Buy vs. Build: la decisión tecnológica en IA

Hoy existen numerosos servicios y productos de IA: ChatGPT y GPT-4 de OpenAI, Claude de Anthropic, AWS Bedrock, Azure OpenAI, Google Cloud Vertex AI, modelos open source en Hugging Face y más. ¿Debería utilizar estos servicios vía API? ¿Debería desplegar modelos open source? ¿O conviene entrenar su propio modelo de IA? Veamos estas opciones.

La decisión de comprar versus construir

Elegir entre comprar y construir tecnología es una decisión clave para la dirección. Afecta los esfuerzos de desarrollo, los costos de apoyo futuros y los riesgos y limitaciones potenciales. Comprar (usar un producto listo para usar o una API de terceros) significa que puede beneficiarse de inmediato, a diferencia de las ventajas retrasadas de crear la suya propia. Con las tecnologías adquiridas, los riesgos de desarrollo son mínimos y los esfuerzos de soporte son bajos. A menudo, comprar también es más barato a escala si se consideran los costos de soporte de las soluciones internas. Entonces, ¿por qué considerar construir su propia tecnología?

Construir una ventaja competitiva

Las innovaciones tecnológicas pueden acelerar los procesos, reducir costos y mejorar sus resultados: piense en nuevas bases de datos, servicios en la nube o incluso mejores computadoras portátiles para el personal. La IA también puede hacer esto. Sin embargo, a diferencia de las bases de datos o las tecnologías en la nube, la IA puede brindar una ventaja competitiva al hacer que su producto sea más difícil de copiar.

La IA moderna se basa en el aprendizaje automático, que combina datos y algoritmos: la arquitectura del modelo, la configuración del entrenamiento, etc. Entrenamos modelos de aprendizaje automático con datos para producir el modelo entrenado final. En esta combinación, los datos son primordiales.

Considere dos empresas, A y B, que quieren entrenar sus propios modelos de IA. La empresa A invierte de forma intensiva en investigación interna y desarrolla arquitecturas de redes neuronales propietarias con datos públicos. La empresa B invierte en generar y adquirir grandes conjuntos de datos propietarios de alta calidad y planea entrenar con ellos una arquitectura de código abierto. ¿Qué empresa acabará con el mejor modelo?

La respuesta es la empresa B. En IA, los datos de alta calidad pesan más que el diseño algorítmico. Entrenar un algoritmo inferior con datos superiores produce un modelo mejor que entrenar un algoritmo superior con datos inferiores.

Ahora, considere la siguiente estrategia de producto:

1. Su producto genera datos a partir de las interacciones del usuario.
2. Utiliza estos datos para entrenar sus modelos de IA.
3. Sus modelos de IA mejoran su producto.
4. El producto mejorado atrae a más usuarios y genera más datos.

Esto crea un bucle de retroalimentaci\u00F3n positiva: un efecto de red. Cuantos m\u00E1s usuarios tenga, mejores ser\u00E1n sus modelos de IA; y cuanto mejores sean sus modelos, m\u00E1s usuarios atraer\u00E1. Con este enfoque, productos como Google Search y YouTube han conquistado mercados de cientos de miles de millones de d\u00F3lares.

Decisión de compra versus construcción en IA

Al decidir si comprar o crear soluciones de inteligencia artificial, es fundamental definir sus objetivos comerciales. ¿Su objetivo es acelerar los procesos, reducir costos y mejorar sus resultados? ¿O desea que su producto sea más difícil de copiar y obtener una ventaja competitiva?

Si su objetivo es mejorar los resultados, compre

Para optimizar los costos y el tiempo de comercialización, considere comprar. Utilice API y productos listos para usar, como GPT-4 y Claude, siempre que sea posible. Si le preocupa la seguridad de los datos, implemente modelos de código abierto como Llama 3.2 y Mistral en su nube privada o en servidores GPU locales. Solo considere entrenar su propio modelo de IA si no hay nada similar disponible en el mercado, e incluso entonces, prefiera plataformas de entrenamiento de modelos con código bajo o sin código.

Si su objetivo es crear una ventaja competitiva, construya

Si desea que su producto sea más difícil de copiar, el camino a seguir es crear su propia IA. Establecer su propio ciclo virtuoso de IA requiere una estrecha colaboración entre su producto y los equipos de IA. Deben garantizar que su producto recopile los datos correctos y que sus modelos de IA mejoren la calidad del producto para atraer a más usuarios.

Es esencial volver a entrenar periódicamente a sus modelos, tal vez semanalmente o mensualmente. Esto significa establecer prácticas internas para el monitoreo y la limpieza de datos, la capacitación de modelos, el control de calidad, el monitoreo y el soporte.

Dado que sus datos se convierten en su activo clave y la base de su ventaja competitiva, no debe compartirlos con API o productos de terceros. Después de todo, no se puede comprar una ventaja competitiva lista para usar.

Artículos relacionados

• Entonces, desea explorar la IA para su empresa. ¿Por dónde empezar?
• Todo lo que necesita es un efecto de red
• Estrategias de IA que ofrecen una ventaja competitiva sostenible