En toda revoluci\u00f3n tecnol\u00f3gica existe un momento peculiar en el que aquello que inicialmente parec\u00eda un producto comienza a revelarse como infraestructura.<\/p>\n\n\n\n
La electricidad lo hizo posible.<\/p>\n\n\n\n
Las computadoras lo hicieron.<\/p>\n\n\n\n
Las cadenas lo hicieron.<\/p>\n\n\n\n
Internet lo hizo.<\/p>\n\n\n\n
Y la inteligencia artificial lo est\u00e1 haciendo ahora.<\/p>\n\n\n\n
Durante los primeros a\u00f1os del auge de la IA generativa, gran parte del debate empresarial se centr\u00f3, comprensiblemente, en el acceso. \u00bfQui\u00e9n tiene ChatGPT? \u00bfQu\u00e9 modelo es mejor? \u00bfPodemos comprar Copilot? \u00bfQu\u00e9 proveedor ofrece el mejor contrato empresarial? \u00bfDeber\u00eda permitirse a los empleados usar esta nueva herramienta?<\/p>\n\n\n\n
Eran preguntas razonables cuando la IA todav\u00eda se percib\u00eda como una aplicaci\u00f3n.<\/p>\n\n\n\n
Cada vez son m\u00e1s las preguntas equivocadas.<\/p>\n\n\n\n
La cuesti\u00f3n estrat\u00e9gica se est\u00e1 convirtiendo en algo mucho m\u00e1s importante:<\/p>\n\n\n\n
<\/p>\n\n\n\n
No se trata simplemente de una cuesti\u00f3n de poseer GPU. Tampoco implica que todas las empresas deban entrenar un modelo de vanguardia en un s\u00f3tano.<\/p>\n\n\n\n
Es una cuesti\u00f3n de capacidad<\/strong>.<\/p>\n\n\n\n \u00bfPuede una persona dentro de la organizaci\u00f3n identificar una tarea que podr\u00eda mejorarse con IA y tomar medidas al respecto?<\/p>\n\n\n\n \u00bfPuede un equipo configurar su propio flujo de trabajo sin tener que esperar seis meses para la implementaci\u00f3n de un software empresarial?<\/p>\n\n\n\n \u00bfPuede un departamento conectar los modelos con los datos y los sistemas que realmente definen su trabajo?<\/p>\n\n\n\n \u00bfPuede la organizaci\u00f3n evaluar si un sistema de IA est\u00e1 mejorando o simplemente suena impresionante?<\/p>\n\n\n\n \u00bfPueden cambiar los modelos cuando cambia la econom\u00eda?<\/p>\n\n\n\n \u00bfPuede ejecutar cargas de trabajo sensibles donde corresponde?<\/p>\n\n\n\n \u00bfEs capaz de captar lo que aprende de miles de interacciones diarias y convertir ese conocimiento en mejores sistemas?<\/p>\n\n\n\n \u00bfPuede decidir d\u00f3nde se realiza el c\u00e1lculo, cu\u00e1l es su coste, qu\u00e9 informaci\u00f3n le llega y qui\u00e9n controla la capacidad resultante?<\/p>\n\n\n\n Si la respuesta a la mayor\u00eda de esas preguntas es no, es posible que la organizaci\u00f3n tenga acceso a inteligencia artificial.<\/p>\n\n\n\n Pero a\u00fan no tiene capacidad de inteligencia artificial.<\/p>\n\n\n\n Y la diferencia es enorme.<\/p>\n\n\n\n <\/p>\n\n\n\n El t\u00edtulo de esta publicaci\u00f3n est\u00e1 tomado deliberadamente de un argumento mucho m\u00e1s antiguo.<\/p>\n\n\n\n Durante la mayor parte de la historia industrial, el poder productivo dependi\u00f3 del acceso al capital f\u00edsico: tierra, f\u00e1bricas, maquinaria, transporte y energ\u00eda. Quien controlaba esos activos controlaba una parte significativa de lo que se pod\u00eda producir, a qu\u00e9 escala y bajo qu\u00e9 condiciones.<\/p>\n\n\n\n El trabajo basado en el conocimiento cambi\u00f3 la maquinaria, pero no la l\u00f3gica subyacente.<\/p>\n\n\n\n Una hoja de c\u00e1lculo es una m\u00e1quina.<\/p>\n\n\n\n Una base de datos es una m\u00e1quina.<\/p>\n\n\n\n Un CRM es una m\u00e1quina.<\/p>\n\n\n\n Un compilador es una m\u00e1quina.<\/p>\n\n\n\n Un motor de b\u00fasqueda es una m\u00e1quina.<\/p>\n\n\n\n La inteligencia artificial aporta algo cualitativamente diferente: una m\u00e1quina que puede participar cada vez m\u00e1s en la transformaci\u00f3n de la informaci\u00f3n misma.<\/p>\n\n\n\n Dice.<\/p>\n\n\n\n Clasifica.<\/p>\n\n\n\n Traduce.<\/p>\n\n\n\n Escribe.<\/p>\n\n\n\n B\u00fasquedas.<\/p>\n\n\n\n Compara.<\/p>\n\n\n\n Predice.<\/p>\n\n\n\n Extractos.<\/p>\n\n\n\n C\u00f3digos.<\/p>\n\n\n\n Planes.<\/p>\n\n\n\n Eval\u00faa.<\/p>\n\n\n\n Transforma im\u00e1genes.<\/p>\n\n\n\n Opera software.<\/p>\n\n\n\n Coordina otras m\u00e1quinas.<\/p>\n\n\n\n Lo que sol\u00eda ser una capa de aplicaci\u00f3n est\u00e1 empezando a comportarse como una capa de trabajo computacional de prop\u00f3sito general<\/strong>.<\/p>\n\n\n\n Eso hace que el acceso a la computaci\u00f3n sea mucho m\u00e1s importante.<\/p>\n\n\n\n Cuando un empleado no sabe usar una hoja de c\u00e1lculo, no decimos que la empresa carezca de acceso a Microsoft Excel. Decimos que esa persona carece de una capacidad operativa b\u00e1sica.<\/p>\n\n\n\n Una transici\u00f3n similar est\u00e1 en marcha con la inteligencia artificial.