La inteligencia artificial no se convertirá en una capacidad organizacional simplemente porque todos tengan un chatbot. Sucederá cuando la computación, los datos, los modelos, la infraestructura y la capacidad de moldearlos estén disponibles en todos los niveles de la operación.
En toda revolución tecnológica existe un momento peculiar en el que aquello que inicialmente parecía un producto comienza a revelarse como infraestructura.
La electricidad lo hizo posible.
Las computadoras lo hicieron.
Las cadenas lo hicieron.
Internet lo hizo.
Y la inteligencia artificial lo está haciendo ahora.
Durante los primeros años del auge de la IA generativa, gran parte del debate empresarial se centró, comprensiblemente, en el acceso. ¿Quién tiene ChatGPT? ¿Qué modelo es mejor? ¿Podemos comprar Copilot? ¿Qué proveedor ofrece el mejor contrato empresarial? ¿Debería permitirse a los empleados usar esta nueva herramienta?
Eran preguntas razonables cuando la IA todavía se percibía como una aplicación.
Cada vez son más las preguntas equivocadas.
La cuestión estratégica se está convirtiendo en algo mucho más importante:
¿Cuánta inteligencia puede producir, dirigir, adaptar y operar realmente su organización por sí misma?
No se trata simplemente de una cuestión de poseer GPU. Tampoco implica que todas las empresas deban entrenar un modelo de vanguardia en un sótano.
Es una cuestión de capacidad.
¿Puede una persona dentro de la organización identificar una tarea que podría mejorarse con IA y tomar medidas al respecto?
¿Puede un equipo configurar su propio flujo de trabajo sin tener que esperar seis meses para la implementación de un software empresarial?
¿Puede un departamento conectar los modelos con los datos y los sistemas que realmente definen su trabajo?
¿Puede la organización evaluar si un sistema de IA está mejorando o simplemente suena impresionante?
¿Pueden cambiar los modelos cuando cambia la economía?
¿Puede ejecutar cargas de trabajo sensibles donde corresponde?
¿Es capaz de captar lo que aprende de miles de interacciones diarias y convertir ese conocimiento en mejores sistemas?
¿Puede decidir dónde se realiza el cálculo, cuál es su coste, qué información le llega y quién controla la capacidad resultante?
Si la respuesta a la mayoría de esas preguntas es no, es posible que la organización tenga acceso a inteligencia artificial.
Pero aún no tiene capacidad de inteligencia artificial.
Y la diferencia es enorme.
Los nuevos medios de producción
El título de esta publicación está tomado deliberadamente de un argumento mucho más antiguo.
Durante la mayor parte de la historia industrial, el poder productivo dependió del acceso al capital físico: tierra, fábricas, maquinaria, transporte y energía. Quien controlaba esos activos controlaba una parte significativa de lo que se podía producir, a qué escala y bajo qué condiciones.
El trabajo basado en el conocimiento cambió la maquinaria, pero no la lógica subyacente.
Una hoja de cálculo es una máquina.
Una base de datos es una máquina.
Un CRM es una máquina.
Un compilador es una máquina.
Un motor de búsqueda es una máquina.
La inteligencia artificial aporta algo cualitativamente diferente: una máquina que puede participar cada vez más en la transformación de la información misma.
Dice.
Clasifica.
Traduce.
Escribe.
Búsquedas.
Compara.
Predice.
Extractos.
Códigos.
Planes.
Evalúa.
Transforma imágenes.
Opera software.
Coordina otras máquinas.
Lo que solía ser una capa de aplicación está empezando a comportarse como una capa de trabajo computacional de propósito general.
Eso hace que el acceso a la computación sea mucho más importante.
Cuando un empleado no sabe usar una hoja de cálculo, no decimos que la empresa carezca de acceso a Microsoft Excel. Decimos que esa persona carece de una capacidad operativa básica.
Una transición similar está en marcha con la inteligencia artificial.
