2 años y medio después de que ChatGPT llegara a nuestras vidas, la irrupción de las LLM en nuestro software y herramientas cotidianas sigue pareciendo limitada. Así lo demuestran los artículos y contenidos que siguen apareciendo sobre "cómo integrar la IA en tu negocio".
Sin embargo, el deseo no falta. Un estudio de Boston Consulting Group sobre 13 000 empleados de todo el mundo descubrió en 2024 que el 42 % de los empleados confiaba en el impacto de la IA en su trabajo. Otro estudio de Slack descubrió que el 71 % de las personas que habían utilizado IA en el trabajo afirmaban que estas tecnologías mejoraban su productividad.
Pero hay que decir que la adopción en la oficina no avanza tan rápido como se esperaba. La razón es que muchos de los editores de nuestro software B2B cotidiano tienen dificultades para integrar la inteligencia artificial en su ya compleja pila tecnológica.
Integrar un LLM significa replantearse todas las funciones y la interfaz de usuario de su software. ¿Qué funciones existentes puede realizar mejor la IA? ¿Qué nuevas funcionalidades puede aportar? ¿Cómo podemos integrar la capacidad de los LLM para ofrecer una experiencia de usuario más personalizada y adaptable? Todas estas son preguntas que hay que hacerse antes de empezar, y opciones de iteración que hay que tomar una vez que la visión está clara.
Siempre es complicado destruir algo que funciona. Hay que retroceder para poder recuperarse. Y hoy en día, este contexto está poniendo patas arriba los mercados de SaaS con la llegada de nuevos actores ultrarricos que no tienen que tomar estas decisiones; empresas nativas de IA.
Las empresas nativas de IA tienen menos prisa por encontrar nuevos mercados (como en el caso de FinTech) que por hacerlo mejor que los actores establecidos en mercados muy consolidados, pero cuentan con ventajas innegables:
En primer lugar, un cambio de visión tecnológica: toda su pila tecnológica se basa en los LLM. Cada etapa clave del tratamiento de la información es gestionada por modelos propios capaces de vectorizar el universo semántico de los datos. Esto permite una mayor comprensión de los datos y, por tanto, un mejor cruce entre ellos.
En segundo lugar, un alto nivel de automatización de tareas: las LM son especialmente eficaces a la hora de comprender y crear flujos de información, reduciendo el número de tareas manuales que debe realizar el usuario. Esto significa que todo el flujo de información está automatizado por la IA. El ser humano sólo interviene en dos extremos de este flujo de trabajo: al principio, para definir las áreas de trabajo de la herramienta, y al final, para analizar los resultados devueltos por la herramienta.
Las empresas nativas de IA desarrollan sus propios sistemas RAG (generación de recuperación aumentada), que permiten a la herramienta mejorar a medida que interactúa con los usuarios y afina sus recomendaciones.
Por último, un cambio en el uso: el usuario puede formular preguntas específicas a la herramienta para descubrir puntos de vista, en lugar de indagar en los datos y extrapolar manualmente la información de interés. Ya no nos limitamos a leer y hacer clic. Hablamos. Interactuamos.
Desarrollar una solución nativa de IA significa dedicar menos tiempo a buscar información y más a analizar y tomar decisiones. También se limitan los errores: se acabaron los saltos de línea en una tabla de datos, la selección de filtros de datos erróneos y los errores en la configuración de tareas.
Sobre todo, significa que podemos aprovechar al máximo las continuas mejoras que ofrecen los principales editores de LLM, porque sus mejoras pasan a ser nuestras en cuanto están disponibles: en lugar de tener que reconsiderar nuestra elección de LLM cuando el pequeño ladrillo de tareas utilizado se ha vuelto más complejo y ya no sirve para su propósito original.
Es una garantía de calidad e innovación, tanto para su empresa como para los usuarios de la solución.
