La IA no es un bálsamo de fierabrás. Es una caja de herramientas.
Sigamos estudiando y experimentando para decidir qué tipo de Inteligencia Artificial usar en cada caso, cómo, cuándo... O si es mejor no usarla.
El otro día leía a alguien que se sentía engañado porque había recibido un correo personalizado que resultó escrito por un “agente IA”, no por una persona. Me sorprende a bote pronto, porque el spam no deja de ser spam. Cuando recibes mucho, por muy personalizado que esté, satura. Yo recibo decenas de mensajes al día (los que pasan los filtros) que borro sin leer sin importarme el nivel de personalización o automatización del mismo. Hay que ir haciéndonos a la idea de que cada vez recibiremos más intentos de contacto (email, call centers, ¿robots en la calle?) impulsados por IA generativa.
Que ahora nos disguste el “engaño” es algo anecdótico. Cuando nos acostumbremos a ello, simplemente acabaremos hastiados. Y combatiremos la IA con más IA, como en su día se hizo con los filtros bayesianos. Tendremos agentes que reciban y filtren esas peticiones de contacto de otros agentes, pero no será fácil. Y la idea del marketing de permiso acuñada por Seth Godin hace 25 años cuando nació el spam, resurgirá con cualquier otro nombre. Veinticinco años después, sabemos que el volumen supera al permiso por goleada. Quién sabe ya cómo han capturado nuestro email, dónde dimos permiso creyendo que seleccionábamos la opción contraria, etc.
Pero que podamos hacer algo (y que sea barato) no implica necesariamente que tengamos que hacerlo.
La IA redefinirá los límites de la personalización, y difuminará la línea entre lo "masivo" y lo "artesanal". La IA nos puede ayudar a personalizar eficazmente una página web, pero aplicaciones como la venta telefónica automatizada pueden ser más cuestionables. Todo ello conllevará además marcos regulatorios que exijan transparencia sobre el uso de la IA en interacciones con clientes.
Pero no nos engañemos, el spam existe porque funciona. Siempre existirán incentivos para enviar correos basura o crear slop (contenido basura generado con IA). Que genere rechazo en una mayoría de los receptores, no significa que no tenga un rédito, aunque sea marginal. Ahora bien, las marcas que quieran consolidarse como tal y busquen construir confianza a largo plazo deberán aproximarse a la automatización de las interacciones con precaución y equilibrio.
Una caja de herramientas.
La inteligencia artificial no es un concepto monolítico, sino un conjunto de tecnologías diversas que están transformando múltiples aspectos nuestra sociedad. Entender esta diversidad es clave para aprovechar sus beneficios y mitigar sus riesgos. Como represento en este gráfico que uso a menudo para explicar la ola de Ia en la que nos encontramos, estas tecnologías han experimentado una notable evolución desde 2010, progresando desde el Machine Learning hasta la IA generativa.
El concepto de Machine Learning fue el primero en coger fuerza y saltar del entorno académico al empresarial. Utiliza algoritmos estadísticos avanzados que aprenden de los datos para realizar análisis predictivos. La década de los 10s es la del Deep Learning, que se especializa en el reconocimiento usando redes neuronales capaces de clasificar imágenes, texto y vídeo. La última ola (y el motivo del hype más reciente) es la que se ha terminado denominando IA generativa, basada en arquitecturas transformer y modelos de difusión que generan texto, audio, imágenes y video.
Es crucial entender que no existe una "sola IA", sino un ecosistema diverso compuesto por diferentes tipos de IA, cada uno diseñado para cumplir con funciones específicas y abordar distintos desafíos.
Fui fan en su día de Baxter, el robot estrella de Rethink Robotics, que introduje en mis clases para explicar la paradoja de Moravec: las tareas que son difíciles para los humanos, como el cálculo complejo, son relativamente fáciles para las computadoras, mientras que las habilidades que los humanos encuentran sencillas, como el reconocimiento de objetos o el movimiento natural, resultan extremadamente complicadas de replicar en inteligencia artificial. Rodney Brooks, pionero en robótica, creador de Baxter y ahora, fundador de Robust.ai, una empresa de automatización de almacenes lleva décadas aplicando y enseñando IA en el MIT. En esta entrevista se refleja cómo el conocimiento nos ayuda a enfrentarnos al hype, y a entender qué tecnologías IA aplicar en cada momento:
Alguien le sugirió hace poco que estaría bien y podría ser eficiente indicar a sus robots de almacén dónde ir construyendo un LLM para su sistema. Sin embargo, en su opinión, este no es un caso de uso razonable para la IA generativa y, de hecho, ralentizaría las cosas. En su lugar, es mucho más sencillo conectar los robots a un flujo de datos procedentes del software de gestión del almacén.
