La inteligencia artificial en tu compañía, ¿se hace cada día más inteligente? Si no es así, lo estás haciendo mal

Imagínate trabajando con alguien totalmente incapaz de aprender o de adquirir experiencia alguna. No hace falta visualizar a una persona absurdamente tonta o carente de inteligencia: basta con pensar en alguien que se incorpora a la empresa, atiende a numerosos clientes, vive éxitos y fracasos, asiste a reuniones y toma decisiones… pero que, al cabo de un año, posee las mismas habilidades y capacidades que el primer día. ¿Podría decirse que esa persona tiene experiencia?

Sorprendentemente, eso es exactamente lo que ocurre con gran parte de la inteligencia artificial corporativa que se despliega e implementa hoy en día. Obviamente, no estoy afirmando que un sistema de inteligencia artificial no pueda cambiar tras su despliegue: todos sabemos que sí puede; lo hemos comprobado incluso en nuestras propias interacciones con chatbots. Los sistemas pueden acumular memoria, recuperar interacciones previas, actualizarse, ajustarse con precisión o ver modificada la lógica que los rodea. Sin embargo, recordar no es lo mismo que aprender. Un sistema puede acumular información sin mejorar su capacidad para decidir qué hacer a continuación. Pero el mero hecho de utilizar más un LLM no hace que el modelo desplegado aprenda de las consecuencias de sus acciones.

Satya Nadella lo vio con claridad y distinguió entre el modelo general, susceptible de ser sustituido en cualquier momento, y la experiencia duradera, propia de un «veterano de la empresa», que debería acumularse en torno a dicho modelo. Satya aún no tiene la herramienta para ofrecer algo así a sus clientes empresariales, que no son pocos, pero va por el camino correcto.

¿Hacia dónde se dirige la experiencia corporativa hoy en día?

¿Cuántas fuentes de aprendizaje genera tu empresa a diario? Desde un cliente insatisfecho hasta un descuento que funcionó (o no), un proveedor que entregó tarde, una operación de soporte que resolvió un problema o lo agravó, o una estrategia de ventas que fracasó en un segmento pero tuvo éxito en otro… todo esto no son simples «datos»: se trata de acciones concretas seguidas de consecuencias específicas.

¿Qué parte de esa experiencia puede servir para que la inteligencia artificial del mañana supere a la actual? Si consideramos la perspectiva de Microsoft al respecto, las ventajas surgen cuando se aprende de lo ocurrido en la operativa real y se logra incorporar esas señales en los prompts, el enrutamiento, la recuperación de información y otras decisiones del sistema: las operaciones cotidianas deben convertirse en lecciones de las que su sistema pueda aprender.

La memoria le indica a la inteligencia artificial qué sucedió, pero el aprendizaje modifica sus acciones futuras.

Imagínate un equipo de vendedores muy disciplinados que llevan un registro detallado de su actividad: tras miles de llamadas, dicho registro contendrá una enorme cantidad de información, pero el criterio de los vendedores permanecerá prácticamente inalterado. ¿Realmente han aprendido algo? Recordar que un cliente concreto rechazó un descuento del 10% puede resultar útil o práctico; sin embargo, aprender que ese segmento de clientes responde mejor a implementaciones rápidas que a los descuentos es algo cualitativamente distinto.

Existe incluso un campo de investigación denominado aprendizaje continuo, cuyo objetivo es permitir que los sistemas inteligentes aprendan de forma incremental a partir de flujos de experiencias en constante cambio, conservando al mismo tiempo los conocimientos previos útiles: fundamentalmente, se trata de aprender cosas nuevas sin olvidar las anteriores.

