opens in a new tab), liberando a los recursos humanos para que se centren en el trabajo que agrega un valor empresarial significativo. La automatización basada en IA puede mejorar la eficiencia, la precisión y la productividad en varios sectores.
• Detectar objetos y patrones: los humanos son excelentes para reconocer patrones, pero la IA puede hacerlo con muchos más datos de los que podemos mantener en la cabeza y muchas veces más rápido. Los algoritmos de IA pueden identificar y reconocer objetos, patrones y anomalías en los datos visuales, textuales y numéricos. Las tecnologías de visión por computadora y reconocimiento de imágenes basadas en IA pueden identificar y clasificar con precisión objetos, caras y patrones en imágenes y videos, por lo que es tan útil en seguridad y vigilancia, imágenes médicas y aplicaciones de vehículos autónomos. Más allá de los datos visuales, los algoritmos de IA se pueden utilizar en análisis empresariales(opens in a new tab) para detectar patrones y anomalías en grandes conjuntos de datos. Puede ayudar a identificar transacciones fraudulentas en los datos financieros, reconocer el spam o el contenido malicioso en los correos electrónicos y descubrir tendencias en los datos de comportamiento del cliente.
• Personalizar recomendaciones: la IA puede analizar el comportamiento de los usuarios y/o comprar datos, y proporcionar recomendaciones y experiencias personalizadas. Esta capacidad se utiliza ampliamente en el comercio electrónico, los servicios de streaming y las plataformas de contenido para mejorar la participación y la satisfacción del usuario.
• Traducir idiomas: las herramientas de traducción de idiomas basadas en IA pueden traducir instantáneamente texto y voz de un idioma a otro, con una precisión cada vez mayor. Esto puede ayudar a los gerentes y ejecutivos a comunicarse a través de las fronteras y las culturas, tanto si viajan al extranjero como si hacen negocios con partners internacionales.
• Generar texto e imágenes: esta capacidad de IA generativa es lo que tomó al mundo por sorpresa hace dos años, cuando aparecieron herramientas de IA que podían generar texto similar al humano e imágenes realistas basadas en indicaciones (prompts) y ejemplos escritos. Desde el arte y el diseño hasta la creación de contenido, entre otras muchas disciplinas, algunos analistas empresariales creen que la IA generativa tiene el potencial de aportar billones de dólares a la economía global al año, al aumentar la productividad de los trabajadores del conocimiento. Herramientas como ChatGPT y Claude para la generación de texto, Perplexity para la investigación y Midjourney y DALL-E para la generación de imágenes han demostrado el potencial de la IA generativa.
• Resumir datos y texto: la IA puede resumir automáticamente grandes volúmenes de datos y texto, extrayendo puntos clave e insights. En un mundo que se ahoga en la información, esta capacidad puede ser un salvavidas. Esto hace que sea mucho más fácil para los investigadores y gerentes de negocios, por ejemplo, cortar los detalles de grandes documentos o conjuntos de datos y llegar al corazón de lo que importa a sus organizaciones.
• Conversar en lenguaje natural: los algoritmos de IA pueden hacer que los sistemas informáticos entiendan el habla. Esta capacidad es el elemento esencial de herramientas como los chatbots basados en IA y los asistentes virtuales. Sin embargo, con el tiempo, todo tipo de sistemas de tecnología de la información pueden beneficiarse de algoritmos integrados que permiten a las personas interactuar con ellos en lenguaje natural.

Tipos de IA

Hay muchas formas de categorizar los sistemas de IA. El debate sobre la IA débil y la fuerte anterior es solo una forma de verlo. Pero los sistemas de IA también pueden diferenciarse por método de entrenamiento, nivel de capacidad y enfoque principal central del algoritmo subyacente. Lo que complica el asunto es que a lo largo de 80 años de historia, varias vías de investigación en IA parecían entrar en callejones sin salida, solo para ser "redescubiertas" años, o incluso décadas, más tarde, a menudo con nombres diferentes.

Esta es una forma útil de categorizar los sistemas de IA en función de los tipos que son más objeto de debate en la actualidad:

1. Los árboles de decisión son un excelente ejemplo de un enfoque previo al aprendizaje profundo/red neuronal de algoritmos de IA. Los modelos de árboles toman decisiones basadas en una serie de preguntas; los llamados "bosques aleatorios" son colecciones de árboles de decisión que trabajan juntos y que son más precisos que los árboles individuales. La regresión simbólica, los algoritmos genéticos y las redes bayesianas son otros ejemplos de enfoques algorítmicos para abordar el desafío de construir máquinas que aprenden. Estos enfoques de IA, y muchos más, continúan operando en productos hoy en día.
2. El aprendizaje automático es un subconjunto de la IA al mismo nivel que todos los enfoques de la primera categoría, pero es el más relevante, al menos por ahora. El aprendizaje automático abarca una multitud de algoritmos y modelos estadísticos que permiten a los ordenadores mejorar su rendimiento en una tarea a través de la experiencia, sin ser programados explícitamente. Las dos categorías siguientes son aplicaciones especializadas del aprendizaje automático. Y también lo son muchos sistemas de IA que están entrenados para realizar funciones específicas y bien definidas utilizando conjuntos de datos grandes y estructurados (es decir, datos que están etiquetados y generalmente organizados en filas y columnas). Las técnicas de aprendizaje automático se utilizan en la mayoría de los sistemas de IA modernos.
3. El aprendizaje profundo es un subconjunto del aprendizaje automático que puede aprovechar el uso de arquitecturas de red neuronal con más de dos capas "ocultas" de neuronas artificiales. Dependiendo de la complejidad del caso de uso, las redes neuronales de aprendizaje profundo pueden tener hasta cientos de capas. Aunque los sistemas de IA que utilizan enfoques previos de aprendizaje profundo, como los árboles de decisión, podrían realizar reconocimiento de imágenes y procesar lenguaje natural, los sistemas de IA más nuevos utilizan técnicas de aprendizaje automático profundo y se ejecutan en arquitecturas de redes neuronales ofrecen mejor rendimiento. Los coches autónomos, sin embargo, son un ejemplo de un caso de uso que se hizo realidad solo con aprendizaje profundo.
4. La IA generativa utiliza un subconjunto de tecnologías de aprendizaje automático profundo y redes neuronales profundas para construir modelos de IA que, una vez entrenados, pueden generar rápidamente contenido en respuesta a prompts textuales. Diferentes herramientas de inteligencia artificial generativa pueden producir contenido nuevo de audio, imagen y video, pero es la inteligencia artificial conversacional orientada al texto de LLM como ChatGPT la que ha generado más emoción. Los modelos de IA generativa representan un avance significativo para la inteligencia artificial, ya que exhiben muchas capacidades de IA que comienzan a reducir la brecha entre los sistemas de IA débiles y fuertes, incluida la comprensión y generación del lenguaje natural, la síntesis del conocimiento, la resolución de problemas en múltiples dominios de experiencia y el razonamiento complejo. En consecuencia, las personas pueden conversar con modelos de inteligencia artificial generativa avanzados y aprender de ellos de la misma manera que lo hacen con los humanos.