Pronto, decir que un equipo no tiene una forma práctica de implementar modelos con sus propios datos puede sonar tan extraño como decir que el departamento de finanzas debe llamar a un proveedor externo cada vez que quiera calcular una tabla dinámica.
Los medios de cálculo se están convirtiendo en parte de los medios de operación.
Alquilar inteligencia no es lo mismo que desarrollar capacidad.
No hay nada intrínsecamente malo en las API.
De hecho, las API de modelos externos son una de las abstracciones de infraestructura más extraordinarias que se hayan ofrecido a los desarrolladores de software. Por unos pocos centavos o dólares, una organización puede acceder temporalmente a un sistema computacional cuya creación costó miles de millones.
Es una ganga asombrosa.
El error es confuso acceso barato a la capacidad de otra persona con la creación propia.
Imagina una empresa donde cada empleado tenga acceso a un potente asistente de inteligencia artificial.
La productividad aumenta.
Los documentos se redactan más rápido.
La investigación se resume.
Los correos electrónicos mejoran.
Las presentaciones aparecen casi por arte de magia.
Todos están impresionados.
Entonces, mira más allá de la superficie.
Es posible que la organización aún no cuente con una infraestructura de modelo compartido.
No hay ningún punto final de inferencia interna.
No existe una capa de recuperación sistemática.
No existe un marco de evaluación común.
No existe ningún proceso para crear conjuntos de datos a partir del conocimiento operativo.
No hay puerta de enlace de modelo.
No se utilizan herramientas de agente reutilizables.
No existe un entorno seguro para la experimentación.
No hay manera de llevar un prototipo exitoso a la producción.
No se realiza contabilidad de costes más allá de una factura mensual de SaaS.
No existe un registro sistemático de qué tareas se benefician realmente.
No existe ningún equipo interno capaz de sustituir al proveedor.
Los individuos se han vuelto más capaces.
La organización no se ha vuelto necesariamente mucho más inteligente.
Esta distinción es importante porque las mejoras en la productividad individual son solo la primera capa de la adopción de la IA.
Las mayores ventajas se obtienen cuando la inteligencia se integra en la estructura misma de la operación.
Desde usuarios de IA hasta operadores computacionales
La primera oleada de adopción de la IA en las empresas ha generado millones de usuarios de IA.
La próxima ola debe producir operadores computacionales.
No son investigadores de aprendizaje automático.
No necesariamente programadores.
Operadores.
Personas que comprenden lo suficiente sobre modelos, datos, contexto, herramientas y evaluación como para reformar el entorno computacional en torno a su propio trabajo.
Considere la diferencia.
Un usuario de IA le pide a un chatbot que resuma un informe semanal.
Un operador informático observa que se genera el mismo informe todos los viernes, identifica sus fuentes de datos, define qué es lo importante en el resumen, conecta los sistemas pertinentes, establece un criterio de evaluación y convierte la actividad en un flujo de trabajo repetible.
La primera ahorra veinte minutos.
El segundo cambia el proceso.
Esta distinción debe existir en toda la organización.
A nivel individual, las personas necesitan acceso a modelos flexibles y los conocimientos necesarios para utilizarlos de forma crítica.
A nivel de equipo, las personas necesitan herramientas compartidas, indicaciones reutilizables, agentes, conjuntos de datos y flujos de trabajo.
A nivel de procesos, la IA necesita acceso programático a los sistemas y límites operativos claros.
A nivel departamental, los equipos necesitan la capacidad de asignar recursos informáticos, implementar aplicaciones, gestionar datos y evaluar resultados.
A nivel empresarial, la organización necesita una infraestructura común, gobernanza, observabilidad, seguridad y una arquitectura que impida que cada experimento exitoso se convierta en otra isla aislada.
Por lo tanto, la capacidad de IA no puede residir exclusivamente en un “equipo de IA”.”
El equipo de IA puede construir carreteras.
No puede ser la única organización autorizada a conducir.
Cada capa operativa necesita una superficie computacional.
