Por Kathleen Desveaud - Doctora en ciencias de gestión, profesora de marketing, Kedge Business School
Entre optimismo, sobreexposición, conciencia de sus límites y desilusiones, los sistemas de inteligencia artificial tienen un impacto aún limitado.
La inteligencia artificial (IA) a menudo se presenta como la próxima revolución que transformará nuestras vidas. Desde el lanzamiento de ChatGPT en 2022, las IA generativas han generado un entusiasmo global. En 2023, NVidia, un actor clave en la fabricación de chips utilizados para entrenar modelos de IA, superó los 1,000 billones de dólares en valoración bursátil. Y al año siguiente superó los 3,000 billones de dólares.
Sin embargo, este entusiasmo viene acompañado de dudas. Aunque la IA está en el centro de atención mediática, su impacto económico concreto sigue siendo modesto y su adopción por parte de las empresas es limitada.
Un estudio reciente estima que apenas el 5 % de las empresas utilizan activamente tecnologías de IA en sus procesos, ya sea IA generativa, análisis predictivo o sistemas de automatización. En algunos casos, incluso se critica a la IA por desviar la atención de los líderes de
problemas operativos más urgentes.
Esta brecha entre expectativas y resultados concretos plantea la pregunta: ¿está la IA simplemente atravesando un
"ciclo de hype", donde un entusiasmo excesivo es rápidamente seguido por una desilusión, como se ha observado con otras tecnologías desde los años 90? ¿O estamos presenciando un verdadero retroceso en el interés por esta tecnología?
De los orígenes de la IA a ChatGPT: olas de optimismo y dudas
La historia de la IA está marcada por ciclos de optimismo y escepticismo. Desde los años 50, los investigadores imaginaban un futuro poblado por máquinas capaces de pensar y resolver problemas tan eficazmente como los humanos. Este entusiasmo llevó a promesas ambiciosas, como la creación de sistemas capaces de traducir automáticamente cualquier idioma o comprender perfectamente el lenguaje humano.
Sin embargo, estas expectativas resultaron ser poco realistas frente a las limitaciones tecnológicas de la época. Así, las
primeras decepciones llevaron a los
"inviernos de la IA" a finales de los años 70 y luego a finales de los años 80, períodos en los que los fondos se redujeron debido a la incapacidad de las tecnologías para cumplir con las promesas anunciadas.
Sin embargo, los años 90 marcaron un punto de inflexión gracias a tres elementos clave: la explosión del big data, el aumento de las capacidades de cálculo y la aparición de algoritmos más eficientes. Internet facilitó la recopilación masiva de datos, esenciales para entrenar modelos de
machine learning. Estos grandes conjuntos de datos son cruciales, ya que proporcionan los ejemplos necesarios para que la IA pueda "aprender" y realizar tareas complejas. Paralelamente, los avances en los procesadores hicieron posible la ejecución de algoritmos avanzados, como las redes neuronales profundas, que son la base del
deep learning. Estos permitieron desarrollar IA capaces de realizar tareas antes inalcanzables, como el reconocimiento de imágenes y la generación automática de textos.
Estas capacidades renovaron la esperanza de ver la revolución anticipada por los pioneros del campo, con IA omnipresentes y eficaces para una multitud de tareas. Sin embargo, también trajeron consigo desafíos y riesgos importantes que comienzan a moderar el entusiasmo en torno a la IA.
Una progresiva conciencia de los límites técnicos que pesan hoy sobre el futuro de la IA
Recientemente, los actores atentos al desarrollo de la IA han tomado
conciencia de los límites de los sistemas actuales, lo que podría frenar su adopción y limitar los resultados esperados.
En primer lugar, los modelos de
deep learning a menudo se describen como "cajas negras" debido a su complejidad, lo que dificulta explicar sus decisiones. Esta opacidad puede reducir la confianza de los usuarios, limitando la adopción por temor a riesgos éticos y legales.
