Andrey Masalovich observa el actual auge de la inteligencia artificial sin euforia tecnológica. En Internet, se le conoce como Kiberded. Profesionalmente, como experto en inteligencia competitiva y de Internet, presidente del Consorcio "Inforus", desarrollador de la plataforma de inteligencia de Internet Avalanche, candidato a doctor en ciencias físico-matemáticas y teniente coronel retirado de FAPSI.
Masalovich es autor de más de 200 trabajos impresos, director de más de 20 proyectos internacionales, y galardonado con la beca de la Academia Rusa de Ciencias "Científico Destacado de Russia". Él mismo se describe de manera aún más simple e irónica como un "especialista en relaciones con la realidad". Esta formulación aparece en su tarjeta de presentación y es en este papel que suele analizar las tecnologías: no a través de las promesas de la industria, sino a través de la pregunta de qué de lo declarado realmente funciona.
Masalovich se dedica a la inteligencia artificial desde 1990. Por lo tanto, el auge actual de las redes neuronales no es para él el primer encuentro con promesas de una pronta revolución tecnológica, sino una nueva etapa en una historia mucho más larga.
Su posición se puede resumir en una fórmula aparentemente paradójica: la inteligencia artificial ya es extremadamente útil para los negocios, precisamente por eso no se puede confiar ciegamente en ella. No porque la tecnología sea "mala". Sino porque con demasiada frecuencia le exigimos lo que no es.
<a></a><b>La IA ha estado en los negocios durante mucho tiempo. Simplemente antes no hablábamos con ella en un chat</b>
Cuando hoy se habla de inteligencia artificial, la conversación casi automáticamente se reduce a modelos generativos: ChatGPT, Alice, Claude, DeepSeek y otros sistemas con los que se puede dialogar.
Debido a esto, surge la sensación de que la IA apareció hace unos años. Pero los algoritmos que estudian el comportamiento humano, pronostican preferencias y ayudan a tomar decisiones, existen en los negocios desde mucho antes.
Los sistemas de recomendación seleccionan productos. Los algoritmos pronostican la demanda. La visión por computadora controla la calidad. Los modelos analizan reseñas y el entorno reputacional. Los sistemas predictivos ayudan a gestionar inventarios y a determinar de antemano la necesidad de mantenimiento de equipos. Y es aquí donde se traza la primera línea importante.
La inteligencia artificial es especialmente efectiva no cuando se le dice:
"Piensa por mí". Sino cuando se le asigna una tarea mucho más aburrida y específica:
"Analiza estos datos y resuelve esta única tarea dentro de los límites establecidos".
Por ejemplo, una empresa tiene un producto con una vida útil corta. Producir demasiado significa tener pérdidas. Producir muy poco significa perder ventas y dejar a algunos clientes sin el producto.
Para tal tarea, se puede analizar el historial de ventas, el día de la semana, la estacionalidad, el clima, las promociones y docenas de otros parámetros para acercarse al modelo just in time, es decir, producir lo más cerca posible de la demanda real.
Aquí el resultado es medible. ¿Disminuyeron las pérdidas o no? ¿Aumentó la disponibilidad del producto o no? ¿Aumentó la rentabilidad o no?
Así es como se ve una implementación saludable de la IA: hay una tarea, datos, un criterio de calidad y la posibilidad de verificar el resultado.
Los problemas comienzan cuando, en lugar de esto, aparece lo abstracto: "Vamos a implementar inteligencia artificial".
<a></a><b>La ilusión principal: si una red neuronal habla como un humano, entonces piensa como un humano</b>
El modelo de lenguaje moderno ha creado un efecto psicológico muy inusual. La máquina ha aprendido por primera vez a imitar la comunicación humana de manera tan convincente que automáticamente le atribuimos una forma de pensar humana. Responde con confianza. Sabe mantener una conversación. Explica. Bromea. A veces discute. Y da la sensación de que realmente hay un interlocutor dentro que ha entendido la pregunta, la ha reflexionado y ha formulado una respuesta.