Uno de los errores que vemos repetidamente en la adopción de tecnología es la creación de una brecha enorme entre el acceso del consumidor y la infraestructura centralizada.
Los empleados reciben un chatbot.
En otro lugar, un equipo de ingeniería especializado recibe un clúster de GPU.
Entre ambos no hay prácticamente nada.
Es precisamente en ese segmento intermedio donde se generará gran parte del valor económico de la IA.
Un analista de marketing debería ser capaz de convertir un experimento útil en una pequeña aplicación interna.
Un equipo de atención al cliente debería ser capaz de conectar un modelo con fuentes de conocimiento aprobadas y evaluar la calidad de las respuestas.
Un gerente de operaciones debería poder automatizar la clasificación de documentos sin necesidad de crear un proyecto de adquisición.
Un desarrollador debería poder solicitar un punto final de un modelo interno con la misma facilidad que una base de datos.
Un equipo de datos debería poder exponer un conjunto de datos controlado a los modelos sin tener que copiarlo en una misteriosa interfaz de terceros.
Un equipo creativo debería poder integrar modelos de imagen, vídeo, texto y recuperación en un flujo de trabajo, en lugar de estar limitado al producto que haya incluido esas funciones en primer lugar.
Una fábrica, clínica, agencia, editorial o empresa de logística debería poder decidir que una carga de trabajo de inferencia en particular debe realizarse localmente, cerca de sus datos o dispositivos, e implementarla allí.
Esto es lo que significa desarrollar la capacidad de IA en todos los niveles operativos.
No dar acceso de administrador a todo el mundo en un servidor.
Dar a cada nivel de la organización un grado apropiado de agencia computacional.
La infraestructura es mucho más que las GPU.
El hardware recibe una atención desproporcionada porque es visible.
Un rack de GPUs parece infraestructura.
Un proceso de evaluación bien diseñado no lo hace.
Pero la infraestructura de IA es un ecosistema.
El cálculo es un componente.
Los datos son otro.
Almacenamiento.
Redes de contactos.
Modelo al servicio.
Identidad.
Permisos.
Observabilidad.
Recuperación de vectores.
Colas.
Cachés.
Registros de modelos.
Interfaces de herramientas.
Entornos de ejecución de aplicaciones.
Sistemas de evaluación.
Recopilación de comentarios.
Control de versiones de conjuntos de datos.
Escucha.
Límites de seguridad.
Y, cada vez más, la coordinación entre modelos con capacidades y costes muy diferentes.
Una empresa con ocho potentes GPU pero sin una arquitectura operativa puede tener una capacidad de IA menos útil que una empresa con un hardware modesto y una plataforma interna extremadamente buena.
Esto es importante porque el objetivo no es maximizar la propiedad computacional.
El objetivo es maximizar opciones computacionales útiles.
Algunas cargas de trabajo deberían ejecutarse a través de las API de Frontier.
Algunos deberían utilizar modelos alojados más pequeños y económicos.
Algunos deberían ejecutarse en una nube privada.
Algunos deberían ejecutarse localmente.
Algunos deberían ejecutarse en un ordenador portátil.
Algunas deberían ejecutarse directamente en una máquina en el extremo de la red.
Algunas tareas merecen un modelo de razonamiento gigantesco.
Otros merecen un clasificador de 500 millones de parámetros que responda en seis milisegundos y cueste prácticamente nada.
Un sistema de IA maduro puede tomar esas decisiones.
Una persona inmadura envía todo a través de la interfaz que el departamento de compras aprobó el año pasado.
El modelo debería ser reemplazable.
Uno de los indicadores más sólidos de la madurez de la IA es lo difícil que resultaría para una organización cambiar de modelo.
Si el cambio del Modelo A al Modelo B requiere reconstruir toda la aplicación, la organización en realidad no es dueña de la arquitectura de la aplicación.
La modelo es la dueña.
Esto es especialmente peligroso en un campo que avanza tan rápidamente como la inteligencia artificial.
