Segun Wharton Knowledge, en una sesión de SXSW de primavera, el director del Grupo de Investigación en IA y Análisis de Wharton, Kartik Hosanagar, y Aparna Chennapragada, jefa de producto de Microsoft, compartieron reflexiones clave sobre el desarrollo de productos basados en inteligencia artificial. Su conclusión central es que en el ámbito de la creación de productos de IA, obtener una ventaja competitiva es simultáneamente más difícil y más fácil de lograr de lo que se suele creer. La clave no está en usar un modelo preexistente, sino en construir una barrera defensiva sólida a partir de datos exclusivos.
Hosanagar ilustra este punto con el caso de Jasper, una startup de generación de contenido que alcanzó una valoración de 1.500 millones de dólares al final de 2022. Sin embargo, su modelo se vio rápidamente desplazado tras el lanzamiento de ChatGPT, pues su ventaja técnica se basaba en una plataforma compartida, accesible para cualquier competidor. Este ejemplo demuestra que simplemente entrenar un modelo con datos propios no garantiza una ventaja duradera. El caso de Bloomberg GPT, que superó a GPT-3 en tareas financieras al lanzarse, pero fue superado en menos de un año por GPT-3.5 y GPT-4, refuerza esta idea: los modelos de base evolucionan con una velocidad que hace que los beneficios iniciales se vuelvan insuficientes.
La verdadera ventaja, según Hosanagar, se construye mediante un ciclo de retroalimentación automático conocido como "data flywheel". Este mecanismo implica diseñar un producto en el que cada acción del usuario genere señales de mejora que se aplican inmediatamente al modelo. A medida que el sistema escala, estos datos se multiplican, creando una ventaja que se fortalece de forma autónoma. La versión más potente de este sistema elimina a los humanos del proceso. Cuando un sistema de IA puede producir un resultado, verificar automáticamente si es correcto y usar esa verificación para ajustar su funcionamiento sin intervención humana, el progreso se vuelve autónomo. Este proceso se conoce como aprendizaje por recompensas verificables. En el ámbito de software, este modelo se aplica naturalmente: el código se compila o no, y los test unitarios pasan o fallan, sin necesidad de juicios humanos.
Para los inversores y emprendedores peruanos, este enfoque ofrece una guía clara: la inversión en IA no debe centrarse en modelos preexistentes o en grandes volúmenes de datos aislados. En su lugar, se debe priorizar la creación de productos que generen constantemente retroalimentación interna, como las plataformas de gestión de proyectos o de análisis financiero que permitan a los usuarios interactuar de forma continua. Así, las empresas no solo se posicionan frente a competidores, sino que construyen una capacidad de crecimiento autónoma que puede ampliarse con el tiempo, independientemente de la evolución de los modelos generales.