A finales de 2023, la inteligencia artificial generativa ya no es solo un experimento de laboratorio. Con GPT-4 de OpenAI como referente más visible, los modelos de lenguaje de gran tamaño (LLM) han pasado en doce meses de ser curiosidad técnica a herramienta de trabajo en empresas de todos los sectores. El debate ha dejado de ser «si adoptar» y ha pasado a ser «cómo y a qué ritmo».
Los modelos que marcan el mercado en 2023
GPT-4, lanzado por OpenAI en marzo de 2023, es el modelo de texto más utilizado en entornos empresariales. Evalúa en el percentil 90 del examen de abogados de Estados Unidos (bar exam) y supera a GPT-3.5 en la mayoría de benchmarks académicos, incluyendo MMLU (Massive Multitask Language Understanding), donde alcanza el 86,4% de acierto frente al 70% de su predecesor.
En paralelo, Meta publicó Llama 2 en julio de 2023 con licencia comercial, lo que abrió la puerta a despliegues internos sin dependencia de APIs externas. Anthropic lanzó Claude 2 con contexto de 100.000 tokens, y Google presentó Bard primero y luego avanzó hacia Gemini. El mercado de modelos fundacionales tiene ya varios actores con propuestas maduras, y la colaboración entre empresas para llevar IA abierta al cloud es uno de los ejes de ese avance.
Adopción real en las empresas
El interés corporativo no es hipérbole. McKinsey estimó en su informe de mediados de 2023 que el 40% de las empresas planea aumentar su inversión en IA tras el auge de la IA generativa, y un tercio de los encuestados usa herramientas de IA generativa con regularidad en sus funciones. Los sectores con mayor implantación son servicios de marketing, tecnología de producto y servicio al cliente.
En desarrollo de software, GitHub Copilot lleva más de un año en el mercado con cifras que muestran ganancias medibles: según un estudio de Microsoft publicado en 2023, los desarrolladores que usan Copilot completan tareas un 55% más rápido que los que no lo usan. El efecto es más pronunciado en perfiles junior, donde el asistente compensa la falta de experiencia con sugerencias contextuales.
Fuera del código, las aplicaciones van desde la generación de contenido y resumen de documentos hasta el descubrimiento de fármacos. Empresas como Insilico Medicine han usado modelos generativos para identificar candidatos a fármacos en meses en lugar de años, aunque la validación clínica sigue siendo el cuello de botella.
El coste de entrenar y servir modelos
El entusiasmo tiene un reverso concreto: el dinero que cuesta. Entrenar GPT-4 costó, según estimaciones publicadas por investigadores independientes, entre 50 y 100 millones de dólares en cómputo de GPUs. La inferencia (servir respuestas a usuarios) añade otro gasto continuo que depende del volúmen de consultas. Esto limita el acceso a los modelos más capaces a empresas con presupuestos elevados o a quienes pagan por API.
Los modelos abiertos como Llama 2 o Mistral 7B reducen ese umbral, pero requieren infraestructura propia y conocimientos técnicos para afinar (fine-tuning) y desplegar con garantías. La inversión en centros de datos y aceleradores es otro factor que explica por qué compañías como Qualcomm apuestan cada vez más fuerte por el segmento de centros de datos.
Retos reales: datos, ética y regulación
La calidad de los datos de entrenamiento determina los límites del modelo. Los LLM alucinan (generan información incorrecta con confianza) cuando se les pregunta fuera de su distribución de entrenamiento. Es un problema conocido que ninguno de los laboratorios ha resuelto del todo en 2023. Las técnicas de grounding, como RAG (Retrieval-Augmented Generation, generación aumentada por recuperación), reducen el problema pero no lo eliminan.
Las preocupaciones éticas también son concretas: sesgos en los datos de entrenamiento, generación de desinformación, impacto en el mercado laboral. La Unión Europea tiene en marcha el AI Act, que clasificará los sistemas de IA por nivel de riesgo y que previsiblemente estará aprobado en 2024. En ámbitos como la educación ya se debaten restricciones activas: la decisión de Noruega de limitar la IA generativa en primaria abre un debate global sobre cómo regular su uso en entornos educativos.
Lo que queda por ver
La IA generativa lleva doce meses en el mercado con un ritmo de adopción que no tiene precedente en herramientas empresariales recientes. La velocidad de mejora de los modelos es alta, pero la capacidad de las organizaciones para integrarlos bien, con datos limpios, procesos claros y control de calidad, avanza más despacio.
El mercado tiene dos grandes incertidumbres abiertas: si el coste de la inferencia bajará lo suficiente para hacer rentables los casos de uso masivos, y si la regulación europea y estadounidense acabará restringiendo aplicaciones de alto riesgo. Ambas preguntas tienen respuesta en los próximos doce meses.
Preguntas frecuentes
¿Qué es la IA generativa?
La IA generativa es la rama de la inteligencia artificial que entrena modelos para generar contenido nuevo (texto, imágenes, código, audio) a partir de patrones aprendidos. Los LLM como GPT-4 o Llama 2 son el ejemplo más conocido en texto.
¿Cuáles son los LLM más usados en empresas en 2023?
GPT-4 de OpenAI y Claude 2 de Anthropic son los más usados vía API. Llama 2 de Meta es la opción más extendida en despliegues internos al tener licencia comercial abierta.
¿Qué mejoras de productividad aporta la IA generativa?
En desarrollo de software, los estudios de Microsoft con GitHub Copilot muestran una reducción del tiempo por tarea de hasta el 55%. En generación de contenido y atención al cliente los ahorros varían según el caso de uso, pero el impacto es mayor en tareas repetitivas bien definidas.
¿Qué es la alucinación en modelos de IA?
La alucinación ocurre cuando un LLM genera información falsa con aparente confianza. Se produce cuando el modelo no tiene datos fiables para una consulta y genera texto plausible pero incorrecto. Las técnicas de RAG reducen el problema anclando las respuestas a fuentes verificables.
¿Cuánto cuesta entrenar un modelo como GPT-4?
Las estimaciones independientes sitúan el coste de entrenamiento de GPT-4 entre 50 y 100 millones de dólares en GPUs. A eso se añaden los costes continuos de inferencia para servir respuestas a escala.
