Todo en el mundo de la IA avanza muy rápido. Hace un par de meses en las empresas de Silicon Valley existía una tendencia llamada “Tokenmaxxing” —heredera del Looksmaxxing, tema que da para su artículo propio—, en donde las personas competían por ver quién quemaba más tokens en el uso de modelos de lenguaje de frontera. Todo esto bajo la lógica de que la incorporación de la IA en los procesos de las empresas sería, inevitablemente, rentable y promotor de la eficiencia.
Corte de escena, ahora el rollo es el “Valuemaxxing”. Esto, después de darse cuenta de que aquel ethos sólo llevaba a las empresas a grandes pérdidas porque (i) el uso de tokens en los modelos de frontera es cada vez más caro, ya que los laboratorios están dejando de subsidiar su costo para empezar a tener algún margen que les dé viabilidad económica y (ii) porque la gente utilizaba su cuota ilimitada para hacer cosas triviales como slides de PowerPoint que, dicho sea de paso, no quedan bien.
No se requiere ser genio para darse cuenta de que la idea detrás del tokenmaxxing era una pésima estrategia. Figurativamente, es como intentar cambiar el aceite del auto sumergiéndolo en una gran piscina de Shell Helix Ultra… Eventualmente puede funcionar, pero… ¿a qué costo?
Hacer que una organización sea, como a los siúticos les gusta decir, “AI First”, requiere de una estrategia intencionada que debe diseñarse y monitorearse de cerca. Si bien es súper importante ir desarrollando literacidad IA en el equipo para asegurar que cada uno tiene una representación lo suficientemente compleja sobre los modelos de lenguaje, que les permita operarlos de manera segura y efectiva, el trabajo recién comienza ahí. Lo más importante no es la adopción a nivel del individuo, sino que la integración de agentes en procesos organizacionales clave, liberando así tiempo del equipo para hacer cosas que, de momento, sólo las máquinas biológicas pueden hacer bien: definir qué debe hacerse y por qué. Esto requiere identificar pain points específicos cuya mejora tendría incidencia directa en la eficiencia y efectividad del equipo asociado y que, por su naturaleza, se presten bien para su automatización.
Actualmente, en Grupo Educativo, estamos en ese proceso. Les voy a contar un par de casos.
El primero tiene que ver con que la efectividad de nuestras propuestas (su tasa de adjudicación) ha bajado el último período, por lo cual el área comercial decidió trabajar para identificar desafíos en donde podemos integrar de manera puntual la IA. Comenzamos desarrollando una skill que lee el documento desarrollado en función de los términos de referencia de la licitación para identificar puntos débiles. Esto es importante porque en la elaboración de propuestas se invierte mucho recurso humano, y nos ha pasado de quedar fuera por detalles que eran perfectamente prevenibles, luego, la inversión de tiempo y energía para trabajar en un proceso de verificación hace sentido. Ahora bien, algo que hicimos que agrega valor de manera sustantiva a esta skill es que la entrenamos en base a un registro histórico de propuestas (no)adjudicadas por Grupo Educativo, pidiéndole al modelo que analizara los principales motivos por los cuales solíamos ganar o perder propuestas para integrarlos como criterios clave en el proceso de revisión. Esto fue posible dado que (i) tenemos almacenadas todas las propuestas que enviamos a evaluar y, porque en el caso de las licitaciones públicas, (ii) Mercado Público almacena los resultados de las comisiones evaluadoras. Aún estamos prototipando esta habilidad, pero en pruebas preliminares ha sido efectiva en identificar cosas que no estábamos considerando y que habrían implicado una merma en la evaluación.
El segundo caso también busca aportar al trabajo del área comercial, ayudándole a generar más rápidamente la forma en que damos cuenta de nuestra experiencia en las mismas propuestas. Grupo Educativo lleva 17 años trabajando en el ámbito educativo y ha desarrollado más de 370 proyectos, por lo que esta actividad se puede volver rápidamente tediosa ¡justo el tipo de tareas en las que los modelos de lenguaje brillan! Actualmente tenemos una base de datos en Notion con la información de todos nuestros proyectos, la cual sería la principal fuente de información para la skill que desarrollamos. Esta, en resumen, lo que hace es leer los términos de referencia para la propuesta, revisando cuáles de nuestras experiencias se alinean más nítidamente con lo que el cliente está solicitando, para luego elaborar un breve texto y/o tabla con la selección más pertinente de manera automática, recuperando también los medios de verificación asociados (certificados de experiencia, órdenes de compra y/o contratos). Para hacerlo, la skill se conecta mediante MCP a Notion, por lo cual todo lo hace autónomamente tras bambalinas.
En ambos ejemplos se puede apreciar cómo el uso de tokens no está asociado a tareas idiosincráticas que un usuario le pide al modelo en base a la tarea en la que actualmente requiere su asistencia, sino que a un proceso institucional clave. Estos esfuerzos son todavía locales y están asociados a unidades específicas dentro de la organización, pero —dada la utilidad que ya muestran y su promesa de mejora— creemos que son la cuña que nos va a permitir empujar una adopción a nivel global que replique estos principios. Para lograrlo, es crítico que el equipo desarrolle un modelo cognitivo que les permita comprender qué tipo de procesos pueden automatizar y cómo, así como también que las soluciones que desarrollen pueden ser empaquetadas en skills y puestas a disposición para el resto del equipo, cuyo uso y feedback constituyen un insumo clave para la mejora progresiva de la skill.
Todo lo descrito en el último párrafo supone varios desafíos, sobre los cuales tengo la intención de escribir en un futuro próximo, haciendo una descripción más detallada de cómo los abordamos en Grupo Educativo.