<\/p>\n\n\n\n Pronto, decir que un equipo no tiene una forma pr\u00e1ctica de implementar modelos con sus propios datos puede sonar tan extra\u00f1o como decir que el departamento de finanzas debe llamar a un proveedor externo cada vez que quiera calcular una tabla din\u00e1mica.<\/p>\n\n\n\n Los medios de c\u00e1lculo se est\u00e1n convirtiendo en parte de los medios de operaci\u00f3n.<\/p>\n\n\n\n <\/p>\n\n\n\n No hay nada intr\u00ednsecamente malo en las API.<\/p>\n\n\n\n De hecho, las API de modelos externos son una de las abstracciones de infraestructura m\u00e1s extraordinarias que se hayan ofrecido a los desarrolladores de software. Por unos pocos centavos o d\u00f3lares, una organizaci\u00f3n puede acceder temporalmente a un sistema computacional cuya creaci\u00f3n cost\u00f3 miles de millones.<\/p>\n\n\n\n Es una ganga asombrosa.<\/p>\n\n\n\n El error es confuso acceso barato a la capacidad de otra persona<\/strong> con la creaci\u00f3n propia.<\/p>\n\n\n\n Imagina una empresa donde cada empleado tenga acceso a un potente asistente de inteligencia artificial.<\/p>\n\n\n\n La productividad aumenta.<\/p>\n\n\n\n Los documentos se redactan m\u00e1s r\u00e1pido.<\/p>\n\n\n\n La investigaci\u00f3n se resume.<\/p>\n\n\n\n Los correos electr\u00f3nicos mejoran.<\/p>\n\n\n\n Las presentaciones aparecen casi por arte de magia.<\/p>\n\n\n\n Todos est\u00e1n impresionados.<\/p>\n\n\n\n Entonces, mira m\u00e1s all\u00e1 de la superficie.<\/p>\n\n\n\n Es posible que la organizaci\u00f3n a\u00fan no cuente con una infraestructura de modelo compartido.<\/p>\n\n\n\n No hay ning\u00fan punto final de inferencia interna.<\/p>\n\n\n\n No existe una capa de recuperaci\u00f3n sistem\u00e1tica.<\/p>\n\n\n\n No existe un marco de evaluaci\u00f3n com\u00fan.<\/p>\n\n\n\n No existe ning\u00fan proceso para crear conjuntos de datos a partir del conocimiento operativo.<\/p>\n\n\n\n No hay puerta de enlace de modelo.<\/p>\n\n\n\n No se utilizan herramientas de agente reutilizables.<\/p>\n\n\n\n No existe un entorno seguro para la experimentaci\u00f3n.<\/p>\n\n\n\n No hay manera de llevar un prototipo exitoso a la producci\u00f3n.<\/p>\n\n\n\n No se realiza contabilidad de costes m\u00e1s all\u00e1 de una factura mensual de SaaS.<\/p>\n\n\n\n No existe un registro sistem\u00e1tico de qu\u00e9 tareas se benefician realmente.<\/p>\n\n\n\n No existe ning\u00fan equipo interno capaz de sustituir al proveedor.<\/p>\n\n\n\n Los individuos se han vuelto m\u00e1s capaces.<\/p>\n\n\n\n La organizaci\u00f3n no se ha vuelto necesariamente mucho m\u00e1s inteligente.<\/p>\n\n\n\n Esta distinci\u00f3n es importante porque las mejoras en la productividad individual son solo la primera capa de la adopci\u00f3n de la IA.<\/p>\n\n\n\n Las mayores ventajas se obtienen cuando la inteligencia se integra en la estructura misma de la operaci\u00f3n.<\/p>\n\n\n\n <\/p>\n\n\n\n La primera oleada de adopci\u00f3n de la IA en las empresas ha generado millones de usuarios de IA.<\/p>\n\n\n\n La pr\u00f3xima ola debe producir operadores computacionales<\/strong>.<\/p>\n\n\n\n No son investigadores de aprendizaje autom\u00e1tico.<\/p>\n\n\n\n No necesariamente programadores.<\/p>\n\n\n\n Operadores.<\/p>\n\n\n\n Personas que comprenden lo suficiente sobre modelos, datos, contexto, herramientas y evaluaci\u00f3n como para reformar el entorno computacional en torno a su propio trabajo.<\/p>\n\n\n\n Considere la diferencia.<\/p>\n\n\n\n Un usuario de IA le pide a un chatbot que resuma un informe semanal.<\/p>\n\n\n\n Un operador inform\u00e1tico observa que se genera el mismo informe todos los viernes, identifica sus fuentes de datos, define qu\u00e9 es lo importante en el resumen, conecta los sistemas pertinentes, establece un criterio de evaluaci\u00f3n y convierte la actividad en un flujo de trabajo repetible.<\/p>\n\n\n\n La primera ahorra veinte minutos.<\/p>\n\n\n\n El segundo cambia el proceso.<\/p>\n\n\n\n Esta distinci\u00f3n debe existir en toda la organizaci\u00f3n.<\/p>\n\n\n\n A nivel individual, las personas necesitan acceso a modelos flexibles y los conocimientos necesarios para utilizarlos de forma cr\u00edtica.<\/p>\n\n\n\n A nivel de equipo, las personas necesitan herramientas compartidas, indicaciones reutilizables, agentes, conjuntos de datos y flujos de trabajo.<\/p>\n\n\n\n A nivel de procesos, la IA necesita acceso program\u00e1tico a los sistemas y l\u00edmites operativos claros.<\/p>\n\n\n\n A nivel departamental, los equipos necesitan la capacidad de asignar recursos inform\u00e1ticos, implementar aplicaciones, gestionar datos y evaluar resultados.