Satya Nadella alerta sobre el coste de la IA empresarial
La adopción de la inteligencia artificial está transformando la manera en que las organizaciones analizan información, automatizan procesos y toman decisiones.
Sin embargo, a medida que las empresas integran modelos de IA en sus operaciones, también aparece una cuestión estratégica que no siempre recibe suficiente atención: ¿quién se beneficia del conocimiento generado durante el uso de estos sistemas?
Satya Nadella, CEO de Microsoft, ha puesto el foco sobre este asunto al advertir que las organizaciones podrían estar pagando dos veces por la inteligencia artificial.
Por un lado, abonan el consumo de los modelos mediante suscripciones, licencias o uso de tokens. Por otro, proporcionan información, contexto y conocimiento corporativo que permiten que esos modelos sean realmente útiles.
Este segundo coste puede ser mucho más relevante que el primero.
Las empresas no solo consumen inteligencia: también la generan
Un modelo de IA generalista necesita conocer el contexto de una organización para poder ofrecer respuestas precisas y relevantes.
Para conseguirlo, las empresas introducen en estos sistemas información sobre sus productos, procesos, clientes, operaciones, estrategias y formas de trabajar. Además, los usuarios corrigen las respuestas incorrectas, reformulan instrucciones y enseñan progresivamente al sistema cómo debe resolver determinados problemas.
Cada una de estas interacciones puede contener conocimiento empresarial de gran valor.
Los prompts utilizados por los empleados, las herramientas a las que acceden los agentes de IA, los documentos consultados y las correcciones realizadas forman una especie de rastro digital. Este conjunto de datos refleja cómo funciona realmente la organización y puede incluir conocimiento que un competidor tardaría años en desarrollar.
El problema no consiste únicamente en que un proveedor tecnológico almacene determinados datos. La cuestión estratégica es determinar quién puede aprender de esas interacciones, con qué finalidad y bajo qué condiciones.
El riesgo de compartir conocimiento corporativo sin control
Cuando una empresa utiliza un modelo externo, debe analizar cuidadosamente las condiciones relacionadas con el tratamiento de sus datos.
Entre otras cuestiones, es necesario conocer:
- Si los prompts y las respuestas quedan almacenados.
- Durante cuánto tiempo se conserva la información.
- Si las conversaciones pueden utilizarse para mejorar los modelos.
- Qué mecanismos existen para impedir el entrenamiento con datos corporativos.
- Dónde se procesan y almacenan los datos.
- Qué controles de seguridad, privacidad y cumplimiento normativo ofrece el proveedor.
- Quién conserva la propiedad sobre los datos y el conocimiento generado.
Esta revisión resulta especialmente importante en áreas que manejan información sensible, como finanzas, recursos humanos, propiedad intelectual, desarrollo de producto, estrategia, operaciones o atención al cliente.
El uso de la inteligencia artificial no debería implicar que una organización pierda el control sobre sus activos de conocimiento.
La importancia de conservar la propiedad del aprendizaje
La propuesta de Nadella parte de un principio sencillo: el conocimiento generado por una empresa durante el uso de la IA debería pertenecer a esa empresa.
Esto incluye no solo los datos originales, sino también otros elementos derivados de la interacción con los modelos:
- Los prompts creados por los empleados.
- Las respuestas validadas.
- Las correcciones realizadas por expertos.
- Los flujos de trabajo desarrollados.
- Las evaluaciones de calidad.
- La configuración de agentes y asistentes.
- Las reglas de negocio aplicadas.
- El conocimiento acumulado durante la utilización del sistema.
Estos activos pueden convertirse en una ventaja competitiva. Por eso, las organizaciones necesitan crear entornos de aprendizaje propios en los que puedan capturar, proteger y reutilizar ese conocimiento.
No se trata únicamente de implantar una herramienta de IA. Se trata de construir una capacidad empresarial que mejore con el tiempo sin comprometer la soberanía sobre los datos.
Evitar la dependencia de un único modelo
Otra de las recomendaciones es incorporar una capa de orquestación que permita utilizar diferentes modelos de inteligencia artificial.
En lugar de conectar directamente cada aplicación con un único proveedor, la empresa puede crear una arquitectura intermedia que gestione qué modelo debe utilizarse en función de cada caso.
Este enfoque permite seleccionar el modelo más adecuado según criterios como:
- Calidad de la respuesta.
- Coste.
- Velocidad.