Enfoques para el entrenamiento de modelos de IA

Es poco probable que las empresas en crecimiento trabajen directamente en el entrenamiento de modelos de IA. Sin embargo, es importante entender el entrenamiento de IA porque, sin él, un sistema de IA resultaría prácticamente inútil. El entrenamiento es donde los modelos de IA aprenden a realizar tareas específicas mediante la absorción de información de ejemplos, es decir, datos —cantidades ingentes de ellos. La calidad y cantidad de datos utilizados en el entrenamiento, así como la elección del enfoque de entrenamiento (diversos métodos de entrenamiento son adecuados para distintos tipos de modelos, tareas y datos de IA) afectan significativamente al rendimiento del sistema de IA resultante. Por estas razones, la selección del enfoque de capacitación adecuado es fundamental para desarrollar aplicaciones de IA efectivas.

¿Por qué elegir sólo uno? Las aplicaciones más prácticas del aprendizaje automático tienden a utilizar una combinación de técnicas en lugar de depender de un único enfoque. Existen cuatro enfoques principales para entrenar modelos de IA:

1. Aprendizaje supervisado: en este método, los sistemas de IA se entrenan mediante datos etiquetados, lo que significa que se proporcionan tanto los datos de entrada (input) como de salida (output) correctos. La IA aprende a asignar entradas a las salidas en función de los ejemplos que se le muestran. El aprendizaje supervisado se utiliza comúnmente para tareas como la clasificación de imágenes, el análisis de sentimientos y el modelado predictivo, donde está claro el resultado o variable objetiva que se desea predecir.
2. Aprendizaje no supervisado: los sistemas de IA entrenados con aprendizaje no supervisado reciben datos sin etiquetar y deben identificar patrones, estructuras o relaciones por sí solos. La IA aprende a agrupar puntos de datos similares o a detectar anomalías sin que se le indique explícitamente qué buscar. Este enfoque se utiliza a menudo para tareas como la segmentación de clientes, la detección de anomalías y la compresión de datos, donde el objetivo es descubrir patrones o insights de datos ocultos.
3. Aprendizaje de refuerzo: en el aprendizaje de refuerzo, los sistemas de IA aprenden por medio del método de prueba y error, recibiendo "recompensas" o "castigos" basados en sus acciones. La IA aprende a tomar decisiones que maximizan su recompensa acumulada con el tiempo. Una técnica, conocida como aprendizaje de refuerzo a través de la retroalimentación humana (RLFH por sus siglas en inglés), ha cobrado importancia porque desempeñó un papel crucial en el desarrollo de la familia de modelos de GPT que usa ChatGPT. En RLFH, el feedback humano ayuda a la IA a crear un modelo de recompensa que representa las preferencias y los valores de las personas, y que luego se convierten en parte del output del modelo cuando se utiliza para las tareas que se le asignan. Las técnicas de aprendizaje de refuerzo se utilizan comúnmente en aplicaciones de IA y robótica; sistemas de recomendaciones, como los utilizados por Netflix y Amazon; y ciertas tecnologías de autoconducción.
4. Aprendizaje semi-supervisado: es un híbrido que combina elementos de aprendizaje supervisado y no supervisado. En esta técnica, los sistemas de IA se entrenan mediante una pequeña cantidad de datos etiquetados y un gran volumen de datos sin etiquetar. La IA aprende a generalizar a partir de los ejemplos etiquetados y a aprovechar la estructura de los datos sin etiquetar para mejorar su rendimiento. Esto resulta particularmente útil cuando los datos etiquetados son escasos o costosos de obtener, ya que permite a la IA aprender de una combinación de ejemplos etiquetados y sin etiquetar. Por lo general, se utiliza en combinación con uno o varios modelos de entrenamiento para aplicaciones en robótica, clasificación de texto e imágenes, sistemas de recomendaciones, vehículos autónomos, etc.

Beneficios de la IA

La lista de ventajas que pueden aportar los sistemas de IA a un negocio es larga, variada y no para de crecer. Ten en cuenta que estas ventajas se derivan directamente de la capacidad de la IA para reconocer patrones, tomar decisiones o realizar predicciones, y aprender revisando su rendimiento —algo que los humanos hacen igual o mejor. Pero debido a su poder computacional, los sistemas de IA pueden llegar a estas conclusiones mucho más rápido que las personas y hacerlo mientras analizan muchos más datos.

