Tres de cada cuatro empresas con proyectos activos de procesamiento del lenguaje natural (NLP) tienen pensado subir el presupuesto destinado a esta tecnología en los próximos 12 a 18 meses, según el último informe de expert.ai, multinacional especializada en inteligencia artificial aplicada a la comprensión del lenguaje. El dato sale de un trabajo elaborado por The AI Journal y la consultora Sapio Research a partir de entrevistas con responsables de IA en Europa y Estados Unidos.
El informe, titulado 2023 Expert Survey: Trends driving NLP Investment and Innovation, llega en un momento en el que las áreas de negocio buscan eficiencia rápida y resultados medibles. El NLP encaja en ese discurso porque permite leer y clasificar de forma automática datos no estructurados (correos, contratos, reseñas, tickets de soporte) que antes había que procesar a mano o, directamente, no se procesaban.
Por qué crece la inversión: eficiencia, coste y riesgo
Las empresas con más recorrido en NLP citan tres motivos para apostar por esta tecnología: mejora de la eficiencia, reducción de costes y mitigación de riesgos. El 47% de los encuestados pone el foco en la protección y gestión de datos, con un ojo puesto en cumplir con normativas como el RGPD y en controlar la información de carácter personal (PII).
Marco Varone, fundador y Chief Technology Officer de expert.ai, lo resume así: «La IA se ha integrado en los modelos de negocio de las principales organizaciones, y en concreto el NLP abre la puerta a nuevas oportunidades. Pero, como es natural, también implica importantes desafíos, en especial alinear a todas las partes interesadas en cuanto a los casos de uso a priorizar y justificar los costes asociados al modelo». Esos dos retos (priorizar casos de uso y justificar el coste) los reconoce el 38% de los encuestados, prácticamente empatados como principal obstáculo.
El movimiento llega en paralelo a una corriente más amplia: cada vez más compañías están replanteando su estrategia con grandes modelos de lenguaje, mientras los reguladores miran de cerca el uso laboral de la IA, como muestran los nuevos límites en China al despido por automatización.
Desafíos según el grado de madurez
El informe matiza los obstáculos según el punto en el que esté cada empresa. Las que aún están evaluando su primera solución de NLP ponen por encima de todo la seguridad y la gobernanza del dato (64%): qué información entra al modelo, dónde se guarda y quién puede consultarla.
Cuando el proyecto ya lleva varios años en producción, el problema cambia de naturaleza. El 42% señala que su mayor reto pasa por construir un business case sólido que justifique mantener y ampliar la inversión. Y entre las compañías con más de cinco años de recorrido en NLP, el 67% ya está en otro nivel: lo que les preocupa es alcanzar la precisión y calidad necesarias para que el modelo sea rentable de verdad en producción, no solo en la fase piloto.
Marco Varone insiste en que sigue habiendo un retraso en entender bien las capacidades reales del NLP. «Sin una comprensión clara de los diversos atributos de las tecnologías alternativas, muchas empresas no logran explotar toda la capacidad del NLP y corren el riesgo de perder la ventaja competitiva que puede ofrecer», apunta. Traducido: hay equipos eligiendo el enfoque equivocado, no porque el mercado no tenga opciones, sino porque no comparan bien entre ellas.
Modelos NLP más utilizados: la apuesta por entornos mixtos
La fotografía técnica que dibuja el informe es la de empresas combinando piezas en lugar de casarse con un único proveedor. La mayoría utiliza modelos multisolución que mezclan despliegues en la nube, software de código abierto, plataformas comerciales y desarrollos puntuales. Esa flexibilidad explica que tantas compañías se inclinen por una IA híbrida.
Los datos lo confirman: el 52% combina aprendizaje automático con técnicas simbólicas o basadas en reglas, mientras que el 79% emplea aprendizaje automático apoyado en aprendizaje profundo o gráficos de conocimiento. La conclusión práctica es que el debate ya no es «deep learning sí o no», sino qué pieza encaja mejor en cada caso de uso. En la línea de apuestas como la de Mistral con Medium 3.5, el mercado avanza hacia plataformas que mezclan modelos generales y especializados.
Cómo se mide el ROI de un proyecto de NLP
El último bloque del informe entra en una pregunta incómoda para muchos comités de dirección: cómo se calcula el retorno de un proyecto de NLP. La respuesta más repetida (54%) es el tiempo de puesta en producción, es decir, cuánto tarda el modelo en aportar valor desde que arranca el proyecto. Casi en empate aparecen la mejora de la eficiencia (53%) y la reducción de costes (53%) como métricas principales.
Esos tres indicadores marcan el rumbo del próximo ciclo de inversión. Hablan poco de innovación en abstracto y mucho de números concretos: cuánto se tarda en desplegar, cuánto trabajo manual se ahorra y cuánto baja la factura de operación. En un escenario en el que el coste real por prompt empieza a pesar en la cuenta de resultados, ese enfoque en ROI medible explica por qué tres de cada cuatro empresas con NLP planean rascarse el bolsillo otra vez en 2023.
Preguntas frecuentes sobre la inversión en NLP en 2023
¿Qué es el procesamiento del lenguaje natural (NLP) aplicado a empresas?
El NLP es la rama de la inteligencia artificial que enseña a los sistemas a leer, interpretar y generar lenguaje humano. En el entorno empresarial se usa para clasificar correos, analizar contratos, automatizar atención al cliente, detectar fraudes en texto y resumir grandes volúmenes de documentación.
¿Qué porcentaje de empresas con NLP planea aumentar su inversión en 2023?
El 77% de las compañías con proyectos activos de NLP prevé subir el presupuesto en los próximos 12 a 18 meses, según el informe de expert.ai realizado con The AI Journal y Sapio Research.
¿Cuáles son los principales beneficios del NLP en el negocio?
Las empresas con más recorrido destacan tres: mejora de la eficiencia operativa, reducción de costes y mitigación de riesgos, sobre todo en protección de datos y cumplimiento normativo (RGPD, PII).
¿Qué retos plantea desplegar NLP en una empresa?
Los principales son alinear a las áreas de negocio en los casos de uso prioritarios y justificar los costes (38% en ambos), además de la gobernanza del dato en empresas que aún están evaluando soluciones (64%) y la precisión del modelo en las que llevan más de cinco años con NLP (67%).
¿Cómo miden las empresas el ROI de un proyecto de NLP?
El indicador más usado es el tiempo de puesta en producción (54%), seguido de la mejora en la eficiencia (53%) y la reducción de costes (53%). Son métricas operativas, fáciles de comparar antes y después del despliegue.