Pero la capacidad de construir un texto coherente no significa la capacidad de comprender la realidad de manera fiable. Masalovich lo demuestra con ejemplos intencionadamente simples: aritmética, fechas, preguntas lógicas cotidianas. El modelo puede responder incorrectamente, corregirse después de una aclaración, y en otro momento dar un resultado diferente. Y es precisamente la inconsistencia lo más importante aquí que el error en sí.
En un programa tradicional, un error suele ser reproducible: bajo las mismas condiciones, el sistema vuelve a fallar en el mismo lugar.
Con un modelo generativo, todo es más complicado. Hoy puede responder correctamente, mañana incorrectamente, y pasado mañana nuevamente correctamente. Por lo tanto, una prueba exitosa no significa que el proceso sea fiable.
De ahí una de las tesis centrales de Masalovich: la IA no debe ser percibida como un reemplazo autónomo de un experto. Es una herramienta cuyo resultado debe ser controlado. Y para los negocios, esta es una diferencia fundamental. Un error en una correspondencia amistosa no cuesta nada. Un error en un modelo financiero, un contrato, un informe analítico, un diagnóstico médico o una decisión gerencial ya tiene un precio.
<a></a><b>En lugar de preguntar "¿qué tan inteligente es el modelo?", haga otra pregunta</b>
Para los negocios, es mucho más útil preguntar: ¿qué pasará si la IA se equivoca precisamente aquí?
Si la red neuronal inventó una variante de título fallida, se puede eliminar. Si etiquetó incorrectamente una gran base de datos, el resultado se puede verificar nuevamente.
Pero si el modelo aprobó un pago de forma autónoma, envió un mensaje legalmente significativo, tomó una decisión de personal o formuló un pronóstico crítico, las consecuencias son completamente diferentes.
El costo del error debe determinar el grado de autonomía del sistema. Cuanto mayores sean las consecuencias, menos libertad se debe dejar al modelo generativo y más mecanismos de control deben rodearlo.
<a></a><b>"La trampa de las expectativas": donde el negocio empieza a perder dinero</b>
Masalovich nombra uno de los principales problemas de la actual ola de IA como la trampa de las expectativas.
Primero, la empresa escucha las promesas del mercado. Luego surge el deseo de resolver un gran problema de inmediato: automatizar un departamento, reducir personal, construir una "producción sin personal", transferir el análisis completamente a la máquina. Después, surge la ilusión de control. La interfaz es cómoda. Las respuestas parecen profesionales. La demostración es excelente. Pero dentro queda un sistema cuyo mecanismo de toma de decisiones el usuario no siempre es capaz de reconstruir.
Masalovich destaca varios riesgos relacionados: expectativas exageradas, el efecto de "caja negra", riesgos de seguridad, rápida obsolescencia de las tecnologías y la pérdida gradual de la propia experiencia humana.
El último punto es particularmente interesante. Imaginemos la estructura clásica de un equipo:
junior → middle → senior.
La IA ya es capaz de asumir una parte significativa de las tareas de un especialista principiante. En este momento, esto parece económicamente excelente: un empleado experimentado junto con una red neuronal puede realizar el volumen de trabajo de un pequeño equipo. Pero un junior no es solo un empleado que realiza tareas simples. Es un futuro middle. Y un middle es un futuro senior.
Si una empresa deja de formar especialistas desde abajo durante varios años consecutivos, el ahorro de hoy puede convertirse en una escasez de experiencia mañana. Por lo tanto, calcular el efecto de la automatización solo a través de la reducción de horas-hombre es peligroso.
<a></a><b>Un buen sistema de IA comienza donde termina la libertad de la red neuronal</b>
Una de las tesis prácticas más importantes de Masalovich se refiere a la arquitectura. Una solución sólida no tiene por qué consistir en un único modelo enorme que lo sabe todo. Al contrario. Cuanto más seria sea la tarea, más útil será dividirla en muchas operaciones pequeñas.
Supongamos que el usuario le dice al sistema: "Cómprame un billete a San Petersburgo para mañana". El modelo de lenguaje puede entender la intención de la persona. Pero luego no es necesario permitirle "razonar" sobre el horario, el costo y la disponibilidad de los billetes. Una vez que se ha determinado la intención, el sistema puede cambiar a herramientas especializadas: obtener el horario de una base de datos; el precio, a través de una API; las matemáticas, a una calculadora; la compra, a un módulo transaccional; la confirmación, a una persona.
