Parece que la inteligencia artificial (AI) ha alcanzado un estancamiento. Los creadores de modelos de IA no parecen estar progresando tan rápidamente como antes. Muchos de los productos que prometieron fueron sobrevalorados y no cumplieron, y los consumidores no están muy seguros de qué hacer con la IA generativa más allá de usarla como un reemplazo de los motores de búsqueda tradicionales.
Si aún no lo ha hecho, la IA parece estar comenzando a salir de su fase de crecimiento inicial y entrar en un período de estancamiento.
El crecimiento explosivo de la IA de 2022 a 2024
Desde noviembre de 2022 hasta finales de 2024, los nuevos desarrollos en inteligencia artificial ocurrieron rápidamente. ChatGPT se lanzó en noviembre de 2022. Cuatro meses después, obtuvimos GPT-4. Dos meses después de eso, OpenAI agregó el Intérprete de Código y el Análisis de Datos Avanzado. Al mismo tiempo, se produjeron avances significativos en la generación de texto a imagen y de texto a video. Los avances parecían ocurrir cada 30 a 120 días en OpenAI, y sus competidores parecían moverse al unísono, probablemente por miedo a quedarse atrás si no mantenían el ritmo.
Con todo ese viento en sus velas, las empresas comenzaron a hacer grandes promesas: agentes de IA autónomos que podían planificar, razonar y completar tareas complejas de principio a fin sin un humano en el circuito. IA creativa que reemplazaría a los comercializadores, diseñadores, cineastas, compositores, y IA que reemplazaría a categorías enteras de trabajos de oficina. Sin embargo, la mayoría de esas promesas aún no se han materializado; si lo han hecho, han sido mediocres.
Por qué la innovación en IA está disminuyendo
El problema no es solo que los agentes de IA o las fuerzas de trabajo automatizadas no cumplieron con las expectativas; es que estos productos poco impresionantes son el resultado de un problema mucho más grande. La innovación en la industria de la IA está desacelerándose, y las principales empresas que construyen estas herramientas parecen estar perdidas.
No todos los productos lanzados entre 2022 y 2024 fueron revolucionarios. Muchas de las actualizaciones durante este período probablemente no fueron utilizadas por los consumidores cotidianos. Esto se debe a que la mayoría de las personas todavía utilizan la IA solo como una alternativa a un motor de búsqueda, o, como algunas personas comienzan a llamarlo, están usando la IA como un motor de respuestas, la próxima iteración del motor de búsqueda.
Aunque ese es un caso de uso válido, es seguro decir que los gigantes tecnológicos tienen una visión mucho más grandiosa para la IA. Sin embargo, una cosa que puede estar frenándolos, y una razón por la cual los productos más promocionados han tenido dificultades en el mercado, es debido a un problema clásico en industrias altamente técnicas: los ingenieros brillantes a veces terminan construyendo herramientas y productos que solo otros ingenieros brillantes saben cómo aprovechar, pero se olvidan de hacer que las herramientas y productos sean utilizables para la población mucho más grande de sus usuarios que no son ingenieros brillantes. En este caso, eso significa usuarios generales, la audiencia que, sin duda, hizo que la IA se volviera mainstream en 2022.
Sin embargo, incluso la estancación en los productos de IA es un efecto de goteo de un problema aún mayor relacionado con cómo se entrenan los modelos de IA.
Los laboratorios de IA más grandes han estado mejorando obsesivamente sus modelos subyacentes. Al principio, esas mejoras en sus modelos de IA hacían una gran diferencia notable de una versión a otra. Pero ahora, hemos llegado al punto de rendimientos decrecientes en la optimización de modelos. Hoy en día, cada actualización de un modelo de IA parece menos notable que la anterior. Una de las teorías principales detrás de esto es que los laboratorios de IA se están quedando sin datos únicos y de alta calidad en los que entrenar sus modelos. Ya han raspado lo que podemos asumir que es toda la internet, así que, ¿a dónde irán a buscar datos a continuación y cómo diferirá los datos que obtengan de los datos que sus competidores están tratando de conseguir?
Antes de chocar contra esta pared, la fórmula para el éxito en los modelos de IA era simple: alimentar a los modelos de lenguaje grandes con más datos de internet, y se vuelven mejores. Sin embargo, internet es un recurso finito, y muchos gigantes de la IA lo han agotado. Además, cuando todos entrenan con los mismos datos, nadie puede sobresalir. Y si no puedes obtener datos nuevos y únicos, no puedes seguir mejorando significativamente los modelos mediante el entrenamiento de datos. Esa es la pared con la que muchas de estas empresas se han encontrado.
Es importante señalar que las mejoras incrementales que se están realizando en estos modelos siguen siendo muy importantes, a pesar de que sus rendimientos están disminuyendo. Aunque estas mejoras no son tan impactantes como las mejoras del pasado, aún deben llevarse a cabo para los productos de IA del futuro que se nos ha prometido entregar.