<\/p>\n\n\n\n A nivel empresarial, la organizaci\u00f3n necesita una infraestructura com\u00fan, gobernanza, observabilidad, seguridad y una arquitectura que impida que cada experimento exitoso se convierta en otra isla aislada.<\/p>\n\n\n\n Por lo tanto, la capacidad de IA no puede residir exclusivamente en un \u201cequipo de IA\u201d.\u201d<\/p>\n\n\n\n El equipo de IA puede construir carreteras.<\/p>\n\n\n\n No puede ser la \u00fanica organizaci\u00f3n autorizada a conducir.<\/p>\n\n\n\n <\/p>\n\n\n\n Uno de los errores que vemos repetidamente en la adopci\u00f3n de tecnolog\u00eda es la creaci\u00f3n de una brecha enorme entre el acceso del consumidor y la infraestructura centralizada.<\/p>\n\n\n\n Los empleados reciben un chatbot.<\/p>\n\n\n\n En otro lugar, un equipo de ingenier\u00eda especializado recibe un cl\u00faster de GPU.<\/p>\n\n\n\n Entre ambos no hay pr\u00e1cticamente nada.<\/p>\n\n\n\n Es precisamente en ese segmento intermedio donde se generar\u00e1 gran parte del valor econ\u00f3mico de la IA.<\/p>\n\n\n\n Un analista de marketing deber\u00eda ser capaz de convertir un experimento \u00fatil en una peque\u00f1a aplicaci\u00f3n interna.<\/p>\n\n\n\n Un equipo de atenci\u00f3n al cliente deber\u00eda ser capaz de conectar un modelo con fuentes de conocimiento aprobadas y evaluar la calidad de las respuestas.<\/p>\n\n\n\n Un gerente de operaciones deber\u00eda poder automatizar la clasificaci\u00f3n de documentos sin necesidad de crear un proyecto de adquisici\u00f3n.<\/p>\n\n\n\n Un desarrollador deber\u00eda poder solicitar un punto final de un modelo interno con la misma facilidad que una base de datos.<\/p>\n\n\n\n Un equipo de datos deber\u00eda poder exponer un conjunto de datos controlado a los modelos sin tener que copiarlo en una misteriosa interfaz de terceros.<\/p>\n\n\n\n Un equipo creativo deber\u00eda poder integrar modelos de imagen, v\u00eddeo, texto y recuperaci\u00f3n en un flujo de trabajo, en lugar de estar limitado al producto que haya incluido esas funciones en primer lugar.<\/p>\n\n\n\n Una f\u00e1brica, cl\u00ednica, agencia, editorial o empresa de log\u00edstica deber\u00eda poder decidir que una carga de trabajo de inferencia en particular debe realizarse localmente, cerca de sus datos o dispositivos, e implementarla all\u00ed.<\/p>\n\n\n\n Esto es lo que significa desarrollar la capacidad de IA en todos los niveles operativos.<\/p>\n\n\n\n No dar acceso de administrador a todo el mundo en un servidor.<\/p>\n\n\n\n Dar a cada nivel de la organizaci\u00f3n un grado apropiado de agencia computacional<\/strong>.<\/p>\n\n\n\n <\/p>\n\n\n\n El hardware recibe una atenci\u00f3n desproporcionada porque es visible.<\/p>\n\n\n\n Un rack de GPUs parece infraestructura.<\/p>\n\n\n\n Un proceso de evaluaci\u00f3n bien dise\u00f1ado no lo hace.<\/p>\n\n\n\n Pero la infraestructura de IA es un ecosistema.<\/p>\n\n\n\n El c\u00e1lculo es un componente.<\/p>\n\n\n\n Los datos son otro.<\/p>\n\n\n\n Almacenamiento.<\/p>\n\n\n\n Redes de contactos.<\/p>\n\n\n\n Modelo al servicio.<\/p>\n\n\n\n Identidad.<\/p>\n\n\n\n Permisos.<\/p>\n\n\n\n Observabilidad.<\/p>\n\n\n\n Recuperaci\u00f3n de vectores.<\/p>\n\n\n\n Colas.<\/p>\n\n\n\n Cach\u00e9s.<\/p>\n\n\n\n Registros de modelos.<\/p>\n\n\n\n Interfaces de herramientas.<\/p>\n\n\n\n Entornos de ejecuci\u00f3n de aplicaciones.<\/p>\n\n\n\n Sistemas de evaluaci\u00f3n.<\/p>\n\n\n\n Recopilaci\u00f3n de comentarios.<\/p>\n\n\n\n Control de versiones de conjuntos de datos.<\/p>\n\n\n\n Escucha.<\/p>\n\n\n\n L\u00edmites de seguridad.<\/p>\n\n\n\n Y, cada vez m\u00e1s, la coordinaci\u00f3n entre modelos con capacidades y costes muy diferentes.<\/p>\n\n\n\n Una empresa con ocho potentes GPU pero sin una arquitectura operativa puede tener una capacidad de IA menos \u00fatil que una empresa con un hardware modesto y una plataforma interna extremadamente buena.<\/p>\n\n\n\n Esto es importante porque el objetivo no es maximizar la propiedad computacional.<\/p>\n\n\n\n El objetivo es maximizar opciones computacionales \u00fatiles<\/strong>.<\/p>\n\n\n\n Algunas cargas de trabajo deber\u00edan ejecutarse a trav\u00e9s de las API de Frontier.<\/p>\n\n\n\n Algunos deber\u00edan utilizar modelos alojados m\u00e1s peque\u00f1os y econ\u00f3micos.<\/p>\n\n\n\n Algunos deber\u00edan ejecutarse en una nube privada.<\/p>\n\n\n\n Algunos deber\u00edan ejecutarse localmente.<\/p>\n\n\n\n Algunos deber\u00edan ejecutarse en un ordenador port\u00e1til.<\/p>\n\n\n\n Algunas deber\u00edan ejecutarse directamente en una m\u00e1quina en el extremo de la red.