• Mejora la precisión: los sistemas de IA procesan y analizan grandes cantidades de datos con un alto grado de precisión, lo que reduce el riesgo de errores e inconsistencias. Por ejemplo, las herramientas médicas basadas en IA pueden analizar los datos de los pacientes y los resultados de las imágenes para proporcionar diagnósticos más precisos, mientras que los sistemas de detección de fraudes basados en IA pueden identificar transacciones sospechosas con mayor confiabilidad que los analistas humanos.
• Aumenta la eficiencia: al automatizar tareas repetitivas y laboriosas, la IA puede ayudar a las empresas y los individuos a trabajar de manera más eficiente y productiva. Por ejemplo, las herramientas de procesamiento de documentos basadas en IA pueden extraer información relevante de grandes volúmenes de texto, lo cual ahorra tiempo y esfuerzo.
• Mejora la toma de decisiones: la capacidad de la IA para analizar muchos más datos de los que las personas pueden conducir a decisiones mejor informadas. Los sistemas de IA, particularmente en campos como la salud, las finanzas y la logística, están reforzando la toma de decisiones a través de modelos predictivos avanzados y análisis de datos.
• Alta disponibilidad y escalabilidad: por lo general, son ventajas de la infraestructura de TI subyacente que admite un sistema de IA en lugar de la propia IA. Sin embargo, debido a que los sistemas de IA para empresas en crecimiento casi siempre se implementan como software en la nube, es el caso de que puedan operar las 24 horas del día, los 7 días de la semana y siempre estén disponibles cuando es necesario. Esto es particularmente valioso en industrias como la salud, donde la IA integrada en los sistemas de monitoreo puede rastrear continuamente las constantes vitales de los pacientes y alertar al personal médico sobre posibles problemas, o en el servicio al cliente, donde los chatbots de IA pueden proporcionar asistencia durante todo el día. En cuanto a la escalabilidad, la misma infraestructura en la nube hace que los sistemas de IA sean fáciles de ampliar o reducir para adaptarse a las cambiantes demandas y cargas de trabajo.
• Personaliza los resultados: los algoritmos de IA pueden analizar los datos y las preferencias de los clientes para proporcionar experiencias y recomendaciones altamente personalizadas. Esto es evidente en aplicaciones como los servicios de streaming, donde los algoritmos de IA sugieren contenidos basados en el historial de visualización de un usuario, o en el comercio electrónico, donde las recomendaciones de productos basadas en IA se adaptan a los comportamientos e intereses de compra individuales.
• Reduce las tareas repetitivas: las aplicaciones empresariales con capacidades de IA integradas pueden automatizar tareas rutinarias y repetitivas, lo que permite a las personas centrarse en actividades de valor agregado más creativas o estratégicas. Las aplicaciones habilitadas para IA pueden manejar la entrada de datos, la facturación y otras tareas administrativas rutinarias, mientras que los sistemas de moderación de contenido con IA pueden marcar y/o eliminar automáticamente material inapropiado de las plataformas en línea.
• Conversar con humanos: las capacidades de PLN pueden permitir que cualquier sistema empresarial participe en interacciones naturales y conversacionales con los trabajadores, proporcionando información, asistencia y soporte. Esto puede mejorar la accesibilidad y hacer posibles nuevas formas de colaboración humano-máquina. Por ejemplo, los trabajadores de las plantas de ensamblaje ya pueden obtener orientación en tiempo real de los sistemas de IA a través de auriculares de realidad aumentada, y los asistentes virtuales de salud basados en IA están interactuando con los pacientes a través de mensajes de voz y texto para ayudarlos a mantenerse al día con su medicación.
• Crear código informático: los sistemas de IA generativa pueden ayudar a escribir y optimizar el código de software, aumentar la productividad de los desarrolladores y reducir los errores. Las herramientas de finalización de código basadas en IA pueden sugerir fragmentos de código y funciones relevantes como tipo de desarrollador, y los sistemas de optimización de código basados en IA pueden refactorizar y agilizar automáticamente las bases de código existentes.
• Acelera la innovación: la IA puede acelerar los procesos de investigación y desarrollo, lo que permite acelerar la innovación. Debido a que pueden procesar grandes volúmenes de datos científicos rápidamente, los sistemas de IA están acelerando el descubrimiento en campos que van desde los productos farmacéuticos y la ciencia de materiales hasta la astrofísica. Del mismo modo, la IA puede acelerar los procesos creativos colaborando con los trabajadores humanos para generar ideas, diseños, música, arte e incluso literatura.
• Perfecciona la mitigación de riesgos: las capacidades predictivas de la IA pueden ayudar a identificar y mitigar los riesgos potenciales antes de que se conviertan en problemas. Por ejemplo, un sistema de IA podría analizar datos relacionados con el clima, la geopolítica y las rutas de transporte para predecir posibles interrupciones en la cadena de suministro. Los gerentes comerciales podrían identificar proveedores alternativos, rutas, etc., por adelantado.
• Optimiza el mantenimiento predictivo: en los sectores que utilizan maquinaria pesada, como el industrial, la IA puede predecir cuándo fallará o requerirá mantenimiento la maquinaria o el equipo, lo que ayuda a evitar averías antes de que ocurran. Esto reduce el tiempo de inactividad y mejora la eficiencia operativa.
• Mejoras de accesibilidad: la IA puede lograr que los servicios y la información sean más accesibles para las personas con discapacidades. El mapa de rutas de autobús de un sitio web, por ejemplo, podría contener texto generado por IA alineado con las imágenes que describen las rutas en detalle. Eso podría combinarse con PLN de cara a leer las descripciones de las rutas en voz alta para las personas con discapacidad visual.
• Mejores resultados de atención médica: en medicina, la IA puede propiciar la detección temprana de enfermedades y dar con planes de tratamiento más personalizados.

Ejemplos de tecnologías de IA

La investigación y la evolución de la IA han producido muchas tecnologías diferentes y especializadas, cada una con sus propias aplicaciones y potencial de revolucionar los diversos sectores. Las siguientes siete tecnologías de IA son algunas de las más impactantes y ampliamente adoptadas.

• Visión artificial (Computer vision)

  La visión artificial permite a las máquinas comprender la información visual del mundo que las rodea. Se utiliza en aplicaciones de reconocimiento facial, detección de objetos y clasificación de imágenes. En los establecimientos retail, por ejemplo, se utiliza en sistemas automatizados de pago y gestión de inventario (por ejemplo, eliminando un artículo del inventario al completarse su adquisición). También es un componente crucial para los vehículos autónomos. En seguridad, impulsa los sistemas de vigilancia; en salud, ayuda en el análisis de imágenes médicas y el diagnóstico de enfermedades.

• Creación de modelos meteorológicos

  Los algoritmos de IA analizan grandes cantidades de datos meteorológicos, como imágenes satelitales, patrones meteorológicos históricos y de radar, para generar pronósticos meteorológicos precisos y detallados. Más allá de los meteorólogos, los agricultores utilizan modelos meteorológicos para optimizar la siembra y cosecha de cultivos, los servicios públicos para anticipar la demanda de energía y las organizaciones de servicios de emergencia para prepararse y responder mejor a eventos climáticos severos. Algunas grandes empresas incorporan datos meteorológicos a sus análisis de previsión de la demanda, una práctica a la que probablemente también puedan acceder las empresas en crecimiento, ya que la tecnología se vuelve menos costosa y más fácil de usar.

• Vehículos autónomos

  Los coches autónomos, camiones, drones y otros vehículos autónomos se basan en una combinación de tecnologías de IA, que incluyen visión por computadora, fusión de sensores (integración de datos de múltiples sensores para crear una comprensión más completa y precisa del entorno circundante) y algoritmos de toma de decisiones, para navegación por carretera (y cielo) de manera segura sin intervención humana. Esta tecnología está siendo desarrollada y probada por fabricantes de automóviles, empresas de tecnología y servicios de transporte. Los beneficios potenciales incluyen la reducción de los accidentes de tráfico, el aumento de la movilidad de las personas mayores y discapacitadas y un mejor flujo de tráfico en las ciudades.

• Detección de fraudes

  En los sistemas de detección de fraudes, los algoritmos de IA analizan los patrones de comportamiento de los usuarios para encontrar anomalías que sugieran actividades fraudulentas y luego intentan evitar la acción asociada, ya sea por su cuenta o alertando a los agentes humanos, según la situación. Esta tecnología se utiliza ampliamente en banca, seguros y comercio electrónico. Ayuda a las instituciones financieras a proteger los activos de los clientes, reduce las pérdidas comerciales debido al fraude y ayuda a las organizaciones a cumplir con las regulaciones del sector. En el comercio electrónico, la detección de fraudes basada en IA puede reducir los contracargos y mejorar la confianza en las transacciones en línea.

