Los modelos generativos son sistemas de inteligencia artificial (AI, por sus siglas en inglés) diseñados para crear contenido nuevo —como textos, imágenes, audio o código— a partir de datos existentes.
A diferencia de otras técnicas de AI que solo clasifican o predicen, estos modelos aprenden los patrones de un conjunto de datos y los utilizan para generar resultados originales que imitan las características del contenido de origen. Por su capacidad para automatizar la creación de información, los modelos generativos están transformando procesos clave en empresas de todos los sectores.
En los hechos, la bola de nieve de los modelos generativos no ha hecho más que comenzar a crecer; así lo confirman los informes, por ejemplo:
Según Kings Research, “el tamaño del mercado global de inteligencia artificial generativa [GenAI, por su acrónimo en inglés] se valoró en $16,000 millones de dólares [mdd] en 2023 y se prevé que alcance los $186,000 mdd en 2031, creciendo a una tasa compuesta anual del 36,60% de 2024 a 2031”.
Otra firma, Data Bridge Market Research, hace una valoración similar: “El tamaño del mercado global de GenAI se valoró en algo más de $24,000 millones de dólares en 2024 y se proyecta que alcance los $400,000 mdd para 2032, con una tasa de crecimiento anual compuesta [CAGR, por sus siglas en inglés] de 41.72% durante el período de pronóstico de 2025 a 2032.»
Índice de temas
¿Qué son los modelos generativos y cómo funcionan?
Los modelos generativos o GenAI se trata de algoritmos diseñados para crear contenido nuevo, con altas dosis de realismo. Investigaciones realizadas por el MIT CSAIL Research on Artificial Intelligence demuestran cómo estos algoritmos aprenden a generar contenido original basándose en patrones de datos complejos.
Son sistemas que aprenden de un conjunto de datos con el objetivo de producir nuevos datos, muy parecidos a los originales.
Estos modelos son capaces de generar desde textos y gráficos hasta audio y video, respondiendo a una gama amplia de necesidades empresariales.
El funcionamiento de los modelos generativos, en términos sencillos, se explica a partir de conjugar estadística, probabilidad e inteligencia artificial, para representar los datos en forma tal que sea posible dar lugar a nuevas muestras.
Los modelos generativos aprenden los patrones y las características de los datos con los que son alimentados para luego dar origen a nuevos datos que tienen esas mismas características.
Los nuevos datos comparten las mismas características generales del conjunto de datos original (o de entrada), pero no son copias exactas de ellos.
¿Cuáles son las principales aplicaciones de los modelos generativos en la industria?
Mejora en la atención al cliente y personalización, mediante el uso de los chatbots, una de las aplicaciones de los modelos generativos más sencillas, muy difundidas y que poco relacionamos con estos sistemas.
Automatización de procesos repetitivos, y por último, desarrollo de productos innovadores. Las tres vertientes de aplicaciones son transversales a todo tipo de industrias.
¿Qué ventajas ofrecen los modelos generativos frente a otros enfoques de inteligencia artificial?
Si se toma como punto de partida una definición básica (“la inteligencia artificial es una rama de la ciencia informática que tiene como objetivo diseñar tecnología que emule la inteligencia humana) enseguida resulta sencillo comprender que hay dos enfoques diferentes respecto de la inteligencia artificial. El primero corresponde a la AI tradicional y el segundo a la GenAI o modelos generativos.
AI tradicional se considera la adecuada para tareas con entradas limitadas y salidas definidas, mientras que los modelos generativos están diseñados para crear contenido nuevo y único.
| Tabla comparativa | ||
|---|---|---|
| Característica | AI Tradicional | Modelos Generativos |
| Flexibilidad | Baja: se limita a reglas y condiciones programadas. | Alta: pueden generar resultados nuevos y únicos sin reglas predefinidas. |
| Creatividad | No puede generar contenido nuevo, solo sigue instrucciones. | Capaces de crear contenido original y personalizado. |
| Comprensión del lenguaje natural | Limitada: depende de comandos y frases específicas. | Avanzada: entienden y responden con mayor naturalidad. |
| Adaptabilidad | Poca adaptabilidad fuera de los escenarios definidos. | Se adaptan mejor a nuevos datos y contextos variados. |
| Aplicaciones destacadas | Chatbots simples, asistentes de voz básicos, sistemas de reglas. | Creación de contenido, asistentes virtuales avanzados, innovación. |
| Datos necesarios para su entrenamiento | Requiere volúmenes razonables de datos para funcionar. | Requieren de grandes volúmenes de datos para ser eficaz. |
| Facilidad de implementación | Relativamente sencilla de implementar. | Compleja: necesitan recursos computacionales y técnicos avanzados. |
| Personalización | Baja: respuestas genéricas y predefinidas. | Alta: generan respuestas o contenidos adaptados al usuario. |
¿Cuáles son los desafíos al implementar modelos generativos en su empresa?
Los modelos generativos son sistemas de software complejos que demandan gran cantidad de recursos, así que al interior de la organización o empresa debe existir claridad y certeza acerca de los beneficios que se pretenden obtener.
