Cuando el entusiasmo por la IA generativa se desvanece

A estas alturas ya habrá utilizado una herramienta de IA generativa (GenAI) como ChatGPT para crear una aplicación, crear una propuesta de proyecto o escribir todas esas reseñas de empleados que había estado posponiendo. Si ha hecho alguna de estas cosas o simplemente ha jugado haciendo preguntas sobre un modelo de lenguaje grande (LLM), sin duda le ha impresionado lo bien que las herramientas GenAI pueden imitar la producción humana.

Sin duda, también habrá reconocido que no son perfectos . De hecho, a pesar de toda su promesa, las herramientas GenAI como ChatGPT o GitHub Copilot todavía necesitan la intervención humana experimentada para crear las indicaciones que les guíen, así como para revisar sus resultados. Esto no cambiará pronto.

De hecho, la IA generativa es importante no tanto por todos los análisis, resúmenes legales o aplicaciones de software que puede escribir, sino porque ha aumentado la importancia de la IA en términos más generales. Una vez que todo el revuelo en torno a GenAI se desvanezca (y así será), nos quedarán mayores inversiones en aprendizaje profundo y aprendizaje automático, que puede ser la mayor contribución de GenAI a la IA.

En pleno ciclo de exageración

Es difícil no entusiasmarse con la IA generativa. Por parte de los desarrolladores de software, promete eliminar todo tipo de trabajo pesado y al mismo tiempo nos permite centrarnos en la codificación de mayor valor. La mayoría de los desarrolladores todavía están experimentando ligeramente con herramientas de codificación GenAI como AWS CodeWhisperer, pero otros, como el fundador de Datasette, Simon Willison, han profundizado y han descubierto "enormes avances en la productividad y en la ambición de los tipos de proyectos que emprenden".

Una de las razones por las que Willison puede ganar tanto con GenAI es su experiencia: puede usar herramientas como GitHub Copilot para generar el 80% de lo que necesita y es lo suficientemente inteligente como para saber dónde se puede utilizar el resultado de la herramienta y dónde necesita escribir el 20% restante. La mayoría carece de su nivel de experiencia y conocimientos y es posible que deban ser menos ambiciosos en el uso de GenAI.

Pasamos por un ciclo de exageración similar para cada ola de IA y cada vez más tenemos que aprender a separar la esperanza realista de la exageración exagerada. Tomemos como ejemplo el aprendizaje automático. Cuando llegó el aprendizaje automático, los científicos de datos lo aplicaron a todo, incluso cuando había herramientas mucho más simples. Como argumentó una vez el científico de datos Noah Lorang, “existe un subconjunto muy pequeño de problemas empresariales que se resuelven mejor mediante el aprendizaje automático; la mayoría de ellos sólo necesitan buenos datos y una comprensión de lo que significan”. En otras palabras, por muy interesante que pueda resultarle desarrollar algoritmos para encontrar patrones en petabytes de datos, las consultas matemáticas o SQL simples suelen ser un enfoque más inteligente.

De la misma manera,  Mathew Lodge, director ejecutivo de Diffblue, sugirió recientemente que GenAI es a menudo la respuesta equivocada a una serie de preguntas y que el aprendizaje por refuerzo ofrece una mayor probabilidad de éxito: “Los modelos de aprendizaje por refuerzo pequeños, rápidos y baratos de ejecutar superan fácilmente a cientos de miles de personas”. Lodge no está argumentando que la IA generativa sea una exageración. Más bien, sugiere que debemos reconocer la GenAI como una herramienta útil para resolver algunos problemas informáticos, no todos.

Incrementar la economía GenAI

Si damos un paso atrás y analizamos la IA en términos generales, a pesar del enorme impacto de GenAI en la publicidad de los medios y las inversiones corporativas, ocupa un área relativamente pequeña dentro del panorama general de la IA, como lo capta el ingeniero de Nvidia, Amol  Wagh. "Inteligencia artificial" es la forma más amplia de hablar sobre la interacción entre humanos y máquinas. Como detalla Wagh, la IA es una "disciplina tecnológica que implica emular el comportamiento humano mediante el uso de máquinas para aprender y realizar tareas sin la necesidad de instrucciones explícitas sobre el resultado previsto".

¿Encaja ahí la IA generativa? Claro que sí, pero primero viene el aprendizaje automático, un subconjunto de la IA, que se refiere a algoritmos que aprenden de los datos para hacer predicciones basadas en esos datos. El siguiente es el aprendizaje profundo, un subconjunto del aprendizaje automático, que entrena a las computadoras para que piensen más como humanos, utilizando capas de redes neuronales. Finalmente llega GenAI, un subconjunto del aprendizaje profundo, que va un paso más allá para crear contenido nuevo basado en entradas.

Nuevamente, si echamos un vistazo rápido al gasto en centros de datos de Nvidia y lo vemos dispararse en respuesta a GenAI, u observamos el impacto de GenAI en la adopción de Vercel, sería fácil suponer que GenAI es el objetivo final de la IA. GenAI definitivamente está atravesando un gran momento, pero es muy probable (casi seguro) que ese momento pase.

Esto no quiere decir que GenAI se desvanezca en una relativa oscuridad como Web3 (¿recuerdas eso?) o blockchain (perdón por traer malos recuerdos). Más bien, seremos más realistas sobre dónde encaja y dónde no dentro de un panorama de IA mucho más amplio. Claro, podemos permitir  que Massimo Re Ferré se exalte el impacto “tectónico” de GenAI en la informática. En su opinión, estamos “simplemente raspando la superficie de lo que GenAI puede hacer” en un futuro impulsado por GenAI con “expertos moviéndose 10 veces más rápido y 10 veces más profesionales sin formación en tecnología obteniendo acceso a TI de una manera que no podrían imaginar con las interfaces que tenemos hoy”.

Seguro. Alguna variante de ese futuro es posible, incluso probable. Pero GenAI es un subconjunto de un subconjunto de un subconjunto de IA, y para mí, es el panorama más amplio de la IA lo que es más interesante e impactante, incluso si toda nuestra atención está en GenAI por el momento. Este momento pasará. Si en el camino GenAI nos recuerda cuánto potencial tienen la IA, el aprendizaje automático y el aprendizaje profundo e invertimos en consecuencia, entonces habrá valido la pena el revuelo.