Brooks cree que los verdaderos desafíos en robótica están más relacionados con la teoría de control y la optimización matemática que con las interfaces de lenguaje. Lo que ocurre es que ese tipo de IA es mucho menos sexy que ChatGPT. Pero no por ello menos importante. Traigo de nuevo a colación, a riesgo de parecer pesado, la estimación de valor para la economía global que elaboró McKinsey Global Institute hace un año y que expone que la IA clásica (machine y deep learning) aportará más valor que la generativa al menos en los próximos 15 años:
Hace unas semanas, Carmen Camuñas directora del Hub Digital de Acciona mencionaba algo parecido en un evento del Grupo Larsen en el que participaba yo también. Usando un gráfico similar al que he apuntado más arriba sobre los tres grandes tipos de IA, Carmen, responsable del despliegue de IA en Acciona, nos presentaba varios casos de uso, que se están abordando principalmente con IA clásica. Lo bueno, explicaba, es que el hype alrededor de la IA generativa ha hecho crecer el interés por la IA y se están repensando y automatizando muchos procesos gracias a ello.
Motores de recomendación: IA clásica vs. IA generativa.
Hace un año esbocé algunos casos de uso por tipología de IA. Aunque es una generalización un poco burda, sirve para entender que cada problema requiere de diferentes herramientas.
Uno de los casos que uso para explicar la aplicación de IA simbólica en marketing son los motores de recomendación. Popularizados en eCommerce con el famoso “Customers who bought this book also …” de Amazon (un ejemplo de filtrado colaborativo) y en las plataformas de streaming tipo Netflix o Spotify, estos motores usan algoritmos que llevan muuuucho tiempo con nosotros y que no utilizan (habitualmente) “redes neuronales” (ni deep learning, ni IA generativa). En este artículo se explica bien cómo funcionan, y este gráfico nos ayuda a entenderlo con un golpe de vista:
Sin embargo, el hype alrededor de ChatGPT ha hecho que muchos artículos mezclen churras con merinas y pongan la IA generativa como elemento clave de un recomendador. No es así, pero… es cierto que la IA generativa puede aportar ciertas mejoras en determinados casos. Veamos por qué.
Un recomendador funciona especialmente bien cuando puede jugar con los datos de muchos, muchos usuarios (cientos de miles, millones) con los que construir arquetipos y patrones finos en la compra de artículos o el consumo de contenidos. Y funciona mejor para los usuarios que hacen un uso intensivo de la plataforma. En mi caso, escuchando más de 60.000 minutos de música al año en Spotify (que tiene millones de usuarios) las recomendaciones suelen funcionar.
Pero ¿qué ocurre si no existe tanta recurrencia, un usuario es nuevo o el catálogo es menos extenso? Un LLM podría ayudar. Creando descripciones a medida o características más matizadas y conscientes del contexto a partir de los datos del usuario. Un comprador llega a nuestro eCommerce de reservas por primera vez y usando el histórico de navegación o haciéndole algunas preguntas podríamos conocer mejor sus preferencias de alojamiento. Si además, en nuestro catálogo existen descripciones largas y desestructuradas, podríamos enviar ambos sets de datos a la api de un LLM, para generar un matching más preciso a la hora de proponer alojamientos. El LLM podría, por ejemplo, detectar los más amigables con las mascotas y proponer aquellos en primer lugar.
En resumen, la IA es como una caja de herramientas. Una navaja suiza en continua expansión. Pero no todo problema es un clavo, ni toda solución requiere la herramienta más sofisticada. Y cuando estamos eligiendo si coger alicates o tenazas, deberíamos también equilibrar eficiencia y autenticidad. Después de todo, en marketing y experiencia del cliente, la conexión humana seguirá siendo un clavo muy relevante, por más inteligentes que se vuelvan los martillos.
El próximo domingo, vuelvo a tu buzón.
Fernando.
Enlaces de interés para el profesional MCX.
