El futuro de la IA generativa es la eficiencia, no la escalada... Y una oportunidad para Europa

Una de las cosas que han dejado clara los chinos de DeepSeek y que, realmente, ya todos los grandes jugadores estaban vislumbrando, es que la carrera por la IA no necesariamente pasa por meter 500.000 millones en Data Centers hambrientos de energía en los próximos años. A nadie le amarga un dulce, y disponer de esas infraestructuras es importante, pero el avance de estas tecnologías va por otros derroteros.

En la evolución actual de los grandes modelos de lenguaje (LLMs), vemos claramente que, la tecnología subyacente no ha experimentado un cambio drástico, y aún así nos encontramos en un punto de inflexión.

En primer lugar. porque la cantidad de datos disponibles para entrenar estos modelos no está creciendo al mismo ritmo que antes. Influyen las restricciones impuestas por algunas legislaciones (Europa, te miro a ti), el que los propios creadores pongan barreras a las "arañas" de las empresas de IA, y además que la propia IA hace que tenga menos sentido producir nuevos contenidos.

Por eso todos los grandes actores están trabajando en generar datos sintéticos para entrenar a los modelos. Pero eso solo no sirve, pues tiene muchos riesgos asociados para la "cordura" de los propios modelos.

En este contexto, existen tres tendencias principales que definirán el futuro de los LLMs en 2025 y más allá: la optimización de recursos, la mejora del razonamiento y la integración de agentes para actuar en el mundo real.

1.- Optimización de costes y de consumo energético

Una de las tendencias más importantes es la búsqueda de la eficiencia en el entrenamiento y la ejecución de los modelos. Con el tiempo, entrenar modelos cada vez más grandes y complejos se ha vuelto prohibitivamente caro en términos económicos y energéticos. Por tanto, hay una necesidad creciente de desarrollar técnicas que permitan:

• Reducir los costos de computación: esto puede lograrse a través de modelos más ligeros, algoritmos de entrenamiento más eficientes y el uso optimizado de recursos de hardware. Algo de lo que DeepSeek es el ejemplo paradigmático y que hizo temblar la bolsa estadounidense en su momento.
• Disminuir el consumo energético: la sostenibilidad es un aspecto cada vez más relevante en el desarrollo de la IA. Se busca reducir la huella de carbono de los modelos a través de mejoras en el diseño de los modelos, la forma de entrenarlos y el uso de hardware especializado, como las LPUs de Groq (no confundir con Grok, el modelo de Elon Musk).

2.- La mejora del razonamiento con procesos previos a la respuesta (Reasoners)

Los reasoners ("razonadores" en español, a falta de una palabra mejor) representan un avance significativo en la capacidad de los LLMs para abordar problemas complejos. A diferencia de los chatbots tradicionales que generan respuestas tóken a tóken, los reasoners realizan un proceso de "pensamiento" interno antes de dar una respuesta. Esto implica que la IA:

• Automatiza el proceso de "pensamiento": los modelos generan "tokens de pensamiento" antes de responder, simulando un proceso de razonamiento. Algo parecido a muchas de las técnicas avanzadas de prompting, pero de manera integrada en el modelo y con mayor hincapié en ello.
• Aprende de ejemplos de buenos solucionadores de problemas: esto permite que los modelos piensen más efectivamente y mejoren la calidad de su razonamiento.
• Mejora con el tiempo de "pensamiento": cuanto más tiempo está "pensando" un reasoner , mejor es su respuesta (hasta cierto punto donde las ganancias son marginales, por supuesto), lo que permite resolver problemas más difíciles.

Ejemplos de reasoners destacados son el O1 y O3 de OpenAI, Deep Research de Google y DeepSeek R1. Estos modelos han demostrado ser capaces de abordar problemas de lógica, matemáticas y otros campos donde los chatbots anteriores fallaban, y todo sin tener que entrenarlos de nuevo. Eso sí, esto lleva a un consumo energético mayor y más tiempo de espera por las respuestas.

Colaboración entre modelos y agentes

La tercera gran tendencia es la aparición de los agentes, que permiten a los LLMs interactuar con el mundo real y llevar a cabo tareas de manera autónoma. Un agente es un sistema de IA que recibe un objetivo y puede perseguirlo de forma independiente. Además:

• Actúan de forma autónoma: los agentes pueden navegar por la web, procesar información en diferentes formatos y tomar decisiones para alcanzar sus objetivos.
• Colaboran con otros modelos: los reasoners proporcionan la capacidad intelectual, mientras que los agentes actúan, creando un sistema más completo y capaz.
• Potencian la capacidad de realizar tareas: los agentes pueden realizar tareas específicas en el mundo real (digital), lo que va más allá de la mera generación de texto.

Un ejemplo notable de esto es el recientemente lanzado Operator de OpenAI, un agente que puede realizar tareas como investigar en la web, crear imágenes y llevar a cabo acciones en diferentes plataformas. Otro ejemplo es Deep Research de OpenAI, un agente especializado en la investigación, que ha demostrado ser capaz de realizar análisis sofisticados y de alta calidad, casi al nivel de un estudiante de doctorado, aunque algo menos potente que el de Open AI.

Conclusión y qué significa esto para Europa

Si bien es cierto que la tecnología subyacente de los LLMs no ha cambiado radicalmente en el último tiempo, las tendencias actuales apuntan hacia una evolución significativa de su utilidad y aplicación. El enfoque en la reducción de costos, la mejora del razonamiento y la colaboración con agentes está abriendo nuevas posibilidades y permitiendo que los LLMs sean cada vez más útiles y eficientes en una amplia gama de tareas. El futuro de los LLMs en 2025 será definido por estas tres tendencias, marcando el inicio de una nueva era en la inteligencia artificial.

Creo que todo esto son buenas noticias para Europa. El enfoque en la optimización de recursos, la mejora del razonamiento y la integración de agentes abre un camino donde la innovación y la investigación pueden ser más importantes que la pura fuerza bruta de datos y capacidad computacional:

• Modelos de código abierto y licencias permisivas: la disponibilidad de modelos de código abierto con licencias permisivas permite que las empresas e instituciones europeas puedan construir sobre el trabajo de otros sin tener que empezar desde cero. Esto democratiza el acceso a la tecnología y reduce las barreras de entrada. Claro que si nos cerramos en banda y bloqueamos el acceso incluso a modelos Open Source como DeepSeek, como ha ocurrido en Italia, mal vamos.
• Innovación en I+D: la capacidad de mejorar los modelos a través del razonamiento (reasoners) y la acción (agents) permite a Europa competir en términos de ingenio e investigación en lugar de solo recursos masivos. El enfoque en la eficiencia energética y la optimización de costos también se alinea con los objetivos de sostenibilidad de la Unión Europea.
• Énfasis en la calidad sobre la cantidad: la necesidad de "pensar" antes de actuar con reasoners, las estrategias como el Mixture of Experts que emplea DeepSeek, y la potenciación de las capacidades de los agents para realizar tareas complejas con una menor cantidad de recursos, se alinea con la tradición europea de excelencia y profundidad en la investigación. Este cambio de paradigma hacia la calidad y la especialización, en lugar de hacia la escala masiva, podría ser muy bueno para las empresas europeas.

Es decir, aunque Europa pueda tener un punto de partida desventajoso en términos de recursos y por una legislación muy restrictiva, el cambio de paradigma en el desarrollo de LLMs que menciono más arriba, ofrece una excelente oportunidad para que Europa se pueda posicionar como un jugador relevante en el área la inteligencia artificial.

Si se toman las decisiones correctas, claro...