• Reconocimiento de voz

  La tecnología de reconocimiento de voz utiliza algoritmos de IA para convertir el lenguaje hablado en texto escrito. A menudo se incluye como un paso inicial en una aplicación de PNL, pero no debe confundirse con esa tecnología más amplia (ver a continuación). Para evitar tal confusión, a menudo se llama tecnología de voz a texto. Por cualquiera de sus nombres, se utiliza en aplicaciones como dictado, asistentes virtuales y automatización del servicio al cliente. En las telecomunicaciones, impulsa la marcación activada por voz y el soporte al cliente. En la asistencia sanitaria, permite la transcripción de voz a texto de notas médicas y documentación de manos libres. En los automóviles, el reconocimiento de voz es una parte de los sistemas de navegación y entretenimiento controlados por voz.

• Procesamiento de lenguaje natural

  El PLN es una tecnología de IA que permite a las computadoras comprender, interpretar y generar lenguaje humano. Mientras que el reconocimiento de voz se centra en la conversión de acústico a texto, el PNL está diseñado para lograr y producir una comprensión más profunda del contenido del lenguaje, independientemente de si se originó como discurso o texto. Se utiliza en aplicaciones como el análisis de sentimientos, el resumen de texto y la traducción automática de un idioma a otro. En marketing, el PLN ayuda a las empresas a analizar los comentarios de los clientes y las menciones en las redes sociales. En los medios de comunicación, el PLN ayuda en los sistemas de recomendaciones de contenido y la agregación automática de noticias. En finanzas, refuerza el análisis de los informes financieros y el sentimiento del mercado para fundamentar las decisiones de inversión.

• Asistentes virtuales

  Los asistentes virtuales son agentes de software impulsados por IA que pueden comprender los comandos de lenguaje natural y realizar tareas en nombre de los usuarios. Son bastante sofisticados, capaces de manejar tareas complejas y de varios pasos que requieren comprensión contextual, y pueden aprender de sus interacciones para mejorar el rendimiento futuro. Se utilizan en teléfonos inteligentes, dispositivos domésticos inteligentes y software empresarial. En el sector salud, por ejemplo, pueden entablar conversaciones naturales con los pacientes, recopilar información sobre los síntomas y ayudar a los médicos a realizar diagnósticos. En educación, los asistentes virtuales pueden ofrecer experiencias de aprendizaje personalizadas y responder a las consultas de los estudiantes. En la configuración corporativa, pueden gestionar los horarios, establecer recordatorios y controlar los sistemas de conferencias. Los asistentes virtuales pueden incluso personalizar sus interacciones, adaptándose a las preferencias individuales del usuario en cada momento.

• Chatbots

  Piensa en los chatbots como los primos más jóvenes de los asistentes virtuales. Son interfaces conversacionales basadas en IA más sencillas que pueden interactuar con los usuarios a través de texto o voz, respondiendo preguntas fáciles, proporcionando información y realizando tareas. Destacan en escenarios con patrones predecibles de interacción con el cliente y tareas repetitivas. En el servicio al cliente, por ejemplo, los chatbots gestionan consultas rutinarias, como comprobar el estado de un pedido o explicar las diferencias entre ofertas de planes de servicio estándar. En el comercio electrónico, pueden guiar a los clientes a través del proceso de compra y presentar recomendaciones personalizadas (determinadas por un sistema de IA independiente). Los chatbots bancarios ayudan con las consultas de la cuenta y los detalles de las transacciones. Las empresas de telecomunicaciones emplean chatbots para solucionar problemas comunes, gestión de cuentas y consultas de servicios.

IA generativa

La IA generativa es un subconjunto innovador de la IA que puede crear contenido nuevo y original en lugar de solo analizar o actuar sobre los datos existentes. A diferencia de otras tecnologías de IA diseñadas para tareas específicas como el reconocimiento de imágenes, la traducción de idiomas o la toma de decisiones, la IA generativa puede producir prácticamente cualquier tipo de texto, imagen, música, voz u otro tipo de contenido que sea como lo que un humano podría crear, y hacerlo todo en respuesta a los prompts.

En el corazón de la IA generativa se encuentran los LLM y los algoritmos de aprendizaje profundo, que realizan la ardua tarea de permitir que las máquinas comprendan y generen contenido similar al humano. Los modelos de IA generativa se entrenan con grandes cantidades de datos para que puedan aprender los patrones, estilos y estructuras de diferentes tipos de contenido y luego usar ese conocimiento para generar outputs nuevos y coherentes basados en prompts de usuarios u otros parámetros de entrada.

Uno de los aspectos más prometedores de la IA generativa es su potencial para mejorar la productividad y la creatividad humanas a través de la colaboración, que, según McKinsey & Company, puede aumentar la economía global en billones de dólares anuales en el futuro cercano. En lugar de reemplazar a los trabajadores humanos, la IA generativa puede ser una excelente herramienta para aumentar y acelerar las capacidades humanas. Por ejemplo, los escritores pueden usar la IA generativa para intercambiar ideas, superar el bloqueo del escritor o producir borradores que luego puedan refinar y editar. Los diseñadores pueden aprovechar la IA generativa para crear múltiples variaciones de un concepto de diseño, explorar nuevos estilos o automatizar tareas repetitivas. Los investigadores pueden emplear la IA generativa para resumir grandes volúmenes de texto, generar hipótesis o identificar patrones en conjuntos de datos complejos.

Las tecnologías de IA generativa como GPT-3.5 (y sus sucesores) para la generación de texto, DALL-E para la creación de imágenes y WaveNet para la síntesis de audio han despertado un enorme interés en múltiples industrias. A medida que estas tecnologías avanzan y se vuelven más accesibles, adquieren el potencial de transformar la forma en que las personas trabajan, aprenden y crean. Sin embargo, al mismo tiempo, la IA generativa ha planteado dudas sobre los derechos de propiedad intelectual, el papel de la creatividad humana y potenciales usos indebidos.

Casos de uso de IA

Las tecnologías de IA se están aplicando en una amplia gama de industrias, a veces simplemente mejorando la eficiencia de las operaciones existentes y otras transformando la forma en que operan las empresas y la forma en que brindan valor a los clientes. Estos son algunos de los casos de uso de IA más destacados en ocho sectores clave.