Poseer la experiencia frente a sólo alquilar la inteligencia

Cuando distintos competidores pueden adquirir los mismos modelos de frontera, el acceso a esos modelos deja de constituir una ventaja competitiva sostenible. Lo que realmente puede convertirse en la esencia de tal ventaja es todo aquello que se ha aprendido a partir de la propia trayectoria: clientes, decisiones, campañas, correcciones, fracasos, excepciones, resultados, etc. A este respecto, Satya Nadella planteó una interesante «prueba de veteranía empresarial»: imaginemos que mañana sustituimos un modelo por otro distinto; ¿permanecería la experiencia acumulada en el seno de la organización? La verdadera oportunidad reside en crear un ciclo de aprendizaje en el que el capital humano y el capital de tokens puedan generar un efecto acumulativo, en lugar de limitarse únicamente a elegir el mejor modelo. El aprendizaje acumulado debe perdurar independientemente del modelo, que es sustituible, en lugar de desaparecer si se decide adoptar uno nuevo.

La idea es que la escala haga a la empresa más inteligente, no solo más grande. El software tradicional puede procesar un millón de transacciones en lugar de diez mil. Un sistema inteligente debería ir un paso más allá: la interacción número un millón debería dejarlo mejor preparado para la interacción 1,000,001. Lo que se debe obtener de un sistema corporativo es una inteligencia acumulativa, no meras bases de datos, registros o memoria. Los sistemas de recomendación de empresas como YouTube, Spotify o Amazon llevan mucho tiempo utilizando flujos de comportamiento y comentarios de los usuarios para mejorar sus recomendaciones futuras (o, al menos, para intentarlo), y lo hacen incluso sin recurrir a la inteligencia artificial. ¿Por qué habríamos de aceptar una inteligencia artificial corporativa que no aprenda ni mejore a partir de la experiencia de la propia empresa?

Aprender cada día no es replicar simplemente lo que hicimos ayer.

Los bucles de retroalimentación pueden ser tanto negativos como positivos. La empresa debe definir qué significa realmente el éxito. Unas llamadas de atención al cliente más rápidas no son necesariamente mejores si, posteriormente, los clientes se marchan por no estar satisfechos con la calidad de la interacción. Una mayor tasa de conversión no es necesariamente mejor si los descuentos están erosionando los márgenes. Un mayor volumen de producción no es mejor si, como consecuencia, la calidad se deteriora. El economista británico Charles Goodhart acuñó una frase que utilizo en todos mis cursos: cuando una métrica se convierte en un objetivo, deja de ser una buena métrica.

Por tanto, es necesario decidir en qué aspectos la organización quiere que el sistema mejore. Asimismo, debemos monitorizar la inteligencia artificial implementada en condiciones reales, ya que las pruebas controladas previas al despliegue no pueden abarcar todas las consecuencias potencialmente inesperadas que podrían surgir durante el uso efectivo.

¿Qué preguntas deberían plantearse los CEOs?

Actualmente, los CEOs hacen preguntas como: «¿qué modelo utiliza?», «¿cuál es su grado de precisión?», «¿cuántos agentes puede ejecutar?» o «¿cuál es el coste por token?». Alguien les ha convencido de que esas eran las preguntas inteligentes que habçia que hacer. Sin embargo, existe otra pregunta que podría ser mucho más importante: «¿En qué aspectos mejorará este sistema tras trabajar para nosotros durante doce meses?». O, para ser más precisos: «¿Qué aprende de los éxitos y los fracasos?», o «Si mañana sustituimos el modelo subyacente, ¿cuánto de lo que el sistema ha aprendido sobre nuestra empresa perdurará?». Si la respuesta a la primera pregunta es «nada, a menos que los ingenieros lo reentrenen o rediseñen» y la respuesta a la segunda es «muy poco», entonces es posible que la empresa esté simplemente alquilando inteligencia sin acumular prácticamente inteligencia propia. Y por tanto, ninguna ventaja competitiva sostenible.

Y estoy convencido de que eso no es lo que quieres. La próxima generación de inteligencia artificial corporativa no se definirá simplemente por el nivel de inteligencia que posea el primer día, sino por cuánto habrá mejorado para el día 1,000. Asegúrate de que tu empresa sepa sacar partido de ello, porque otras sin duda lo van a hacer.

(This article was previously published on Fast Company)