¿Qué es nativo de la IA?

A medida que la inteligencia artificial (IA) se integra en todas las industrias, las organizaciones describen cada vez más sus productos, plataformas y flujos de trabajo como impulsados o habilitados para IA. Sin embargo, el término “nativo de la IA” significa algo más profundo y estructural. Los sistemas aumentados con IA dependen de la IA como herramienta de soporte, mientras que los sistemas nativos de la IA están impulsados por IA en su núcleo.

Las startups que aprovechan la IA como enfoque estratégico central pueden considerarse nativas de la IA, al igual que las empresas heredadas que reorientan de manera integral su modelo de negocio en torno a los datos y los modelos de IA. El descriptor se refiere no solo al uso de herramientas de IA, sino también a un enfoque fundacional en el que la IA define la arquitectura, la toma de decisiones, la experiencia del usuario y todo el ciclo de vida del sistema desde el principio. Esto incluye cómo se recopilan los datos, cómo se ejecutan las cargas de trabajo, cómo se gestiona la latencia y cómo escalan los sistemas.

Pero debido a la gran cantidad de entusiasmo de la industria tecnológica y la inversión en torno a la IA, “nativo de la IA” a menudo aparece como una palabra de moda de marketing en contextos en los que puede que en realidad no se aplique. Pero el término tiene un significado útil, y comprender lo que realmente significa ser nativo de la IA es importante para evaluar la oleada actual de avances tecnológicos y separar la ventaja competitiva real de la exageración del marketing.

De la misma manera que “nativo de dispositivo móvil” se refiere a aplicaciones diseñadas específicamente para smartphones en lugar de uso en escritorio, “nativo de la IA” señala una relación con la IA que se incorpora de principio a fin en toda la arquitectura y la pila de tecnología. Podemos esperar que la utilidad del término desaparezca con el tiempo a medida que avance la ubicuidad de la IA.

El desarrollo de software tradicional implica diseños construidos sobre lógica determinista y reglas predefinidas establecidas por programadores humanos. Por lo tanto, realizar una tarea compleja con herramientas de software podría implicar guiar manualmente un sistema de software con varias entradas de datos y ajustar parámetros para llegar al resultado deseado. Una calculadora o una macro de hoja de cálculo no tiene capacidad para aprender o adaptarse; todo comportamiento está predeterminado.

La IA, por otro lado, no requiere instrucciones explícitas; “aprende” las reglas en sí misma revisando muchos ejemplos de una tarea. Las aplicaciones de IA utilizan algoritmos de machine learning para encontrar patrones en grandes cantidades de datos para tomar decisiones o hacer predicciones. Este proceso le permite sobresalir cuando se trata de datos no estructurados y, en algunos casos, realizar un aprendizaje continuo a lo largo del tiempo. Este aprendizaje depende de los pipelines de procesamiento de datos, los conjuntos de datos contextuales y las prácticas continuas de gestión de datos.

Para que un producto o flujo de trabajo sea verdaderamente nativo de la IA, la capacidad de la IA no puede ser un complemento de un sistema existente. La IA no puede ser un componente extraíble. Dicho de otro modo, si la IA fuera eliminada, el producto no simplemente dejaría de funcionar como se pretende, sino que dejaría de ser útil en absoluto.

Un ejemplo de algo que no califica como nativo de la IA sería un navegador web que use IA en la forma limitada de una característica de accesibilidad inteligente para narraciones.

Por el contrario, en los diseños nativos de la IA, los usuarios a menudo interactúan a través del lenguaje natural, y la automatización es intrínseca al funcionamiento central del producto en lugar de auxiliar. Con frecuencia, estos sistemas dependen de capas de orquestación que coordinan modelos, herramientas, API y servicios externos.

El navegador Comet de Perplexity es un ejemplo de un navegador nativo de la IA, donde un asistente de IA se integra en la experiencia, resumiendo contenido, redactando correos electrónicos, comparando resultados de compras; la experiencia está mediada a través de la IA en cada paso. No es necesario abrir una barra lateral para tener la experiencia de la IA, ya está ahí.

