Cómo los efectos de red hacen que la IA sea más inteligente

A finales del año pasado, cuando OpenAI presentó ChatGPT, los observadores del sector respondieron con elogios y preocupación. Hemos oído cómo la tecnología puede abolir programadores de ordenadores, profesores, operadores y analistas financieros, diseñadores gráficos, y artistas. Temiendo que la IA lo haga ensayo sobre matar a la universidad, las universidades se apresuraron a revisar los planes de estudio. Algunos dijeron que quizás el impacto más inmediato fue que ChatGPT podría reinventar o incluso reemplazar el motor de búsqueda tradicional de Internet. La búsqueda y los anuncios relacionados representan la gran mayoría de los ingresos de Google. Serán los chatbots matar a Google?

ChatGPT es un demostración de la tecnología de aprendizaje automático, pero apenas es viable como servicio independiente. Para adaptarse a su destreza tecnológica, OpenAI necesitaba un socio. Así que no nos sorprendió que la empresa anunció rápidamente un acuerdo con Microsoft. La unión de la empresa emergente de IA y la empresa de tecnología tradicional podría finalmente representar una amenaza creíble para el dominio de Google, lo que aumentaría las apuestas en el» La carrera armamentista de la IA.» También ofrece una lección sobre las fuerzas que dictarán qué empresas prosperarán y cuáles fracasarán en el despliegue de esta tecnología.

Para entender qué llevó a OpenAI a aliarse con Bing (y por qué Google puede seguir triunfando), tenemos en cuenta en qué se diferencia esta tecnología de los avances anteriores, como el teléfono o las plataformas de mercado como Uber o Airbnb. En cada uno de esos ejemplos, los efectos de red (en los que el valor de un producto aumenta a medida que gana usuarios) desempeñaron un papel importante a la hora de determinar el crecimiento de esos productos y las empresas que tuvieron éxito. Los servicios de IA generativa, como ChatGPT, están sujetos a efectos de red similares, pero distintos. Para elegir estrategias que funcionen con la IA, los directivos y los emprendedores deben entender cómo funciona este nuevo tipo de efectos de red de la IA.

Los efectos de red funcionan de manera diferente para la IA

El valor de la IA reside en las predicciones y sugerencias precisas. Pero a diferencia de los productos y servicios tradicionales, que se basan en convertir los suministros (como la electricidad o el capital humano) en productos (como la luz o el asesoramiento fiscal), la IA requiere grandes conjuntos de datos que deben mantenerse actualizados a través de las interacciones de ida y vuelta con los clientes. Para seguir siendo competitivo, un operador de IA debe recopilar los datos, analizarlos, ofrecer predicciones y, a continuación, solicitar comentarios para afinar las sugerencias. El valor del sistema depende de los datos que llegan de los usuarios y aumenta con ellos.

El rendimiento de la tecnología —su capacidad de predecir y sugerir con precisión— depende de un principio económico llamado efectos en la red de datos(algunos prefieren datos– aprendizaje impulsado). Son distintos de los conocidos directo efecto de red, como los que hacen que un teléfono sea más valioso a medida que aumentan los suscriptores, porque hay más personas a las que puede llamar. También son diferentes de indirectos o segundo pedido efectos de red, que describen cómo un número creciente de compradores invita a más vendedores a una plataforma y viceversa: comprar en Etsy o reservar en Airbnb se hace más atractivo cuando hay más vendedores presentes.

Los efectos en las redes de datos son un formulario nuevo : Cuanto más conocidos sean los efectos, más usuarios, más valiosa será la tecnología. Pero en este caso, el valor no proviene del número de pares (por ejemplo, con el teléfono) ni de la presencia de muchos compradores y vendedores (como en plataformas como Etsy). Más bien, los efectos se deben a la naturaleza de la tecnología: la IA mejora mediante el aprendizaje por refuerzo, las predicciones seguidas de los comentarios. A medida que aumenta su inteligencia, el sistema hace mejores predicciones, aumenta su utilidad, atrae a nuevos usuarios y retiene a los existentes. Más usuarios significan más respuestas, lo que aumenta la precisión de las predicciones y crea un círculo virtuoso.

Tomemos, por ejemplo, Google Maps. Utiliza la IA para recomendarle la ruta más rápida hasta su destino. Esta capacidad se basa en anticipar los patrones de tráfico en las rutas alternativas, lo que hace basándose en los datos que llegan de muchos usuarios. (Sí, los usuarios de datos también son los proveedores.) Cuantas más personas usen la aplicación, más datos históricos y simultáneos acumulará. Con montones de datos, Google puede comparar innumerables predicciones con resultados reales: ¿Llegó a la hora prevista por la aplicación? Para perfeccionar las predicciones, la aplicación también necesita sus impresiones: ¿Qué tan buenas fueron las instrucciones? A medida que se acumulan los hechos objetivos y las reseñas subjetivas, entran en juego los efectos de red. Estos efectos mejoran las predicciones y aumentan el valor de la aplicación para los usuarios y para Google.

