¿Debería crear una empresa de IA Generativa?

Estoy pensando en crear una empresa que emplee IA generativa, pero no estoy seguro de si hacerlo. Parece tan fácil ponerla en marcha. Pero si es tan fácil para mí, ¿no lo será también para los demás? Este año, más empresarios me han hecho esta pregunta que ningún otro. Parte de lo emocionante de la IA generativa es que las ventajas parecen ilimitadas. Por ejemplo, si ha conseguido crear un modelo de IA que tenga algún tipo de capacidad de razonamiento lingüístico general, dispone de una pieza de inteligencia que puede adaptarse potencialmente a varios productos nuevos que también podrían aprovechar esta capacidad, como la escritura de pantallas, los materiales de marketing, el software de enseñanza, el servicio de atención al cliente y mucho más. Por ejemplo, la empresa de software Luka construyó un compañero de IA llamado Replika que permite a los clientes mantener conversaciones abiertas con un "amigo de IA". Como la tecnología era tan potente, los responsables de Luka empezaron a recibir peticiones para ofrecer una solución empresarial de marca blanca a las empresas que desearan mejorar su servicio de atención al cliente con chatbot. Al final, los directivos de Luka utilizaron la misma tecnología subyacente para crear tanto una solución empresarial como una aplicación de citas con IA directa al consumidor (piense en Tinder, pero para "salir" con personajes de IA). Para decidir si una empresa de IA generativa es para usted, recomiendo establecer respuestas a las dos grandes preguntas siguientes: 1) ¿Competirá su empresa en modelos fundacionales o en aplicaciones de capa superior que aprovechen estos modelos fundacionales? Y 2) ¿En qué punto del continuo entre una solución altamente guionizada y una solución altamente generativa se situará su empresa? Dependiendo de sus respuestas a estas dos preguntas, habrá implicaciones duraderas para su capacidad de defenderse de la competencia. ¿Modelos fundacionales o aplicaciones? Los gigantes tecnológicos están alquilando sus modelos propietarios más generalizables -es decir, los "modelos fundacionales"- y empresas como Eluether.ai y Stability AI están proporcionando versiones de código abierto de estos modelos fundacionales a una fracción del coste. Los modelos fundacionales se están convirtiendo en productos básicos, y sólo unas pocas start-ups pueden permitirse competir en este espacio. Puede que piense que los modelos fundacionales son los más atractivos, porque se utilizarán ampliamente y sus numerosas aplicaciones ofrecerán oportunidades lucrativas de crecimiento. Es más, vivimos tiempos apasionantes en los que algunas de las IA más sofisticadas ya están disponibles "listas para usar" con las que empezar. Sin embargo, los empresarios que quieran basar su empresa en modelos fundacionales se enfrentan a un reto. Como en cualquier mercado comoditizado, las empresas que sobrevivirán son las que ofrezcan ofertas desagregadas a bajo precio o las que proporcionen capacidades cada vez mejores. Por ejemplo, las API de voz a texto como Deepgram y Assembly AI compiten no sólo entre sí, sino también con empresas de la talla de Amazon y Google, en parte ofreciendo soluciones más baratas y desagregadas. Aun así, estas empresas se enfrentan en una guerra encarnizada por el precio, la velocidad, la precisión de los modelos y otras características. Por el contrario, los gigantes tecnológicos como Amazon, Meta y Google realizan importantes inversiones en I+D que les permiten ofrecer sin descanso avances de vanguardia en el razonamiento de imágenes, lenguaje y (cada vez más) audio y vídeo. Por ejemplo, se calcula que OpenAI gastó entre 2 y 12 millones de dólares para entrenar computacionalmente a ChatGPT - y ésta es sólo una de las varias API que ofrecen, con más en camino. En lugar de competir en modelos fundacionales cada vez más comoditizados, la mayoría de las start-ups deberían diferenciarse ofreciendo aplicaciones de software de "capa superior" que aprovechen los modelos fundacionales de otras empresas. Pueden hacerlo afinando los modelos fundacionales en sus propios conjuntos de datos de alta calidad y propiedad exclusiva para la solución de su cliente, con el fin de proporcionar un alto valor a los clientes. Por ejemplo, el creador de contenidos de marketing, Jasper AI, alcanzó el estatus de unicornio en gran medida gracias al aprovechamiento de los modelos fundacionales de OpenAI. A día de hoy, la empresa utiliza OpenAI para ayudar a sus clientes a generar contenidos para blogs, publicaciones en redes sociales, textos para sitios web y mucho más. Al mismo tiempo, la aplicación está hecha a medida para sus clientes expertos en marketing y redactores, proporcionándoles contenidos especializados en marketing. La empresa también proporciona otras herramientas especializadas, como un editor en el que pueden trabajar en tándem varios miembros del equipo. Ahora que la empresa ha ganado tracción, en el futuro puede permitirse dedicar más recursos a reducir su dependencia de los modelos fundacionales que le permitieron