<\/p>\n\n\n\n Algunas tareas merecen un modelo de razonamiento gigantesco.<\/p>\n\n\n\n Otros merecen un clasificador de 500 millones de par\u00e1metros que responda en seis milisegundos y cueste pr\u00e1cticamente nada.<\/p>\n\n\n\n Un sistema de IA maduro puede tomar esas decisiones.<\/p>\n\n\n\n Una persona inmadura env\u00eda todo a trav\u00e9s de la interfaz que el departamento de compras aprob\u00f3 el a\u00f1o pasado.<\/p>\n\n\n\n <\/p>\n\n\n\n Uno de los indicadores m\u00e1s s\u00f3lidos de la madurez de la IA es lo dif\u00edcil que resultar\u00eda para una organizaci\u00f3n cambiar de modelo.<\/p>\n\n\n\n Si el cambio del Modelo A al Modelo B requiere reconstruir toda la aplicaci\u00f3n, la organizaci\u00f3n en realidad no es due\u00f1a de la arquitectura de la aplicaci\u00f3n.<\/p>\n\n\n\n La modelo es la due\u00f1a.<\/p>\n\n\n\n Esto es especialmente peligroso en un campo que avanza tan r\u00e1pidamente como la inteligencia artificial.<\/p>\n\n\n\n El mejor modelo de hoy puede ser mediocre dentro de doce meses.<\/p>\n\n\n\n El modelo barato de hoy podr\u00eda resultar caro.<\/p>\n\n\n\n Lo que hoy es una caracter\u00edstica propietaria podr\u00eda convertirse en un producto de c\u00f3digo abierto.<\/p>\n\n\n\n La API actual podr\u00eda desaparecer.<\/p>\n\n\n\n El enorme modelo actual podr\u00eda ser reemplazado por uno m\u00e1s peque\u00f1o y especializado.<\/p>\n\n\n\n Actualmente, puede resultar econ\u00f3micamente viable ejecutar las cargas de trabajo en la nube de forma local.<\/p>\n\n\n\n La infraestructura deber\u00eda asumir este cambio en lugar de resistirse a \u00e9l.<\/p>\n\n\n\n Las aplicaciones deben comunicarse con abstracciones de modelos.<\/p>\n\n\n\n Los flujos de trabajo deben definir capacidades, no nombres de marcas.<\/p>\n\n\n\n Los conjuntos de datos de evaluaci\u00f3n deben permitir que los modelos compitan entre s\u00ed.<\/p>\n\n\n\n La recuperaci\u00f3n debe ser separable de la generaci\u00f3n.<\/p>\n\n\n\n La l\u00f3gica empresarial no deber\u00eda desaparecer entre las indicaciones.<\/p>\n\n\n\n Las herramientas deben tener interfaces expl\u00edcitas.<\/p>\n\n\n\n Los datos deben seguir siendo port\u00e1tiles.<\/p>\n\n\n\n Los modelos deben entrar y salir de la arquitectura sin que ello suponga el colapso de la organizaci\u00f3n.<\/p>\n\n\n\n Esto no es simplemente buena ingenier\u00eda de software.<\/p>\n\n\n\n Se trata de una estrategia de influencia.<\/p>\n\n\n\n <\/p>\n\n\n\n La econom\u00eda de la IA se suele analizar en t\u00e9rminos de precio por mill\u00f3n de tokens.<\/p>\n\n\n\n M\u00e9trica \u00fatil.<\/p>\n\n\n\n Imagen incompleta.<\/p>\n\n\n\n El coste real de la IA organizacional tambi\u00e9n 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.<\/p>\n\n\n\n La infraestructura crea oportunidades para recuperar esas p\u00e9rdidas.<\/p>\n\n\n\n Los sistemas de recuperaci\u00f3n compartida impiden que todas las aplicaciones reconstruyan la misma capa de conocimiento.<\/p>\n\n\n\n Prompt y el almacenamiento en cach\u00e9 de contexto evitan los c\u00e1lculos repetidos.<\/p>\n\n\n\n El enrutamiento basado en modelos env\u00eda las tareas sencillas a los modelos m\u00e1s econ\u00f3micos y las tareas dif\u00edciles a los m\u00e1s robustos.<\/p>\n\n\n\n La inferencia por lotes utiliza el hardware de forma eficiente.<\/p>\n\n\n\n Los modelos peque\u00f1os se encargan de tareas repetitivas y espec\u00edficas.<\/p>\n\n\n\n Las herramientas reutilizables permiten que muchos agentes interact\u00faen con los mismos sistemas empresariales.<\/p>\n\n\n\n Los servicios internos permiten que una soluci\u00f3n de ingenier\u00eda exitosa beneficie a docenas de equipos.<\/p>\n\n\n\n Adem\u00e1s, la computaci\u00f3n local puede convertir algunas cargas de trabajo de gran volumen, que representan un gasto externo variable, en un recurso interno predecible.<\/p>\n\n\n\n Aqu\u00ed es donde la IA pasa de la experimentaci\u00f3n a la industrializaci\u00f3n.<\/p>\n\n\n\n No porque la experimentaci\u00f3n se detenga.<\/p>\n\n\n\n Porque la organizaci\u00f3n mejora su capacidad para convertir experimentos en maquinaria reutilizable.<\/p>\n\n\n\n El debate sobre la propiedad de la IA a menudo se centra en la ponderaci\u00f3n de los modelos.<\/p>\n\n\n\n Pero para la mayor\u00eda de las organizaciones, el activo verdaderamente irremplazable no es el modelo.<\/p>\n\n\n\n Se trata del creciente conjunto de conocimientos generados por la operaci\u00f3n.<\/p>\n\n\n\n Interacciones con los clientes.<\/p>\n\n\n\n Correcciones.<\/p>\n\n\n\n Resultados satisfactorios.<\/p>\n\n\n\n Salidas rechazadas.<\/p>\n\n\n\n Documentos.