El mejor modelo de hoy puede ser mediocre dentro de doce meses.
El modelo barato de hoy podría resultar caro.
Lo que hoy es una característica propietaria podría convertirse en un producto de código abierto.
La API actual podría desaparecer.
El enorme modelo actual podría ser reemplazado por uno más pequeño y especializado.
Actualmente, puede resultar económicamente viable ejecutar las cargas de trabajo en la nube de forma local.
La infraestructura debería asumir este cambio en lugar de resistirse a él.
Las aplicaciones deben comunicarse con abstracciones de modelos.
Los flujos de trabajo deben definir capacidades, no nombres de marcas.
Los conjuntos de datos de evaluación deben permitir que los modelos compitan entre sí.
La recuperación debe ser separable de la generación.
La lógica empresarial no debería desaparecer entre las indicaciones.
Las herramientas deben tener interfaces explícitas.
Los datos deben seguir siendo portátiles.
Los modelos deben entrar y salir de la arquitectura sin que ello suponga el colapso de la organización.
Esto no es simplemente buena ingeniería de software.
Se trata de una estrategia de influencia.
El token más barato es el que no tienes que comprar dos veces.
La economía de la IA se suele analizar en términos de precio por millón de tokens.
Métrica útil.
Imagen incompleta.
El coste real de la IA organizacional también incluye contexto duplicado, razonamiento repetitivo, llamadas innecesarias, enrutamiento deficiente, modelos sobredimensionados, hardware inactivo, suscripciones olvidadas, flujos de trabajo fragmentados y personas que resuelven repetidamente el mismo problema de forma aislada.
La infraestructura crea oportunidades para recuperar esas pérdidas.
Los sistemas de recuperación compartida impiden que todas las aplicaciones reconstruyan la misma capa de conocimiento.
Prompt y el almacenamiento en caché de contexto evitan los cálculos repetidos.
El enrutamiento basado en modelos envía las tareas sencillas a los modelos más económicos y las tareas difíciles a los más robustos.
La inferencia por lotes utiliza el hardware de forma eficiente.
Los modelos pequeños se encargan de tareas repetitivas y específicas.
Las herramientas reutilizables permiten que muchos agentes interactúen con los mismos sistemas empresariales.
Los servicios internos permiten que una solución de ingeniería exitosa beneficie a docenas de equipos.
Además, la computación local puede convertir algunas cargas de trabajo de gran volumen, que representan un gasto externo variable, en un recurso interno predecible.
Aquí es donde la IA pasa de la experimentación a la industrialización.
No porque la experimentación se detenga.
Porque la organización mejora su capacidad para convertir experimentos en maquinaria reutilizable.
Los datos constituyen inteligencia operativa acumulada.
El debate sobre la propiedad de la IA a menudo se centra en la ponderación de los modelos.
Pero para la mayoría de las organizaciones, el activo verdaderamente irremplazable no es el modelo.
Se trata del creciente conjunto de conocimientos generados por la operación.
Interacciones con los clientes.
Correcciones.
Resultados satisfactorios.
Salidas rechazadas.
Documentos.
Terminología interna.
Historiales de decisiones.
Información del producto.
Estados del flujo de trabajo.
Anotaciones de expertos.
recursos visuales.
Medidas.
Excepciones.
Casos extremos.
Comentario.
Este es el material a partir del cual se puede construir una inteligencia cada vez más especializada.
Cada vez que alguien corrige una respuesta de IA, se crea un ejemplo de entrenamiento potencialmente valioso.
Cada vez que un ser humano elige una opción generada en lugar de otra, aparecen datos de preferencia.
Cada pregunta repetida pone de manifiesto la necesidad de recuperar la información.
Cada fracaso revela un caso de evaluación.
Toda intervención manual en un proceso automatizado identifica un límite.
Las organizaciones que tratan estos eventos como interacciones desechables recurrirán continuamente al acceso a información externa.