Masalovich considera que esta arquitectura es mucho más prometedora: la capa conversacional de la IA debe estar rodeada de agentes y módulos de software con lógica estricta. El resultado es un esquema muy simple: la red neuronal entiende la intención; el programa realiza una operación precisa; el sistema verifica; la persona controla las decisiones críticas.
En esta construcción, la IA ya no simula ser un empleado universal. Se convierte en una interfaz y un coordinador.
<a></a><b>Que una red neuronal lo haya dicho no significa que la decisión esté tomada</b>
Para procesos con un alto costo de error, una sola respuesta del modelo no es suficiente.
Masalovich presenta una arquitectura más compleja, donde varias modelos analizan la misma tarea de forma independiente, y luego un módulo separado compara los resultados.
Si los sistemas llegan a una conclusión similar, el nivel de confianza aumenta. Si las respuestas difieren significativamente, la decisión no se toma automáticamente. Se conecta a una persona o la tarea se envía para una verificación adicional. Paralelamente, pueden funcionar módulos evaluadores separados que supervisan el cumplimiento de las reglas y restricciones establecidas. El principio aquí es más importante que la cantidad específica de modelos.
Un proceso de negocio crítico no puede construirse según el esquema "una solicitud → una respuesta → acción automática". Entre la respuesta de la IA y la acción real se necesitan salvaguardias.
<a></a><b>Human in the loop: el humano permanece no porque la tecnología sea mala</b>
Existe la tentación de percibir el control humano como una deficiencia temporal de la actual generación de IA. Como si hoy todavía tuviéramos que verificar la máquina, pero en unos años será lo suficientemente inteligente y el humano desaparecerá del proceso.
Masalovich propone una visión más pragmática. En sistemas críticos, el humano no es un apoyo. Es el último nivel de responsabilidad. El modelo puede recopilar información. Comparar opciones. Preparar una recomendación. Mostrar posibles escenarios. Pero el humano debe conservar la capacidad de aceptar, rechazar o posponer la decisión. Masalovich analiza por separado esta mecánica de toma de decisiones críticas de tres etapas como un elemento importante de un sistema de IA fiable. Por lo tanto, la madurez de la automatización no se mide por la cantidad de personas desaparecidas. Sino por la calidad de la distribución de responsabilidades.
<a></a><b>El segundo gran problema: entregamos voluntariamente nuestros datos a la IA</b>
Mientras las empresas discuten la precisión de los modelos, existe otro riesgo. Los datos. Hoy en día, a un empleado no le cuesta nada copiar un documento interno a un servicio neuronal externo. Cargar un contrato. Insertar código. Enviar una tabla financiera. Transmitir correspondencia de clientes. Pedir un resumen de una investigación confidencial.
Para el propio empleado, esto parece una optimización normal del trabajo. Para la empresa, ya es una cuestión de seguridad de la información.
Por eso, Masalovich advierte específicamente sobre la transferencia de información oficial, corporativa y otra información sensible a sistemas externos, y considera el trabajo local con modelos como una forma de reducir los riesgos.
La primera pregunta al elegir una IA corporativa, por lo tanto, no debe ser: "¿Cuál es el modelo más potente ahora?" Sino: "¿Qué datos vamos a entregarle y adónde irán después?"
<a></a><b>Un modelo local resuelve un problema. Pero no todos</b>
El interés en la IA local crecerá precisamente por esta razón. Si el modelo funciona dentro de la propia infraestructura de la empresa, los datos no tienen por qué transferirse a una nube externa. Para organizaciones con secretos comerciales, propiedad intelectual e información sensible de clientes, esta es una ventaja fundamental.
Masalovich propone considerar un circuito computacional física o lógicamente aislado como el primer nivel de un entorno de confianza: el modelo y los datos operan en una infraestructura controlada. Pero aquí surge una nueva trampa.
