La industria de la inteligencia artificial está dando un giro: tras años de obsesión por modelos cada vez más grandes, ahora prioriza la eficiencia para desplegar esos sistemas a escala. Ejecutivos en la conferencia Fortune's Brainstorm Tech argumentaron que la era de los modelos "monolíticos" está llegando a su fin. Sara Hooker, CEO de Adaption, y Rodrigo Liang, CEO de SambaNova, pidieron un cambio fundamental en la forma de construir y ejecutar la IA.
- El problema del modelo monolítico
- Por qué la eficiencia es clave ahora
- Se intensifica la competencia en hardware
- Qué significa esto para la industria
- Preguntas frecuentes
- Conclusión
El problema del modelo monolítico
Durante los últimos años, la narrativa dominante en la IA ha sido "más grande es mejor". Cada nuevo modelo incrementaba el número de parámetros hasta cientos de miles de millones o billones. Pero Sara Hooker, cofundadora y CEO del laboratorio de IA Adaption, sostuvo que este enfoque ha generado una ineficiencia fundamental.
"La mayor parte de la IA actual es monolítica: estática en el tiempo", dijo en la conferencia. "Una vez que se entrena un modelo, su conocimiento y capacidades quedan fijados. Si algo cambia en el mundo, o si el modelo aprende algo útil de los usuarios, ese conocimiento no se incorpora automáticamente".
Hooker describió esto como un problema estructural que se agrava con la escala. Las empresas que despliegan agentes de IA pagan repetidamente —en cómputo, llamadas a API y costos de infraestructura— por los mismos errores, porque los modelos no aprenden de sus fallos. "Necesitas modelos que puedan evolucionar", explicó, "de lo contrario, terminas con ineficiencias masivas".
Por qué la eficiencia es clave ahora
La urgencia tiene raíces económicas. Según Hooker, aproximadamente el 90% de los problemas son lo suficientemente simples como para no requerir modelos masivos. "Muchas tareas de procesamiento por lotes, por ejemplo, no deberían resolverse con un modelo enorme", afirmó.
Describió el momento actual como un "punto de inflexión con una urgencia masiva para cambiar esa curva" del tamaño de los modelos. Las crecientes facturas de API que enfrentan las empresas son consecuencia directa de usar modelos fijos y sobredimensionados para cada tarea. Los futuros sistemas de IA, argumentó, deberán adaptarse continuamente a nueva información y cambiar su comportamiento rápidamente, en lugar de hacer llamadas repetidas a un modelo estático.
Este cambio de "escala por la escala misma" hacia un despliegue adaptativo y eficiente podría reconfigurar drásticamente la estructura de costos de la industria. En lugar de gastar miles de millones en entrenar modelos cada vez más grandes, las empresas invertirían en sistemas que aprendan sobre la marcha y se vuelvan más baratos de operar con el tiempo.
Se intensifica la competencia en hardware
Mientras los desarrolladores de modelos buscan eficiencia a través de arquitecturas y métodos de entrenamiento, las empresas de hardware toman un camino diferente. Rodrigo Liang, CEO de la fabricante de chips de IA SambaNova, afirmó que el desafío inmediato es ejecutar los modelos actuales de billones de parámetros a un costo que permita su despliegue real.
"Los modelos de billones de parámetros siguen siendo demasiado caros y consumen mucha energía", dijo Liang. La estrategia de su empresa es ofrecer inferencia más rápida con menor consumo energético mediante chips diseñados específicamente para cargas de trabajo con modelos grandes. Afirmó que el hardware de SambaNova logra "dos o tres veces mejor rendimiento que las [GPU] Blackwell [de Nvidia] con los mismos modelos", y sostuvo que, a escala, ese tipo de ganancia en eficiencia es el camino más directo para reducir costos.
Liang reconoció que los modelos más grandes no desaparecerán pronto, pero predijo que "hay espacio de sobra para que lleguen modelos más eficientes". Por ahora, los clientes lidian con el costo de escalar, una infraestructura que consume mucha energía y la escasez de talento en IA.
