2023-09-16 11:26:51
La inteligencia artificial ha desempeñado un papel fundamental en el campo de la informática desde la década de 1950. A lo largo de los años, ha generado considerables ingresos para aquellas empresas que han logrado implementarla de manera eficaz. Sin embargo, como hemos señalado en un reciente artículo de opinión publicado en el Wall Street Journal, la mayoría de estos beneficios han recaído en los gigantes consolidados del sector, como Google o Meta, en lugar de favorecer a las nuevas empresas emergentes.
Hasta hace poco, con la llegada de la inteligencia artificial generativa y todas sus implicaciones, no habíamos presenciado empresas centradas en la IA capaces de amenazar seriamente los beneficios de sus competidores más grandes y establecidos, ya sea mediante una competencia directa o mediante la introducción de enfoques totalmente novedosos que volvieran obsoletos a los métodos tradicionales.
Las aplicaciones de IA generativa y los modelos de vanguardia están marcando una diferencia significativa en este panorama. Su asombroso rendimiento y su rápida adopción, combinados con un vertiginoso ritmo de innovación, sugieren que podríamos encontrarnos en los albores de una transformación que cambiará nuestras vidas y nuestra economía, de manera equiparable al impacto histórico que tuvieron los microchips y la internet.
En este artículo, exploraremos la economía subyacente de la IA tradicional y por qué históricamente ha resultado desafiante alcanzar un punto de inflexión para las nuevas empresas que utilizan la IA como su diferenciador principal, un tema que hemos abordado en publicaciones anteriores. Luego, analizaremos por qué las aplicaciones de IA generativa y las empresas que se centran en modelos de vanguardia presentan una dinámica totalmente distinta, y lo que esto podría significar para nuestra industria.
La disparidad entre capacidad y economía
El desafío histórico de la IA no radica en su falta de eficacia, ya que ha demostrado producir resultados sorprendentes en numerosas ocasiones. El verdadero obstáculo ha sido la dificultad de construir modelos de negocio sólidos en el ámbito de los mercados privados. Al examinar los fundamentos, se hace evidente por qué a las nuevas empresas les resulta complicado establecer una economía rentable en torno a la IA.
La larga cola de la precisión
Muchas aplicaciones de IA deben garantizar una alta precisión incluso en situaciones excepcionales, a menudo referidas como «la cola». Aunque una sola situación excepcional puede parecer poco común, la acumulación de estas situaciones raras puede ser significativa. Este aspecto es crucial, ya que a medida que las instancias se vuelven más raras, el nivel de inversión requerido para abordarlas puede aumentar de manera exponencial. Estas dinámicas pueden crear economías de escala desfavorables que resultan difíciles de justificar para las nuevas empresas. Por ejemplo, la inversión necesaria para construir un robot capaz de recolectar cerezas con un 80% de precisión podría ascender a $20 millones. Sin embargo, alcanzar un 90% de precisión podría requerir una inversión de $200 millones, y lograr un 95% de precisión podría implicar un gasto de $1 mil millones. No solo se trata de una inversión inicial considerable para alcanzar niveles adecuados de precisión sin depender en exceso de los seres humanos, sino que también conduce a un rendimiento decreciente en relación con el capital invertido.
La importancia de la corrección
En muchos dominios tradicionales de la IA, la tolerancia a errores es escasa. Por ejemplo, los sistemas de atención al cliente automatizados no pueden ofrecer orientaciones incorrectas, el reconocimiento óptico de caracteres en los depósitos bancarios no puede interpretar erróneamente las cuentas bancarias, y los vehículos autónomos no pueden realizar acciones ilegales o peligrosas. A pesar de que la IA ha demostrado superar a los humanos en ciertas tareas específicas, los seres humanos a menudo superan a la IA en problemas que involucran situaciones excepcionales y contextuales. Por lo tanto, las soluciones basadas en IA a menudo dependen de la intervención humana para garantizar la precisión, lo que puede ser difícil de escalar y, en última instancia, afectar los márgenes brutos. Los cerebros y cuerpos humanos son eficientes y asequibles en ciertas tareas fundamentales
El cuerpo humano y el cerebro representan una máquina analógica que ha evolucionado durante cientos de millones de años para interactuar eficazmente con el mundo físico. Consumen aproximadamente 150 vatios de energía, funcionan con una dieta sencilla y destacan en la resolución de problemas en situaciones excepcionales. Además, el salario promedio a nivel mundial se sitúa en torno a los $5 por hora. En algunas regiones, el salario promedio es incluso inferior a un dólar al día. Para muchas aplicaciones, la IA no compite con un programa de computadora convencional, sino con un ser humano. Cuando la tarea implica una de las habilidades más fundamentales de la vida basada en el carbono, como la percepción, los seres humanos a menudo resultan ser más rentables. En otras palabras, es mucho más económico lograr una precisión razonable con una inversión relativamente baja empleando seres humanos. Esta realidad es especialmente relevante para las nuevas empresas, que generalmente carecen de una infraestructura de IA grande y sofisticada para construir desde cero. Además, es importante señalar que la IA a menudo se somete a un estándar más elevado que lo que los seres humanos pueden lograr. Por lo tanto, incluso en los casos en que la IA supera claramente a los seres humanos, todavía enfrenta desafíos significativos.
