Es imposible no notar cómo la inteligencia artificial (IA) se ha integrado en nuestra vida cotidiana. Cada vez más máquinas trabajan para anticipar nuestros movimientos y necesidades. Las tecnologías de IA evolucionan con rapidez, impulsadas tanto por los líderes del sector como por nuevos actores que traen avances revolucionarios.. Aunque ChatGPT ha mantenido su posición de liderazgo como la plataforma de IA más popular entre los consumidores, aun no sea ha convertido en un negocio plenamente rentable. La competencia sigue abierta y el desafio principal es desarrollar modelos de negocio sostenibles.
Hasta hace poco, el desarrollo de la IA había alcanzado un éxito sin precedentes gracias al entrenamiento de modelos cada vez más grandes y al uso de conjuntos de datos masivos. Este «escalado del tiempo de entrenamiento» impulsó cientos de miles de millones de dólares de inversión con el objetivo de crearmodelos cada vez mas competitivos y avanzados. Este enfoque fue descrito por el investigador Richard Sutton como «la amarga lección» ya que sugería que el conocimiento y la inteligencia humanos eran inferiores a la simple acumulación de más datos y potencia de cálculo para resolver problemas.
Los últimos avances han puesto en duda la idea de que el ingenio humano ya no es necesario. El tiempo necesario para entrenar modelos básicos de inteligencia artificial parece haberse topado con los limites impuestos por la creciente demanda y escasez de chips, energía y datos. Ante este escenario, los investigadores han reorientado sus esfuerzos hacia la aplicación mas eficiente de la IA y el perfeccionamiento de los modelos ya existentes.
La competencia sigue siendo intensay el éxito no está garantizado ni siquiera para las empresas con mayores recursos.
En 2024, OpenAI lanzó Chat-GPT «o1», un modelo de razonamiento diseñado para pensar antes de responder. Su funcionamiento se basa en refinar el modelo de lenguaje existente permitiéndole conversar consigo mismo. Este mecanismo, conocido como «pensamiento en cadena» permite que o1 formule una respuesta tras flexionar, , a diferencia de versiones anteriores que ofrecían la p primera respuesta que se le ocurría. Esta innovación logró resultados más precisos en ciertos problemas matemáticos y de razonamiento y abrío el camino a una nueva forma de escalar modelos: el «escalado del tiempo de inferencia». A diferencia del entrenamiento tradicional , está técnica mejora la precisión al dedicar más tiempo al proceso de razonamiento.Es decir, ahora es posible producir respuestas más precisas después del entrenamiento, simplemente permitiendo que el modelo piense más antes de responder..
Otro avance destacado fue el lanzamiento a principios de 2025 del modelo R1 por parte de DeepSeek, un competidor directo de o1. Este lanzamiento supuso un desafío al dominio que hasta entonces mantenían las empresas estadounidenses en el campo de la IA, marcando lo que muchos observadores definieron como un momento «Sputnik».
El modelo R1 aprendió a razonar mediante aprendizaje por refuerzo, perfeccionando un modelo básico preentrenado a través de interacciones simuladas que recompensan las respuestas correctas. Este enfoque dio lugar a una tercera vía de escalabilidad denominada «escalabilidad post-entrenamiento», en la que los modelos se perfeccionan para volverse más capaces, sin necesidad de de ser entrenados nuevamente desde cero. DeepSeek también incrementó la apuesta por la IA al publicar su modelo bajo una licencia de código abierto.
Estos avances sugieren que el éxito no dependerá únicamente del volumen de inversión, sino de la intensa competencia entre actores tradicionalesy emergentes. Mantener una ventaja competitiva sostenible puede ser complejo incluso con una infraestructura robusta. Las empresas deberán asignar eficazmente recursos en torno a tres dimensiones distintas de escalabilidad. Además, aunque el capital fluya hacía la IA, los modelos de negocio sostenibles siguen siendo un desafío por resolver.
Algunos de los defensores más firmes de la IA sostienen que esta tecnología transformará radicalmente la economía y tendrá un impacto profundo en la sociedad. Aunque no hay certeza de que todas estas promesas se materialicen, lo cierto es que la IA ya está teniendo efectos tangibles en sectores como la investigación, el hardware o la educación. A pesar de ello, la competencia sigue siendo intensa y el éxito no está garantizado ni siquiera para las compañías con mayores recursos.
Invertir en IA
Adoptar una visión direccional centrada en una sola empresa o sector implica riesgos. Somos conscientes de que no todas las compañías se verán afectadas por la IA del mismo modo. Esta premisa es la base de nuestro enfoque, que busca construir carteras gestionadas por riesgo, seleccionando empresascon potencial para beneficiarse de la IA.
Nos aseguramos de que las carteras estén diversificadas entre distintas oportunidades, limitando la exposición a empresas y sectores individuales, así como a grupos de compañías que comparten riesgos comunes. Este enfoque ayuda a reducir la exposición directa al éxito o fracaso de un único actor.
Dado que el desarrollo de la IA y sus aplicaciones evoluciona constantemente, las certezas de hoy puedan quedar obsoletas mañana. Por ello, evaluamos de forma continua los últimos avances en aprendizaje automático con el fin de integrar ideas eficaces en nuestro proceso de inversión.
Share:
BD016129
