Desde 2022, el debate público sobre la IA está casi totalmente acaparado por los modelos de lenguaje grandes (LLM). ChatGPT, Claude, Gemini. La gente que escribe prompts, las empresas que integran API de lenguaje. Eso es solo una pequeña parte de lo que hace la IA en el mundo real.
Tu teléfono se desbloquea con tu rostro gracias a la IA. Tu feed de Instagram lo ordena una IA. El fraude en tu tarjeta de crédito lo detecta en tiempo real una IA. El coche que te avisó de un fallo en la caja de cambios quizá utilizó una IA predictiva. Ninguna de estas IA habla. Ninguna es un LLM.
La visión artificial
La visión artificial es la capacidad de un sistema para identificar, localizar y clasificar objetos o patrones en imágenes o vídeos. Es una de las aplicaciones más consolidadas del aprendizaje profundo.
Lo que se utiliza actualmente en la producción: control de calidad en las líneas de fabricación (detección de defectos visuales a ritmos vertiginosos), clasificación de paquetes en logística, lectura automática de matrículas, mamografías y análisis de imágenes médicas, vigilancia de obras y autenticación biométrica.
Una red neuronal convolucional (CNN) entrenada con millones de imágenes médicas puede identificar ciertas patologías con una precisión comparable a la de un radiólogo con amplia experiencia en los tipos de imágenes que están bien representados en sus datos. Las palabras clave: «determinadas patologías», «tipos de imágenes bien representados». Fuera de esta distribución, el rendimiento se reduce drásticamente.
La recomendación
Netflix te recomienda series. Spotify te crea listas de reproducción. Amazon te sugiere compras. No se trata de modelos de lenguaje grande (LLM). Son sistemas de filtrado colaborativo y factorización matricial combinados con aprendizaje profundo, entrenados con miles de millones de interacciones de los usuarios.
La recomendación es la IA que lleva más tiempo teniendo el mayor impacto económico directo. Optimiza una métrica (clics, tiempo de visualización, conversiones). Lo que optimiza puede diferir de lo que es bueno para el usuario. Es una característica del sistema, no un defecto que haya que corregir en la próxima versión.
Predicción y detección de anomalías
Detección de fraude bancario. Predicción de averías en máquinas. Puntuación crediticia. Detección de intrusiones en la red. Estos sistemas llevan 15 años en funcionamiento en sectores de los que nunca se hace eco la revista Wired.
Un modelo de detección de fraudes analiza decenas de características en tiempo real (importe, ubicación, hora, historial, dispositivo, comportamiento de navegación) y genera una puntuación de probabilidad de fraude. Si la puntuación supera un umbral, la transacción se bloquea o se somete a revisión. Este sistema no es perfecto. Presenta una tasa de falsos positivos (transacciones legítimas bloqueadas) y una tasa de falsos negativos (fraudes no detectados). El reto consiste en optimizar este equilibrio con tus datos reales.
Estos sistemas cometen errores que tienen consecuencias concretas. Una puntuación crediticia errónea afecta al acceso a la financiación de una persona física. Un filtro antifraude demasiado agresivo bloquea a clientes legítimos. Estos sesgos están documentados, son objeto de regulaciones (la Ley de IA en Europa, la Ley de Informes Crediticios Justos en Estados Unidos) y no son problemas resueltos.
¿Qué cambia al ver el cuadro completo?
Dos implicaciones prácticas.
Para evaluar los riesgos de verdad: Los riesgos de la IA no se limitan a los modelos de lenguaje grande (LLM). También residen en los sistemas de toma de decisiones automatizada que, de forma silenciosa, afectan a derechos y accesos sin que las personas afectadas sean informadas. La Ley de IA europea los regula precisamente en este aspecto.
A la hora de dimensionar los proyectos: Un proyecto de visión artificial para el control de calidad no presenta el mismo perfil de riesgo, ni el mismo coste de entrenamiento, ni requiere las mismas competencias que un proyecto de LLM. Confundirlos por el simple hecho de que ambos se etiquetan como «IA» conduce a decisiones erróneas.
La IA industrial, silenciosa y que no se basa en modelos de lenguaje (LLM), es la que ha demostrado su valor económico a lo largo de décadas. Merece tanta atención como el chatbot de última generación.