La orquesta de la IA: por qué la mayoría de las empresas pagan por una sinfonía y sólo oyen un solo

El primer violín

Imagina que contratas una orquesta. 80 músicos, que tocan todos los instrumentos, desde el contrabajo hasta el flautín. Entonces llega la gran noche... y solo dejas tocar al primer violín.

Esto es exactamente lo que está ocurriendo en la mayoría de las empresas con la IA.

Usted obtiene una licencia para GPT-4, Claude o Gemini y paga por los planes Enterprise, por el acceso a la API, por las instrucciones personalizadas. Y luego se le pide (PROMPTED) algo como esto: „Resume este texto“. „Escríbeme un correo electrónico“. „Hazlo más corto“.“

Funciona. Nadie lo discute. Pero es una fracción de lo que estos modelos pueden hacer en realidad. No porque los modelos tengan secretamente más que ofrecer. Sino porque La forma en que nos dirigimos a ellos determina qué capacidades se activan.

Esto no es incitar a la sabiduría, sino a la arquitectura.

Cómo funciona realmente un modelo lingüístico

Para entender por qué la calidad de la pregunta afecta de manera tan fundamental a la calidad de la respuesta, es útil observar lo que ocurre en un modelo lingüístico cuando procesa una pregunta. No a nivel de doctorado, pero sí con la profundidad suficiente para entender por qué „Resuma“ y „Analiza las implicaciones estratégicas teniendo en cuenta X, Y y Z“ no solo generan respuestas diferentes, sino que activan distintas vías de procesamiento en el modelo.

Cinco mecanismos son fundamentales para ello.

1. atención - quién escucha a quién

Los modelos lingüísticos basados en transformadores -y éstos son prácticamente todos los principales modelos actuales- funcionan con un mecanismo denominado Atención. Simplificado: cada palabra de tu pregunta „mira“ a todas las demás y decide su relevancia para el siguiente cálculo.

Con una pregunta corta y poco contextualizada como „Resuma“, hay poco en lo que centrar la atención. El modelo dispone de un margen estrecho y, en consecuencia, funciona con estrechez. Si, por el contrario, se le da una indicación con contexto, perspectiva, grupo destinatario y requisitos específicos, se crea una densa red de referencias cruzadas. El modelo puede crear conexiones que simplemente no existen con una indicación de tres palabras.

Imagina que Atención es el director de orquesta. Con una simple indicación, sólo señala el primer violín. Con una indicación rica, dirige a toda la orquesta.

Haga la prueba: Dale a un modelo la tarea „Escríbeme un correo electrónico a un cliente“ - y la atención se dispersa en unos pocos patrones genéricos. En cambio, dale: „Escribe un correo electrónico al director de tecnología de una empresa mediana de ingeniería mecánica que se muestre escéptico ante las soluciones en la nube, en el tono que utilizamos en la última feria“, y de repente se relacionan docenas de puntos de contexto. Jerga de ingeniería mecánica. Tono B2B. Abordar el escepticismo. El modelo trabaja más porque tiene más material con el que trabajar.

Profundidad de la 2ª capa: hasta dónde llega el pensamiento

Los grandes modelos lingüísticos constan de docenas a más de cien capas de procesamiento. Cada capa transforma la información un poco más: desde el reconocimiento de texto en bruto hasta conceptos más abstractos.

Las tareas sencillas suelen „resolverse“ en las primeras capas. El modelo reconoce el patrón, genera una respuesta y las capas posteriores hacen poco por cambiarlo. Las tareas complejas, en cambio, requieren capas más profundas: Aquí es donde tiene lugar la abstracción, el entrelazamiento de contextos, la ponderación de distintas interpretaciones.

Si establece indicaciones sencillas, sólo estará utilizando -en sentido figurado- la mitad del instrumento. Las capas posteriores funcionan, pero no suponen una diferencia significativa. Si se plantean preguntas complejas y bien estructuradas, se activan capacidades que simplemente permanecen inactivas con consultas triviales.

3. entropía de predicción: amplitud de pensamiento del modelo

Los modelos lingüísticos generan sus respuestas token a token, es decir, palabra a palabra. En cada paso, el modelo calcula una distribución de probabilidad: ¿Qué palabra viene a continuación?

Esta distribución alcanza su punto máximo para tareas sencillas y predecibles. El modelo está bastante seguro de lo que viene a continuación. „La Torre Eiffel se encuentra en...“ → „París“. Baja entropía, baja sorpresa, bajo esfuerzo computacional.

La distribución se vuelve más plana para las tareas complejas. A continuación pueden aparecer muchas palabras. El modelo navega por un abanico más amplio de posibilidades, sopesa las alternativas entre sí y genera formulaciones más diferenciadas.

Las preguntas sencillas generan distribuciones sencillas. El modelo se queda en una vía estrecha. Las preguntas complejas abren el espacio, y es precisamente ahí donde surgen las respuestas que realmente te ayudan a avanzar.

En la práctica, esto significa que si su pregunta sólo permite una respuesta obvia, obtendrá exactamente eso. El modelo elige el camino más probable y termina rápidamente. Pero si su pregunta abre un espacio en el que son posibles varias respuestas buenas, entonces el modelo navega por ese espacio. Sopesa, diferencia, encuentra formulaciones que no son obvias. No es casualidad. Es la estadística reaccionando a la complejidad.