Se nota que es verano y cuesta más encontrar lecturas relevantes. Así que compartimos pocas y nos proponemos, según arranca agosto, levantar más la vista de la pantalla y mirar por la ventana:
Perplexity ha anunciado un programa de recompensas para editores: socios como Time, Texas Tribune y Fortune recibiran una parte de los ingresos publicitarios cuando su contenido aparezca entre sus resultados. Para algunos llega demasiado tarde, para otros es mucho más de lo que ofrece Google (nada) por mostrar contenidos ajenos. PERPLEXITY
LLMs leaderboard, con rendimiento y precios estimados. GPT-4o y Llama 3.1 405B son los top performers (100 sobre índice de 100), seguidos de cerca por Claude 3.5 Sonnet (98), Google Gemini 1.5 Ultra (95) y Llama 3.1 70B. Este último, excelente ratio calidad precio. Igual que GPT-4o-mini con un rendimiento maxi (84) y un precio mini (0.26$ por millón de tokens). No hay excusa para no probar y probar y probar. LINK
Para añadir a la lista, Google ha presentado Gemma 2 2B, un SML especialmente adecuado para utilizar en dispositivos móviles y edge computing. GOOGLE
Explicamos la semana pasada que los LLMs carecen de cualidades como la comprensión y el razonamiento. Sin embargo, los usuarios tienden a antropomorfizarlos, asignándoles funciones exclusivamente humanas. Un estudio demuestra que dos tercios de los usuarios de LLMs creen que tienen conciencia y autopercepción. LINK
Ya hemos dicho que Artifacts de Claude 3.5 es un game changer entre los LLMs, al menos desde el punto de vista de UI y UX. Este hilo en X, recoge diez espectaculares usos que podemos dar a Artifacts: análisis de documentos, visualización de datos, infografías, simuladores, calendarios, juegos... LINK
Standford Engineering y Toyota Research han conseguido un hito aplicando la conducción autónoma en Tandem Drift, un cruce entre los grandes premios de automovilismo y el patinaje artístico por parejas. Dos coches derrapan y zigzaguean, aparentando hacerlo bajo el control de cada conductor. El coche que va en cabeza realiza una elaborada serie de maniobras y el que le persigue intenta reflejar cada movimiento manteniéndose lo más cerca posible, sin tocarse LINK
Friend es un wearable IA para llevar siempre con nosotros, sin más propósito que hacernos compañía. Se cuelga del cuello, está siempre a la escucha (sic) y se comunica con mensajes que envía al móvil. Funciona con Claude 3.5 y se puede pre-encargar ya por 99 $. Su creador es Avi Schiffmann, conocido durante el COVID-19 por desarrollar la web más popular para el recuento de infecciones. De los 2.5 M $ que ha recibido de inversores, 1.8M los ha destinado a comprar el dominio Friend.com. YOUTUBE
Incluir "Inteligencia Artificial" en la descripción de un producto o servicio puede generar desconfianza y perjudicar las ventas, especialmente en productos de alto riesgo. Un estudio de la Universidad de Washington analiza los efectos en la intención de compra de los consumidores de la inclusión del término "IA". LINK
La IA Generativa va a transformar más del 90'% de los empleos en el sector de las TIC, según el estudio The Impact of Generative IA del ICT Workforce Consortium. El mayor impacto se verá en ls áreas de negocios y gestión, ciberseguridad, ciencia de datos, diseño y experiencia de usuario infraestructura y operaciones, desarrollo de software y pruebas y garantía de calidad. La solución: formar, formar y volver a formar. PDF
Los JJOO de París son los primeros de la nueva era IA. ¿Cómo se está empleando la Inteligencia Artificial? Entre otros usos, estas tecnologías ayudan a evaluar el rendimiento de los atletas, mejora la precisión y eficiencia de los controles antidopaje, refuerza la seguridad o mejora el confort de los atletas (se han diseñado camas personalizadas para los atletas en la Villa Olímpica). O genera automáticamente reportajes y comentarios. Por ahora, la IA no sustituye el trabajo de los jueces, aunque es un debate abierto. THE CONVERSATION
Se intensifican las voces apuntando a una burbuja en la inversión de la IA generativa. En la semana en la que Google contrata a los fundadores de Character.AI que es una de las apps de IA generativa más utilizada del mundo, pero generar poco cash. Empresas tecnológicas como Microsoft, Amazon, Google y Meta han aumentado considerablemente sus gastos de capital (capex) en IA, con crecimientos de entre 30% y 90% respecto al año anterior. A pesar de estas inversiones masivas, los ingresos generados por la IA siguen siendo modestos en comparación. THE INFORMATION
No conocía esa afirmación de Rodney Brooks. En mi opinión, la IA generativa servirá para comunicarnos de alguna manera con los robots, y simplificar mucho la tarea de reprogramación de nuevas tareas, como pretende el sistema Gr00t de Nvidia. Aún lo que hay está muy verde para lo que necesitamos. Pero subyacente a toda esa interacción humano-máquina, la mecánica cartesiana y determinista de los robots es ineludible.
Hace poco escuché a una catedrática española decir que la IA generativa funciona más para tareas concretas que para darle usos generalistas. Acordás?