A dónde va la IA desde aquí
Entonces, ¿cómo solucionamos este problema? Lo que falta es atención a la demanda del consumidor a nivel de producto. Los consumidores quieren productos y herramientas de IA que resuelvan problemas reales en sus vidas, que sean intuitivos y que se puedan usar sin tener un título en STEM. En cambio, han recibido productos que no parecen estar listos para la producción, como los agentes, con casos de uso vagos y que se sienten más como experimentos que como productos. Productos como este claramente no están diseñados para nadie en particular; son difíciles de usar, y puede que sea porque han tenido dificultades para lograr la adopción.
Hasta que algo cambie, es probable que la IA se quede atrapada en un patrón de espera. Ya sea que ese avance provenga de mejores datos de entrenamiento, nuevas formas de interpretar datos existentes, o un producto de consumo destacado que finalmente se popularice, algo tendrá que cambiar.
De 2022 a 2024, la IA parecía avanzar diez pasos hacia adelante cada cuatro meses. Pero en 2025, solo avanza un pequeño paso a la vez y con mucha menos frecuencia.
Desafortunadamente, no hay una solución rápida aquí. Sin embargo, centrarse en un producto sólido orientado al consumidor podría ser una oportunidad fácil de aprovechar. Si las grandes empresas tecnológicas pasaran menos tiempo persiguiendo productos de IA con nombres futuristas pero de propósito general y más tiempo ofreciendo una herramienta de alto impacto y de uso específico que las personas puedan usar directamente, entonces verían más éxito.
Pero a largo plazo, será necesario algún tipo de avance importante que resuelva la sequía de datos en la que nos encontramos actualmente, ya sea que las empresas encuentren nuevas fuentes exclusivas de datos de entrenamiento o que encuentren formas para que los modelos aprovechen más los datos que ya tienen.
Para que la inteligencia artificial (AI) funcione correctamente dentro de la ley y prospere ante los crecientes desafíos, necesita integrar un sistema de blockchain empresarial que garantice la calidad de entrada de datos y la propiedad, lo que le permite mantener los datos seguros mientras también garantiza la inmutabilidad de los datosConsulta la cobertura de CoinGeeksobre esta tecnología emergente para aprender máspor qué el blockchain empresarial será la columna vertebral de la IA*.*
Mira: La inteligencia artificial necesita blockchain
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
¿La innovación en IA ha llegado a un límite?
Parece que la inteligencia artificial (AI) ha alcanzado un estancamiento. Los creadores de modelos de IA no parecen estar progresando tan rápidamente como antes. Muchos de los productos que prometieron fueron sobrevalorados y no cumplieron, y los consumidores no están muy seguros de qué hacer con la IA generativa más allá de usarla como un reemplazo de los motores de búsqueda tradicionales.
Si aún no lo ha hecho, la IA parece estar comenzando a salir de su fase de crecimiento inicial y entrar en un período de estancamiento.
El crecimiento explosivo de la IA de 2022 a 2024
Desde noviembre de 2022 hasta finales de 2024, los nuevos desarrollos en inteligencia artificial ocurrieron rápidamente. ChatGPT se lanzó en noviembre de 2022. Cuatro meses después, obtuvimos GPT-4. Dos meses después de eso, OpenAI agregó el Intérprete de Código y el Análisis de Datos Avanzado. Al mismo tiempo, se produjeron avances significativos en la generación de texto a imagen y de texto a video. Los avances parecían ocurrir cada 30 a 120 días en OpenAI, y sus competidores parecían moverse al unísono, probablemente por miedo a quedarse atrás si no mantenían el ritmo.
Con todo ese viento en sus velas, las empresas comenzaron a hacer grandes promesas: agentes de IA autónomos que podían planificar, razonar y completar tareas complejas de principio a fin sin un humano en el circuito. IA creativa que reemplazaría a los comercializadores, diseñadores, cineastas, compositores, y IA que reemplazaría a categorías enteras de trabajos de oficina. Sin embargo, la mayoría de esas promesas aún no se han materializado; si lo han hecho, han sido mediocres.
Por qué la innovación en IA está disminuyendo
El problema no es solo que los agentes de IA o las fuerzas de trabajo automatizadas no cumplieron con las expectativas; es que estos productos poco impresionantes son el resultado de un problema mucho más grande. La innovación en la industria de la IA está desacelerándose, y las principales empresas que construyen estas herramientas parecen estar perdidas.
No todos los productos lanzados entre 2022 y 2024 fueron revolucionarios. Muchas de las actualizaciones durante este período probablemente no fueron utilizadas por los consumidores cotidianos. Esto se debe a que la mayoría de las personas todavía utilizan la IA solo como una alternativa a un motor de búsqueda, o, como algunas personas comienzan a llamarlo, están usando la IA como un motor de respuestas, la próxima iteración del motor de búsqueda.