Las organizaciones que los capturen sistemáticamente acumularán inteligencia operativa.
Esto último es mucho más difícil de copiar.
No se puede externalizar el ciclo de aprendizaje.
Esta puede ser la parte más importante.
La verdadera ventaja competitiva rara vez reside en el primer sistema de IA que se implementa.
Es la velocidad a la que la organización aprende a mejorarlo.
Desplegar.
Observar.
Medida.
Correcto.
Captura.
Evaluar.
Cambiar.
Despliegue de nuevo.
Es en ese ciclo donde se acumulan las capacidades de la IA.
Un proveedor puede venderte software.
Un consultor puede acelerar la implementación.
Un proveedor de servicios en la nube puede alquilarle enormes cantidades de capacidad de procesamiento.
Una empresa modelo puede brindarle capacidades de razonamiento extraordinarias a través de una API.
Ninguno de ellos puede apropiarse por completo del ciclo de aprendizaje de su operación sin absorber también parte del conocimiento que hace que su operación sea única.
Por eso, la capacidad interna es importante incluso cuando la mayor parte de la tecnología sigue siendo externa.
Es necesario tener suficiente conocimiento interno de la organización para saber qué se debe subcontratar y qué no.
Infraestructura suficiente para preservar las opciones.
Talento suficiente para evaluar las reclamaciones.
Suficiente disciplina de datos para acumular aprendizaje.
Capacidad computacional suficiente para experimentar sin tener que pedir permiso cada vez que surge la curiosidad.
Centraliza las cosas aburridas. Descentraliza la invención.
Existe una tentación comprensible de responder al caos de la IA con una centralización total.
Un modelo aprobado.
Una plataforma.
Un equipo.
Un proceso.
Una puerta de entrada.
Un comité.
Parece gobernable.
También puede convertirse en una forma magníficamente organizada de evitar que suceda algo interesante.
El extremo opuesto es igualmente disfuncional: cientos de empleados que compran productos de IA sin relación alguna, copian información corporativa en sistemas desconocidos y crean flujos de trabajo que desaparecen cuando su creador se marcha.
La arquitectura útil se sitúa entre esos extremos.
Centralizar la identidad.
Seguridad.
Explotación florestal.
Acceso al modelo.
Controles de costos.
Conectores de datos principales.
Estándares de implementación.
Infraestructura de evaluación.
Herramientas reutilizables.
Almacenamiento autorizado.
Centraliza aquello que sea caro, arriesgado o innecesario de reconstruir cincuenta veces.
Luego, descentralizar la experimentación.
Dejemos que los equipos se compongan.
Dejemos que los departamentos creen prototipos.
Deje que los expertos en la materia definan los criterios de evaluación.
Deje que los operadores descubran los casos de uso.
Dejemos que las personas cercanas al trabajo lo reformulen.
La plataforma debería hacer que el camino seguro sea el camino más fácil.
Eso es mucho más eficaz que intentar predecir todas las posibles aplicaciones de IA desde una oficina central.
La alfabetización en IA debe llegar a las salas de juntas y a los muelles de carga.
“El ”entrenamiento en IA” a menudo se reduce a talleres de redacción de ejercicios.
Eso no es suficiente.
Las distintas partes de una organización necesitan diferentes formas de alfabetización.
Los ejecutivos deben comprender la capacidad, la economía, el riesgo, la dependencia y las opciones estratégicas.
Los gerentes deben comprender el rediseño del flujo de trabajo, la evaluación y los límites de la automatización.
Los expertos en la materia deben comprender cómo su conocimiento se convierte en contexto, datos, reglas y criterios de evaluación.
Los desarrolladores necesitan comprender el comportamiento del modelo, la arquitectura de inferencia, la orquestación y la observabilidad.
Los equipos de datos deben comprender cómo la IA cambia el consumo y la producción de información organizacional.
Los equipos de seguridad necesitan comprender una superficie de ataque completamente nueva.
Los equipos de compras deben comprender los costes de cambio que no resultan obvios a partir de los precios de suscripción.
