Tres aprendizajes clave sobre innovación en IA del evento Ai4 2025 en Las Vegas

La semana pasada, en Las Vegas, se celebró la conferencia Ai4 por octavo año consecutivo con el objetivo de reunir a desarrolladores, científicos de datos, líderes empresariales y expertos en tecnología para hablar sobre todo lo relacionado con la inteligencia artificial. Asistí a muchas sesiones y tuve numerosas conversaciones con personas del sector; a continuación, les presento un resumen de lo que, en mi opinión, se desprende de todo ello.

Todos están bajo presión para adoptar la IA. Los líderes necesitan una respuesta a la pregunta «¿qué están haciendo con respecto a la IA?», y deben demostrar que están invirtiendo en este ámbito. 

Todos saben que se trata de un cambio transformador de gran envergadura, y nos encontramos en una etapa en la que las posibilidades superan a los patrones establecidos. Como resultado, la gente está abordando los proyectos como experimentos, para ver qué funciona y qué no. Este enfoque experimental conlleva una tolerancia hacia una tasa de fracaso relativamente alta. En una sesión titulada «Impulsar el retorno de inversión de la IA», Jyothi Srirangam de PayPal planteó la pregunta: «Si les dijera que más del 50 % de los proyectos de IA fracasan, ¿aún invertirían en ellos?». Varias personas gritaron «¡Sí!» y vi a gente asintiendo con la cabeza por toda la sala. Ella continuó diciendo:

Dicho esto, el hecho de reconocer que se trata de aplicaciones sin probar de una nueva tecnología está impulsando la disposición al riesgo. En su ponencia, Rajesh Janu, de Mastercard, hizo referencia al infame incidente con Knight Capital Group. Esto ocurrió allá por la «edad de piedra» de la IA, en 2012, pero sirve como una lección de precaución: debido a un «fallo técnico» en su algoritmo, perdieron más de 440 millones de dólares en solo 45 minutos, lo que sumió al mercado en el caos y casi destruyó a su empresa en el proceso. Abundan las historias sobre el daño financiero y a la reputación que se produce cuando la IA falla o es mal utilizada por personas con malas intenciones. (Véase este artículo, que, aunque se centra principalmente en el aspecto de DevOps de este incidente, es una lectura muy interesante de 5 minutos)

Si bien el riesgo que entraña estar a la vanguardia puede alejar a algunos de los casos de uso más innovadores, hay ciertos casos en los que la mayoría temprana se está sumando. Esta división parece más evidente en el sector financiero. Algunos de los casos de uso más consolidados y aceptados de los que me enteré en el sector financiero fueron las herramientas de productividad para el personal (como la de CIBC Chris Patterson presentó un conjunto galardonado de herramientas de productividad para empleados basado en OpenAI), los agentes de atención al cliente y la documentación dirigida a los clientes.

Lo que estamos viendo aquí es realmente interesante desde la perspectiva de «Crossing the Chasm»: tenemos a la mayoría temprana que se suma en busca de casos de uso más seguros y consolidados, al mismo tiempo que vemos a los innovadores que siguen explorando los límites de la tecnología, los negocios y los usuarios.

En informática, el concepto de «determinístico» frente a «no determinístico» se refiere a si un algoritmo, dada una entrada específica, siempre producirá la misma salida pasando por los mismos estados para llegar a ella (determinístico), o no (no determinístico). 

La IA generativa nos ha cautivado y deleitado en gran parte debido a su naturaleza no determinista; puede ser creativa, puede ofrecer lo inesperado y puede sorprenderte con las conexiones que establece. Para muchas tareas, todo esto son grandes ventajas. 

En el sector financiero, existen numerosas y maravillosas aplicaciones posibles de la IA generativa para reducir el trabajo manual y mejorar la experiencia del cliente; sin embargo, debemos conciliar la naturaleza no determinista de la IA generativa (y, en mayor medida aún, de la IA agentiva) con las regulaciones y los marcos de riesgo. Desde hace mucho tiempo, las instituciones financieras han tenido que garantizar que no haya sesgos en sus sistemas y que todas las decisiones sean explicables y replicables. Además, para poder justificar las decisiones, estas deben ser predecibles. Escuché varias versiones de esto en diferentes charlas, tanto en lo que respecta a los marcos de riesgo internos de las instituciones financieras como a las preocupaciones regulatorias.

En una sesión, EJ Achtner, jefe de Inteligencia Artificial Aplicada en BMO, lo expresó de esta manera:

Eso no suena a IA generativa. Esto se complica aún más cuando se toma en cuenta la comprensión del contexto y la generación aumentada por recuperación (RAG) con un catálogo de materiales en constante cambio. El estoico Heráclito dijo: «Ningún hombre puede bañarse dos veces en el mismo río, pues no es el mismo río ni él es el mismo hombre».

Lo que me llama la atención en esta discusión es que estamos tratando de usar la IA para reemplazar tareas que realizan las personas. No estoy seguro de que haya algo más no determinista que los seres humanos… Entonces, ¿debemos actualizar nuestra forma de pensar sobre el determinismo y, en su lugar, basarnos en la auditabilidad, la transparencia y el análisis? ¿O debemos descubrir cómo hacer que la IA general sea más determinista? En mi opinión, deberíamos trabajar para lograr ambas cosas.

