A este “jaque” se le conoce como la revolución silenciosa de la IA "débil", esa IA que está destronando a los gigantes con una estrategia que Silicon Valley ha visto venir: ganar siendo más pequeño, más justo y más estratégico, no más grande.
El momento "David vs. Goliat" que cambió todo
Silo AI es una empresa filandesa que tenía un desafío imposible competir contra Google Translate con unos recursos de startup. Así a primera vista parece imposible, pero desarrollaron una estrategia a modo de producto mínimo viable. En lugar de entrenar un traductor universal masivo, entrenaron 50 micro-modelos especializados, cada uno experto en contextos específicos
Mientras Google gastaba 100 millones de dólares manteniendo un modelo gigante que traduce "okay" en todos los contextos, Silo AI creó modelos que traducen perfectamente en contextos médicos, legales, técnicos, etc cada uno consumiendo menos energía que un smartphone.
El plot twist de este caso fue que los micro-modelos no solo eran más eficientes; eliminaron automáticamente sesgos culturales porque cada uno estaba entrenado con datos específicos y auditados de su dominio. El resultado es que Nokia los adquirió por 665 millones de dólares con el ROI más alto en la historia de la IA europea.
La empresa que hackeo el sesgo... y se hizo millonaria
La empresa californiana Pymetheus AI comenzó a trabajar en los algoritmos de reclutamiento. Se dieron cuenta que los algoritmos discriminaban sistemáticamente a los candidatos que eran diversos en un proceso de selección. El problema no era sólo que los sesgos eran injustos; sino que además eran computacionalmente caros. Descubrieron que el 70% del poder computacional de los sistemas de reclutamiento se gastaba procesando patrones incorrectos creados por sesgos históricos. Ante esto, la empresa Pymetheus AI desarrolló "fairness-first training" (formación basada en la equidad): entrenar modelos desde cero con datasets balanceados costaba un 80% menos que entrenar modelos con datos sesgados y después corregir.
El giro de guión vino cuando se dieron cuenta que su sistema no solo era más justo; sino que era diez veces más rápido y cinco veces más preciso identificando talento real. El resultado fue que todos los clientes de la competencia migraron en 18 meses, consiguiendo una facturación de 50 millones anuales de dólares.
Estos dos casos ponen de manifiesto la necesidad de hablar de las tres reglas de oro que no hay que olvidar.
El código secreto: Las tres reglas que las Big Tech ignoraron
Regla #1: Los datos perfectos vencen a los datos masivos
Las Big Tech coleccionan todo. Las startups o empresas con éxito tienen los datos necesarios seleccionados de manera estratégica.
Una startup del sector salud entrenó un diagnóstico de cáncer de piel con 50,000 imágenes perfectamente curadas y diversas. Este entrenamiento obtuvo un resultado mejor resultado que el modelo de Google entrenado con 500 millones de imágenes llenas de sesgos y ruido. Y es que los datos de calidad no solo mejoran la precisión; reducen drásticamente el cómputo necesario. Un dataset limpio es diez veces más rápido que uno ruidoso, contaminado con todo tipo de datos.
Regla #2: La especialización inteligente supera a la generalización bruta
En lugar de un cerebro artificial gigante, múltiples cerebros pequeños, especializados y coordinados son más potentes, eficientes y justos. Una startup de IA financiera creó 200 micro-modelos, cada uno experto en un tipo específico de transacción. El resultado fue un 95% menos de consumo energético que los modelos generales, tener un 0% de discriminación (cada modelo auditado independientemente) y un 40% más de precisión detectando fraudes específicos.
Regla #3: La transparencia es la nueva velocidad
Mientras las Big Tech hacen modelos más opacos, las startups o pymes tecnológicas hacen modelos explicables desde el diseño. Los modelos explicables no son más lentos; son más eficientes porque evitan generar "reasoning" incorrecto que debe corregirse después. Esta práctica no sólo proporciona una mayor eficiencia, sino que genera una transparencia a los modelos para las empresas clientes y los usuarios.
Algunos errores de los que nadie habla
Ante esta situación las Big Tech, conscientes de la pérdida de competitividad en algunas áreas, han intentado lanzar productos o soluciones que sean sostenibles, con una base de IA sostenible. Lo cierto es que no han obtenido el éxito esperado.
Google: "Gemini Nano": Después de años insistiendo en que "bigger is better", Google lanza Gemini Nano - un modelo diseñado para ser pequeño y eficiente. Como principio está muy bien, el problema con el que se han encontrado es que lo han lanzado demasiado tarde: las startups llevan 3 años de ventaja.
Meta y su modelo "Llama 2 responsable": Intentan replicar técnicas de IA justa, pero como complemento a modelos existentes, no integrado desde el diseño. El resultado ha sido un 50% más costoso que otras alternativas que ofrecen empresas más pequeñas o startup sin ser realmente más justo.
OpenAI y su "GPT-4 Turbo Eficiente": Prometen "la eficiencia de modelos pequeños con el poder de modelos grandes". Las primeras críticas han sido que consume 3 veces más de energía que los modelos desarrollados y entrenados por empresas más pequeñas y especializadas con rendimiento comparable.
La revolución no viene. Ya está aquí. Y contra todas las expectativas, la están liderando las empresas más pequeñas, focalizadas en ser más éticas y más estratégicas. El David de la IA sostenible no solo tiene una honda. Tiene una IA que funciona mejor, cuesta menos y es éticamente defendible.
Y Goliat, por primera vez en décadas, está trabajando para revertir esta tendencia.