1. Retail

   Desde que Amazon fuera pionera en el uso de motores de recomendaciones basados en IA hace aproximadamente 20 años para analizar los datos de los clientes y proporcionar sugerencias de productos personalizadas, su uso se ha extendido en el sector retail. Las recomendaciones que provienen del análisis de IA del historial de compras y el comportamiento de navegación de los clientes no solo pueden ayudar a aumentar las ventas, sino también el compromiso del cliente. Los algoritmos de IA también pueden predecir la demanda futura de productos mediante el análisis de datos históricos de ventas, patrones climáticos y otros factores relevantes, lo que ayuda a las empresas del sector a optimizar la gestión del inventario y reducir los desechos. Además, las tecnologías de visión artificial basadas en IA permiten sistemas de pago automatizados con los cuales, los clientes pueden comprar sin hacer cola (teóricamente), al tiempo que reducen los costos de mano de obra para los retailers.

2. Sector salud

   En el sector salud, los sistemas de IA están impulsando diagnósticos y tratamientos más rápidos y precisos. Los algoritmos de IA pueden analizar imágenes médicas, como rayos X y resonancias magnéticas, para detectar anomalías y ayudar a los médicos a diagnosticar dolencias. La IA también puede acelerar el descubrimiento de nuevos medicamentos mediante el análisis de datos biomédicos, la identificación de posibles candidatos a medicamentos y la predicción de la eficacia y seguridad de los nuevos medicamentos, todo lo cual debería reducir el tiempo y el costo para que las compañías farmacéuticas comercialicen nuevos medicamentos. Además, la IA puede analizar los datos de los pacientes, incluida la información genética y la historia médica, para desarrollar tratamientos personalizados que puedan mejorar los resultados de los pacientes.

3. Finanzas

   En el sector financiero, los sistemas basados en IA analizan las transacciones monetarias en tiempo real, identificando patrones y anomalías que sugieren actividad fraudulenta y, por lo tanto, ayudando a las instituciones financieras a prevenir pérdidas y proteger a los clientes. Los algoritmos de IA también pueden analizar los datos del mercado, el sentimiento de las noticias y otros factores para tomar decisiones comerciales en fracciones de segundo, optimizando el rendimiento de la cartera y reduciendo los riesgos. Asimismo, la IA es capaz de analizar fuentes de datos alternativas, como la actividad en las redes sociales y el uso de teléfonos móviles, para evaluar la solvencia de los solicitantes de crédito. Una vez más, esto reduce el riesgo para las entidades prestamistas, pero, en este caso, también amplía la accesibilidad a los mercados de crédito para las personas con historiales de créditos limitados.

4. Logística

   La IA está ayudando a la industria logística a mejorar la eficiencia y reducir los costos. Los algoritmos de IA pueden analizar patrones de tráfico, condiciones climáticas y otros factores para mejorar las rutas de entrega, reducir el consumo de combustible e incrementar la puntualidad. La IA también puede analizar datos de sensores de vehículos y equipos para predecir cuándo se necesita mantenimiento, reduciendo el tiempo de inactividad y ampliando la vida útil de los activos. Además, la robótica impulsada por IA y las tecnologías de visión informática pueden automatizar las operaciones del almacén, como el retiro y el empaquetado, mejorando la eficiencia y la precisión al tiempo que reducen los costos de mano de obra.

5. Medios

   Las empresas de medios están utilizando algoritmos de IA para analizar las preferencias de los usuarios y los datos de interacción y proporcionar recomendaciones de contenido personalizadas. Este enfoque ha demostrado aumentar la retención de clientes. Las herramientas basadas en IA también ayudan a las organizaciones de noticias a generar artículos, resúmenes e incluso videos, lo cual abre las puertas a escalar la producción de contenido y llegar a nuevas audiencias. Al igual que en otras industrias, la IA puede analizar los datos de los clientes para identificar distintos segmentos de audiencia, lo cual resulta beneficioso para la publicidad dirigida y la entrega de contenido personalizado.

6. Ciberseguridad

   La IA está desempeñando un papel cada vez más importante en la ciberseguridad, ya que permite detectar y responder más rápidamente a las amenazas. Los algoritmos de IA pueden analizar el tráfico de la red y los registros del sistema para identificar posibles amenazas de seguridad, de modo que las defensas cibernéticas, ya sean automatizadas o iniciadas por analistas humanos, puedan responder más rápido, lo que reduce el riesgo de que un intento de violación de datos tenga éxito. Son especialmente útiles cuando se trata de las llamadas amenazas de día cero, que, por definición, nunca se han visto antes. La IA también puede aprender patrones de comportamiento normales de los usuarios y luego detectar desviaciones de esas normas, lo que puede indicar amenazas internas o cuentas comprometidas. Además, la IA puede priorizar y automatizar el despliegue de parches de seguridad en función de su nivel de vulnerabilidad y su impacto potencial en el negocio, lo que reduce la exposición a las amenazas cibernéticas más peligrosas.

7. Manufactura

   Para las empresas de manufactura(opens in a new tab), la IA está impulsando mejoras en términos de eficiencia, calidad y productividad. Los algoritmos de IA pueden analizar los datos de los sensores de los equipos de producción para predecir cuándo se necesita mantenimiento, reducir el tiempo de inactividad no planificado y mejorar la eficacia general del equipo. Los sistemas de visión artificial pueden inspeccionar los productos en busca de defectos, mejorando el control de calidad y reduciendo la necesidad de inspecciones manuales. La IA también puede analizar datos históricos de producción, tendencias de ventas y factores externos para predecir la demanda futura de productos, lo que ayuda a los fabricantes a fortalecer la planificación de la producción y la gestión del inventario.

8. Energía

   La IA está ayudando al sector energético a optimizar las operaciones, reducir los costos y mejorar la sostenibilidad. La IA puede analizar los datos de los sensores de los equipos de generación de energía para predecir cuándo se necesitará mantenimiento, lo cual propicia la reducción del tiempo de inactividad y prolonga la vida útil de los activos. Los algoritmos de IA también pueden analizar datos históricos de consumo, patrones climáticos y otros factores relevantes para predecir la demanda futura de energía, de modo que las empresas de servicios públicos puedan prepararse para la generación y la distribución de la energía necesaria. Además, la IA puede analizar datos en tiempo real de medidores inteligentes y otros dispositivos del "Internet de las cosas" para optimizar el flujo de energía y reducir las pérdidas de transmisión, mejorando la eficiencia y la confiabilidad de la red.