Los retos por superar y el camino a recorrer demandan conocimiento, adaptabilidad, así como un manejo de expectativas muy conservador. Para ello, el NIST AI Risk Management Framework proporciona directrices clave sobre cómo abordar los riesgos éticos y técnicos asociados con la integración de modelos generativos en empresas.. Entre tales desafíos se encuentran:
- Elevados costos computacionales: el entrenamiento, formación y despliegue de los modelos generativos precisan de recursos y potencia informática considerables, que se pueden traducir en costos prohibitivos.
- Calidad de los contenidos generados: la producción de resultados imprecisos, irrelevantes o de escasa calidad es no solo una posibilidad, sino que ya representa un área de preocupación mayúscula.
El origen puede estar en datos o instrucciones mal planteadas, pero también debido a la falta de datos para entrenamiento. Revisar, ajustar y validar frecuentemente los resultados generados, en necesario para garantizar un rendimiento fiable.
- Preocupaciones éticas: El uso indebido de los modelos generativos para crear, con intención o no, contenidos falsos, distorsionados o erróneos, así como la difusión de información equívoca, son parte de las cuestiones éticas que demandan un trabajo cuidadoso y responsable para mantener la confianza en los materiales generados por AI.
- Sesgos en los resultados: Los modelos generativos aprenden a partir de los datos existentes, en los que puede haber sesgos, en consecuencia, los resultados creados pueden perpetuar estereotipos o reforzar discriminación.
Una selección meticulosa de los conjuntos de datos para entrenamiento, con énfasis en la representación equitativa de las variables a considerar, puede ser de gran ayuda.
- Problemas de propiedad intelectual: Este desafío que podría parecer solo jurídico, va mucho más allá. Determinar la autoría inequívoca a favor de un creador o incluso de un desarrollador es complejo, pero ahora se abren otras vertientes, como por ejemplo definir si el usuario de modelos generativos tiene derechos de propiedad intelectual sobre los contenidos creados por estos sistemas.
Todavía más intrincado resulta lo relacionado con la clonación de voz, a partir de modelos generativos, porque se entra en el terreno de los datos personales biométricos, cuya privacidad debe ser prioritaria.
La resolución de este tipo de incertidumbres así como la definición de los límites para las creaciones producidas por modelos generativos se están quedando rezagadas.
¿Cómo iniciar la integración de modelos generativos en su organización?
Al igual que para otros tipos de soluciones tecnológicas, la fase diagnóstica para identificar necesidades, fortalezas y áreas de oportunidad, sumada a la planeación, constituyen la base. En seguida, un proceso de ocho etapas como el que se describe a continuación es lo recomendado.
Definir objetivos y casos de uso
Una visión clara, con objetivos de negocio estratégicos y casos de uso concretos en los que los haya aportación de valor derivada de los modelos generativos (soporte a decisiones, análisis predictivo, optimización de productos, etc.)
Análisis detallado de los modelos generativos disponibles en el mercado
A partir de lo establecido arriba, la búsqueda de las herramientas tecnológicas idóneas deben considerar:
- Tipos de modelos generativos
- Escalabilidad y rendimiento
- Facilidad de integración con el sistema existente
- Requisitos de datos y compatibilidad
- Soporte y mantenimiento
Preparar la infraestructura informática y los recursos de datos necesarios
Adaptar la infraestructura existente o invertir en nueva; revisar la calidad, cantidad y características de los datos disponibles, ya que son la materia prima para alimentar a los modelos generativos; revisar y preparar las capacidades de gestión y almacenamiento de los datos. Validar las medidas de seguridad y privacidad de los datos.
Determinar el set de datos de capacitación
Estos son los destinados al entrenamiento
Entrenamiento de los modelos generativos
Siguiendo los marcos y lineamientos que se hayan establecido previamente. En esta fase es recomendable la interacción con centros de investigación o expertos en AI para afinar los modelos especializados, ya que colaboran con las pruebas y validaciones para probar el rendimiento y la precisión de los modelos entrenados.
De los modelos generativos entrenados a los procesos comerciales
Los pasos dados hasta aquí son de preparación, pero una vez validados los resultados del modelo generativo entrenado, la prueba de fuego es transferir toda esa experiencia a los procesos comerciales y al flujo de trabajo cotidiano.
Es posible que se requiera el desarrollo de aplicaciones personalizadas, integrar con plataformas en operación, proporcionar capacitación y soporte técnico a nivel individual, para lograr una utilización efectiva.
Todo este proceso de integración se debe gestionar como uno de transformación organizacional.
Monitoreo, evaluación, ajustes, repetición
El seguimiento y la evaluación son cruciales para garantizar que los modelos generativos entreguen los resultados de valor previstos.
Analizar cíclicamente los resultados, aplicar ajustes, repetir el modelo y procesos, son el secreto para impulsar la mejora y optimización continuas.
