Últimamente trabajar en el mercado de la IA se siente como cambiar el motor en pleno vuelo.
El sábado, camino al fútbol de los peques, mi hija me pidió que ajustara la rueda del patinete “sin parar, porfa”.
Una mano en la llave, otra sujetando el manillar, el patinete rodando… y yo pensando: “así mismo estamos con la IA y los famosos LLMs”.
Cuando aprietas el último tornillo, ya hay datos nuevos, inclusive sintéticos, una receta de entrenamiento mejor y alguien (hola, DeepSeek) que demuestra que con ingeniería y uso fino de recursos puedes sacar más con menos GPUs.
Si pensamos en toda la literatura escrita hasta el momento, probablemente todo lo que puedas leer de dos años atrás este un tanto obsoleto.
Puede inclusive ser el caso de Prediction Machines, así que intentaremos hacerlo con los ojos de este 2025, en gran medida la idea general del libro sigue siendo válida: la predicción se abarata… y lo que se encarece son sus complementos (datos de calidad, juicio humano, capacidad de actuar, gobernanza).
Y ojo con la ley de los rendimientos decrecientes: pasado cierto umbral, perseguir otro 0,1% de acierto cuesta un riñón y aporta menos que mejorar el dato, los pesos del modelo o el proceso.
Realmente lo más loco es que todo esto cambia en cuestión de meses. La única pregunta estable es: ¿hasta dónde llegarán las predicciones actuales y cuánto estás dispuesto a pagar por el siguiente decimal?
El mapa no es el territorio (simple y suficiente)
La IA abarata la Predicción. Por eso suben de precio sus complementos: mejores datos, mejor juicio (políticas/umbrales), mejores acciones (procesos), mejor medición (cerrar el bucle).
En el fondo, el proceso no cambia, sigue siendo el mismo:
Datos → Predicción → Juicio → Acción → Resultado/Aprendizaje
La IA sólo mejora la parte de la Predicción. Todo lo de arriba (datos) y lo de abajo (umbrales, riesgos, ejecución, feedback) vale más y/o hay que rediseñarlo.
Dónde está el dinero (y dónde se va)
Predicción barata, juicio caro.
Alguien tiene que elegir los objetivos a evaluar, costes de error y umbrales. Eso no lo hace el modelo, lo haces tú.
Complementos que multiplican: sensores/ETL limpios, interfaces que permiten decidir, automatización para ejecutar, compliance para escalar sin frenar.
Rendimientos decrecientes del modelo.
Cada “poquito” extra de precisión cuesta más y aporta menos. Llega un momento en que un 0,2% adicional de acierto vale menos que bajar 2 días el tiempo de ciclo o mejorar la calidad del dato de entrada.
Regla práctica para “cuándo parar”
Deja de afinar el modelo cuando el beneficio marginal (€) de la siguiente mejora de precisión < el coste marginal (€) de lograrla.
Traducción operativa: antes de financiar otra ronda de features/entrenos, calcula cuánto dinero mueven 100 falsos positivos/negativos menos vs. lo que te cuesta el sprint. Si no gana por KO, invierte en datos, umbrales, UX, automatización.
Playbook en 7 movimientos.
Si tuviésemos que establecer ese libro que marca las reglas del juego, Prediction Machines nos da un recetario simple y práctico.
Empieza por la decisión, no por el modelo. Define qué error duele más y cuánto cuesta.
Dibuja el circuito D→P→J→A→R de un proceso (fraude, inventario, soporte, reclamaciones).
Clasifica por confianza/impacto.
Alto volumen + alta confianza → automatiza.
Bajo volumen + alto impacto → humano con contexto (predicción por excepción).
Fija umbrales con dinero, no con AUC. Que el umbral refleje tu P&L y riesgo regulatorio.
Invierte primero en complementos críticos (mejores datos, tiempos de cada ciclo de iteración, UX de la solución).
Establece la “regla de paro” del modelo (beneficio marginal ≥ coste marginal) y revísala mensual.
Cierra el bucle. Instrumenta resultado y aprendizaje para mover umbrales de forma continua.
Señales de que vas en la dirección correcta
Bajan falsos positivos y el tiempo de ciclo.
El % de casos “por excepción” cae trimestre a trimestre.
El comité discute políticas y umbrales, no arquitecturas de la solución.
El ROI proviene más de datos/acción que de “otro 0,1%”.
Nota sobre generativa (ed. 2022)
Aunque ahora la IA también “escriba, genere código o cree imágenes, video o música”, la tratar con datos el modelo matemático sigue teniendo una predicción en el trasfondo: próximo token, pixel o función. Por tanto, misma economía y mismos complementos.
Food for thought: la IA no te ahorra pensar; te obliga a pensar mejor dónde paras de afinar el modelo y empiezas a invertir en los complementos.
Que nunca te falten ideas, ni ganas de probarlas.
A.