Los sesgos algorítmicos son otro desafío importante. Las IA actuales utilizan grandes volúmenes de datos que rara vez están libres de sesgos. Las IA reproducen así estos sesgos en sus resultados, como fue el caso del algoritmo de contratación de Amazon, que discriminaba sistemáticamente a las mujeres. Varias empresas han tenido que retroceder debido a sesgos detectados en sus sistemas. Por ejemplo, Microsoft retiró su chatbot Tay después de que generara comentarios ofensivos, mientras que Google suspendió su herramienta de reconocimiento facial, que era menos efectiva para personas de color.
Estos riesgos hacen que algunas empresas sean reacias a adoptar estos sistemas, por temor a dañar su reputación.
La huella ecológica de las IA también es preocupante. Los modelos avanzados requieren mucha potencia de cálculo y generan un consumo masivo de energía. Por ejemplo, entrenar modelos grandes como GPT-3 emitiría tanto CO₂ como cinco viajes de ida y vuelta entre Nueva York y San Francisco. En un contexto de lucha contra el cambio climático, esto cuestiona la pertinencia de un despliegue a gran escala de estas tecnologías.
En general, estos límites explican por qué algunas expectativas iniciales, como la promesa de una automatización generalizada y confiable, no se han cumplido plenamente, y se enfrentan a desafíos concretos que podrían frenar el entusiasmo por la IA.
¿Hacia una adopción medida y regulada de la IA?
La IA, ya bien integrada en nuestra vida diaria, parece demasiado arraigada para desaparecer, lo que hace poco probable un "invierno de la IA" como los de los años 70 y 80. En lugar de un retroceso duradero de esta tecnología, algunos observadores hablan de la formación de una burbuja. Los anuncios, amplificados por el uso repetido del término "revolución", han contribuido a un entusiasmo a menudo desproporcionado y a la formación de cierta burbuja. Hace diez años, era el
machine learning; hoy, es la IA generativa. Diferentes conceptos han sido popularizados sucesivamente, cada uno prometiendo una nueva revolución tecnológica.
Sin embargo, las IA modernas están lejos de ser una "revolución": se inscriben en una continuidad de investigaciones pasadas, que han permitido desarrollar modelos más sofisticados, eficientes y útiles.
No obstante, esta sofisticación tiene un costo práctico, muy alejado de los anuncios sensacionalistas. La complejidad de los modelos de IA explica en parte por qué tantas empresas encuentran difícil su adopción. A menudo voluminosos y difíciles de manejar, los modelos de IA requieren infraestructuras dedicadas y conocimientos especializados, particularmente costosos. Implementar sistemas de IA puede ser más costoso que beneficioso, tanto financiera como energéticamente. Se estima, por ejemplo, que un algoritmo como ChatGPT
cuesta hasta 700,000 dólares diarios para operar, debido a los enormes recursos de cálculo y energía requeridos.
A esto se suma la cuestión regulatoria. Principios como la minimización de la recopilación de datos personales, exigida por el RGPD, contradicen la esencia misma de las IA actuales. El AI Act, en vigor desde agosto de 2024, también podría cuestionar el desarrollo de estos sistemas sofisticados. Se ha demostrado que IA como GPT-4 de OpenAI o PaLM2 de Google
no cumplen con 12 requisitos clave de esta ley. Esta falta de conformidad podría cuestionar los métodos actuales de desarrollo de la IA, afectando así su despliegue.
Todas estas razones podrían llevar al estallido de esta burbuja de la IA, lo que nos lleva a reconsiderar la representación exagerada de su potencial en los medios. Es necesario adoptar un enfoque más matizado, reorientando los discursos hacia perspectivas más realistas y concretas que reconozcan los límites de estas tecnologías.
Esta toma de conciencia también debe guiarnos hacia un desarrollo más medido de la IA, con sistemas mejor adaptados a nuestras necesidades y menos riesgosos para la sociedad.
Fuente: The Conversation bajo licencia Creative Commons