- Nivel de privacidad.
- Ubicación del procesamiento.
- Capacidad de razonamiento.
- Especialización.
- Requisitos regulatorios.
Una arquitectura multimodelo también reduce la dependencia tecnológica. Si cambian los precios, las condiciones contractuales, las capacidades o la disponibilidad de un proveedor, la organización puede redirigir las solicitudes hacia otra alternativa sin reconstruir todas sus aplicaciones.
Estas capas de orquestación, también conocidas como gateways de IA, están ganando relevancia porque aportan control, observabilidad y flexibilidad a los entornos empresariales.
¿Modelos propietarios, modelos abiertos o una estrategia híbrida?
El debate no implica que todas las organizaciones deban abandonar los modelos propietarios.
Los modelos comerciales más avanzados pueden ofrecer capacidades superiores para determinados escenarios. Cuentan con grandes recursos de investigación, evolucionan rápidamente y permiten acelerar proyectos sin asumir toda la complejidad de gestionar la infraestructura.
Sin embargo, los modelos abiertos empiezan a ser una alternativa competitiva para muchos casos de uso. Algunas empresas están desplegándolos en sus propios centros de datos o en entornos cloud privados para disponer de un mayor control.
Aunque un modelo abierto no siempre alcance el rendimiento del modelo propietario más avanzado, puede ofrecer un resultado suficientemente bueno con un coste menor y con mayores garantías sobre la ubicación y el tratamiento de los datos.
En la práctica, la estrategia más adecuada suele ser híbrida:
- Modelos propietarios para tareas que requieren capacidades avanzadas.
- Modelos abiertos o especializados para procesos internos y cargas predecibles.
- Modelos desplegados en entornos privados cuando existen requisitos estrictos de seguridad.
- Una capa común de gobierno y orquestación para gestionar todas las alternativas.
El objetivo no debería ser elegir un único modelo para toda la organización, sino disponer de la arquitectura necesaria para utilizar cada opción de forma controlada.
La gobernanza de la IA como prioridad estratégica
La advertencia de Nadella refleja una evolución en el mercado. Las empresas están dejando atrás la fase de experimentación aislada y comienzan a desplegar soluciones de IA en procesos críticos.
En este escenario, ya no es suficiente valorar únicamente la calidad de las respuestas. También deben analizarse aspectos como la seguridad, la trazabilidad, la propiedad intelectual, la privacidad, el cumplimiento normativo y la dependencia de los proveedores.
Una estrategia empresarial de inteligencia artificial debería contemplar, como mínimo:
- Una política clara sobre qué información puede utilizarse en cada modelo.
- Identidades y permisos para usuarios, aplicaciones y agentes.
- Registro y supervisión de las interacciones.
- Protección frente a la exposición de información confidencial.
- Evaluación continua de la calidad y seguridad de los modelos.
- Contratos que garanticen la propiedad y el control de los datos.
- Una arquitectura preparada para trabajar con varios proveedores.
- Mecanismos para conservar y reutilizar el aprendizaje generado.
Microsoft Azure ofrece servicios y capacidades que permiten desarrollar este tipo de entornos bajo un marco empresarial de identidad, seguridad, datos, integración y gobierno. No obstante, la tecnología es solo una parte de la solución: también es necesario definir procesos, responsabilidades y criterios de uso.
La IA debe ampliar la ventaja competitiva, no debilitarla
La principal conclusión es que cada interacción con un sistema de inteligencia artificial puede generar nuevo conocimiento.
Cuando un empleado corrige una respuesta, adapta un prompt o configura un agente, no solo está utilizando inteligencia: está contribuyendo a crearla.
Ese aprendizaje tiene valor y debe tratarse como un activo corporativo.
Por este motivo, las organizaciones deberían avanzar hacia modelos de adopción en los que puedan innovar con rapidez sin renunciar al control sobre sus datos, sus procesos y su conocimiento.
La pregunta ya no es únicamente qué modelo de IA ofrece mejores resultados. Las empresas también deben preguntarse dónde se ejecuta, qué información recibe, quién aprende de las interacciones y quién será propietario del valor creado.
Porque, en palabras de la reflexión planteada por Nadella, al consumir inteligencia también estamos generando inteligencia. Y aquello que genera una organización debería permanecer bajo su control.
Información basada en la publicación de TechCrunch Satya Nadella has issued a shocking warning to companies using AI | TechCrunch.
