Este artículo está basado en una conversación con un ingeniero de software especializado en inteligencia artificial que actualmente trabaja para una startup de IA. Este profesional ha pedido mantener su anonimato porque no está autorizado a hablar de sus experiencias laborales, pero Business Insider ha verificado su identidad y su puesto de trabajo.

En este momento, la inteligencia artificial generativa está muy sobrevalorada y eso significa que muchas de las startups de IA que están obteniendo financiación de capital riesgo van a ser un fracaso. Va a ser similar a lo que ocurrió con las criptomonedas. Va a haber determinadas startups que van a funcionar bien y van a poder desarrollarse, pero quizá entre el 70 y el 80% van a acabar muriendo.

Incluso OpenAI ha estado experimentando un uso cada vez menor de sus aplicaciones recientemente, lo que puede indicar que los chatbots de inteligencia artificial generativa no se van a apoderar del mundo.

Llevo casi una década trabajando en sistemas de IA y puedo decirte que ya hemos visto todo esto antes. Es lo que le pasó a la industria de los coches autónomos. 

Por muy bueno que sea ChatGPT generando texto o Dall-E generando imágenes, lo que estos programas están haciendo es imitar información que ya existía en el pasado. La inteligencia artificial actual en realidad no puede hacer lo que tantas startups están prometiendo que sus aplicaciones van a poder hacer porque la IA no puede hacer predicciones fiables.

Cómo hemos llegado hasta aquí: las 3 olas del aprendizaje automático

Hasta ahora ha habido 3 olas de aprendizaje automático en el desarrollo de la inteligencia artificial y cada una de ellas ha provocado que surjan un montón de startups. Estas 3 olas han sido: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.

Aprendizaje supervisado es cuando se enseña al modelo de IA a hacer algo como identificar un bolígrafo. Se contrata a un grupo de personas para que etiqueten manualmente muchas fotos de bolígrafos —en este caso hubo muchas startups que nacieron para dedicarse a esto— y se entrena al modelo para que responda a la pregunta: ¿Esto es un bolígrafo?

Aprendizaje no supervisado es cuando escribes una regla en un algoritmo y le dices a la inteligencia artificial que detecte qué objeto es. Un ejemplo de esto sería la detección de píxeles para identificar colores: rojo, verde, amarillo, etc.

Aprendizaje por refuerzo es cuando se entrena al modelo para identificar, por ejemplo, una manzana, y luego se le indica si ha acertado o no. ¿Es una manzana? Sí. Vale, estupendo. ¿Es una manzana? No, te has equivocado.

Después de estas 3 olas, la ingeniería de IA se introdujo en una empinada curva de aprendizaje basada en todo esto, combinando el aprendizaje por refuerzo y no supervisado.

Los acuerdos de Microsoft, Google y Amazon con startups de IA en la nube hacen saltar las alarmas contables en Silicon Valley por los "viajes de ida y vuelta" de los ingresos

Lo que estoy intentando explicar a la gente de fuera de la comunidad de inteligencia artificial es que esto esencialmente es un juego de probabilidades. 

¿Cuál es la mayor probabilidad de que algo ocurra en el futuro? Por ejemplo, un coche autónomo utiliza un montón de modelos de deep learning. El modelo dice: "Oh, a la derecha de nosotros hay un ser humano. Un segundo antes de llegar a su posición, necesito saber si esta persona se va a mover al otro lado de la calle o si se va a quedar quieta".

Y de esa forma realiza cálculos basándose en la postura de esa persona: por ejemplo, si están hablando por teléfono sin moverse, lo más probable es que esa persona no se mueva. La probabilidad de que esta persona se mueve a través de la calle es como de 0,001%, pero los accidentes acaban sucediendo.

Así que eso es el aprendizaje profundo: una función centrada en la predicción probabilística. 

Esto es el presente. La gente dice: "Estamos creando algo nuevo", pero en realidad, incluso para alguien como OpenAI, simplemente es meterle al modelo tantos datos como sea posible y luego pedirle que los replique y genere algo basado en esa misma información.

Lo que puedes o no puedes confiar a la inteligencia artificial

Sí, si utilizas ese tipo de modelos correctamente, son muy potentes, pero la IA sigue dependiendo completamente de la información que recibe. Esa información puede estar sesgada o dar lugar a un resultado que no es creativo sino que básicamente sea un plagio, o estar basada en datos antiguos y desfasados.

Entonces, ¿cómo se puede saber si la tecnología de una startup de inteligencia artificial acabará funcionando o fracasará irremediablemente? 

Si la actividad que pretende realizar esa empresa consiste en reutilizar información estática y no necesita predecir un resultado, la propuesta puede ser más factible. Por ejemplo, trazar un mapa para robots de almacén. A diferencia de los coches autónomos, los robots de almacén trabajan en un entorno controlado.

En cambio, las startups que requieren una gran capacidad de predicción van a tener dificultades a la hora de alcanzar sus objetivos, del mismo modo que la mayoría de las compañías de coches autónomos de la última década no han conseguido tener éxito. 

He probado un coche autónomo de Ford que se conduce con los ojos: así funciona

En este saco también se pueden meter aquellas startups con tecnología que depende de que las personas modifiquen su comportamiento para confiar en una máquina en lugar de en otro ser humano como, por ejemplo, las aplicaciones humanas virtuales. Los asistentes de IA que se supone que hacen la labor de gestionar la agenda de un ejecutivo o los chatbots que pretenden reemplazar a los comerciales. 

Otra categoría también sería cualquier cosa que requiera estrategia, como el desarrollo de una defensa en el mundo jurídico, y otro ejemplo sería cualquier cosa que requiera que la inteligencia artificial comprenda y pronostique lo que siente la gente, como el servicio que haría un conserje.

Entonces, ¿cómo se puede salvar la distancia entre la IA actual, con capacidades limitadas, y el día en que se pueda confiar en ella totalmente? Bueno, existe una solución intermedia. Se puede utilizar la inteligencia artificial para realizar un trabajo constante y repetitivo —llamémoslo "trabajo previo"— e incluir a los seres humanos en el proceso.

Esto también tiene truco, porque hay que tener en cuenta el coste de la adopción de la IA. Por ejemplo, en el caso de Amazon Go, Amazon cerró su noveno establecimiento en junio, incluidas las tiendas insignia de San Francisco, Seattle y Nueva York. ¿A qué reto se enfrentaban? Intentaban ofrecer una mejor experiencia de usuario sustituyendo a un trabajador humano por una tecnología inteligente.

Eso implicaba pagar el imponente sueldo de varios ingenieros, desarrollar una tecnología propia y luego pagar los costes de mantenimiento de las redes informáticas complejas basadas en la visión de los bots, por no mencionar el coste de mantener y reciclar sus modelos, que es muy caro. 

El autoservicio ha acabado siendo un modelo mucho más rentable para otros minoristas estadounidenses como Costco, Walmart o las tiendas de comestibles, demostrando que no se necesita inteligencia artificial para mejorar la eficiencia de la caja registradora. 

Por lo tanto, si estás intentando eliminar tareas administrativas repetitivas, le estás dando un buen uso a la IA generativa. Sin embargo, si estás tratando de desarrollar una tecnología que necesita predecir algo que va a suceder en el futuro, pregúntate: ¿Cómo funciona esa tecnología? Puede parecer que esa es la verdadera novedad, pero yo no trabajaría ni invertiría en esas empresas.