4. cadenas de razonamiento - cuando el modelo piensa en voz alta

Los modelos más recientes, como Claude con „pensamiento ampliado“ o GPT-4 y 5 con cadena de pensamiento, pueden generar pasos intermedios visibles. El modelo revela sus consideraciones antes de llegar a una respuesta.

Lo que ocurre es técnicamente notable: la cadena de razonamiento interno escala con la complejidad de la tarea. Si se formula una pregunta sencilla, el proceso de razonamiento es breve. Si formula una pregunta compleja y multidimensional, el modelo genera cadenas de razonamiento más largas y complejas. No porque esté programado para escribir más. Sino porque la estructura de la tarea lo requiere.

Aquí es donde la metáfora orquestal se hace especialmente tangible: La complejidad de la partitura determina cuántos instrumentos tocan. No al revés.

5. redes de conocimiento: pasillo estrecho o campo abierto

Los modelos lingüísticos no almacenan el conocimiento en entradas discretas como una base de datos. El conocimiento se distribuye en miles de millones de parámetros, como patrones, como ponderaciones, como relaciones estadísticas entre conceptos.

Una pregunta estrecha y específica activa un estrecho corredor de estos parámetros. La respuesta procede de un área limitada del modelo. En cambio, una pregunta amplia y rica en contexto activa parámetros de distintas áreas de conocimiento. El modelo puede establecer conexiones que no pueden establecerse con una pregunta restringida porque, sencillamente, no se abordan los parámetros pertinentes.

Imagínatelo así: Si preguntas el precio de un instrumento, te responde el cajero. Si preguntas por el papel de ese instrumento en la historia de la música del siglo XIX, responde todo un conjunto de conocimientos: teoría musical, historia, acústica, estudios culturales.

Lo que he observado

Trabajo con 14 agentes de IA cada día. Diferentes modelos, tareas y contextos. Una observación curiosa me llevó a escribir este artículo:

El mismo modelo -Claude Opus- revisó la personalidad de uno de mis agentes de IA en una sesión de trabajo. Al mismo tiempo, explicaba su propio comportamiento. No a demanda. Sino porque el contexto lo puso de manifiesto. Describía por qué funciona de forma diferente en esta tarea específica que en un simple resumen. Qué patrones internos utiliza. Por qué cambia la estructura de la respuesta.

Mismo modelo. Misma licencia. Misma API. Música diferente.

No fue una coincidencia. Fue la consecuencia directa de los cinco mecanismos que he descrito antes. El contexto era rico. La tarea era compleja. Los patrones de atención eran densos. Y el modelo funcionó en consecuencia profundamente.

Lo que esto significa para su empresa

La consecuencia práctica es inconveniente, pero importante:

Si quiere obtener mejores resultados de la IA, no necesita un modelo más caro, sino una mejor comprensión de lo que ya existe.

Esto no significa „10 consejos para aumentar la productividad“. Significa:

contextualizar. No se limite a formular la pregunta, proporcione el marco. ¿Quién es el grupo destinatario? ¿Cuál es el uso previsto? ¿Qué perspectiva es relevante? Cuanto más contexto, cuantos más parámetros se activen, más diferenciada será la respuesta.

Permitir la complejidad. Muchos equipos simplifican sus instrucciones porque piensan que el modelo „entiende“ mejor las instrucciones más sencillas. Pero es justo lo contrario. Las instrucciones sencillas crean vías de procesamiento sencillas. Si quieres resultados diferenciados, tienes que hacer preguntas diferenciadas.

Dimensionar adecuadamente las tareas. No todas las tareas necesitan la orquesta completa. Un resumen rápido es un uso legítimo. Pero si solo resumes, estás regalando 90 % de capacidad de pago.

Experimentación en lugar de normalización. Muchas empresas crean plantillas de avisos y las distribuyen a todos los departamentos. Esto suena eficiente, pero crea precisamente la uniformidad que relega a la orquesta a un solo. En lugar de eso: Anime a los equipos a probar los límites. Pruebe diferentes contextos. Observe dónde salta la calidad de la respuesta.

Evalúe los resultados, no se limite a aceptarlos. Quizá lo más importante es que la mayoría de los equipos toman la primera respuesta y siguen trabajando con ella. No cuestionan, no comparan, no iteran. Pero es precisamente en la iteración donde reside la ventaja. Si le dices al modelo „Eso es demasiado superficial, profundiza en el aspecto X“ o „Ahora argumenta esto desde el punto de vista de un escéptico“, activas nuevas capas de procesamiento a cada paso. Cada ronda de respuestas es un nuevo impulso para la orquesta. No es la primera respuesta la que cuenta. Es la tercera la que cuenta.

La puntuación decide

La metáfora de la orquesta de IA no es perfecta. Ningún modelo lingüístico tiene literalmente músicos esperando para tocar. Pero la idea básica es correcta: La calidad de la entrada determina la calidad de la salida, no de forma lineal, sino estructural. Un contexto rico activa vías de procesamiento que quedan en barbecho con un estímulo estrecho.

No se trata de incitar. Es una cuestión de comprensión.

Cualquiera que entienda lo que es realmente un modelo lingüístico -a saber, no un generador inteligente de textos, sino un sistema estadístico de enorme profundidad y amplitud- se hace preguntas diferentes. No más inteligentes. No más complicadas. Sino más apropiadas.

Y esa es la verdadera cuestión: la mayoría de las empresas no utilizan la IA de forma incorrecta. Simplemente la utilizan de forma plana. Han contratado una orquesta y están tocando escalas.

El marcador es tuyo.

¿Cómo suena tu concierto de IA en este momento, si eres completamente sincero?