Noviembre de 2023 deja un sector de la IA que no ha parado en doce meses. GPT-4, Llama 2, Claude 2, Gemini en desarrollo, el despido y recontratación de Sam Altman, la primera gran conferencia de OpenAI para desarrolladores, Whisper large-v3, DALL-E 3, Midjourney v6. El volúmen de movimientos es notable. Lo que viene en 2024 tiene, sobre esa base, algunas líneas bastante claras.
GPT-4 Turbo y el salto en ventana de contexto
GPT-4 Turbo, presentado en el DevDay de OpenAI en noviembre de 2023, admite hasta 128.000 tokens de contexto, lo que equivale aproximadamente a 300 páginas de texto. Es un cambio cualitativo para tareas que requieren analizar documentos largos sin dividirlos: contratos, informes anuales, repositorios de código. El precio bajó además un tercio respecto a GPT-4 estándar, lo que mejora la viabilidad económica de los casos de uso a escala.
La evolución en contexto no es solo de OpenAI: Claude 2 de Anthropic ya funciona con 100.000 tokens, y el mercado de LLM en 2023 ha dado pasos concretos en todos los frentes. La carrera en 2024 va por ventana de contexto, velocidad de inferencia y precio, no solo por capacidad.
Agentes: de asistentes a sistemas autónomos
El siguiente paso en adopción empresarial no son los chatbots, sino los agentes: sistemas que ejecutan tareas en varios pasos, llaman a herramientas externas (APIs, bases de datos, navegador) y toman decisiones sin intervención humana en cada paso. OpenAI presentó los GPT en DevDay como una versión accessible de esto. Las API de Function Calling de OpenAI, Anthropic y otros laboratorios son la infraestructura sobre la que se construye esa capa.
En 2024 se espera que los agentes pasen de demos a despliegues reales en automatización de soporte, generación de informes y gestión de flujos de trabajo. Los retos son la fiabilidad (los agentes alucinan igual que los LLM base) y la seguridad (un agente con acceso a herramientas puede causar daños reales si falla).
Personalización: fine-tuning y RAG como estándar
La personalización de los modelos a necesidades específicas avanza por dos vías. La primera es el fine-tuning: ajustar los pesos del modelo con datos propios. La segunda, más accesible, es RAG (Retrieval-Augmented Generation, generación aumentada por recuperación): conectar el LLM a una base de datos o documentos que se consultan en tiempo real antes de generar la respuesta. Esta segunda opción no requiere entrenar el modelo y es más fácil de mantener actualizada.
En 2024 ambas técnicas llegan a las empresas medianas, no solo a grandes corporaciones con equipos de ML propios. Las herramientas de orquestación (LangChain, LlamaIndex) y los proveedores cloud con servicios gestionados de embeddings y vector search bajan el umbral de entrada. También afecta al mundo multimodal: modelos como Whisper de OpenAI para reconocimiento de voz pueden combinarse con LLM para flujos de trabajo que procesan audio, texto e imagen en un mismo pipeline.
El reequilibrio del mercado tras el episodio Altman
La transición de Sam Altman a Microsoft (anunciada el 20 de noviembre, antes de cualquier resolución con OpenAI) es la señal más clara de que el mercado de la IA generativa ya no tiene un solo eje. Microsoft, Google DeepMind, Meta AI, Anthropic y los modelos abiertos de la comunidad son actores con propuestas propias. La concentración alrededor de OpenAI que caracterizó 2023 es probable que ceda algo en 2024.
La regulación también entra en escena: el AI Act europeo estará aprobado previsiblemente en 2024, con requisitos para sistemas de IA de alto riesgo y obligaciones de transparencia para los modelos fundacionales. Eso añade una variable que las empresas europeas tendrán que incorporar a sus planes de adopción.
Preguntas frecuentes
¿Qué novedades trae GPT-4 Turbo respecto a GPT-4?
GPT-4 Turbo admite hasta 128.000 tokens de contexto (frente a 8.000 u 32.000 de GPT-4), tiene conocimiento actualizado hasta abril de 2023 y su precio por token es aproximadamente un tercio del de GPT-4 estándar.
¿Qué es un agente de IA?
Un agente de IA es un sistema que ejecuta tareas en múltiples pasos, puede llamar a herramientas externas (APIs, bases de datos, navegador) y toma decisiones de forma autónoma entre pasos sin requerir confirmación humana en cada uno.
¿Qué diferencia hay entre fine-tuning y RAG?
El fine-tuning ajusta los pesos del modelo con datos propios, lo que requiere entrenamiento. RAG (Retrieval-Augmented Generation) conecta el LLM a una base de datos externa en tiempo real sin modificar el modelo; es más fácil de mantener actualizado pero no cambia el comportamiento base del modelo.
¿Qué impacto tendrá el AI Act europeo en 2024?
El AI Act clasificará los sistemas de IA por nivel de riesgo y establecerá requisitos de transparencia para modelos fundacionales. Las empresas europeas que usen o desarrollen IA de alto riesgo tendrán que adaptar sus procesos a las nuevas obligaciones regulatorias.
¿La IA generativa desplazará empleos en 2024?
Las evidencias a finales de 2023 apuntan a que la IA generativa está transformando tareas, no eliminando puestos enteros en bloque. Las funciones más afectadas son las de redacción, programación de nivel básico y atención al cliente repetitiva. El impacto neto en empleo dependerá de la velocidad de adopción y de la capacidad de las organizaciones de redistribuir tareas.