"Local" no significa "correcto". Ha cerrado el canal de una posible fuga. Pero el modelo aún puede cometer errores. Por lo tanto, un entorno de confianza real requiere capas adicionales: control de acceso, evaluadores, registro, verificación de resultados y la posibilidad de intervención humana.
<a></a><b> </b>
<b>Cinco principios de la IA corporativa</b>
Si se resume el enfoque de Masalovich en una construcción práctica, se pueden formular cinco reglas.
Primero, localice los datos sensibles. Cuanto mayor sea el valor de la información, más estrictamente debe controlarse el entorno en el que opera el modelo.
Segundo, limite la tarea. No pida a un modelo universal que "gestione el proceso". Divida el proceso en operaciones específicas.
Tercero, utilice herramientas especializadas. Lo que se puede calcular de forma fiable con una calculadora no debe ser inventado por un modelo de lenguaje.
Cuarto, construya un sistema de verificación. Evaluadores, modelos independientes, reglas de control, bases de hechos y otros mecanismos deben detectar el error antes de que se convierta en una acción.
Quinto, deje al humano en el punto de responsabilidad. Especialmente donde la decisión está relacionada con dinero, seguridad, derecho, reputación o la vida de las personas.
El procesamiento local, la segregación de acceso, la descomposición de tareas y la verificación independiente son precisamente los elementos que transforman la IA de una "caja negra" potencialmente impredecible en una herramienta controlable.
<a></a><b>El próximo recurso competitivo: no los prompts, sino el conocimiento corporativo</b>
Otro tema importante son las ontologías. En términos más simples, es una descripción formalizada de cómo funciona el mundo de una empresa específica. ¿Qué es un cliente? ¿En qué se diferencia un lead de una transacción? ¿Qué tipos de contratos existen? ¿Quién tiene acceso a cierta información? ¿Qué objetos están relacionados entre sí? ¿Qué acciones son permisibles? ¿Qué información se considera confirmada?
Un modelo de lenguaje común no conoce el significado corporativo de estos conceptos. Se basa en un contexto promedio obtenido durante el entrenamiento.
Por lo tanto, cuanta más libertad se le da, más espacio queda para la interpretación. La ontología, por el contrario, establece una estructura: nodos, conexiones y reglas que el modelo debe tener en cuenta. En la discusión, Masalovich y Sergey Vatyakov destacan por separado el potencial de este enfoque como una forma de vincular más estrictamente el trabajo de la IA a un dominio específico. Y aquí puede residir uno de los activos corporativos clave del futuro. No un prompt secreto. No una suscripción a la red neuronal más cara. Sino un conocimiento propio de la empresa bien estructurado.
<a></a><b>Cuanto mejor sea la IA, más importante será la calidad de los datos de origen</b>
Incluso el modelo más potente no convierte la información deficiente en una solución fiable. Si los datos de entrada son incompletos, contradictorios, obsoletos o han sido distorsionados intencionadamente, el resultado también será problemático. Por lo tanto, las inversiones en inteligencia artificial sin inversiones en datos a menudo terminan en decepción.
Masalovich atribuye específicamente la calidad de la información a las condiciones clave para el uso efectivo de la IA: el trabajo debe comenzar no solo con los modelos, sino también con la limpieza, verificación y organización de los propios datos.
Antes de la pregunta: "¿Qué red neuronal debemos implementar?" es útil hacer otra:
"¿Nuestros datos permiten tomar decisiones basadas en ellos?"
<a></a><b>Las empresas no necesitan crear su propio ChatGPT</b>
Otra idea importante se refiere a la escala. El mercado está acostumbrado a comparar modelos fundamentales por la cantidad de parámetros y recursos computacionales. Para la mayoría de las empresas, esta competencia es prácticamente inútil.
Las empresas generalmente no necesitan un modelo que sepa todo sobre todo. Necesitan una herramienta que resuelva muy bien una tarea específica. Que trabaje con contratos. Que analice documentación técnica. Que clasifique solicitudes. Que encuentre anomalías. Que ayude a trabajar con la base de conocimientos corporativa.