La falta de nuevos patrones de comportamiento emergentes en los usuarios
Este es un aspecto crucial pero a menudo subestimado. La IA, en gran medida, ha actuado como un complemento de los productos existentes de las empresas consolidadas, sin introducir muchos casos de uso novedosos que hayan dado lugar a nuevos patrones de comportamiento entre los consumidores en general. Los nuevos patrones de comportamiento del usuario suelen ser la base de las transformaciones masivas en los mercados, ya que a menudo comienzan como tendencias marginales que los actores establecidos no comprenden o no consideran relevantes. (Piense en la revolución de las computadoras personales, internet, los teléfonos inteligentes personales o la adopción generalizada de la nube).
Este es un terreno fértil para las nuevas empresas que pueden satisfacer las necesidades emergentes de los consumidores sin tener que competir directamente contra los jugadores consolidados en sus áreas principales de enfoque. Aunque hay excepciones, como los nuevos comportamientos impulsados por los asistentes de voz en el hogar, incluso estos ejemplos destacan cuán dominantes son las empresas establecidas en el ámbito de la IA, dado que no ha habido muchas empresas independientes ampliamente adoptadas en este espacio.
Los vehículos autónomos como un microcosmos de los desafíos de la IA
Los vehículos autónomos representan un ejemplo extremo pero ilustrativo de por qué la IA plantea dificultades para las nuevas empresas. Los vehículos autónomos exigen un alto nivel de precisión (cometer errores es altamente problemático), a menudo dependen en gran medida de la supervisión humana y compiten con la capacidad de percepción del cerebro humano, que consume aproximadamente 12 vatios de energía en comparación con algunos sistemas de unidades de procesamiento central y unidades de procesamiento gráfico de alta gama que consumen más de 1,300 vatios.
Por lo tanto, aunque existen numerosas razones para adoptar vehículos autónomos, como la seguridad, la eficiencia y la gestión del tráfico, los aspectos económicos aún no están a la par de los servicios de viaje compartido y mucho menos de la conducción manual. Esto es válido a pesar de que se han invertido aproximadamente $75 mil millones en tecnología de vehículos autónomos. Si bien existen casos de uso más específicos que resultan convincentes, como el transporte de camiones o rutas definidas dentro de campus, los aspectos económicos siguen mejorando gradualmente y es probable que superen a los seres humanos en un futuro cercano. Sin embargo, dado el nivel de inversión y el tiempo requerido para llegar a este punto, además de la complejidad operativa y los riesgos persistentes, no es sorprendente que la mayoría de los esfuerzos en el ámbito de los vehículos autónomos hayan sido liderados por grandes empresas públicas, ya sea mediante incubación interna o adquisiciones estratégicas.
La espiral de mediocridad de la IA en los mercados privados
Por las razones mencionadas anteriormente, la creación de un negocio de alto crecimiento y alto margen centrado en la IA ha resultado ser un desafío bien conocido para las nuevas empresas. Un escenario hipotético, como el que se describe en el artículo del Wall Street Journal, puede arrojar luz sobre esta dificultad: Para asegurar una corrección adecuada desde el principio, la nueva empresa se ve obligada a contratar seres humanos para desempeñar la función que espera automatizar con la IA con el tiempo. Esto suele ser parte de una escalada en la que una primera versión de IA se ocupa del 80% de los casos de uso comunes, mientras que los seres humanos gestionan las situaciones excepcionales. Los inversores tempranos a menudo priorizan el crecimiento sobre los márgenes, lo que lleva a la empresa a continuar contratando personal en lugar de invertir en la automatización, un proceso que resulta complicado debido a las dificultades mencionadas anteriormente en relación con la larga cola de situaciones excepcionales.
Cuando la empresa finalmente está lista para invertir en su crecimiento a gran escala, ya ha desarrollado una estructura organizativa completa en torno a la contratación y operación de seres humanos en su proceso, lo que dificulta deshacerse de este enfoque. El resultado es un negocio que puede experimentar un crecimiento inicial relativamente rápido, pero que mantiene márgenes bajos y con el tiempo se vuelve difícil de escalar. Aunque la espiral de mediocridad de la IA no es insuperable y es posible que se puedan crear empresas públicas exitosas a partir de ella, la economía y la escalabilidad tienden a quedarse atrás en comparación con los productos centrados en el software. Por lo tanto, hasta la fecha, no hemos visto un auge de nuevas empresas de IA de rápido crecimiento que tengan el impulso necesario para desafiar a los actores consolidados.
