Resumen de Goldman Sachs Silicon Valley: Agentes de IA, flujos de trabajo y modelos globales

Autora: Li Jia, Wall Street Journal

La IA está entrando en una nueva fase, pasando de "ser capaz de responder" a "ser capaz de ejecutar".

Según Wind Trading Desk, el último informe de Goldman Sachs muestra que la comercialización de la IA está pasando de la "suscripción por usuario" a la tarificación basada en el consumo, el volumen de transacciones y los resultados; al mismo tiempo, los agentes están pasando de ser herramientas auxiliares a ejecutores de flujos de trabajo, y el valor para la industria se está desplazando del modelo en sí a los datos propios, el contexto empresarial y la experiencia en el sector.

Esto significa que la competencia en la industria de la IA está pasando de centrarse en "qué modelo es más potente" a "quién domina realmente el flujo de trabajo". La capacidad del modelo sigue siendo importante, pero la habilidad para integrarse en entornos de producción empresariales, comprender el contexto del negocio y completar tareas de forma fiable se convertirá en una barrera competitiva aún más crucial.

Esta conclusión surge de la reciente investigación de campo de Goldman Sachs sobre la cadena de valor de la industria de la IA en Silicon Valley. Del 18 al 19 de agosto, Goldman Sachs visitó, por tercer año consecutivo, startups de IA, firmas líderes de capital riesgo e investigadores de la Universidad de Stanford, la Universidad de California en Berkeley y la Universidad de San Francisco. Goldman Sachs considera que, a medida que los agentes aceleren su implementación, la distribución del valor entre los modelos de vanguardia, los modelos de código abierto, los modelos globales, el software empresarial y los datos propietarios cambiará.

Implementación de agentes: Lo que realmente les falta a las empresas no es capacidad, sino "controlabilidad".

Si en el pasado la IA resolvió el problema de "ayudar a las personas a completar tareas", ahora los agentes intentan resolver el problema de "completar tareas por sí mismos". Sin embargo, durante la implementación a gran escala en las empresas, el mayor obstáculo podría no ser ya la capacidad del modelo, sino cómo se dividen las responsabilidades y si se puede controlar todo el proceso de ejecución.

El informe cita a investigadores de Stanford que señalan que la mayoría de las empresas aún operan bajo supervisión humana. Especialmente en ámbitos como el derecho, el control de riesgos, los seguros y la auditoría, si un modelo comete un error, quién asume la responsabilidad, cómo rastrear el proceso y si se puede corregir a tiempo puede ser tan importante como la propia capacidad del modelo.

Por lo tanto, los flujos de trabajo con mayor probabilidad de automatización suelen tener tres características: límites de decisión claros, resultados verificables y errores reversibles. El procesamiento de facturas es un ejemplo típico. La IA se encarga de extraer campos y realizar comprobaciones, los casos de baja confianza son revisados por humanos y, posteriormente, se completan mediante un proceso ERP reversible.

Esto también significa que los proveedores de servicios de información con contenido fiable, modelos de dominio validados y relaciones regulatorias sólidas tienen más probabilidades de acceder primero a los entornos de producción empresariales.

Competencia entre modelos: División del trabajo entre modelos de vanguardia y modelos de código abierto

En lo que respecta al debate sobre "código abierto o código cerrado", las señales emitidas por Goldman Sachs durante esta investigación indican que no se trata de una elección binaria, sino que diferentes modelos pueden corresponder a diferentes niveles de flujos de trabajo.

Quienes defienden los modelos de vanguardia creen que la evaluación comparativa empresarial a menudo subestima la capacidad de los modelos. En entornos de producción reales, las pérdidas económicas derivadas de una disminución en la precisión de los modelos pueden superar con creces el ahorro en costes de inferencia. Por lo tanto, aunque muchas empresas nativas de IA afirman adoptar una estrategia multimodelos, siguen dependiendo en gran medida de modelos de vanguardia en sus entornos de producción principales.

Otra perspectiva sugiere que la gran mayoría de los flujos de trabajo empresariales no requieren inteligencia artificial de vanguardia. A medida que el rendimiento de los modelos de código abierto continúa mejorando, los clientes están cada vez más dispuestos a sacrificar una ligera pérdida de rendimiento a cambio de menores costos de inferencia. Una firma de capital de riesgo predice que, en los próximos 12 a 18 meses, aproximadamente el 90 % de los tokens de inferencia se destinarán a modelos de código abierto.

Esto significa que el futuro mercado de modelos de IA podría conformar una división del trabajo más clara: los modelos de vanguardia se encargarán de tareas complejas, de alto valor y alta fiabilidad, mientras que los modelos de código abierto gestionarán tareas estandarizadas a mayor escala y la mayor parte del consumo de tokens.

Modelos mundiales: La capacidad de computación de la IA podría propiciar una segunda curva de crecimiento.

En los últimos 18 meses, los investigadores han ido desplazando cada vez más su atención de los modelos lineales longitudinales (LLM) a los "modelos mundiales".

A diferencia de los modelos de lógica descriptiva (LLM), que se basan principalmente en datos de internet para su entrenamiento, los modelos del mundo real necesitan comprender los entornos, las relaciones causales, las leyes físicas y las interacciones dinámicas del mundo real, con datos provenientes principalmente de sistemas físicos, industrias específicas y escenarios operativos reales. Esto implica que la importancia de los datos propios podría aumentar aún más.

Goldman Sachs considera que el ámbito de los problemas en campos como la física, la industria, la ciencia y la robótica es mucho más amplio que la mera generación de texto, y que estos flujos de trabajo suelen requerir una mayor inversión en capacidad de procesamiento. A medida que la IA se integra cada vez más en el mundo físico, la demanda de capacidad de procesamiento para el entrenamiento, la simulación y la inferencia de modelos podría experimentar una nueva curva de crecimiento.

Goldman Sachs predice que en los próximos cinco años, la demanda de capacidad informática podría multiplicarse por 24, y se espera que la tensión entre la oferta y la demanda se prolongue, lo que beneficiará directamente a las empresas de computación en la nube e infraestructura informática como Microsoft, Oracle y CoreWeave.