Fechas clave en el desarrollo de la IA

A lo largo de medio siglo desde la década de los 50 hasta principios de los 2000, la IA progresó con lentitud y de forma desigual. Con frecuencia la comunidad de IA realizó grandes promesas, pero no pudo cumplirlas, lo que generó cierta desconfianza en cuanto a la tecnología. Y los aparentes avances, como los programas de ajedrez entrenados para competir como humanos, no se lograron llevar para abordar problemas empresariales prácticos. Dicho esto, para el año 2000 la IA ya presentaba valor práctico en una amplia gama de aplicaciones. En su mayoría, estos implicaban entrenar un programa de computadora en una tarea bastante específica utilizando lo que ahora consideramos datos de tamaño medio, como entre 10.000 y 100.000 ejemplos. Este nivel de IA está integrado en muchos productos que ya se usan de forma generalizada.

A partir de principios de los 2000, un método específico de la IA comenzó a avanzar rápidamente: las redes neuronales. Estas son redes formadas por múltiples capas de neuronas artificiales codificadas en software. Para imaginarlas, piense en una hoja de cálculo habitual pero con tres dimensiones, ya que las neuronas artificiales están apiladas en capas, de forma similar a cómo las neuronas reales están estructuradas en el cerebro. También imitan el funcionamiento de las conexiones entre las neuronas cerebrales, ya que presentan diferentes fortalezas. Las redes neuronales son una tecnología muy antigua, que se remonta a la década de 1950; durante el rápido progreso experimentado en los 2000, algunos de sus estudiosos cambiaron su nombre a "aprendizaje profundo".

Estas son las fechas clave que cuentan la historia del surgimiento de la IA:

• 1943, Neurona artificial: Warren McCulloch y Walter Pitts publican "A Logical Calculus of the Ideas Immanent in Nervous Activity", donde se introduce el concepto de neuronas artificiales.
• 1950, Turing Test: en su artículo seminal "Maquinaria computacional e inteligencia", Alan Turing propone "el juego de la imitación", que más tarde se conoció como la Prueba de Turing, esto es, una forma de determinar si una máquina puede pensar. En el juego, un ser humano trata de distinguir entre un ordenador y un ser humano basándose únicamente en sus respuestas a preguntas.
• 1955, se acuña la expresión IA: El término "inteligencia artificial" se utiliza por primera vez en el título de una propuesta de subvención para apoyar el Proyecto de Investigación de Verano de Dartmouth sobre Inteligencia Artificial, que se realizó al año siguiente. La propuesta fue redactada por cuatro personas que se convertirían en leyendas de la informática y la IA: John McCarthy, entonces profesor asistente de matemáticas en Dartmouth; Marvin Minsky, profesor de matemáticas de Harvard; Nathaniel Rochester, jefe de investigación de información en IBM; y Claude Shannon, el matemático de Bell Labs que fundó la teoría de la información. El evento marcó el nacimiento de la IA como campo de estudio y llegó a ser conocido como "la Conferencia de Dartmouth".
• 1958, Perceptron: el psicólogo de investigación del Laboratorio Aeronáutico de Cornell, Frank Rosenblatt, desarrolla el Perceptron, un temprano modelo de red neuronal artificial capaz de aprender y reconocer patrones simples. Tenía una sola capa oculta entre sus capas de entrada y salida.
• 1959, MIT AI Project: McCarthy y Minsky, que se habían incorporado a Massachusetts Institute of Technology el año anterior, cofundaron el Proyecto de Inteligencia Artificial del MIT.
• 1960, LISP: McCarthy publica su diseño de LISP en la edición de abril de Communications of the ACM (Association for Computing Machinery). Se convierte rápidamente en el lenguaje de programación más popular para la investigación y las aplicaciones de IA.
• 1962, Retropropagación: Rosenblatt introduce el concepto de "corrección de errores de retropropagación". Décadas después, el concepto se vuelve crucial para el aprendizaje automático y la IA generativa.
• 1963, Laboratorio de Inteligencia Artificial de Stanford (SAIL): McCarthy, que se incorporó a la Universidad de Stanford en 1962, funda SAIL; aún está en funcionamiento. Hoy en día, MIT y Stanford siguen estando entre las mejores universidades de EE. UU. para la investigación de IA.
• 1966, ELIZA: el profesor de informática del MIT Joseph Weizenbaum debuta con ELIZA, considerado el primer chatbot, que simula las conversaciones que una persona podría tener con un psicoterapeuta. Aunque suena impresionantemente humano, ELIZA está completamente basado en reglas; analiza la entrada de un usuario en palabras clave y luego elige una respuesta coincidente de una biblioteca preprogramada.
• 1969, las redes neuronales caen en desgracia: Minsky, junto con Seymour Papert, ambos codirectores del Laboratorio de Inteligencia Artificial del MIT (un sucesor del "Proyecto" de IA del MIT), publican Perceptron. Los autores argumentan que las redes neuronales como el Perceptron son un callejón sin salida y que el futuro de la IA se encuentra en los sistemas simbólicos. Esto no hace más que agitar la vieja controversia entre los investigadores de IA y desalienta la investigación en redes neuronales.
• 1970, redescubrimiento de la retropropagación: el matemático y científico informático finlandés Seppo Linnainmaa reintroduce a la comunidad de investigación de IA en la idea de la retropropagación, que describe como el "modo inverso de diferenciación automática" en su tesis de maestría.
• 1974, surgen sistemas expertos: Standford publica un artículo sobre Mycin, uno de los primeros sistemas de IA expertos, que codifica el conocimiento de los médicos sobre las terapias antimicrobianas y recomienda el tratamiento para las enfermedades infecciosas.
• 1978-1986, el ahorro de XCON impulsa los sistemas expertos: XCON (eXpert CONfigurer), otro temprano sistema experto en IA, es escrito en 1978 por el catedrático de la Carnegie Mellon University John P. McDermott. Su objetivo es ayudar a la universidad a configurar las computadoras VAX de Digital Equipment Corporation (DEC): lo cual suponía todo un desafío para ellos en aquel momento. DEC comenzó a usar el programa internamente en 1980; en 1986 se estimó que generaba ahorros para la compañía por valor de $ 25 millones ($ 72 millones en dólares 2024) anualmente, principalmente al reducir los errores de configuración. El éxito de XCON fue una de las razones por las que los sistemas expertos llegaron a dominar la investigación de IA en la década de 1980.
• 1986, la retropropagación trae de vuelta las redes neuronales: El artículo "Learning representations by back-propagating errors", de David Rumelhart, Geoffrey Hinton y Ronald Williams, se publica en Nature, aplicando algoritmos de retropropagación a redes neuronales multicapa. En las siguientes décadas, la combinación de redes neuronales y retropropagación se convierte en la base del aprendizaje automático, lo que lleva a múltiples avances en IA, incluida la IA generativa.
• 1980s, RNN: Las redes neuronales recurrentes, una arquitectura de red neuronal que incorpora mecanismos de feedback como los que se cree que ocurren en el cerebro humano, emergen. Aunque los conceptos inherentes han existido desde principios de 1900, la década de 1980 trajo modelos RNN que aún están en uso.
• 1988, Traducción estadística de idiomas: los investigadores de IBM introducen la traducción automática estadística (SMT). Basado en la teoría de la información y utilizando el Teorema de Bayes, SMT produce una mejora importante sobre los traductores basados en reglas de la época. Aunque no utilizó redes neuronales, el uso de grandes conjuntos de datos y algoritmos probabilísticos de SMT sentó las bases para que esas técnicas resurgieran en los sistemas modernos de traducción de idiomas basados en redes neuronales.
• 1990s, CNN: Las redes neuronales convolucionales surgieron de los intentos de refinar las RNN. Las CNN se especializan en datos en forma de cuadrícula y, por lo tanto, son excelentes para representaciones de datos espaciales y pueden generar imágenes. Las populares aplicaciones de IA generativa de texto a imagen de hoy en día utilizan las CNN como uno de los múltiples modelos de red neuronal.
• 1997, Deep Blue supera a Kasparov: la computadora de ajedrez Deep Blue de IBM derrota al campeón mundial Garry Kasparov en una partida a seis juegos, marcando un hito significativo en la capacidad de la IA para competir con los humanos en tareas complejas.
• 2005, DARPA Grand Challenge: Stanley, un vehículo autónomo desarrollado por el equipo de carreras de la Universidad de Stanford, gana el DARPA Grand Challenge, recorriendo con éxito 132 millas en el desierto sin asistencia humana.
• 2011, Watson gana en Jeopardy!: Watson de IBM derrota a dos campeones humanos en un juego televisado de Jeopardy!. Aunque Watson no utilizó el aprendizaje profundo y las redes neuronales, contaba con una arquitectura de software única especializada para responder preguntas, mostró el poder del PNL y propició que creciera el interés en la IA.
• 2011, Siri: Apple presenta Siri, un asistente virtual que utiliza reconocimiento de voz y PLN para interactuar con los usuarios y realizar tareas sencillas en dispositivos iOS.
• 2016, AlphaGo: el sistema de IA AlphaGo de Google DeepMind derrota al campeón mundial Lee Sedol 4-1 en una partida de cinco juegos de Go, demostrando el potencial del aprendizaje profundo y el aprendizaje de refuerzo para abordar problemas complejos.
• 2017, La enorme innovación de Transformer: Transformer, una arquitectura de redes neuronales de aprendizaje profundo cuyo mecanismo de "autoatención" elimina la necesidad de recurrencia en las redes neuronales, se presenta en el artículo "Attention Is All You Need", escrito por ocho empleados y ex empleados de Google Brain y Google Research. El gran avance de Transformer es que puede procesar datos secuenciales, como el texto, de una manera masivamente paralela sin perder su comprensión del significado en las secuencias. El procesamiento paralelo de datos secuenciales revolucionó el PLN e impulsó la creación de los LLM actuales.
• 2018, El avance de la IA generativa: En junio de 2018, cuatro investigadores de OpenAI publicaron "Improving Language Understanding by Generative Pre-Training", que describe cómo combinaron el entrenamiento previo generativo con un modelo de transformador para crear el LLM que hoy se conoce como GPT-1.
• 2020, GPT-3: OpenAI lanza GPT-3, en aquel momento el LLM más grande y potente.
• 2022, ChatGPT: en noviembre, OpenAI lanza ChatGPT, basado en GPT-3.5. Este chatbot conversacional de IA altamente capaz capta la atención del público y genera debates en torno al potencial y las implicaciones de los LLM avanzados y la IA generativa.