Los trabajadores de primera línea deben comprender cuándo la IA es útil, cuándo genera incertidumbre y cómo corregirla.
El objetivo no es convertir a cada empleado en un ingeniero de IA.
Se trata de evitar que la IA se convierta en una capa mágica que nadie fuera de un grupo de especialistas pueda interrogar.
Las organizaciones deben saber qué hacen sus máquinas.
Ya hemos planteado este argumento anteriormente en el contexto de los sistemas de IA opacos: si lo único que se ve son las sombras en la pared, una salida sofisticada puede crear la ilusión de una comprensión sofisticada.
Capacidad significa darse la vuelta y observar la maquinaria.
La infraestructura tiene consecuencias culturales
Existe otra razón para ubicar la capacidad de procesamiento cerca del área de operación.
La gente inventa de forma diferente cuando la experimentación es barata.
Si cada idea de IA requiere un estudio de viabilidad, la aprobación de compras, una llamada con el proveedor y una reunión trimestral para definir la hoja de ruta, los empleados aprenden rápidamente a no tener ideas sobre IA.
Si un prototipo se puede ensamblar de forma segura en una tarde, la organización desarrolla una relación diferente con la tecnología.
Las preguntas se convierten en experimentos.
Las quejas se convierten en flujos de trabajo.
Las tareas repetitivas se convierten en candidatas.
Los conjuntos de datos inesperados resultan útiles.
La gente empieza a descubrir posibilidades que ningún plan de transformación centralizado podría haber previsto.
Así es como se difunden realmente las tecnologías de propósito general.
No a través de un único caso de uso de gran magnitud.
A través de miles de pequeñas asignaciones.
La hoja de cálculo no transformó los negocios porque un director ejecutivo anunciara una estrategia basada en hojas de cálculo.
Transformó el mundo empresarial porque, de repente, la informática apareció en los escritorios.
La web no se convirtió en infraestructura organizativa porque todos los sitios web útiles fueran diseñados por el CIO.
Esta capacidad se generalizó y la gente la aprovechó para crear nuevas aplicaciones.
La IA seguirá un patrón similar.
La diferencia radica en que, en esta ocasión, la nueva superficie computacional puede manipular el lenguaje, las imágenes, el código, las decisiones y el propio software.
La superficie es mucho mayor.
Construyan la refinería, no solo el oleoducto.
Actualmente, muchas organizaciones tratan la estrategia de IA como un proceso de adquisición de productos.
Adquiera modelos.
Adquiera licencias.
Adquiera aplicaciones.
Adquirir capacidad de cálculo.
Pero el acceso directo no es suficiente.
El petróleo no constituye una economía hasta que existan refinerías, sistemas de distribución, motores, estándares, habilidades e industrias desarrolladas en torno a él.
El cálculo es similar.
La valiosa capa organizativa es todo aquello que convierte la capacidad del modelo en bruto en trabajo útil.
Adaptadores.
Canalizaciones de datos.
Evaluación.
Interfaces.
Agentes.
Flujos de trabajo.
Escucha.
Revisión humana.
Modelos de dominio.
Bucles de retroalimentación.
Sistemas de despliegue.
Gobernancia.
Esa capa intermedia es donde se convierte la inteligencia genérica. capacidad organizativa específica.
Y a diferencia del acceso a un modelo de vanguardia, no se puede comprar una sola vez y darlo por terminado.
Hay que cultivarlo.
No construyas un hiperescalador en miniatura.
Es previsible que este argumento se malinterprete.
Si poseer capacidad de procesamiento es bueno, poseer más hardware debe ser mejor.
No.
Una organización no se apropia de los medios de computación comprando una montaña de aceleradores que no puede mantener en funcionamiento.
Poseer infraestructura ociosa no es soberanía.
Es depreciación.
El objetivo no es la autarquía tecnológica.
Es la capacidad de elegir.