<\/p>\n\n\n\n Terminolog\u00eda interna.<\/p>\n\n\n\n Historiales de decisiones.<\/p>\n\n\n\n Informaci\u00f3n del producto.<\/p>\n\n\n\n Estados del flujo de trabajo.<\/p>\n\n\n\n Anotaciones de expertos.<\/p>\n\n\n\n recursos visuales.<\/p>\n\n\n\n Medidas.<\/p>\n\n\n\n Excepciones.<\/p>\n\n\n\n Casos extremos.<\/p>\n\n\n\n Comentario.<\/p>\n\n\n\n Este es el material a partir del cual se puede construir una inteligencia cada vez m\u00e1s especializada.<\/p>\n\n\n\n Cada vez que alguien corrige una respuesta de IA, se crea un ejemplo de entrenamiento potencialmente valioso.<\/p>\n\n\n\n Cada vez que un ser humano elige una opci\u00f3n generada en lugar de otra, aparecen datos de preferencia.<\/p>\n\n\n\n Cada pregunta repetida pone de manifiesto la necesidad de recuperar la informaci\u00f3n.<\/p>\n\n\n\n Cada fracaso revela un caso de evaluaci\u00f3n.<\/p>\n\n\n\n Toda intervenci\u00f3n manual en un proceso automatizado identifica un l\u00edmite.<\/p>\n\n\n\n Las organizaciones que tratan estos eventos como interacciones desechables recurrir\u00e1n continuamente al acceso a informaci\u00f3n externa.<\/p>\n\n\n\n Las organizaciones que los capturen sistem\u00e1ticamente acumular\u00e1n inteligencia operativa<\/strong>.<\/p>\n\n\n\n Esto \u00faltimo es mucho m\u00e1s dif\u00edcil de copiar.<\/p>\n\n\n\n <\/p>\n\n\n\n Esta puede ser la parte m\u00e1s importante.<\/p>\n\n\n\n La verdadera ventaja competitiva rara vez reside en el primer sistema de IA que se implementa.<\/p>\n\n\n\n Es la velocidad a la que la organizaci\u00f3n aprende a mejorarlo.<\/p>\n\n\n\n Desplegar.<\/p>\n\n\n\n Observar.<\/p>\n\n\n\n Medida.<\/p>\n\n\n\n Correcto.<\/p>\n\n\n\n Captura.<\/p>\n\n\n\n Evaluar.<\/p>\n\n\n\n Cambiar.<\/p>\n\n\n\n Despliegue de nuevo.<\/p>\n\n\n\n Es en ese ciclo donde se acumulan las capacidades de la IA.<\/p>\n\n\n\n Un proveedor puede venderte software.<\/p>\n\n\n\n Un consultor puede acelerar la implementaci\u00f3n.<\/p>\n\n\n\n Un proveedor de servicios en la nube puede alquilarle enormes cantidades de capacidad de procesamiento.<\/p>\n\n\n\n Una empresa modelo puede brindarle capacidades de razonamiento extraordinarias a trav\u00e9s de una API.<\/p>\n\n\n\n Ninguno de ellos puede apropiarse por completo del ciclo de aprendizaje de su operaci\u00f3n sin absorber tambi\u00e9n parte del conocimiento que hace que su operaci\u00f3n sea \u00fanica.<\/p>\n\n\n\n Por eso, la capacidad interna es importante incluso cuando la mayor parte de la tecnolog\u00eda sigue siendo externa.<\/p>\n\n\n\n Es necesario tener suficiente conocimiento interno de la organizaci\u00f3n para saber qu\u00e9 se debe subcontratar y qu\u00e9 no.<\/p>\n\n\n\n Infraestructura suficiente para preservar las opciones.<\/p>\n\n\n\n Talento suficiente para evaluar las reclamaciones.<\/p>\n\n\n\n Suficiente disciplina de datos para acumular aprendizaje.<\/p>\n\n\n\n Capacidad computacional suficiente para experimentar sin tener que pedir permiso cada vez que surge la curiosidad.<\/p>\n\n\n\n <\/p>\n\n\n\n Existe una tentaci\u00f3n comprensible de responder al caos de la IA con una centralizaci\u00f3n total.<\/p>\n\n\n\n Un modelo aprobado.<\/p>\n\n\n\n Una plataforma.<\/p>\n\n\n\n Un equipo.<\/p>\n\n\n\n Un proceso.<\/p>\n\n\n\n Una puerta de entrada.<\/p>\n\n\n\n Un comit\u00e9.<\/p>\n\n\n\n Parece gobernable.<\/p>\n\n\n\n Tambi\u00e9n puede convertirse en una forma magn\u00edficamente organizada de evitar que suceda algo interesante.<\/p>\n\n\n\n El extremo opuesto es igualmente disfuncional: cientos de empleados que compran productos de IA sin relaci\u00f3n alguna, copian informaci\u00f3n corporativa en sistemas desconocidos y crean flujos de trabajo que desaparecen cuando su creador se marcha.<\/p>\n\n\n\n La arquitectura \u00fatil se sit\u00faa entre esos extremos.<\/p>\n\n\n\n Centralizar la identidad.<\/p>\n\n\n\n Seguridad.<\/p>\n\n\n\n Explotaci\u00f3n florestal.<\/p>\n\n\n\n Acceso al modelo.<\/p>\n\n\n\n Controles de costos.<\/p>\n\n\n\n Conectores de datos principales.<\/p>\n\n\n\n Est\u00e1ndares de implementaci\u00f3n.<\/p>\n\n\n\n Infraestructura de evaluaci\u00f3n.<\/p>\n\n\n\n Herramientas reutilizables.<\/p>\n\n\n\n Almacenamiento autorizado.<\/p>\n\n\n\n Centraliza aquello que sea caro, arriesgado o innecesario de reconstruir cincuenta veces.<\/p>\n\n\n\n Luego, descentralizar la experimentaci\u00f3n.<\/p>\n\n\n\n Dejemos que los equipos se compongan.<\/p>\n\n\n\n Dejemos que los departamentos creen prototipos.<\/p>\n\n\n\n Deje que los expertos en la materia definan los criterios de evaluaci\u00f3n.<\/p>\n\n\n\n Deje que los operadores descubran los casos de uso.