Garantizar el cumplimiento normativo, legal y ético
Este parece el último paso, pero en realidad debe estar presente en todo el proceso. Garantizar el cumplimiento de las consideraciones éticas, de las regulaciones y de las normativas en materia de la integración de modelos generativos en los negocios es una responsabilidad que apenas está dimensionándose.
¿Qué consideraciones éticas deben tenerse en cuenta al utilizar modelos generativos?
Privacidad de los datos, sesgos y transparencia son las tres vertientes de mayor preocupación en cuanto a las consideraciones éticas relacionadas con el uso de modelos generativos. El AI Now Institute, en su informe de 2023, destaca la necesidad de establecer marcos éticos desde el diseño para mitigar estos riesgos.
Sin quitar importancia a ninguna de las tres, destaca la necesidad de prestar mucha atención a los sesgos en los datos empleados para el entrenamiento de los modelos generativos. Entre ellos destacan: edad, género, características étnicas, geográficas y económicas.
La cuestión ética en el uso de los modelos generativos no radica solo en el cumplimiento normativo y legal. Es imperativa la búsqueda de mecanismos que incrementen e incluso garanticen que los modelos no incorporen nuevos sesgos ni los perpetúen, que sean transparentes en su funcionamiento y que se utilicen de manera responsable.
¿Cómo medir el impacto de los modelos generativos en los procesos empresariales?
Fomentar la innovación en los entornos empresariales es una de las acciones más potentes derivadas del uso de los modelos generativos. Dado que la participación de estos modelos en la transformación de los procesos y el incremento de la productividad ya está sucediendo, es necesario establecer herramientas de medición.
Los llamados agentes de AI —como los chatbots, producto de los modelos generativos—, tienen un marco de desempeño en colaboración con las personas.
En conjunto, los resultados son medibles, como lo tendrá que ser la coordinación entre ambos (personas y máquinas) en cuanto a la realización de tareas en los lugares de trabajo.
Según los expertos de IBM Consulting, hay cinco elementos a considerar para este tipo de mediciones:
- Considerar el reto específico a resolver con el o los modelos generativos, en un contexto concreto, para evaluar su impacto en forma precisa. Esto es: qué problema se va a resolver, qué características tiene el área o los profesionales que van a interactuar, cuáles son los resultados.
- Mediciones en comparación con un grupo de control. Comprender si las mejoras o impactos se atribuyen a modelos generativos requiere de mediciones de rendimiento en un grupo de personas que emplean agentes de AI, en comparación con otro grupo de personas con características similares, que no usan agentes tecnológicos.
- Usuarios con distintos niveles de habilidad en su interacción con las herramientas de los modelos generativos, da como resultado variaciones significativas en su productividad.
- Rapidez y eficacia en el periodo de adaptación de los colaboradores para el trabajo colaborativo con modelos generativos.
- Visión de conjunto para el ciclo de vida integral del proyecto.
Preguntas frecuentes sobre modelos generativos
¿Qué requisitos legales deben evaluarse antes de implementar modelos generativos en una empresa?
Los modelos generativos pueden generar contenidos cuya autoría no siempre está clara, lo que plantea desafíos en términos de propiedad intelectual y protección de datos. En sectores regulados, es esencial analizar los riesgos legales y de gobernanza desde el inicio. Este tipo de consideraciones ha cobrado más relevancia con el avance de los modelos grandes de lenguaje que impulsan la GenAI.
¿Cómo afectan los modelos generativos a la seguridad de los datos empresariales?
Al aprender de grandes volúmenes de información, los modelos generativos pueden incorporar, replicar o exponer datos sensibles si no se controlan adecuadamente. La implementación debe contemplar protocolos de seguridad avanzados y una arquitectura capaz de prevenir fugas o usos indebidos. Este riesgo es especialmente crítico en un contexto donde la inteligencia artificial redefine los enfoques de ciberseguridad empresarial.
¿Pueden los modelos generativos integrarse con sistemas ERP o CRM existentes?
Sí. Existen múltiples casos de uso en los que los modelos generativos enriquecen los sistemas de gestión empresarial, desde la generación automática de reportes hasta la personalización de interacciones con clientes. Su adopción se acelera en entornos donde la inteligencia artificial ya está transformando los ERP tradicionales.
¿Qué métricas clave permiten evaluar la eficacia de un modelo generativo en entornos empresariales?
Las organizaciones deben ir más allá de la precisión técnica y medir el impacto real de estos modelos en productividad, ahorro de tiempo y satisfacción del usuario. Estas métricas son fundamentales en un escenario donde las tecnologías disruptivas están redefiniendo los procesos operativos.
¿Cuál es el impacto ambiental del entrenamiento y uso de modelos generativos a gran escala?
Entrenar un modelo generativo de gran tamaño puede consumir tanta energía como alimentar una pequeña ciudad durante varios días. Por ello, surgen debates sobre eficiencia energética y sostenibilidad en IA. Este aspecto ha sido abordado en investigaciones relacionadas con la evolución de la inteligencia artificial general (AGI) y su potencial transformador.
