Por Weslley Rosalem, Líder de IA para Latinoamérica en Red Hat
Vivimos en una era en la que la inteligencia artificial (IA) se ha convertido en el nuevo objeto brillante del mundo corporativo. Está en los titulares, en las reuniones de directorio y hasta en los pasillos de oficinas donde quizás nunca se hablaba de algoritmos. La velocidad con la que emergen herramientas y modelos ha despertado un fenómeno tan humano como contagioso: el FOMO AI, ese miedo a quedarse afuera – o “fear of missing out”, como se lo conoce en las redes sociales – de una revolución que parece inevitable.
En esa vorágine de ser parte, no sólo de la conversación, sino de la narrativa, las empresas caen en la ansiedad de dar el siguiente paso en la innovación. Pero, como ya pasó con la migración masiva a la nube, no todo lo que brilla es oro. Muchas compañías han apostado todo por llevar sus cargas a la nube buscando escalabilidad y eficiencia, y luego descubrieron que no era la solución mágica a sus necesidades.
Entonces, antes de sumarse a la ola, es necesario – y prudente – hacerse una pregunta simple pero poderosa: ¿he pensado bien la estrategia de inteligencia artificial que necesita mi empresa? Y si la respuesta es sí, ¿cómo es? No todas las soluciones requieren IA generativa, y no todo problema se resuelve con un modelo de lenguaje de última generación. Algunas preguntas ayudan a ordenar el pensamiento: ¿Qué problema específico busco resolver? ¿Tengo los datos necesarios para entrenar o alimentar un modelo? ¿Cuento con talento interno o necesitaré apoyo de terceros? ¿Cuál es el impacto que espero lograr y en qué plazo?
No hay una respuesta única. Por ejemplo, una empresa que necesita generar contenidos o automatizar prototipos visuales puede beneficiarse de modelos generativos. En cambio, una que busca predecir fallas o detectar fraudes podría obtener más valor con IA predictiva. La clave es recordar que la IA debe ser un medio al servicio de un objetivo, no un fin en sí mismo.
Y si hablamos de IA generativa, hay que entender bien de qué se trata. Esta rama de la inteligencia artificial está diseñada para crear contenido nuevo a partir de grandes volúmenes de datos: desde textos y diseños hasta código y videos. Su potencial es enorme, sobre todo en áreas como marketing, atención al cliente, desarrollo de producto y creatividad asistida. Sin embargo, también requiere un enfoque estratégico: los modelos generativos pueden ser costosos, difíciles de explicar y demandan una buena gestión de riesgos.
Y aquí es donde se presenta otra de las grandes decisiones: ¿usar modelos grandes o pequeños? En los últimos años, los Large Language Models (LLM) como GPT-4 o Gemini han capturado la imaginación colectiva. Son potentes, versátiles y capaces de hacer de todo: escribir, programar, traducir, explicar. Pero también son caros, demandan mucha infraestructura y plantean desafíos de privacidad y control.
Por eso, los Small Language Models (SLM) están ganando terreno. Son una especie de versión “ultraliviana” que, sin tener la potencia de sus hermanos mayores, resuelve tareas específicas de forma más rápida, segura y con un costo menor. Hay que pensar en ellos como una caja de herramientas especializada: no tienen todo, pero lo que tienen, lo hacen bien. En muchos casos no es necesario un modelo que hable otros idiomas, como alemán, italiano o japonés. Allí es donde definir una estrategia clara al principio del camino, toma mayor relevancia. Un modelo más grande puede significar simplemente un mayor costo, sin realmente agregar más calidad o beneficios a su caso de uso comercial o desafío. Si una empresa, por ejemplo, solo necesita clasificar correos, automatizar respuestas internas o analizar formularios, un SLM entrenado con sus propios datos puede ser mucho más efectivo que un modelo enorme alojado en la nube.
En Red Hat nos enfocamos en proporcionar recursos clave, tanto humanos como técnicos, para desarrollar modelos de inteligencia artificial optimizados y efectivos (ya sean LLM o SLM), con el beneficio adicional de poder ejecutarse en cualquier plataforma. El open source y su visión de “democratizar la IA” justamente apuntan a hacer estos modelos más accesibles y flexibles para diversas infraestructuras tecnológicas.
Lo que podemos afirmar es que el futuro será híbrido. Los modelos grandes y pequeños van a convivir y las estrategias van a adaptarse. Algunos procesos necesitarán potencia bruta; otros, precisión quirúrgica. Lo importante es saber cuándo se requiere de uno, cuándo del otro, y cuándo no se necesita ninguno. Porque, como en tantas otras cosas en la vida y los negocios, no se trata de hacer lo que todos hacen, sino lo que tiene sentido para la organización. En esa diferencia, está la verdadera inteligencia.
Adoptar inteligencia artificial no debe ser un fin en sí mismo, sino un medio para generar valor sostenible. Las empresas que adoptan la IA de manera responsable y alineada con sus objetivos pueden mejorar procesos, tomar decisiones más inteligentes y beneficiar tanto a sus colaboradores como a sus clientes. En lugar de dejarse llevar por la ansiedad del momento, la clave está en fortalecer capacidades internas, formar talentos y crear una cultura organizacional que libere todo el potencial de la tecnología.
Uno de los errores más frecuentes al incorporar inteligencia artificial en los negocios es hacerlo sin un propósito claro, lo que conduce a soluciones opacas, difíciles de auditar y mal integradas con los sistemas existentes, generando confusión, resistencia y hasta abandono. La clave no es implementar IA por presión externa o por miedo a “quedarse atrás” de la tendencia de moda, sino analizar las alternativas disponibles y el plazo de ejecución más conveniente para que definitivamente sea una herramienta alineada con los objetivos del negocio.