El futuro de la IA

Como era de esperarse, las expectativas para el futuro de la tecnología de IA siguen la trayectoria habitual de todos los avances tecnológicos: se espera que la IA se vuelva rápidamente más capaz, ampliamente accesible y menos costosa (para la misma capacidad). En los primeros días de los PC, los periodistas lo calificaron de "más grande, mejor, más rápido, más fuerte, más barato". Y debido a que la tecnología de IA automatiza el análisis y la aplicación del conocimiento en sí, podría cambiar radicalmente el panorama para empresas de todos los tamaños, incluidas las empresas en crecimiento, al integrarse cada vez más en prácticamente todos los aspectos de las operaciones comerciales y la toma de decisiones.

Debido a que automatiza el análisis y la aplicación del conocimiento en sí, la integración de la IA en los negocios y la sociedad en general también es probable que provoque una transformación profunda. Cualquier cambio previo de esa magnitud siempre ha tenido que enfrentarse a importantes reticencias, por lo que los primeros en adoptar la IA también tendrán que aplicar las mejores prácticas de gestión del cambio si desean tener éxito. La recompensa por la adopción temprana de la IA, sin embargo, valdrá la pena, señala Dean Thompson, ex director de tecnología de múltiples startups de IA que han sido adquiridas a lo largo de los años por empresas como LinkedIn y Yelp, donde sigue siendo ingeniero de software sénior dedicado a LLM.

"Se producirán grandes avances entre las empresas más innovadoras que los profesionales de las que se queden rezagadas no lograrán ni entender", comenta Thompson. "Las personas y las empresas con mayor visión de futuro obtendrán un poder desmesurado. Las empresas rezagadas no lo lograrán, lo cual es sinónimo de disrupción. Y sus profesionales tampoco lo lograrán, lo cual, de nuevo, supone una disrupción".

Thompson y otros expertos esperan ver un rápido avance de las capacidades básicas de IA en los próximos dos a tres años, especialmente en los LLM que impulsan la IA generativa. Eso se traducirá en modelos mucho más confiables que rara vez, si es que nunca, incurrirán en alucinaciones; que pueden generar contenido de mayor calidad; y que pueden gestionar tareas más complejas sin intervención humana.

Otra tendencia que muchos expertos esperan es el aumento de la IA multimodal, modelos que pueden procesar y generar múltiples formatos, como texto, imágenes, audio y video. Eso podría dejar obsoleta la letra media del acrónimo LLM, que significa lenguaje. Al mismo tiempo, hay una creciente exploración de los llamados "pequeños modelos de lenguaje" (SLM). Los primeros SLM han demostrado ser sorprendentemente capaces en tamaños mucho más pequeños que los LLM, que pueden tener billones de "parámetros" variables (los coeficientes de ecuaciones en la "célula" de cada neurona artificial). Los SLM solo tienen unos miles de millones de parámetros y, por lo tanto, tamaños de archivo mucho más pequeños. Ese tamaño más pequeño les permite responder más rápido, ejecutarse en dispositivos más pequeños (porque requieren menos capacidad de procesamiento) y consumir menos energía. Por último, requieren menos datos de entrenamiento. Si lo demuestran, estos modelos compactos podrían contribuir a que la IA sea más accesible y rentable para que las empresas la implementen. Como resultado, pudimos ver una proliferación de aplicaciones de IA adaptadas a las necesidades y limitaciones específicas de las pequeñas empresas.