Una vez que entendamos cómo los efectos de red impulsan la IA, podremos imaginarnos las nuevas estrategias que requiere la tecnología.

OpenAI y Microsoft

Empecemos con la unión de OpenAI y Microsoft. Cuando hicimos la prueba beta de ChatGPT, nos impresionaron sus respuestas creativas y parecidas a las humanas, pero nos dimos cuenta de que estaba estancada: se basa en un montón de datos recopilados por última vez en 2021 (así que no pregunte por los acontecimientos recientes ni siquiera por el clima). Peor aún, carece de un circuito de retroalimentación sólido: no puede hacer sonar la alarma cuando las sugerencias son alucinatorio (la empresa sí permite una respuesta «con el visto bueno hacia abajo»). Sin embargo, al vincular a Microsoft, OpenAI encontró una manera de poner a prueba las predicciones. Lo que preguntan los usuarios de Bing (y la forma en que valoran las respuestas) son cruciales para actualizar y mejorar ChatGPT. El siguiente paso, nos imaginamos, es que Microsoft alimente el algoritmo con la enorme nube de datos de usuario que mantiene. A medida que digiera un número incalculable de hojas de Excel, presentaciones de PowerPoint, documentos de Word y currículums de LinkedIn, ChatGPT mejorará su recreación, para alegría (o horror) de los habitantes de oficinas.

Aquí hay al menos tres lecciones generales.

En primer lugar, los comentarios son cruciales. Los beneficios de la IA se intensifican con un flujo constante de reacciones de los usuarios. Para seguir siendo inteligente, un algoritmo necesita un flujo de datos con las elecciones actuales de los usuarios y la valoración de las sugerencias anteriores. Sin comentarios, ni siquiera el mejor algoritmo de ingeniería seguirá siendo inteligente durante mucho tiempo. Como descubrió OpenAI, incluso los modelos más sofisticados tienen que estar vinculados a fuentes de datos que fluyen constantemente. Los emprendedores de la IA deberían recordar esto.

En segundo lugar, los ejecutivos deberían rutinarizar la recopilación meticulosa de información para maximizar los beneficios de estos efectos. Deberían revisar los registros financieros y operativos típicos. Se pueden encontrar datos útiles en todas partes, dentro y fuera de la empresa. Pueden provenir de interacciones con compradores, proveedores y compañeros de trabajo. Un minorista, por ejemplo, podría hacer un seguimiento de lo que ven los consumidores, lo que han colocado en su carrito y lo que han pagado en última instancia. En conjunto, estos detalles minuciosos pueden mejorar enormemente las predicciones de un sistema de IA. Podría valer la pena recopilar incluso los bits de datos poco frecuentes, incluidos los que están fuera del control de la empresa. Los datos meteorológicos ayudan a Google Maps a predecir el tráfico. Hacer un seguimiento de las palabras clave que utilizan los reclutadores para buscar currículums puede ayudar a LinkedIn a ofrecer consejos ganadores a los solicitantes de empleo.

Por último, todos deberían tener en cuenta los datos que comparten, intencionalmente o no. Los datos y los comentarios son esenciales para hacer mejores predicciones. Pero el valor de sus datos puede ser capturado por otra persona. Los ejecutivos deberían tener en cuenta qué IA se beneficiará de los datos que comparten (o a los que permiten el acceso). A veces, deberían limitar el uso compartido. Por ejemplo, cuando los conductores de Uber navegan con la aplicación Waze, ayudan a Google, el propietario, a estimar la frecuencia y la duración de los viajes de transporte. Como Google está considerando operar taxis autónomos, esos datos podrían tener un valor incalculable. Cuando una marca como Adidas vende en Amazon, permite al gigante minorista estimar la demanda en todas las marcas (en comparación con Nike) y categorías (zapatos), además de la sensibilidad de los compradores a los precios. Los resultados podrían enviarse a un competidor, o beneficiar a las ofertas de marca privada de Amazon. Para contrarrestar eso, los ejecutivos pueden eludir a los intermediarios de la plataforma o a terceros. Pueden negociar el acceso a los datos. Pueden esforzarse por mantener un contacto directo con los clientes. A veces, la mejor solución puede ser que los propietarios de los datos agrupen y compartan en un intercambio de datos, como hicieron los bancos cuando establecieron formas de compartir datos sobre la solvencia crediticia.

Si tiene en cuenta los efectos de red de la IA, puede entender mejor el futuro de la tecnología. También puede ver cómo estos efectos, al igual que otros efectos de red, tienden a enriquecer aún más a los ricos. La dinámica detrás de la IA significa que los que se mudan pronto pueden ser recompensados generosamente, y seguidores, por rápidos que sean, puede que quede al margen. También implica que cuando se tiene acceso a un algoritmo de IA y a un flujo de datos, las ventajas se acumulan con el tiempo y no se pueden superar fácilmente. Para los ejecutivos, los emprendedores, los responsables políticos y todos los demás, lo mejor (y lo peor) de la IA está por llegar.