Una buena arquitectura de IA puede utilizar de forma intensiva las API comerciales, manteniendo al mismo tiempo su arquitectura de datos interna.
Puede ejecutar cargas de trabajo estables de alto volumen en las instalaciones, a la vez que recurre a la capacidad de la nube para los picos de demanda.
Puede utilizar modelos abiertos para procesos sensibles a la privacidad y modelos de vanguardia para razonamientos complejos.
Puede desplegar pequeños modelos locales en dispositivos periféricos y modelos remotos gigantes para la planificación.
Puede alquilar prácticamente toda su capacidad de procesamiento, manteniendo la propiedad de la orquestación, la evaluación, los conjuntos de datos y las interfaces.
Es posible que con el tiempo descubra que la inferencia local es mucho más económica para una carga de trabajo determinada y decida realizarla internamente.
La capacidad se mide por la cantidad de opciones viables disponibles, no por la cantidad de servidores que posee.
La empresa que puede calcular puede adaptarse
El mercado de la IA seguirá cambiando a una velocidad que hace que las predicciones a largo plazo de los proveedores sean prácticamente inútiles.
Los modelos serán más pequeños.
Y más grande.
Más económico.
Más especializado.
Más multimodal.
Más activo.
Aparecerán nuevas arquitecturas de hardware.
Los equipos antiguos resultarán inesperadamente útiles.
La inferencia se realizará entre el dispositivo, el borde de la red, el centro de datos y la nube.
Algunas tareas que actualmente requieren modelos generativos se reducirán a pequeños sistemas deterministas.
Otras tareas que actualmente consideramos imposibles se convertirán en rutina.
En ese entorno, la ventaja duradera reside en no apostar correctamente por un solo modelo.
Se trata de construir una organización capaz de absorber lo que venga después.
Eso requiere arquitectura técnica.
Pero también la arquitectura organizativa.
Personas que pueden experimentar.
Sistemas que pueden ser modificados.
Datos a los que se puede acceder.
Infraestructura que se puede componer.
Procesos que se pueden medir.
Un liderazgo que comprende la diferencia entre una demostración y una capacidad real.
Apoderarse de los medios de cálculo
Así que sí: apropiénsenlos.
De nadie.
Para ustedes mismos.
Proporcione al analista una forma de calcular.
Dale al diseñador una forma de calcular.
Proporcionar al investigador una forma de calcular.
Proporcione al almacén, al estudio, al centro de atención telefónica, al equipo de ingeniería y a la oficina ejecutiva las interfaces informáticas adecuadas para su trabajo.
Otorgue a los equipos la autonomía suficiente para descubrir qué significa la inteligencia dentro de sus propios procesos.
Proporcione a los desarrolladores infraestructura en lugar de un montón de claves API.
Permitir que los modelos accedan a datos controlados en lugar de copiar manualmente el conocimiento en las ventanas de chat.
Proporcione a la organización sistemas de evaluación para que pueda distinguir el progreso de la mera puesta en escena.
Desarrollar servicios compartidos.
Crear conjuntos de datos.
Crea bucles de retroalimentación.
Construye rutas de despliegue.
Desarrollar el talento interno.
Posea la infraestructura suficiente para preservar sus opciones.
Alquila lo que te convenga.
Ejecuta localmente lo que tenga sentido.
Sustituya los modelos libremente.
Mide todo lo que importa.
Y, sobre todo, no confunda el consumo de inteligencia artificial con el desarrollo de capacidades de inteligencia artificial.
Las organizaciones que prosperen en la próxima fase no serán necesariamente aquellas con los modelos más grandes, los clústeres de GPU más grandes o las suscripciones empresariales más caras.
Serán aquellas en las que la computación útil pueda aparecer dondequiera que aparezca una idea útil.
Es entonces cuando la IA deja de ser una herramienta que alguien te vende.
Se convierte en parte de lo que la organización es capaz de hacerlo.
Y ese es el método de cálculo que vale la pena aprovechar.
ES 
EN