Masalovich destaca el desarrollo de soluciones locales, la destilación y modelos más compactos como una de las direcciones prometedoras. Y esto abre una ventana interesante para las pequeñas y medianas empresas tecnológicas.
No es necesario competir con las corporaciones más grandes por el modelo más grande. Se puede construir la mejor herramienta pequeña para un problema específico muy costoso.
<a></a><b>La IA no comienza con el servidor. Comienza con las personas</b>
Incluso la tecnología ideal es inútil si nadie en la empresa entiende cómo funciona. Por lo tanto, al hablar de implementar una infraestructura de IA propia, Masalovich sugiere comenzar con uno o dos especialistas competentes que serán responsables de la dirección. No solo es importante el desarrollo: se necesita una persona que entienda los datos, la estructura de los modelos, las limitaciones y la especificidad de la aplicación.
Esto es mucho más razonable que anunciar de inmediato una transformación corporativa de IA.
Primero, competencia. Luego, un piloto. Luego, un efecto medible. Y solo después de eso, la escalabilidad.
<a></a><b>Cómo empezar a implementar la IA en una empresa</b>
El enfoque de Masalovich se puede convertir en un algoritmo bastante simple.
1. Realice una investigación tecnológica. Vea qué tareas en su industria ya se resuelven realmente con IA, no en presentaciones, sino en productos que funcionan.
2. Elija un problema específico. No "automatizar el marketing", sino, por ejemplo, reducir el tiempo de análisis inicial de 500 reseñas.
3. Determine el costo del error. ¿Qué pasará si el modelo se equivoca?
4. Ocúpese de los datos. ¿Son suficientes? ¿Están actualizados? ¿Se pueden transferir a un proveedor externo?
5. Defina los puntos de control. ¿Qué se verifica automáticamente y dónde debe tomar la decisión una persona?
6. Establezca de antemano un indicador de eficiencia. Velocidad, costo de la operación, porcentaje de errores, cantidad de documentos procesados, reducción de bajas: el resultado debe medirse.
7. Capacite a los empleados no solo para usar la IA, sino también para dudar de ella.
Al final de su enfoque, Masalovich enfatiza especialmente tres cosas: la necesidad de estudiar escenarios reales de aplicación de la tecnología, verificar constantemente su resultado y desarrollar el pensamiento crítico de los empleados. Y, quizás, este último punto se volverá el más importante con el tiempo.
<a></a><b>Cuanta más IA nos rodee, más valiosa será la capacidad de pensar de forma independiente</b>
Estamos acostumbrados a discutir la inteligencia artificial a través de lo que podrá quitarle al ser humano. Textos. Código. Análisis. Puestos de trabajo.
Pero, quizás, el riesgo principal se encuentra en un plano ligeramente diferente. Si el ser humano deja de verificar el resultado de la máquina, porque casi siempre responde de manera convincente, la propia costumbre de hacer preguntas desaparece gradualmente.
¿De dónde vino esta información? ¿Por qué se obtuvo este resultado? ¿En qué datos se basa la conclusión? ¿Se puede reproducir el cálculo? ¿Existe una fuente original? ¿Qué pasaría si la respuesta es incorrecta?
Por lo tanto, la principal ventaja competitiva de la era de la IA puede resultar sorprendentemente humana. El pensamiento crítico. No la capacidad de escribir el prompt más astuto. No el acceso al modelo más grande. No la cantidad de empleados automatizados. Sino la capacidad de comprender los límites de la tecnología y no confundir la persuasión de una respuesta con su veracidad.
Precisamente por eso, la posición de Andrey Masalovich suena mucho menos pesimista de lo que podría parecer a primera vista. No propone renunciar a la inteligencia artificial. Al contrario: la IA ya es capaz de dar una enorme ventaja a los negocios. Pero debe usarse exactamente como cualquier otra herramienta potente, comprendiendo su funcionamiento, sus limitaciones y el costo del error.
La pregunta del futuro, por lo tanto, no es si la inteligencia artificial reemplazará al ser humano.
Mucho más importante es otra cosa: ¿será capaz el ser humano de conservar el derecho y la capacidad de verificar lo que la inteligencia artificial ha propuesto?