es.wedoany.com Noticia: El director ejecutivo de Microsoft, Satya Nadella, explicó que muchas empresas pasan por alto un punto clave en su estrategia de inteligencia artificial: la verdadera competencia no radica en elegir qué modelo, sino en si la organización es capaz de aprender de los sistemas que construye.
El concepto central que enfatiza Nadella es el "ciclo de aprendizaje". Este mecanismo se refiere a un sistema que se optimiza a sí mismo con cada uso, no mediante actualizaciones de software, sino capturando, analizando y mejorando los eventos generados durante su funcionamiento, mejorando así continuamente su rendimiento. En contraste, la mayoría de las aplicaciones empresariales de inteligencia artificial actuales no funcionan de esta manera. Por ejemplo, una empresa despliega ChatGPT o un modelo similar en su flujo de trabajo; este puede responder preguntas, pero cuando un usuario vuelve a plantear la misma pregunta de una forma ligeramente diferente, el sistema no tiene memoria del contexto empresarial específico. Esto significa que la empresa posee solo una herramienta general más inteligente, no un sistema cíclico con capacidad de aprendizaje.
En los últimos dos años, la industria ha enfatizado ampliamente las soluciones de "humano en el circuito", que implican la aprobación manual de los resultados de la IA. Nadella considera que este enfoque es solo un punto de control, no un verdadero proceso de aprendizaje. La empresa no mejora el sistema; simplemente aumenta los costos de personal para controlar la calidad. Propone que, si la organización no solo verifica los resultados de la IA, sino que captura cada interacción, cada corrección y cada resultado, y utiliza esta retroalimentación para la iteración del propio sistema, haciéndolo más inteligente en un ámbito empresarial específico, entonces se constituye un verdadero ciclo de aprendizaje.
Nadella lo ilustró con un escenario de ventas. Un sistema que redacta propuestas de ventas mediante un agente de IA, sin un ciclo de aprendizaje, podría generar 80 propuestas de cada 100 que requieran edición por parte del vendedor según el modelo de precios de la empresa o los puntos débiles del cliente, y el problema persistiría al mes siguiente. En un sistema con ciclo de aprendizaje, el sistema capturaría cada acción de edición. Después de aprender de 500 propuestas, el sistema dominaría la lógica de ventas real de la empresa, no un proceso genérico. Para la propuesta número 1000, casi no se necesitarían ediciones. La empresa construye así una propiedad intelectual exclusiva que no se puede obtener mediante una simple descarga.
Nadella señaló en un memorando relacionado que no se debe competir en la selección de modelos, ya que todas las empresas pueden usar modelos como Claude, GPT y Gemini. La ventaja debe provenir del sistema construido alrededor del modelo, no de la capacidad computacional del modelo en sí. El interés de Microsoft radica en que desea que las empresas construyan estos ciclos en su plataforma Azure, incluyendo el ajuste fino, el almacenamiento de datos propietarios, y la inversión en costos que dificulten el cambio. Este marco desplaza el foco de la competencia de "quién tiene el mejor modelo" a "quién construye el sistema más inteligente".
Existen diferentes opiniones en la industria sobre la teoría del ciclo de aprendizaje. OpenAI actualmente respalda un amplio enfoque de ajuste fino, pero su estrategia más amplia es mejorar continuamente el modelo base para que sea lo suficientemente potente como para no necesitar ciclos complejos. Anthropic se inclina por gobernar a través de proyectos, flujos de trabajo de recuperación e IA constitucional; su ajuste fino se limita principalmente a modelos Claude más antiguos, dando más importancia al control, la seguridad y la gobernanza. La vía de código abierto ofrece independencia en modelos como Llama mediante LoRA y ajuste fino eficiente en parámetros, pero traslada la carga operativa al usuario. También hay pragmáticos que sugieren que llamar a la API y actualizar automáticamente podría ser una opción más simple.
Construir un ciclo de aprendizaje requiere abordar simultáneamente tres niveles de desafíos: a nivel de infraestructura, se necesita construir un conducto que capture datos de entrenamiento del uso en tiempo real, realice ajuste fino, despliegue y supervise los resultados; a nivel de gobernanza de datos, se requiere convertir conversaciones y flujos de trabajo propietarios en datos de entrenamiento limpios, conformes y legibles por máquina; a nivel de disciplina, se necesita una evaluación continua para confirmar que el modelo realmente está mejorando los resultados. El consultor empresarial Kumar Gauraw ha documentado repetidamente este patrón: equipos que se apresuran a hacer ajuste fino y alquilan GPU costosas, solo para descubrir que un prompt mejor redactado resuelve el problema en menos tiempo. La regulación añade aún más complejidad. Dario Amodei, de Anthropic, propuso recientemente una auditoría independiente similar a la regulación de la aviación para modelos de frontera, realizando auditorías independientes antes del despliegue. Esto es manejable para grandes empresas con equipos de cumplimiento, pero más difícil para empresas de mercado medio que realizan ajuste fino continuo con datos propietarios.
A pesar de los desafíos mencionados, el argumento central de Nadella sigue siendo digno de atención: las empresas que construyen ciclos de aprendizaje propietarios tempranamente pueden obtener ventajas difíciles de replicar. Esta ventaja no proviene de la tecnología en sí, sino de que el ciclo codifica el conocimiento institucional en un sistema que mejora con cada uso. Esto constituye la construcción de un activo, no simplemente la compra de acceso a modelos más inteligentes. La verdadera cuestión es si las empresas tienen la capacidad de asumir la infraestructura, la gobernanza y la disciplina necesarias para construir el ciclo, o si deben esperar a que los modelos en sí mismos se vuelvan lo suficientemente potentes como para no necesitar ciclos complejos. Esta es una elección estratégica sobre el posicionamiento empresarial.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
