En 2027, el uso de modelos de IA pequeños para tareas concretas triplicará el de los de propósito general

Para 2027, las empresas implementarán modelos de IA pequeños y centrados en tareas concretas, y los usarán tres veces más que los modelos grandes de lenguaje de propósito general, según las previsiones de Gartner. Esto se debe a que aunque los LLMs cuentan con funciones sólidas relacionadas con el lenguaje, la precisión de su respuesta baja cuando se utilizan con tareas para las que necesitan un contexto concreto relacionado con un área o negocio concreto.

Las empresas pueden personalizar sus modelos grandes de lenguaje para que realicen tareas concretas a través de recuperación-generación aumentada (RAG). También mediante técnicas de ajuste preciso, para la creación de modelos especializados. En este proceso, los datos de empresa se convierten en un elemento diferencial clave, y necesitan una preparación de los datos, controles de calidad, versionado y gestión general para asegurar que los datos relevantes están estructurados para cubrir los requisitos de ajuste preciso.

Las empresas que quieran implementar modelos de IA pequeños y específicos para ciertas tareas deben tener en cuenta los modelos contextualizados piloto, dado que la implementación de modelos contextualizados pequeños en áreas en las que el contexto de negocio es crucial. También pueden servir en casos en los que los modelos grandes de lenguaje no hayan cubierto las necesidades de calidad o velocidad.

Desde Gartner también recomiendan adoptar enfoques combinados, para lo que es aconsejable identificar casos de uso en los que la orquestación con un solo modelo se queda corta, y en vez de ese sistema, utilizar un enfoque compuesto con varios modelos y flujos de trabajo divididos en varios pasos.

Para que todo salga bien, además, es recomendable reforzar tanto los datos como las habilidades relacionadas con ellos, y dar prioridad de hecho a la preparación de datos para recopilar, seleccionar y organizar los datos necesarios para el ajuste de los modelos de lenguaje.

Al mismo tiempo, se recomienda invertir en aumentar las habilidades del personal de grupos funcionales y técnicos. Como los arquitectos de datos e IA, los científicos de datos, los ingenieros de IA y datos, los equipos de riesgos y cumplimiento de normativas y los expertos en materias concretas del negocio.

En caso de desarrollar modelos propietarios, las empresas pueden crear nuevos flujos de ingresos con su comercialización, al mismo tiempo que impulsan la expansión de un ecosistema de empresas más interconectadas.

Sumit Agarwal, Analista vicepresidente de Garnter, ha destacado que «la diversidad de tareas en los flujos de trabajo de empresa, así como la necesidad de una precisión mayor, están impulsando el cambio hacia modelos especializados y ajustados para funciones concretas o para trabajar con datos de un dominio. Estos modelos más pequeños y específicos para ciertas tareas ofrecen respuestas más rápidas, y reducen los costes de operaciones y mantenimiento«.

Agarwal ha señalado también que «a medida que las empresas van reconociendo cada vez más el valor de sus datos privados y la información derivada de su proceso especializado, es probable que empiecen a monetizar sus modelos y a ofrecer acceso a estos recursos a una audiencia más amplia, incluidos sus clientes y hasta la competencia. Esto supone un cambio de un enfoque protextos a uno más abierto y colaborativo en cuanto a uso de datos y conocimiento«.