Tras dos años de carrera desenfrenada, los gigantes de la IA dan un giro colectivo para reparar los cimientos de los datos

El motor ya está montado, pero el camino aún no está arreglado

Primer tiempo: todos corren en la sala de exposiciones
La narrativa de IA de los últimos dos años fue muy uniforme: modelos más grandes, más parámetros y posiciones más altas en los rankings; se repartían el protagonismo dos bandos, el de código abierto y el de código cerrado. Los guiones empresariales también eran altamente repetidos: comprar capacidad de cómputo, contratar equipos de algoritmos, desplegar modelos… y con el supuesto de que el modelo ya es suficientemente potente, la implementación simplemente “llega”.

La realidad les dio un golpe
La historia de un CIO de una gran empresa central china es una muestra típica: 17 sistemas de negocio, 9 almacenes de datos y 3 nubes. Los formatos de datos son de todo tipo; hay gran cantidad de informes en papel sin digitalizar. Al final, ni siquiera la aplicación más básica —el diagnóstico de fallas de equipos— llega a funcionar, y el modelo ni siquiera puede entender los historiales de mantenimiento.

El cuello de botella no es que el modelo no funcione, sino que los datos no se pueden introducir
Segundo tiempo: hay que meter el coche en calles reales
La fábrica necesita seguir operando, el hospital debe ser seguro y el gobierno tiene que cumplir normas. Aunque el modelo sea más fuerte, si el camino de los datos no está reparado, solo queda dar vueltas en el mismo lugar.

Las acciones de la cadena global de suministro industrial empiezan a parecerse
Se ejecuta el mismo gran modelo “en bruto” sobre datos empresariales y, al conectarlo con un sistema completo de ingeniería de acceso a datos, aparecen diferencias enormes de precisión. La brecha no está en la “cabeza” del modelo, sino en si puede comer los ingredientes correctos.

Entonces aparece una arquitectura nueva
Arriba están el modelo y las capacidades; abajo, la ingeniería de datos, auditoría de permisos y estrategias de gobernanza. El modelo y los datos dejan de ser un “encadenamiento” en línea de producción, y pasan a ser socios que se alimentan mutuamente.

La dificultad en China suma otra capa
La cadena de suministro de manufactura es más larga, las exigencias de cumplimiento son más estrictas, hay más datos no estructurados, los sistemas son más fragmentados y los criterios varían mucho. Al cruzar el abismo de la inteligencia general a la inteligencia sectorial, el soporte de base es justamente la infraestructura de datos de extremo a extremo.

No es para ponerle un gran “cerebro” a la IA, sino para reparar primero el “sistema nervioso”
¿Qué es realmente escaso?
Este giro para reparar los cimientos, en esencia, es una corrección de la forma de entender el problema: el valor de la IA a escala no depende de cuántas puntuaciones logre hoy un modelo, sino de si los datos pueden suministrarse de forma continua con calidad; de si el sistema puede gobernarse de manera continua y con confianza; y de si la ingeniería puede cerrar el ciclo de forma continua en la implementación.

China no carece del modelo de código abierto número 101; lo que falta es limpiar primero esa “olla” de datos, y luego sacarle un caldo de alta calidad.
Cuando esa parte funcione, la IA dejará de ser solo noticia de tendencia y pasará a ser una herramienta sobre la mesa de trabajo.

DYOR No es un consejo de inversión