Según un informe de Gartner, para 2027 se espera que las organizaciones adopten modelos de inteligencia artificial más pequeños y especializados para tareas específicas, con un uso al menos tres veces superior al de los modelos de lenguaje de propósito general (LLM). Esta evolución responde a la creciente demanda de precisión y eficiencia en tareas empresariales especializadas, donde los modelos generales a menudo no cumplen con las expectativas.
Si bien los LLM de propósito general ofrecen capacidades lingüísticas amplias, su desempeño disminuye cuando se enfrentan a tareas que requieren un contexto o conocimiento especializado. Sumit Agarwal, vicepresidente de análisis en Gartner, señala que “la diversidad de tareas en los flujos de trabajo empresariales y la necesidad de una mayor precisión están impulsando la transición hacia modelos específicos diseñados para funciones o datos de dominio particulares”.
Estos modelos más pequeños y especializados proporcionan respuestas más rápidas y requieren menos recursos computacionales, lo que contribuye a la reducción de costos operativos y de mantenimiento. Las empresas podrán personalizar estos modelos mediante técnicas como el ajuste fino o la generación aumentada por recuperación (RAG), lo que requerirá una correcta preparación de datos corporativos para una implementación efectiva.
A medida que las organizaciones tomen conciencia del valor de sus datos privados y el conocimiento derivado de sus procesos particulares, es probable que comiencen a monetizar estos modelos, permitiendo el acceso a sus recursos tanto a clientes como a competidores. Agarwal subraya que este cambio representaría una transición hacia un uso más abierto y colaborativo de los datos y el conocimiento, lo que podría dar lugar a nuevas fuentes de ingresos y a un ecosistema empresarial más interconectado.
Para llevar a cabo la implementación de estos modelos de IA, Gartner recomienda que las empresas prioricen los modelos contextualizados en áreas donde el conocimiento del negocio sea esencial, adopten enfoques híbridos cuando un solo modelo no sea suficiente y refuercen sus capacidades de datos y habilidades internas. Siguiendo estas estrategias, las organizaciones estarán mejor posicionadas para aprovechar los beneficios de la IA especializada para tareas concretas.
