El centro tecnológico catalán Eurecat publicó a finales de 2023 sus previsiones para el año siguiente y situa la inteligencia artificial generativa (IAG) como la tendencia tecnológica que más va a pesar en sectores tan distintos como la salud, la construcción, la manufactura, la educación, las finanzas, el comercio y la administración pública. No es un titular de marketing: Eurecat es el mayor centro de investigación aplicada privado de Cataluña, con más de 700 investigadores, y sus informes de tendencias tienen seguimiento institucional en España y Europa.
Daniel Casellas, director científico de Eurecat, destacó el potencial de la IAG para abrir nuevos desarrollos tecnológicos y generar oportunidades en distintos sectores, con especial atención a la sostenibilidad y la resiliencia industrial. La predicción llegó justo cuando herramientas como ChatGPT completaban su primer año público y el mercado aún debatía si la IAG sería una moda pasajera o una tecnología estructural.
Modelos más eficientes y multimodales
María Eugenia Fuenmayor, directora científica del Área Digital de Eurecat, anticipó que la IAG seguiría evolucionando hacia modelos más avanzados y multimodales a lo largo de 2024. Aquí el término multimodal significa que los sistemas de IA pueden procesar a la vez texto, imagen, audio y video, en lugar de limitarse a un único tipo de dato. Fuenmayor apuntó también tres retos concretos que frenaban la adopción: el alto consumo de recursos computacionales, la dificultad para personalizar los modelos a dominios específicos y la explicabilidad limitada (es decir, la incapacidad de los modelos para explicar por qué llegan a una respuesta concreta).
El cuarto problema que mencionó Fuenmayor fue el riesgo de sesgos en los datos de entrenamiento, algo que la Oficina de IA de la UE tendría que abordar directamente en su mandato regulatorio. La coincidencia en el tiempo entre la madurez de la IAG y la arquitectura regulatoria europea no fue casual: los legisladores querían tener el marco listo antes de que la tecnología se desplegara a escala masiva.
Manufactura y cadenas de suministro: el caso industrial
Ricard Jiménez, director científico del Área Industrial de Eurecat, centró su análisis en la manufactura y las cadenas de suministro. Según Jiménez, la IAG se consolidaría en estos entornos en 2024, sobre todo en la optimización de procesos para reducir costes y riesgos, y en el diseño de productos. La IA generativa aplicada al diseño puede generar cientos de variantes que cumplen con un conjunto de requisitos técnicos fijados de antemano (peso, resistencia, coste de fabricación), algo que el diseñador humano filtra y afina. Hay que distinguir esto del diseño generativo, que existe desde antes de la IAG: la novedad es que los modelos actuales entienden lenguaje natural y pueden trabajar con especificaciones escritas en lugar de solo con parámetros numéricos.
Salud: potencial elevado, regulación pendiente
Francesc Puigròs, director científico del Área de Biotecnología de Eurecat, puso el foco en la medicina y las ciencias de la vida. Su diagnóstico fue que la capacidad de los modelos generativos para procesar grandes volúmenes de datos biomédicos (secuencias genómicas, historiales clínicos, imágenes médicas) tenía el potencial de acelerar la investigación en fármacos y el diagnóstico temprano. La advertencia fue también clara: en salud, la IAG depende de un marco normativo específico que en 2024 aún estaba en construcción, tanto a nivel europeo como en los sistemas sanitarios nacionales. Desplegar modelos de IA en clínica sin ese marco tiene implicaciones legales y éticas que frenan la adopción real, más allá de los titulares.
Sostenibilidad y circularidad de metales
Joan de Pablo, director científico del Área de Sostenibilidad, añadió una dimensión menos obvia: la circularidad de metales en entornos urbanos e industriales. La idea es que la IA puede optimizar el reciclaje y la reutilización de materiales críticos (cobre, litio, cobalto) cuya demanda crece por la electrificación y la digitalización. El vínculo con la IAG aquí es indirecto pero real: los modelos generativos pueden ayudar a predecir flujos de residuos, optimizar logística de recolección y diseñar procesos de separación más eficientes.
Dos años después, muchas de estas predicciones se han cumplido en buena medida. Meta, entre otros actores, ha apostado fuerte por la IA generativa en múltiples verticales, y el mercado de modelos multimodales ha crecido exactamente en la dirección que apuntaban los investigadores de Eurecat.
Preguntas frecuentes sobre la IA generativa en sectores clave
¿Qué es la inteligencia artificial generativa (IAG) y en qué se diferencia de la IA tradicional?
La IA generativa produce contenido nuevo (texto, imagen, audio, código) a partir de los patrones aprendidos durante el entrenamiento. La IA tradicional, en cambio, clasifica, predice o recomienda, pero no genera contenido original. Los grandes modelos de lenguaje (LLM) como GPT-4 o Llama son ejemplos típicos de IAG.
¿Qué significa que un modelo de IA sea multimodal?
Un modelo multimodal puede procesar y generar más de un tipo de dato: texto y imágenes, o texto, audio y video a la vez. GPT-4o y Gemini 1.5 son ejemplos de modelos multimodales que permiten subir una imagen y hacer preguntas sobre ella, o generar imágenes a partir de una descripción textual.
¿Cuáles son los principales retos de la IA generativa para la adopción empresarial?
Los cuatro más citados por investigadores y empresas: alto coste computacional del entrenamiento e inferencia, dificultad para personalizar modelos a dominios específicos sin perder calidad general, explicabilidad limitada (los modelos no saben explicar sus respuestas) y riesgo de sesgos heredados de los datos de entrenamiento.
¿Cuál es el papel de la IAG en la industria manufacturera?
En manufactura, la IA generativa ayuda en tres áreas principales: optimización de procesos (reducción de desperdicios, detección de defectos), diseño de productos (generación automática de variantes que cumplen requisitos técnicos) y gestión de cadenas de suministro (predicción de demanda, detección de rupturas). La adopción es gradual y depende mucho de la calidad de los datos industriales disponibles.