<\/p>\n\n\n\n Dejemos que las personas cercanas al trabajo lo reformulen.<\/p>\n\n\n\n La plataforma deber\u00eda hacer que el camino seguro sea el camino m\u00e1s f\u00e1cil.<\/p>\n\n\n\n Eso es mucho m\u00e1s eficaz que intentar predecir todas las posibles aplicaciones de IA desde una oficina central.<\/p>\n\n\n\n <\/p>\n\n\n\n \u201cEl \u201dentrenamiento en IA\u201d a menudo se reduce a talleres de redacci\u00f3n de ejercicios.<\/p>\n\n\n\n Eso no es suficiente.<\/p>\n\n\n\n Las distintas partes de una organizaci\u00f3n necesitan diferentes formas de alfabetizaci\u00f3n.<\/p>\n\n\n\n Los ejecutivos deben comprender la capacidad, la econom\u00eda, el riesgo, la dependencia y las opciones estrat\u00e9gicas.<\/p>\n\n\n\n Los gerentes deben comprender el redise\u00f1o del flujo de trabajo, la evaluaci\u00f3n y los l\u00edmites de la automatizaci\u00f3n.<\/p>\n\n\n\n Los expertos en la materia deben comprender c\u00f3mo su conocimiento se convierte en contexto, datos, reglas y criterios de evaluaci\u00f3n.<\/p>\n\n\n\n Los desarrolladores necesitan comprender el comportamiento del modelo, la arquitectura de inferencia, la orquestaci\u00f3n y la observabilidad.<\/p>\n\n\n\n Los equipos de datos deben comprender c\u00f3mo la IA cambia el consumo y la producci\u00f3n de informaci\u00f3n organizacional.<\/p>\n\n\n\n Los equipos de seguridad necesitan comprender una superficie de ataque completamente nueva.<\/p>\n\n\n\n Los equipos de compras deben comprender los costes de cambio que no resultan obvios a partir de los precios de suscripci\u00f3n.<\/p>\n\n\n\n Los trabajadores de primera l\u00ednea deben comprender cu\u00e1ndo la IA es \u00fatil, cu\u00e1ndo genera incertidumbre y c\u00f3mo corregirla.<\/p>\n\n\n\n El objetivo no es convertir a cada empleado en un ingeniero de IA.<\/p>\n\n\n\n Se trata de evitar que la IA se convierta en una capa m\u00e1gica que nadie fuera de un grupo de especialistas pueda interrogar.<\/p>\n\n\n\n Las organizaciones deben saber qu\u00e9 hacen sus m\u00e1quinas.<\/p>\n\n\n\n Ya hemos planteado este argumento anteriormente en el contexto de los sistemas de IA opacos: si lo \u00fanico que se ve son las sombras en la pared, una salida sofisticada puede crear la ilusi\u00f3n de una comprensi\u00f3n sofisticada.<\/p>\n\n\n\n Capacidad significa darse la vuelta y observar la maquinaria.<\/p>\n\n\n\n <\/p>\n\n\n\n Existe otra raz\u00f3n para ubicar la capacidad de procesamiento cerca del \u00e1rea de operaci\u00f3n.<\/p>\n\n\n\n La gente inventa de forma diferente cuando la experimentaci\u00f3n es barata.<\/p>\n\n\n\n Si cada idea de IA requiere un estudio de viabilidad, la aprobaci\u00f3n de compras, una llamada con el proveedor y una reuni\u00f3n trimestral para definir la hoja de ruta, los empleados aprenden r\u00e1pidamente a no tener ideas sobre IA.<\/p>\n\n\n\n Si un prototipo se puede ensamblar de forma segura en una tarde, la organizaci\u00f3n desarrolla una relaci\u00f3n diferente con la tecnolog\u00eda.<\/p>\n\n\n\n Las preguntas se convierten en experimentos.<\/p>\n\n\n\n Las quejas se convierten en flujos de trabajo.<\/p>\n\n\n\n Las tareas repetitivas se convierten en candidatas.<\/p>\n\n\n\n Los conjuntos de datos inesperados resultan \u00fatiles.<\/p>\n\n\n\n La gente empieza a descubrir posibilidades que ning\u00fan plan de transformaci\u00f3n centralizado podr\u00eda haber previsto.<\/p>\n\n\n\n As\u00ed es como se difunden realmente las tecnolog\u00edas de prop\u00f3sito general.<\/p>\n\n\n\n No a trav\u00e9s de un \u00fanico caso de uso de gran magnitud.<\/p>\n\n\n\n A trav\u00e9s de miles de peque\u00f1as asignaciones.<\/p>\n\n\n\n La hoja de c\u00e1lculo no transform\u00f3 los negocios porque un director ejecutivo anunciara una estrategia basada en hojas de c\u00e1lculo.<\/p>\n\n\n\n Transform\u00f3 el mundo empresarial porque, de repente, la inform\u00e1tica apareci\u00f3 en los escritorios.<\/p>\n\n\n\n La web no se convirti\u00f3 en infraestructura organizativa porque todos los sitios web \u00fatiles fueran dise\u00f1ados por el CIO.<\/p>\n\n\n\n Esta capacidad se generaliz\u00f3 y la gente la aprovech\u00f3 para crear nuevas aplicaciones.<\/p>\n\n\n\n La IA seguir\u00e1 un patr\u00f3n similar.<\/p>\n\n\n\n La diferencia radica en que, en esta ocasi\u00f3n, la nueva superficie computacional puede manipular el lenguaje, las im\u00e1genes, el c\u00f3digo, las decisiones y el propio software.<\/p>\n\n\n\n La superficie es mucho mayor.<\/p>\n\n\n\n <\/p>\n\n\n\n Actualmente, muchas organizaciones tratan la estrategia de IA como un proceso de adquisici\u00f3n de productos.