Al hablar sobre su punto de vista al respecto en materia de riesgo y cumplimiento, Dustin Eaton, director de Fraude y Lucha contra el Lavado de Dinero en Taktile, afirma:

Casi todas las personas con las que hablé estaban preocupadas por el entorno regulatorio incierto en el futuro cercano. En este momento, se trata principalmente de si la IA se regulará a nivel federal, a nivel estatal o en ambos. Creo que el sector tecnológico está algo acostumbrado a esto (véanse las regulaciones de privacidad como una buena analogía), al igual que el sector empresarial (véanse los impuestos o la prohibición de ciertos ingredientes alimenticios a nivel federal y local), pero saber que esto se avecina sin tener idea de exactamente QUÉ es lo que se avecina (o cuándo) es un problema. 

La primera Ley de Inteligencia Artificial de la UE podría ser un buen indicador. Para quienes trabajan en el sector financiero, esta ley identificó la concesión de créditos y la suscripción de seguros como casos de uso de IA «de alto riesgo».

Nota al margen: Nuestro cofundador Maximilian Eber (junto con Philipp Hacker) escribió un artículo exhaustivo en la Harvard Data Science Review en el que explica lo que esto significará para los servicios financieros una vez que la ley entre en vigor. 

Aunque las empresas no parecen estar cayendo en la parálisis por este motivo, sí parece estar influyendo en los casos de uso que priorizan y en cómo plantean la diversificación de su cartera de proyectos. Ravi Venugopal , de Giggso, habló sobre la importancia de la vida útil y cómo las empresas «quieren ver en qué proyectos pueden invertir que tengan una vida útil más larga, y ver cómo pueden destinar su dinero a esos proyectos». 

Aunque la incertidumbre regulatoria está influyendo en las estimaciones sobre la vigencia de ciertos proyectos, las empresas no se están quedando de brazos cruzados; todas están buscando iniciativas en las que trabajar.

Las conversaciones que tuve en esta conferencia me recordaron mucho al mundo de las startups de alrededor del 2010, cuando la revolución móvil comenzaba a tomar forma, salvo que el tiempo y el dinero necesarios para llevar a cabo experimentos son mucho menores. De manera similar a cómo los inversionistas de capital de riesgo (VC) creaban carteras de startups de aplicaciones, los líderes empresariales de hoy están creando carteras internas de proyectos y esperan una alta tasa de fracaso, pero una enorme recompensa por los éxitos.

Parece que las empresas que lo están haciendo bien están creando grupos y puestos dentro de sus organizaciones para armar una cartera de proyectos, equilibrada en cuanto a plazos, perfil de riesgo e impacto potencial. Mona Hassanzadeh, jefa de Ciencia de Datos e IA en Meridian Credit Union, habló sobre cómo su comité directivo de IA funciona como un grupo de inversión centralizado, que crea una cartera de inversiones basada en el riesgo, el plazo y el impacto, y luego se asegura de que esos proyectos se ejecuten de manera segura y operativamente sólida.

Entonces, ¿cómo abordar estos experimentos? Los líderes en este ámbito comienzan cada experimento con una hipótesis basada en una métrica de negocios (¿Y si pudiéramos duplicar la velocidad con la que hacemos X? ¿Y si pudiéramos reducir el costo de Y en un 60 %?), toman mediciones de referencia, definen el alcance de su inversión en el experimento y miden los resultados. Si recordamos las inversiones en startups impulsadas por el capital de riesgo en la década de 2010, el lema de moda era «fracasar rápido». Es posible que esa sea la clave aquí también. Permitir la experimentación rápida (o tal vez, más precisamente, la falsificación) permite a las empresas descartar objetivamente lo que no va a funcionar para enfocar la inversión en lo que sí lo hará. 

En cuanto al aprovechamiento de la IA no determinista: tuve algunas conversaciones sobre cómo dividir los flujos de trabajo de los agentes en unidades de trabajo más pequeñas y discretas puede generar visibilidad y capacidad de instrumentación en esas unidades. Esto permite un mayor control, visibilidad y auditabilidad. Además, puede ayudar a estructurar las indicaciones de manera más concreta.

Prepárate para lo impredecible. La diferencia entre predicción y preparación es un concepto muy importante, en el que he reflexionado mucho durante estas sesiones y conversaciones. No puedes saber cómo será el futuro, ni puedes predecir los eventos «cisne negro», que son intrínsecamente impredecibles, pero sí puedes tomar medidas que te hagan resiliente ante muchos futuros posibles.

 En este caso, se trata de incorporar la diversidad (de proveedores, públicos y casos de uso) en tu cartera de proyectos, lo que te permitirá ser más adaptable al prepararte para una iteración rápida, gestionar tu exposición y «realizar simulacros de ataque» tu tecnología para detectar los riesgos antes de que ellos te encuentren. La nueva generación de líderes en IA en el mundo empresarial está descubriendo y perfeccionando los patrones a medida que la aplicación de esta tecnología madura, y es realmente emocionante ser parte de ello.

Terminaré con una nota diferente, con la que, de hecho, comenzó la conferencia: la oradora principal, Randi Weingarten, presidenta de la Federación Estadounidense de Maestros, inauguró la conferencia con un llamado a que «construyamos un futuro en el que queramos vivir, uno en el que queramos que vivan nuestros hijos». Nos encontramos en un momento decisivo, y todos debemos recordar nuestra responsabilidad hacia nuestra sociedad y nuestro futuro colectivo al decidir cómo seguir adelante. 

¿Qué opinas? ¿Tienes alguna pregunta? No dudes en contactarme, siempre me da gusto platicar.