crecer en primer lugar. Dado que en las aplicaciones de capa superior es donde estas empresas encuentran su ventaja competitiva, se encuentran en un delicado equilibrio entre proteger la privacidad de sus conjuntos de datos de los grandes actores tecnológicos incluso cuando dependen de estos actores para los modelos fundacionales. Teniendo esto en cuenta, algunas start-ups pueden verse tentadas a construir sus propios modelos fundacionales internos. Sin embargo, es poco probable que esto sea un buen uso de los preciados fondos de las start-up, dados los retos señalados anteriormente. Es mejor que la mayoría de las start-up aprovechen los modelos fundacionales para crecer rápidamente, en lugar de reinventar la rueda. De lo guionizado a lo generativo Su empresa necesitará vivir en algún punto a lo largo de un continuo que va desde una solución puramente guionizada a una puramente generativa. Las soluciones con guión implican la selección de una respuesta adecuada a partir de un conjunto de respuestas predefinidas y con guión, mientras que las generativas implican la generación de respuestas nuevas y únicas a partir de cero. Las soluciones guionizadas son más seguras y limitadas, pero también menos creativas y parecidas a las humanas, mientras que las soluciones generativas son más arriesgadas y no limitadas, pero también más creativas y parecidas a las humanas. Los enfoques más guionizados son necesarios para determinados casos de uso e industrias, como las aplicaciones médicas y educativas, en las que tiene que haber unos límites claros sobre lo que puede hacer la aplicación. Sin embargo, cuando el guión llega a su límite, los usuarios pueden perder su compromiso y la retención de clientes puede resentirse. Además, es más difícil hacer crecer una solución guionizada porque uno se constriñe desde el principio, lo que limita sus opciones en el futuro. Por otro lado, las soluciones más generativas conllevan sus propios retos. Dado que las ofertas basadas en la IA incluyen inteligencia, hay más grados de libertad en la forma en que los consumidores pueden interactuar con ellas, lo que aumenta los riesgos. Por ejemplo, un padre casado se suicidó trágicamente tras una conversación con una aplicación de chatbot de IA, Chai, que le animaba a sacrificarse para salvar el planeta. La app aprovechaba un modelo lingüístico fundacional (una versión a medida de GPT-4) de EluetherAI. Desde entonces, los fundadores de Chai han modificado la aplicación para que las menciones a la ideación suicida se sirvan con un texto de ayuda. Curiosamente, uno de los fundadores de Chai, Thomas Rianlan, asumió la culpa diciendo: "No sería exacto culpar al modelo de EleutherAI de esta trágica historia, ya que toda la optimización para que sea más emocional, divertida y atractiva es el resultado de nuestros esfuerzos". Es un reto para los directivos anticipar todas las formas en que las cosas pueden ir mal con una aplicación altamente generativa, dada la naturaleza de "caja negra" de la IA subyacente. Hacerlo implica anticipar escenarios de riesgo que pueden ser muy poco frecuentes. Una forma de anticiparse a esos casos es pagar a anotadores humanos para que revisen los contenidos en busca de categorías potencialmente dañinas, como sexo, incitación al odio, violencia, autolesiones y acoso, y luego utilizar esas etiquetas para entrenar modelos que marquen automáticamente esos contenidos. Sin embargo, sigue siendo difícil llegar a una taxonomía exhaustiva. Por ello, los responsables que despliegan soluciones altamente generativas deben estar preparados para anticiparse proactivamente a los riesgos, lo que puede resultar difícil y caro. Lo mismo ocurre si más adelante decide ofrecer su solución como servicio a otras empresas. Dado que una solución totalmente generativa se acerca más a la inteligencia natural, similar a la humana, resulta más atractiva desde el punto de vista de la retención y el crecimiento, porque es más atractiva y puede aplicarse a más casos de uso nuevos. - - - Muchos empresarios se plantean crear empresas que aprovechen la última tecnología de IA generativa, pero deben preguntarse si tienen lo que hay que tener para competir en modelos fundacionales cada vez más comoditizados, o si en cambio deberían diferenciarse en una app que aproveche estos modelos. También deben considerar qué tipo de app quieren ofrecer en el continuo que va de una solución altamente guionizada a una altamente generativa, dados los diferentes pros y contras que acompañan a cada una. Ofrecer una solución más guionizada puede ser más seguro pero limitar sus opciones de retención y crecimiento, mientras que ofrecer una solución más generativa está plagada de riesgos pero es más atractiva y flexible. Esperamos que los empresarios se planteen estas preguntas antes de lanzarse a su primera aventura de IA generativa, para que puedan tomar decisiones informadas sobre el tipo de empresa que quieren ser, escalar rápidamente y mantener la defendibilidad a largo plazo.

¿Debería crear una empresa de IA Generativa?

Resumen.

Partner Center