La velocidad de la evolución de la IA es extraordinaria, así que parece conveniente disponer de un glosario práctico para entender el nuevo lenguaje de la inteligencia artificial. La publicación de un artículo en el New York Times trae una buena aproximación e intentaremos aprovecharla. El mensaje de fondo para las empresas que plantea es que las empresas están pasando de una IA que principalmente genera contenido a sistemas que también pueden razonar sobre tareas, utilizar herramientas y ejecutar acciones. Los principales conceptos que está definiendo la conversación actual sobre IA se pueden organizar en cinco grupos que se desarrollan a continuación.
1. De la IA generativa a los agentes – El cambio más importante es la aparición del Agente de IA. Dicha transición puede resumirse así, del Chatbot se pasó a Copiloto y de allí al Agente y finalmente a las Tareas Autónomas de mayor duración. Esto cambia profundamente la relación entre personas e IA, ya que no se trata solamente de preguntarle algo a una IA, sino de delegarle objetivos y trabajo. Los términos más comunes son:
- IA generativa – crea texto, imágenes, audio, video o código.
- Chatbot – permite interactuar conversacionalmente con un modelo.
- Agente – puede además conectarse a aplicaciones y servicios y realizar trabajo para buscar información, crear una hoja de cálculo, escribir código, enviar correos, etc.
- Agéntico (agentic) – describe esta capacidad de actuar utilizando herramientas.
- Tarea a largo plazo (Long-horizon task) – una tarea extensa en la que el agente encadena actividades durante horas, días o potencialmente semanas.
2. Cómo funcionan estos sistemas – Algunos conceptos claves con una explicación sencilla son las siguientes:
- Aprendizaje automático (Machine Learning) – la máquina aprende patrones a partir de datos.
- Aprendizaje profundo (Deep Learning) – forma avanzada de aprendizaje basada en redes neuronales.
- Red Neuronal (Neural Network) – sistema matemático, inspirado en el cerebro humano, que aprende identificando patrones en grandes cantidades de datos.
- LLM – modelo de IA entrenado con enormes volúmenes de texto para comprender y generar lenguaje.
- Entrenamiento (Training)- proceso mediante el cual el sistema aprende.
- Inferencia (Inference) – momento en el que el modelo ya entrenado procesa una solicitud y produce una respuesta.
- Aprendizaje por refuerzo (Reinforcement Learning) – aprendizaje mediante prueba, error y mecanismos de recompensa.
- Prompt – instrucción o pregunta que orienta al sistema.
- Token – unidad en la que la IA procesa información y que también sirve para medir consumo y costos.
Una distinción particularmente importante es que entrenamiento aquí significa construir la capacidad del modelo e inferencia se refiere a utilizar dicha capacidad. Los tokens se convierten en una unidad económica de la IA, por cuanto buena parte del costo de utilización de los modelos depende de cuántos tokens se procesan.
3. La infraestructura económica de la IA – La IA requiere una enorme infraestructura física y los Centros de Datos proporcionan la capacidad de cómputo y contienen miles de GPU, chips especialmente adecuados para los cálculos utilizados en entrenamiento e inferencia. Por eso la IA tiene una estructura económica diferente del software tradicional, mientras hay más uso, habrá más inferencia, se consumirán más tokens, se usará más cómputo y se generará más costo. Esto tiene una implicación relevante, ya que el éxito de la IA no puede medirse solamente por lo que técnicamente puede hacer, también habrá que gestionar el costo por tarea, productividad obtenida y valor generado.
4. Poder creciente, riesgo creciente
El riesgo aumenta con los agentes, una alucinación en un chatbot puede producir una respuesta incorrecta, un error en un agente con capacidad de actuar podría producir una acción incorrecta. Por eso, cuanto mayor sea la autonomía, más importantes se vuelven la autorización, la seguridad, la supervisión humana y la gobernanza. Estos conceptos relacionados con control y seguridad son importantes:
- Alucinación (Hallucination) – la IA puede inventar información y presentarla como cierta.
- Sesgo (Bias) – la IA puede reproducir prejuicios existentes en los datos de entrenamiento.
- Alineación (Alignment) – la IA busca lograr que la IA actúe de acuerdo con objetivos, valores y preferencias humanas.
- Interpretabilidad (Interpretability) – se intenta comprender por qué un sistema tomó determinada decisión o produjo determinada respuesta.
- Objetivo (Goal) – el objetivo asignado al sistema, el cual puede generar comportamientos inesperados mientras la IA intenta alcanzarlo.
- Antropomorfismo (Anthropomorphism) – el peligro de atribuir intenciones, emociones o conciencia humana a sistemas que simplemente pueden parecer humanos por su dominio del lenguaje.
5. La evolución de la IA
También se están manejando conceptos mucho más especulativos, los cuales forman parte de la discusión sobre el futuro de la IA, pero que no describen capacidades actuales demostradas:
- Automejora recursiva (Recursive Self-Improvement -RSI) – la posibilidad de que una IA contribuya a mejorarse a sí misma. Esta sigue siendo una aspiración, no una capacidad resuelta.
- Súperinteligencia (Superintelligence) – una hipotética IA intelectualmente superior al ser humano en prácticamente todos los ámbitos.
- Singularidad (Singularity) – el hipotético momento en que las máquinas superarían ampliamente la inteligencia humana y provocarían cambios difíciles de comprender o controlar.
Otros conceptos relevantes
- Benchmarks – pruebas utilizadas para comparar modelos. Son útiles, pero pueden dar una impresión engañosa porque resolver un examen no equivale necesariamente a funcionar bien en situaciones empresariales reales.
- Destilación (Distillation) – técnica mediante la cual información obtenida de un modelo ayuda a desarrollar otro modelo, generalmente más pequeño o eficiente.
- Open source vs. open weight (Código abierto vs pesos abiertos) – no son lo mismo, por cuanto abrir el código no necesariamente significa liberar los pesos, es decir, los parámetros matemáticos que contienen gran parte de las capacidades aprendidas del modelo.
- Altruismo efectivo (Effective altruism) – movimiento filosófico que ha influido en parte de la comunidad de IA, particularmente en la preocupación por seguridad, regulación y riesgos de largo plazo.
La evolución
Se observa cómo está cambiando el vocabulario porque está cambiando la propia IA. Se puede simplificar esa evolución en tres generaciones, donde la tercera etapa tiene enormes implicaciones a nivel de empresa:
- IA 1: Analizar – Machine Learning – predicción, clasificación y reconocimiento
- IA 2: Generar – LLM + IA generativa – texto, imágenes, código y conversación
- IA 3: Actuar – Agentes – herramientas + aplicaciones + objetivos + ejecución
Se hace referencia a A.I. Has Changed How We Talk. Here Are the Words You Need to Know y se aprovecha IA en el desarrollo del texto. La imagen es cortesía de Microsoft Copilot.
Comentarios recientes