<\/p>\n\n\n\n Adquiera modelos.<\/p>\n\n\n\n Adquiera licencias.<\/p>\n\n\n\n Adquiera aplicaciones.<\/p>\n\n\n\n Adquirir capacidad de c\u00e1lculo.<\/p>\n\n\n\n Pero el acceso directo no es suficiente.<\/p>\n\n\n\n El petr\u00f3leo no constituye una econom\u00eda hasta que existan refiner\u00edas, sistemas de distribuci\u00f3n, motores, est\u00e1ndares, habilidades e industrias desarrolladas en torno a \u00e9l.<\/p>\n\n\n\n El c\u00e1lculo es similar.<\/p>\n\n\n\n La valiosa capa organizativa es todo aquello que convierte la capacidad del modelo en bruto en trabajo \u00fatil.<\/p>\n\n\n\n Adaptadores.<\/p>\n\n\n\n Canalizaciones de datos.<\/p>\n\n\n\n Evaluaci\u00f3n.<\/p>\n\n\n\n Interfaces.<\/p>\n\n\n\n Agentes.<\/p>\n\n\n\n Flujos de trabajo.<\/p>\n\n\n\n Escucha.<\/p>\n\n\n\n Revisi\u00f3n humana.<\/p>\n\n\n\n Modelos de dominio.<\/p>\n\n\n\n Bucles de retroalimentaci\u00f3n.<\/p>\n\n\n\n Sistemas de despliegue.<\/p>\n\n\n\n Gobernancia.<\/p>\n\n\n\n Esa capa intermedia es donde se convierte la inteligencia gen\u00e9rica. capacidad organizativa espec\u00edfica<\/strong>.<\/p>\n\n\n\n Y a diferencia del acceso a un modelo de vanguardia, no se puede comprar una sola vez y darlo por terminado.<\/p>\n\n\n\n Hay que cultivarlo.<\/p>\n\n\n\n <\/p>\n\n\n\n Es previsible que este argumento se malinterprete.<\/p>\n\n\n\n Si poseer capacidad de procesamiento es bueno, poseer m\u00e1s hardware debe ser mejor.<\/p>\n\n\n\n No.<\/p>\n\n\n\n Una organizaci\u00f3n no se apropia de los medios de computaci\u00f3n comprando una monta\u00f1a de aceleradores que no puede mantener en funcionamiento.<\/p>\n\n\n\n Poseer infraestructura ociosa no es soberan\u00eda.<\/p>\n\n\n\n Es depreciaci\u00f3n.<\/p>\n\n\n\n El objetivo no es la autarqu\u00eda tecnol\u00f3gica.<\/p>\n\n\n\n Es la capacidad de elegir.<\/p>\n\n\n\n Una buena arquitectura de IA puede utilizar de forma intensiva las API comerciales, manteniendo al mismo tiempo su arquitectura de datos interna.<\/p>\n\n\n\n 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.<\/p>\n\n\n\n Puede utilizar modelos abiertos para procesos sensibles a la privacidad y modelos de vanguardia para razonamientos complejos.<\/p>\n\n\n\n Puede desplegar peque\u00f1os modelos locales en dispositivos perif\u00e9ricos y modelos remotos gigantes para la planificaci\u00f3n.<\/p>\n\n\n\n Puede alquilar pr\u00e1cticamente toda su capacidad de procesamiento, manteniendo la propiedad de la orquestaci\u00f3n, la evaluaci\u00f3n, los conjuntos de datos y las interfaces.<\/p>\n\n\n\n Es posible que con el tiempo descubra que la inferencia local es mucho m\u00e1s econ\u00f3mica para una carga de trabajo determinada y decida realizarla internamente.<\/p>\n\n\n\n La capacidad se mide por la cantidad de opciones viables disponibles, no por la cantidad de servidores que posee.<\/p>\n\n\n\n <\/p>\n\n\n\n El mercado de la IA seguir\u00e1 cambiando a una velocidad que hace que las predicciones a largo plazo de los proveedores sean pr\u00e1cticamente in\u00fatiles.<\/p>\n\n\n\n Los modelos ser\u00e1n m\u00e1s peque\u00f1os.<\/p>\n\n\n\n Y m\u00e1s grande.<\/p>\n\n\n\n M\u00e1s econ\u00f3mico.<\/p>\n\n\n\n M\u00e1s especializado.<\/p>\n\n\n\n M\u00e1s multimodal.<\/p>\n\n\n\n M\u00e1s activo.<\/p>\n\n\n\n Aparecer\u00e1n nuevas arquitecturas de hardware.<\/p>\n\n\n\n Los equipos antiguos resultar\u00e1n inesperadamente \u00fatiles.<\/p>\n\n\n\n La inferencia se realizar\u00e1 entre el dispositivo, el borde de la red, el centro de datos y la nube.<\/p>\n\n\n\n Algunas tareas que actualmente requieren modelos generativos se reducir\u00e1n a peque\u00f1os sistemas deterministas.<\/p>\n\n\n\n Otras tareas que actualmente consideramos imposibles se convertir\u00e1n en rutina.<\/p>\n\n\n\n En ese entorno, la ventaja duradera reside en no apostar correctamente por un solo modelo.<\/p>\n\n\n\n Se trata de construir una organizaci\u00f3n capaz de absorber lo que venga despu\u00e9s.<\/p>\n\n\n\n Eso requiere arquitectura t\u00e9cnica.<\/p>\n\n\n\n Pero tambi\u00e9n la arquitectura organizativa.<\/p>\n\n\n\n Personas que pueden experimentar.<\/p>\n\n\n\n Sistemas que pueden ser modificados.<\/p>\n\n\n\n Datos a los que se puede acceder.<\/p>\n\n\n\n Infraestructura que se puede componer.<\/p>\n\n\n\n Procesos que se pueden medir.<\/p>\n\n\n\n Un liderazgo que comprende la diferencia entre una demostraci\u00f3n y una capacidad real.<\/p>\n\n\n\n <\/p>\n\n\n\n As\u00ed que s\u00ed: apropi\u00e9nsenlos.<\/p>\n\n\n\n De nadie.<\/p>\n\n\n\n Para ustedes mismos.<\/p>\n\n\n\n Proporcione al analista una forma de calcular.