Qué significa esto para la industria
El cambio macro de la escala a la eficiencia tiene implicaciones significativas para inversores, competidores y el ecosistema tecnológico en general.
Para los inversores: La narrativa de que "modelos de IA más grandes = mejores retornos" se está desvaneciendo. Las empresas que demuestren un despliegue rentable y un ROI real probablemente obtendrán valuaciones más altas. Las startups de hardware como SambaNova que desafíen el dominio de Nvidia en métricas de eficiencia se vuelven más atractivas, pero enfrentan una cuesta arriba enorme debido al ecosistema lock-in de Nvidia.
Para los competidores: El control de Nvidia en el mercado de chips de IA se basa en el rendimiento por dólar para entrenar modelos masivos. Si la industria se orienta hacia sistemas de inferencia intensiva y adaptativos, la ventaja podría desplazarse hacia empresas con chips especializados en inferencia. AMD, Intel y startups con silicio diseñado para fines específicos podrían ganar participación.
Para la industria tecnológica en general: La adopción empresarial de IA se ha visto obstaculizada por sobrecostos. Si los modelos se vuelven más baratos de ejecutar y más adaptativos, las barreras de despliegue disminuyen. Esto podría acelerar el paso de pilotos experimentales de IA a sistemas de producción en finanzas, salud y software empresarial.
Preguntas frecuentes
¿Qué es un modelo de IA "monolítico"? Es un modelo que se entrena una vez y luego queda fijo. No puede incorporar nueva información ni aprender de interacciones de usuarios sin ser reentrenado desde cero, lo que genera ineficiencias.
¿Por qué las empresas se enfocan ahora en eficiencia en lugar de modelos más grandes? El costo de ejecutar modelos de billones de parámetros a escala se ha vuelto prohibitivo. Muchas tareas del mundo real no necesitan los modelos más grandes, y los sistemas adaptativos pueden aprender de errores en lugar de repetirlos.
¿Cómo afirma SambaNova superar a Nvidia? SambaNova dice que sus chips ofrecen un rendimiento de inferencia dos o tres veces mejor por vatio en los mismos modelos que las GPU Blackwell de Nvidia, lo que podría reducir el costo total de ejecutar grandes cargas de trabajo de IA.
¿Desaparecerán los modelos más grandes? No. Tanto Hooker como Liang esperan que los modelos masivos sigan siendo importantes para la investigación de vanguardia y tareas complejas. Pero serán complementados por modelos más pequeños y eficientes para aplicaciones rutinarias.
¿Qué tan pronto podrían volverse mainstream los modelos adaptativos? Adaption y otras startups trabajan en arquitecturas de aprendizaje continuo, pero Hooker describió el momento actual como un "punto de inflexión". La adopción generalizada podría tomar de dos a cuatro años, a medida que se ajusten la infraestructura y los modelos de negocio.
¿Qué significa esto para los costos de IA en la nube? Si los modelos adaptativos reducen las llamadas redundantes a API y el uso ineficiente de cómputo, las facturas empresariales de IA podrían disminuir significativamente. Sin embargo, podrían surgir nuevos costos por actualizaciones de modelos en tiempo real y hardware de inferencia.
Conclusión
La industria de la IA se encuentra en un punto de inflexión. Después de años de escalar modelos tan rápido como el cómputo lo permitía, la conversación gira hacia la sostenibilidad, el costo y la adaptabilidad, no solo la inteligencia bruta. Líderes como Hooker y Liang apuestan a que la próxima ola de creación de valor en IA vendrá de sistemas más baratos, más inteligentes con el tiempo y diseñados para el problema específico en cuestión. Ya sea medido por eficiencia de chips o arquitectura de modelos, la era de "más grande es mejor" está dando paso a algo más matizado: IA desplegable, asequible y adaptativa.