El auge de la inteligencia artificial en la banca de inversión aún no se traduce en resultados tangibles: 95% de los proyectos no superan la fase piloto por falta de datos reales sobre operaciones financieras reales.
El gasto desenfrenado en IA continúa a toda marcha y no se vislumbra un final. En las conferencias telefónicas sobre resultados del miércoles, Meta, Google y Microsoft anunciaron que seguirán aumentando sus gastos de capital para construir centros de datos de IA, además de los 400 mil millones de dólares que las grandes empresas tecnológicas tienen previsto invertir en infraestructura de IA este año, según estimaciones de Morgan Stanley.
Pero hasta ahora, el retorno de la inversión en casos de uso de IA ha sido débil. Un estudio reciente del MIT reveló que el 95% de los proyectos piloto de IA generativa en empresas no han logrado superar la fase de prueba de concepto. Laboratorios líderes de IA como OpenAI aún tienen dificultades para lograr que su IA realice tareas rutinarias propias de banqueros de inversión principiantes. La IA generativa parece estar acercándose a su punto de inflexión.
Los chatbots como ChatGPT y Gemini pueden redactar un soneto perfecto en pocos segundos. Pueden programar y escribir guiones cinematográficos. Entonces, ¿por qué la IA sigue tan rezagada en su capacidad para reemplazar el trabajo de oficina?
La respuesta: datos de entrenamiento, específicamente flujos de trabajo especializados del mundo real. Resulta que, si bien abundan los datos disponibles públicamente sobre cómo generar lenguaje o código, hay muchos menos sobre cómo gestionar una salida a bolsa o una fusión. Esos datos son, en su mayoría, privados.
Para escribir sonetos, los modelos se han entrenado con la totalidad del texto de internet, que incluye enormes cantidades de poesía y literatura. Estos son datos que las empresas de IA pudieron obtener gratuitamente mediante el rastreo de toda la web.
«Los modelos de lenguaje complejos funcionan bien cuando se recopila una gran cantidad de datos, y no disponemos de tantos datos para tareas del mundo real».
Robert Nishihara, cofundador de Anyscale
Por otro lado, para los flujos de trabajo reales que definen el día a día de un banquero de inversión principiante, incluso para tareas como la introducción de datos especializados y la manipulación de hojas de cálculo, casi no existen datos de entrenamiento fácilmente obtenibles.
“Los modelos de lenguaje complejos funcionan bien cuando se recopila una gran cantidad de datos, y no contamos con tantos datos para tareas del mundo real, lo que significa que la IA no ha visto los ejemplos necesarios para dominar estas habilidades específicas”, afirmó Robert Nishihara, cofundador de Anyscale, una empresa que proporciona infraestructura de software de IA.
En tareas complejas del mundo real, la falta de control inherente a la IA generativa representa una falla crítica. Debido a que la IA produce respuestas diferentes cada vez y es propensa a la confusión, incluso los errores pequeños se acumulan rápidamente a lo largo de varios pasos, lo que provoca que todo el flujo de trabajo se descarrile rápidamente.
La reducción de errores es la razón por la que los laboratorios de IA están intensificando la recopilación de datos específicos del dominio con expertos, ya que cada dominio tiene su propio conjunto de casos límite que deben tenerse en cuenta, explicó Lake Dai, fundador de Sancus Ventures.
Se está convirtiendo en una gran industria: Surge AI, una empresa cuyo negocio se centra en proporcionar a los laboratorios de IA datos de entrenamiento generados por humanos, alcanzó los mil millones de dólares en ingresos recurrentes el año pasado. Los expertos pueden ganar más de 100 dólares por hora generando los datos necesarios para automatizar sus propios trabajos. Estos datos pueden provenir de personas que realizan sus tareas de oficina durante horas seguidas, explicó Paco Guzmán, director de investigación de Handshake, proveedor de datos de entrenamiento. Por ejemplo, podría tratarse de un banquero de inversión formateando una presentación correctamente o de un médico introduciendo las notas de un paciente en un sistema de historia clínica.
Los expertos pueden ganar más de 100 dólares por hora generando los datos necesarios para automatizar sus propios trabajos.
«Existe una enorme demanda de este tipo de datos porque los creadores de modelos de IA quieren ser socios de todos los profesionales y ayudarlos a aumentar su productividad. Una vez que hayan cubierto el sector financiero, les esperan el sector médico, el de recursos humanos y un sinfín de otros sectores», afirmó.
Pero incluso si los laboratorios de IA logran recopilar miles, incluso millones, de ejemplos de trabajo administrativo, ¿podrán las IA realizar nuestros trabajos por completo? No necesariamente, porque los modelos de IA actuales aún no pueden aprender como los humanos, señaló Nishihara.
«Para desempeñar un trabajo, es necesario aprender sobre la marcha», afirmó. «Los humanos pueden aprender trabajando, incluso de los errores y con un solo ejemplo, pero los modelos de IA actuales no pueden hacerlo», añadió. «No lograremos reemplazar por completo el trabajo de oficina hasta que sean capaces de hacerlo».
Fuente: Forbes Chile