Otras dos tendencias muy esperadas son la rápida personalización/especialización de los modelos de IA y la integración de la IA con otras tecnologías esenciales. En cuanto a la personalización, se espera que los modelos se ajusten cada vez más a sectores específicos, casos de uso y conjuntos de datos. Asimismo, se espera que las empresas personalicen modelos para sus propias circunstancias específicas, datos y necesidades comerciales. En términos de integración, la IA combinada con tecnologías como el Internet de las cosas (IoT), blockchain y computación perimetral pueden presentar oportunidades para que las empresas den con nuevos enfoques para las aplicaciones.

Otra tendencia, para la cual los observadores de IA han acuñado el término "IA agéntica", es el desarrollo de sistemas de IA que sean lo suficientemente inteligentes como para funcionar de manera más proactiva, sin intervención humana. Imagina un sistema de gestión de inventario que incorpore capacidades avanzadas de usos de agentes de IA. Los directores de empresas establecerían las metas, los objetivos y los parámetros operativos específicos del sistema, pero el sistema de IA tendría la capacidad para actuar sobre su propio análisis y las decisiones relacionadas para optimizar las operaciones de inventario en beneficio de la organización.

Pero avances como los agentes de IA requerirán una mejora significativa en el método perfeccionado de toma de decisiones, denominado "funcionamiento ejecutivo" en humanos. Thompson cree que esto mejorará con relativa lentitud. En cambio, es más probable que en los próximos años se produzca un éxito más significativo en el desarrollo de aplicaciones de IA más específicas.

Thompson también prevé una distribución desigual de la adopción de la IA y la colaboración entre humanos e IA en las implementaciones de IA más exitosas.

"La adopción de la IA será muy desigual en todas las industrias y organizaciones", dijo Thompson, debido a las dificultades inherentes involucradas en la gestión de los cambios humanos y organizativos necesarios para adoptar la IA con éxito. "Esta distribución desigual de las capacidades de IA podría provocar interrupciones significativas y desequilibrios de poder".

Para aquellos que sí la adopten, Thompson cree que centrarse en la colaboración entre los humanos y los sistemas de IA será un factor de éxito crucial. "Los equipos y organizaciones que aprendan a trabajar de manera eficaz con la IA obtendrán mejoras significativas en términos de productividad y ventaja competitiva", apunta.

Supera tus objetivos de productividad con NetSuite IA

Las empresas que afrontan el panorama en rápida evolución de la IA pueden considerar la idea de utilizar el sistema de planificación de recursos empresariales (ERP) en la nube de NetSuite. Este ofrece un excelente conjunto de capacidades de IA que ayuda a organizaciones de todos los tamaños a aumentar su productividad y obtener una ventaja competitiva. Con las capacidades de IA integradas de NetSuite, las organizaciones son capaces de automatizar una amplia variedad de tareas repetitivas y obtener más insights valiosos que nunca antes, lo cual refuerza la posición de los directores para tomar decisiones mejor informadas. NetSuite lo hace añadiendo funciones de IA a su ERP probado y fácil de usar con una base de datos central unificada.

Las capacidades de IA de NetSuite abarcan funciones empresariales, desde la facturación y venta hasta la gestión financiera. Por ejemplo, las herramientas inteligentes de gestión financiera de NetSuite pueden escanear facturas de venta mediante el reconocimiento de objetos y caracteres basado en IA, categorizar automáticamente los gastos, analizar continuamente los datos financieros para detectar anomalías, recomendar los siguientes pasos, y proporcionar insights predictivos sobre el flujo de caja y la presupuestación. Las funciones de previsión de demanda y gestión de inventario basadas en IA de NetSuite pueden ayudar a las empresas a optimizar sus niveles de stock, reducir el desperdicio y mejorar la ejecución de órdenes. Al integrar estas capacidades de IA en una solución ERP integral, NetSuite permite a las empresas agilizar sus operaciones, mejorar su agilidad y generar nuevas oportunidades de innovación y crecimiento, todo ello al tiempo que se mantienen al día de los rápidos avances en tecnologías de IA.

La IA es una tecnología transformadora que está remodelando rápidamente el panorama empresarial. La capacidad de la IA para analizar datos, automatizar procesos y generar insights puede ayudar a las empresas a mejorar la eficiencia e impulsar la innovación y el crecimiento. Dada la rápida evolución a la que está sujeta la IA, resulta esencial que las organizaciones se mantengan al día sobre sus posibles beneficios y desafíos, para que puedan desarrollar estrategias para integrar la tecnología en su planificación y sus operaciones.

El ERP #1 en la nube
impulsado por IA

Tour gratuito de producto(opens in a new tab)

Preguntas frecuentes sobre la Inteligencia Artificial

¿Para qué se utiliza principalmente la IA?

La IA se utiliza principalmente para automatizar tareas, analizar datos y realizar predicciones para ayudar a empresas e individuos a tomar mejores decisiones y resolver problemas complejos.

¿Cuál es el objetivo de la IA?

La investigación y los productos de IA tienen como objetivo crear máquinas inteligentes que puedan realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.

¿Dónde se utiliza la IA hoy en día?

La IA se utiliza en una amplia gama de industrias en la actualidad, como salud (diagnóstico y descubrimiento de fármacos), finanzas (detección de fraudes y comercio algorítmico), transporte (vehículos autónomos), fabricación (mantenimiento predictivo), servicio al cliente (chatbots) y más.

¿Puede la IA reemplazar a los humanos?

Si bien la IA puede automatizar muchas tareas y aumentar las capacidades humanas, es poco probable que sustituya a los humanos. La IA es la más adecuada para tareas específicas y bien definidas, mientras que los humanos sobresalen en creatividad, empatía e inteligencia general. Las aplicaciones más exitosas de la IA probablemente involucren la colaboración entre humanos y máquinas.

¿Para qué utilizan la IA las personas?

Las personas utilizan la IA para una amplia gama de propósitos. Estos incluyen automatizar tareas y procesos repetitivos, analizar grandes volúmenes de datos para identificar patrones e insights, realizar predicciones y previsiones basadas en datos históricos, personalizar experiencias y recomendaciones para los clientes, mejorar la toma de decisiones y la resolución de problemas, mejorar la creatividad y generar nuevas ideas en disciplinas como el arte y el diseño, reforzar las capacidades humanas e incrementar la productividad en el lugar de trabajo.