Sam Altman admite que la adopción empresarial de la inteligencia artificial avanza más despacio de lo esperado
Sam Altman, consejero delegado de OpenAI, reconoce que calculó mal la velocidad a la que la inteligencia artificial transformaría las empresas. Tras el lanzamiento de GPT-4 en 2023, esperaba una renovación mucho más rápida del software corporativo y la aparición de nuevas compañías capaces de competir con los proveedores tradicionales.
Sin embargo, la adopción empresarial de la IA está siendo considerablemente más lenta que su popularización entre los consumidores. Aunque herramientas como ChatGPT alcanzaron en poco tiempo una enorme base de usuarios, muchas organizaciones todavía se encuentran en fases de prueba, con proyectos piloto limitados y dificultades para integrar estos sistemas en sus operaciones diarias.
La tecnología avanza más rápido que las empresas
En una conversación reciente, Altman explicó que uno de sus principales errores fue subestimar la inercia de la economía. Los modelos de IA han mejorado de forma notable desde la llegada de GPT-4, pero las empresas no pueden actualizar sus procesos al mismo ritmo que evolucionan las aplicaciones y las interfaces de programación, conocidas como API.
Una API es el mecanismo que permite a distintos programas comunicarse entre sí. En el ámbito de la inteligencia artificial, facilita que una empresa conecte un modelo de lenguaje con su página web, su sistema de atención al cliente o sus herramientas internas. No obstante, disponer de esa conexión técnica no significa que el cambio pueda desplegarse de inmediato.
Para incorporar la IA a un proceso crítico, una compañía debe revisar la seguridad, migrar datos, adaptar sus sistemas, comprobar el cumplimiento normativo y formar a los empleados. También tiene que evaluar los errores del modelo, establecer quién supervisará sus respuestas y convencer a clientes o socios de que el nuevo método es fiable.
Por eso, utilizar un chatbot desde un navegador puede llevar unos segundos, mientras que rediseñar el flujo de trabajo de un banco, una aseguradora o una industria puede requerir años. La velocidad de innovación de los modelos no elimina los costes económicos, legales y organizativos asociados a sustituir sistemas antiguos.
El éxito entre los usuarios no se repite en las compañías
La expansión de ChatGPT mostró el potencial de la IA generativa, capaz de crear textos, imágenes, código y otros contenidos a partir de instrucciones escritas. Su crecimiento entre los usuarios finales fue extraordinario y convirtió estas herramientas en productos conocidos por el gran público.
El entorno empresarial, en cambio, presenta más obstáculos. Las compañías suelen depender de aplicaciones heredadas, también llamadas legacy: programas antiguos que siguen siendo esenciales para su funcionamiento, aunque resulten difíciles de actualizar o conectar con nuevas tecnologías.
Muchas organizaciones han comenzado con casos de uso concretos, como resumir documentos, automatizar respuestas o asistir a los equipos de programación. El siguiente paso, mucho más complejo, consiste en integrar la IA en procesos centrales y permitir que tome decisiones o ejecute tareas con un grado elevado de autonomía.
Ahí aparecen las dudas sobre la fiabilidad. Los modelos de lenguaje predicen qué respuesta es más probable a partir de los datos con los que han sido entrenados, pero pueden generar información incorrecta con apariencia convincente. Estos errores, conocidos habitualmente como alucinaciones, obligan a mantener controles humanos en muchas aplicaciones profesionales.
Una transición más lenta también puede ser más segura
Altman considera que la lentitud de la transformación empresarial no tiene por qué ser negativa. Una economía con mucha inercia funciona como un amortiguador frente a cambios demasiado bruscos y concede tiempo a las compañías para adaptar sus plantillas, sus normas internas y sus sistemas tecnológicos.
La adopción gradual también permite detectar fallos antes de que afecten a millones de usuarios. Las empresas pueden empezar con pruebas controladas, medir resultados y ampliar el uso de la IA solo cuando existan garantías suficientes sobre privacidad, seguridad y calidad.
Esta perspectiva contrasta con las previsiones de algunas empresas emergentes de inteligencia artificial, que han presentado la tecnología como una revolución inmediata. El mercado esperaba que los modelos generativos alterasen rápidamente sectores enteros, pero la realidad demuestra que la innovación técnica no siempre se traduce en cambios económicos instantáneos.
La ley de Amara vuelve a cobrar sentido
La situación encaja con la llamada ley de Amara, según la cual tendemos a sobreestimar el efecto de una tecnología a corto plazo y a subestimar sus consecuencias a largo plazo. El entusiasmo inicial puede generar expectativas poco realistas, mientras que los cambios profundos se desarrollan de forma gradual y resultan menos visibles al principio.
La historia de la informática ofrece ejemplos similares. Los primeros ordenadores personales despertaron grandes expectativas durante las décadas de 1970 y 1980, pero su impacto empresarial se consolidó cuando las organizaciones cambiaron sus métodos de trabajo para aprovecharlos de forma estructural.
Con internet ocurrió algo parecido. La burbuja de las empresas puntocom llevó a muchos inversores a anticipar una transformación inmediata, pero el estallido de aquella burbuja no impidió que la red acabara modificando el comercio, la comunicación, el entretenimiento y la actividad laboral.
La inteligencia artificial podría encontrarse ahora en una fase intermedia: ya ha demostrado su utilidad y ha alcanzado una amplia visibilidad, pero todavía no ha completado su integración en la economía. El reconocimiento de Altman apunta a que el gran cambio empresarial quizá no llegue mediante una única ruptura, sino a través de años de adaptación progresiva.