Aunque ese es un caso de uso válido, es seguro decir que los gigantes tecnológicos tienen una visión mucho más grandiosa para la IA. Sin embargo, una cosa que puede estar frenándolos, y una razón por la cual los productos más promocionados han tenido dificultades en el mercado, es debido a un problema clásico en industrias altamente técnicas: los ingenieros brillantes a veces terminan construyendo herramientas y productos que solo otros ingenieros brillantes saben cómo aprovechar, pero se olvidan de hacer que las herramientas y productos sean utilizables para la población mucho más grande de sus usuarios que no son ingenieros brillantes. En este caso, eso significa usuarios generales, la audiencia que, sin duda, hizo que la IA se volviera mainstream en 2022.
Sin embargo, incluso la estancación en los productos de IA es un efecto de goteo de un problema aún mayor relacionado con cómo se entrenan los modelos de IA.
Los laboratorios de IA más grandes han estado mejorando obsesivamente sus modelos subyacentes. Al principio, esas mejoras en sus modelos de IA hacían una gran diferencia notable de una versión a otra. Pero ahora, hemos llegado al punto de rendimientos decrecientes en la optimización de modelos. Hoy en día, cada actualización de un modelo de IA parece menos notable que la anterior. Una de las teorías principales detrás de esto es que los laboratorios de IA se están quedando sin datos únicos y de alta calidad en los que entrenar sus modelos. Ya han raspado lo que podemos asumir que es toda la internet, así que, ¿a dónde irán a buscar datos a continuación y cómo diferirá los datos que obtengan de los datos que sus competidores están tratando de conseguir? Antes de chocar contra esta pared, la fórmula para el éxito en los modelos de IA era simple: alimentar a los modelos de lenguaje grandes con más datos de internet, y se vuelven mejores. Sin embargo, internet es un recurso finito, y muchos gigantes de la IA lo han agotado. Además, cuando todos entrenan con los mismos datos, nadie puede sobresalir. Y si no puedes obtener datos nuevos y únicos, no puedes seguir mejorando significativamente los modelos mediante el entrenamiento de datos. Esa es la pared con la que muchas de estas empresas se han encontrado.
Es importante señalar que las mejoras incrementales que se están realizando en estos modelos siguen siendo muy importantes, a pesar de que sus rendimientos están disminuyendo. Aunque estas mejoras no son tan impactantes como las mejoras del pasado, aún deben llevarse a cabo para los productos de IA del futuro que se nos ha prometido entregar.
A dónde va la IA desde aquí
Entonces, ¿cómo solucionamos este problema? Lo que falta es atención a la demanda del consumidor a nivel de producto. Los consumidores quieren productos y herramientas de IA que resuelvan problemas reales en sus vidas, que sean intuitivos y que se puedan usar sin tener un título en STEM. En cambio, han recibido productos que no parecen estar listos para la producción, como los agentes, con casos de uso vagos y que se sienten más como experimentos que como productos. Productos como este claramente no están diseñados para nadie en particular; son difíciles de usar, y puede que sea porque han tenido dificultades para lograr la adopción.
Hasta que algo cambie, es probable que la IA se quede atrapada en un patrón de espera. Ya sea que ese avance provenga de mejores datos de entrenamiento, nuevas formas de interpretar datos existentes, o un producto de consumo destacado que finalmente se popularice, algo tendrá que cambiar.
De 2022 a 2024, la IA parecía avanzar diez pasos hacia adelante cada cuatro meses. Pero en 2025, solo avanza un pequeño paso a la vez y con mucha menos frecuencia.
Desafortunadamente, no hay una solución rápida aquí. Sin embargo, centrarse en un producto sólido orientado al consumidor podría ser una oportunidad fácil de aprovechar. Si las grandes empresas tecnológicas pasaran menos tiempo persiguiendo productos de IA con nombres futuristas pero de propósito general y más tiempo ofreciendo una herramienta de alto impacto y de uso específico que las personas puedan usar directamente, entonces verían más éxito.
Pero a largo plazo, será necesario algún tipo de avance importante que resuelva la sequía de datos en la que nos encontramos actualmente, ya sea que las empresas encuentren nuevas fuentes exclusivas de datos de entrenamiento o que encuentren formas para que los modelos aprovechen más los datos que ya tienen.
Para que la inteligencia artificial (AI) funcione correctamente dentro de la ley y prospere ante los crecientes desafíos, necesita integrar un sistema de blockchain empresarial que garantice la calidad de entrada de datos y la propiedad, lo que le permite mantener los datos seguros mientras también garantiza la inmutabilidad de los datos Consulta la cobertura de CoinGeek sobre esta tecnología emergente para aprender más por qué el blockchain empresarial será la columna vertebral de la IA*.*
Mira: La inteligencia artificial necesita blockchain