|
Hay gente que afirma que ya no tiene sentido aprender a programar, porque la IA puede hacerlo mejor que nosotros. Siguiendo el mismo razonamiento, ¿tiene sentido que aprendamos otros idiomas?
No saquéis todavía a los niños de la clase de inglés. Algún día podremos celebrar una reunión de negocios con cualquier persona del mundo, aunque no hablemos el mismo lenguaje, porque la IA lo traducirá al nuestro en tiempo real. Algún día, pero no hoy.
A finales del año pasado, Google lanzó una beta de Translate que permite escuchar traducciones en tiempo real directamente en los auriculares, pero la fluidez aún dista bastante de la de una conversación natural.
Nos han vendido la IA como una especie de oráculo remoto que vive en algún lejano centro de datos repleto de GPUs, piscinas de líquido refrigerante y el consumo eléctrico de una capital de provincia.
Tú preguntas y «la nube» responde, pero hay casos en los que ese modelo empieza a chirriar.
Si estás traduciendo una conversación en directo, un segundo de latencia es la diferencia entre hablar con naturalidad o vivir dentro de un documental de National Geographic doblado con voz en off.
Pero si se trata de conducir de forma autónoma un coche o guiar el bisturí de un cirujano, puede ser una cuestión de vida o muerte.
La latencia es el primer motivo por el que la IA empieza a acercarse. El segundo no pone en peligro la vida de las personas, pero sí la de las empresas: el coste.
Porque mientras la usas para hacer pruebas de concepto, el pago por uso parece maravilloso. Es el paraíso que el software como servicio o SaaS siempre nos prometió: no compras máquinas, no tienes que mantenerlas, no asumes compromisos a largo plazo.
Pero si la IA entra de verdad en tu operativa diaria, cada token empieza a pesar. Algo barato cuando es usado puntualmente puede llegar a ser muy caro cuando todo el mundo lo usa todo el rato.
Tanto como para que muchas empresas se planteen volver a gestionar su propia infraestructura para ejecutar modelos abiertos como DeepSeek, Qwen, Llama o Mistral, que ya pueden competir dignamente con los cerrados en muchos casos de uso.
Y, más allá de la optimización de costes, hay un último motivo —quizás el más importante— que puede justificar que acerquemos la IA: la total y absoluta dependencia de terceros.
El coste y la dependencia no son problemas exclusivos de la IA, sino de cualquier servicio que deleguemos a un proveedor externo, por supuesto, pero en el caso de los grandes modelos cerrados el riesgo que asumimos está mucho menos acotado.
Hoy por hoy, el precio de la IA está altamente subsidiado, pero ¿hasta cuándo lo estará?
Hace unas semanas se publicó que una suscripción de 200 dólares a Claude podría equivaler a un gasto de 5.000 si la usáramos exhaustivamente y nos aplicaran el precio de la API. 60.000 dólares por empleado y año. La cifra es discutible, pero el problema no. Llegado el momento, ¿podremos permitírnoslo?
Por otro lado, la propia naturaleza de la IA hace que sea prácticamente imposible delimitar su perímetro de actuación. Si se cae el CRM, por ejemplo, sabemos que nuestro proceso comercial puede verse afectado. Pero si se cae nuestro modelo de IA ¿cuántos de nuestros servicios y procesos se verían afectados y hasta qué punto?
Y cuando una parte crítica de nuestro negocio depende de un proveedor externo, nuestra obligación es al menos plantearnos si de verdad podemos abstraernos por completo de su gestión.
Pues depende.
Desarrollar esa respuesta da para llenar toda una charla en una conferencia técnica. En la TRG de este año, Cristian Córdova pretende repasar todo lo que debe tener en cuenta una empresa antes de internalizar la IA para que «nuestro ChatGPT privado» no se convierta en una carísima estufa: elegir modelo, servirlo, monitorizarlo, actualizarlo, securizarlo, medir la calidad de servicio, gestionar GPUs y evitar que el sistema se degrade… ¿de verdad merece la pena?
No siempre.
Una tarea que requiera tiempo real se ejecutará en un modelo especializado, instalado en el hardware que esté lo más cerca posible de donde se necesite.
Una petición puntual irá al modelo en la nube.
Una funcionalidad que ofrezcamos en nuestro producto o servicio se ejecutará en un modelo alojado en nuestra propia infraestructura, lo que nos permitirá asegurar su disponibilidad y coste.
Y un buen sistema decidirá dónde ejecutar cada cosa.
Los «más listos» despedirán a sus programadores porque «ya no hacen falta». Los más listos los pondrán a diseñar ese sistema.
Porque lo importante no es si el futuro de la IA estará en la nube o en local, sino que el presente pasa por diseñar una arquitectura de proximidad.
La pregunta interesante ya no es solo qué modelo usamos, sino dónde debe ejecutarse ese modelo para que nuestro producto funcione, nuestros datos estén protegidos, la experiencia no se rompa… y podamos pagar la factura.
La comodidad que supone abstraernos del hardware donde se ejecuta nuestro software nos llevó a autoconvencernos de que la distancia había dejado de importar. La inteligencia artificial nos ha recordado que nunca lo hizo.
La IA no se acerca porque hayamos dejado de creer en la nube sino porque en algunos casos esa abstracción empieza a costar demasiado.
El futuro de la IA no es la nube. Tampoco es local. Es proximal.
|