<\/p>\n\n\n\n Dale al dise\u00f1ador una forma de calcular.<\/p>\n\n\n\n Proporcionar al investigador una forma de calcular.<\/p>\n\n\n\n Proporcione al almac\u00e9n, al estudio, al centro de atenci\u00f3n telef\u00f3nica, al equipo de ingenier\u00eda y a la oficina ejecutiva las interfaces inform\u00e1ticas adecuadas para su trabajo.<\/p>\n\n\n\n Otorgue a los equipos la autonom\u00eda suficiente para descubrir qu\u00e9 significa la inteligencia dentro de sus propios procesos.<\/p>\n\n\n\n Proporcione a los desarrolladores infraestructura en lugar de un mont\u00f3n de claves API.<\/p>\n\n\n\n Permitir que los modelos accedan a datos controlados en lugar de copiar manualmente el conocimiento en las ventanas de chat.<\/p>\n\n\n\n Proporcione a la organizaci\u00f3n sistemas de evaluaci\u00f3n para que pueda distinguir el progreso de la mera puesta en escena.<\/p>\n\n\n\n Desarrollar servicios compartidos.<\/p>\n\n\n\n Crear conjuntos de datos.<\/p>\n\n\n\n Crea bucles de retroalimentaci\u00f3n.<\/p>\n\n\n\n Construye rutas de despliegue.<\/p>\n\n\n\n Desarrollar el talento interno.<\/p>\n\n\n\n Posea la infraestructura suficiente para preservar sus opciones.<\/p>\n\n\n\n Alquila lo que te convenga.<\/p>\n\n\n\n Ejecuta localmente lo que tenga sentido.<\/p>\n\n\n\n Sustituya los modelos libremente.<\/p>\n\n\n\n Mide todo lo que importa.<\/p>\n\n\n\n Y, sobre todo, no confunda el consumo de inteligencia artificial con el desarrollo de capacidades de inteligencia artificial.<\/p>\n\n\n\n Las organizaciones que prosperen en la pr\u00f3xima fase no ser\u00e1n necesariamente aquellas con los modelos m\u00e1s grandes, los cl\u00fasteres de GPU m\u00e1s grandes o las suscripciones empresariales m\u00e1s caras.<\/p>\n\n\n\n Ser\u00e1n aquellas en las que la computaci\u00f3n \u00fatil pueda aparecer dondequiera que aparezca una idea \u00fatil.<\/p>\n\n\n\n Es entonces cuando la IA deja de ser una herramienta que alguien te vende.<\/p>\n\n\n\n Se convierte en parte de lo que la organizaci\u00f3n es capaz de hacerlo<\/strong>.<\/p>\n\n\n\n Y ese es el m\u00e9todo de c\u00e1lculo que vale la pena aprovechar.<\/p>","protected":false},"excerpt":{"rendered":" Artificial intelligence will not become an organizational capability because everybody got a chatbot. It will happen when computation, data, models, infrastructure and the ability to shape them become available at every level of the operation. There is a peculiar moment […]<\/p>\n","protected":false},"author":1,"featured_media":20099,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[100],"tags":[],"class_list":["post-20097","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-manifesto","entry"],"_links":{"self":[{"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/posts\/20097","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/comments?post=20097"}],"version-history":[{"count":4,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/posts\/20097\/revisions"}],"predecessor-version":[{"id":20104,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/posts\/20097\/revisions\/20104"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/media\/20099"}],"wp:attachment":[{"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/media?parent=20097"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/categories?post=20097"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.beyondprompting.com\/es\/wp-json\/wp\/v2\/tags?post=20097"}],"curies":[{"name":"gracias","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Los nuevos medios de producci\u00f3n<\/h2>\n\n\n\n
Alquilar inteligencia no es lo mismo que desarrollar capacidad.<\/h2>\n\n\n\n
Desde usuarios de IA hasta operadores computacionales<\/h2>\n\n\n\n
Cada capa operativa necesita una superficie computacional.<\/h2>\n\n\n\n
La infraestructura es mucho m\u00e1s que las GPU.<\/h2>\n\n\n\n
El modelo deber\u00eda ser reemplazable.<\/h2>\n\n\n\n
El token m\u00e1s barato es el que no tienes que comprar dos veces.<\/h2>\n\n\n\n
Los datos constituyen inteligencia operativa acumulada.<\/h2>\n\n\n\n
No se puede externalizar el ciclo de aprendizaje.<\/h2>\n\n\n\n
Centraliza las cosas aburridas. Descentraliza la invenci\u00f3n.<\/h2>\n\n\n\n
La alfabetizaci\u00f3n en IA debe llegar a las salas de juntas y a los muelles de carga.<\/h2>\n\n\n\n
La infraestructura tiene consecuencias culturales<\/h2>\n\n\n\n
Construyan la refiner\u00eda, no solo el oleoducto.<\/h2>\n\n\n\n
No construyas un hiperescalador en miniatura.<\/h2>\n\n\n\n
La empresa que puede calcular puede adaptarse<\/h2>\n\n\n\n
Apoderarse de los medios de c\u00e1lculo<\/h2>\n\n\n\n