Bob de IBM es un entorno de desarrollo integrado (IDE) nativo de la IA de nivel empresarial. No es solo un chatbot agregado a un editor; está diseñado para operar dentro del IDE y la línea de comandos, para ir más allá de simples finalizaciones de código gestionando flujos de trabajo con agentes complejos.

Debido a que la arquitectura nativa de la IA se basa en resultados probabilísticos, iteración y adaptación, en lugar de las reglas rígidas y los procesos deterministas del software tradicional, los flujos de trabajo no son simplemente versiones automatizadas de procesos antiguos que realizan los mismos pasos más rápido. Los procesos largos de varios pasos se pueden agrupar en una sola instrucción y un agente de IA puede tomar esta interacción y realizar una serie de pasos de razonamiento para completar la tarea. Estos agentes pueden ejecutar cargas de trabajo iniciales, como planificación, selección de herramientas y evaluación, antes de producir resultados.

Con base en los patrones de comportamiento del usuario, un sistema nativo de la IA puede mejorar a lo largo del tiempo, volviéndose más útil no solo en tareas específicas, sino en la forma en que interactúa con el usuario a un nivel fundamental.

Los recientes avances en la IA generativa han acelerado el impulso hacia nuevos sistemas nativos de la IA. Los modelos de IA generativa permiten que los sistemas creen texto, imágenes, código y otros resultados dinámicamente, lo que permite avanzar hacia sistemas de IA agéntica que razonan y toman decisiones de forma autónoma. La IA generativa no es solo una novedad, sino el núcleo cognitivo del sistema. Los sistemas inteligentes resultantes redefinieron la experiencia del usuario y cambiaron la interfaz para que fuera más un asistente o copiloto en tiempo real que un panel de control.

Los sistemas nativos previos de la IA generativa solían ser limitados, ya que los diseñadores los optimizaban para tareas específicas. Los marcos generativos condensaron múltiples pipelines en arquitecturas unificadas que podían manejar muchos tipos de casos de uso.

Crear un sistema nativo de la IA no es tan simple como crear un producto de IA listo para usar. Los sistemas nativos de la IA a menudo tienen perfiles de costos no lineales. La recopilación y el procesamiento de los datos necesarios por sí solos es una tarea masiva, al igual que el entrenamiento, el mantenimiento y la orquestación de modelos o agentes. Luego existe la necesidad de incorporar un paradigma de gobernanza de la IA con principios de IA responsable para que los despliegues de IA no amenacen la misión de la organización. Los sistemas de IA pueden fallar de forma espectacular, con alucinaciones, errores de razonamiento, mal uso de herramientas y deriva gradual del modelo.

Un sistema nativo de la IA generalmente implica la creación de un sistema de gestión global de la IA, que proporciona un marco para el desarrollo, despliegue y monitoreo continuo de sistemas de IA. Estos sistemas mitigan el riesgo de la IA y fomentan el cumplimiento normativo.

Sin embargo, vale la pena enfrentar estos desafíos por dos razones principales.

Por un lado, los sistemas de IA maduros son difíciles de copiar porque la inteligencia está integrada en los flujos de trabajo, no en las características. Los flujos de trabajo son dinámicos y su lógica se extiende por todo el código de orquestación y se basa en el uso histórico, ajustado mediante prueba y error. Los modelos aprenden constantemente a hacer mejor las cosas a lo largo del tiempo, y no es un proyecto sencillo replicar esa inteligencia acumulada. Además, esa mejora crea rendimientos compuestos que el software tradicional no puede lograr.

Situarse entre los usuarios y las grandes organizaciones que crean y mantienen modelos destacados ofrece muchas oportunidades para aportar valor a la hora de decidir qué datos son relevantes, qué herramientas se consultan y qué inteligencia se obtiene y cómo. Esta capa controla el contexto y define la inteligencia, abstrayendo la complejidad detrás del lenguaje natural. La organización nativa de la IA sirve como una especie de coordinador en el ecosistema que ayuda al usuario a obtener el mayor valor posible del modelo para sus necesidades especializadas. Por lo tanto, incluso sin poseer el modelo, estas empresas pueden aportar un valor tremendo.