Resumen del contenido central
Recientemente, la industria de la IA ha visto una “carrera de gastar dinero” desenfrenada, pero muchas empresas utilizan el “consumo de tokens” (la cantidad de texto/datos procesados por la IA) como indicador clave de rendimiento (KPI). Este enfoque, que se centra únicamente en la cantidad y no en la calidad, es tan absurdo como medir el nivel de un cocinero por la cantidad de gas utilizada. Se ha desperdiciado una gran cantidad de capital en actividades de IA sin valor, y finalmente los resultados desagradables han hecho que aquellas empresas que seguían ciegamente la tendencia, gastando dinero sin considerar los resultados reales, se den cuenta y comiencen a reflexionar sobre el verdadero valor de su inversión en IA.
I. La carrera de gastar dinero en IA: ¿A dónde va realmente el dinero?
El gasto en IA no es indiscriminado, pero mucho de él se utiliza de manera ineficaz. El dinero se destina principalmente a tres áreas:
1. Costos de capacidad de cálculo: El entrenamiento de modelos grandes requiere superordenadores (como clústeres de GPU), y cada ejecución puede costar millones o incluso decenas de millones de dólares. Por ejemplo, se dice que OpenAI gastó miles de millones de dólares en el entrenamiento de GPT-4, lo cual equivale al costo de varias docenas de aviones privados; la mayor parte de este dinero se invirtió en electricidad y daños del hardware (los GPUs generan mucho calor durante los cálculos y necesitan sistemas de refrigeración especiales).
2. Personal de I+D: Los salarios de los ingenieros de IA son muy elevados, y es común que los talentos más destacados ganen millones al año. Algunas empresas ofrecen beneficios adicionales, como compensaciones en efectivo o opciones de acciones, para atraer a estos profesionales; el costo laboral puede representar más del 30% de la inversión total.
3. Adquisición de datos: El entrenamiento de modelos IA requiere grandes cantidades de datos (imágenes, texto, videos, etc.). Algunas empresas compran datos de baja calidad a precios elevados con el fin de cumplir con los requisitos, pero estos datos resultan inútiles para el entrenamiento de los modelos.
El problema es que muchas empresas invierten dinero sin obtener resultados significativos: sus productos IA pueden parecer sofisticados, pero los usuarios los utilizan una vez y luego no los vuelven a usar, o simplemente no resuelven los problemas reales.
II. Utilizar el consumo de tokens como KPI: ¿Por qué es la broma más cara del mundo?
Un “token” es, en esencia, la “unidad más pequeña” procesada por la IA. Por ejemplo, cada palabra que se ingresa o punto que se utiliza en ChatGPT, así como cada frase que el sistema genera, cuenta como un token. Algunas empresas utilizan el total de tokens consumidos como KPI, similar a juzgar a un cocinero por la cantidad de gas utilizada, independientemente de si la comida está bien hecha; o a un minero por el tiempo que pasa sosteniendo una pala, sin importar cuánta carbón se extrae.
Este enfoque conduce a prácticas absurdas como hacer que los empleados utilicen la IA para preguntas repetitivas (como “¿Qué tiempo hace hoy?” o “¿Cuál es el resultado de 1+1?”) o generar texto sin sentido, lo que resulta en un gran consumo de tokens sin beneficio alguno para el negocio.
III. Las empresas que seguían ciegamente la tendencia se han dado cuenta: ya no gastan dinero a ciegas
Por “empresas que seguían ciegamente la tendencia” se refieren aquellas que invierten en IA sin considerar sus propias necesidades o capacidades, simplemente porque otras lo están haciendo. Por ejemplo, algunas empresas manufactureras tradicionales que antes fabricaban ropa decidieron invertir en laboratorios de IA, pero los sistemas de diseño desarrollados no eran capaces de crear diseños decentes; otras pequeñas empresas, con dificultades para sobrevivir, pidieron préstamos para comprar GPUs para entrenar modelos grandes, pero terminaron cerrando antes de que estos pudieran ser utilizados.
Los resultados desagradables les han hecho darse cuenta de que el dinero invertido no generaba beneficios ni retenía a los usuarios. Ahora han comenzado a detener las inversiones inútiles y se centran en aplicaciones prácticas de la IA, como mejorar los procesos de producción y reducir costos.
IV. ¿Es bueno o malo que la industria de la IA “deje de gastar dinero desenfrenadamente”?
A corto plazo, la disminución de la inversión puede llevar al cierre de algunas empresas que dependían de financiación externa, pero a largo plazo es positivo:
1. Eliminación de burbujas: Muchas empresas de IA se financiaban basándose en promesas vacías; ahora deben presentar productos y ingresos reales para sobrevivir, lo que dejará solo a aquellas con tecnología verdadera y capacidad para resolver problemas.
2. Regreso a la esencia: El valor de la IA no radica en el consumo de tokens, sino en su capacidad para ayudar a los usuarios a resolver problemas específicos (por ejemplo, ayudar a médicos a analizar imágenes de resonancia magnética, a estudiantes con tutorización personalizada o a fábricas a predecir fallos en equipos).
3. Reducción del desperdicio: Las empresas dejarán de invertir dinero en indicadores clave inútiles y lo dedicarán al desarrollo y la implementación real de soluciones prácticas, convirtiendo la IA en una herramienta productiva en lugar de un mero objeto de inversión.
En resumen, el paso de una fase de inversión desenfrenada a un desarrollo más racional es necesario para que la IA se integre realmente en la vida cotidiana y genere valor real.
V. ¿Qué deberían pensar las personas sobre esta “disminución de la inversión en IA”?
Para el público en general, no hay razones para preocuparse: los productos IA verdaderamente útiles (asistentes inteligentes, traductores automáticos, herramientas médicas) se volverán más comunes y probablemente más asequibles; aquellos que son más espectaculares que prácticos desaparecerán gradualmente. Si deseas entrar en el campo de la IA, deberías centrarte en las aplicaciones reales en lugar de en conceptos promocionados sin sustancia. La “disminución de la inversión” es una oportunidad para que la IA regrese a su lugar adecuado.
En resumen, la industria de la IA está pasando por un proceso necesario de maduración; solo eliminando las prácticas excesivas podrá convertirse en una herramienta valiosa para todos.