arquitectura PARA la soberanía digital

Desde la irrupción de los modelos generativos, el debate global sobre inteligencia artificial se ha centrado en identificar quién posee el modelo frontera más potente y eficiente y cómo incorporarlo a las organizaciones. GPT, Claude, Gemini o Llama se han convertido en protagonistas de una carrera tecnológica que parece no tener fin. Sin embargo, mientras la industria y los inversores siguen pendientes de los rankings de rendimiento, empieza a emerger una pregunta de mucho mayor calado estratégico: ¿cómo controlar realmente la IA de la que depende nuestro negocio?

Durante décadas, las empresas han construido sus estructuras tecnológicas sobre infraestructuras y software de terceros: sistemas operativos, bases de datos, aplicaciones empresariales o servicios cloud. Era un modelo eficiente y, para buena parte de las organizaciones, la dependencia del proveedor no constituía un problema mientras el servicio fuera estable, los costes asumibles y existieran alternativas.

La situación cambia cuando esa tecnología deja de ser un soporte y pasa a formar parte del núcleo del negocio. Es entonces cuando una modificación unilateral de los precios, las condiciones de servicio, la disponibilidad o incluso el marco regulatorio pueden convertirse en un riesgo estratégico.

La inteligencia artificial introduce una nueva dimensión a esta dependencia. El tradicional vendor lock-in adquiere una nueva forma: el AI lock-in, lo que supone una dependencia cada vez mayor de un determinado proveedor o modelo para desarrollar procesos, productos o servicios críticos. Cuanto más integrada está la IA en la operativa de una organización, mayor es el coste potencial de cambiar de proveedor.

Por eso, la cuestión de la soberanía digital empieza a adquirir una nueva dimensión empresarial.

Thomson Reuters y la arquitectura híbrida

En un artículo publicado recientemente, Thomson explica cómo han desarrollado su propio modelo de lenguaje, a partir de una base open source y utilizando todos los datos y conocimiento acumulado durante décadas. La apuesta no consiste simplemente en conectar un modelo generalista a una base de datos, sino en construir una capacidad propia de inteligencia artificial a partir de sus activos diferenciales: datos y experiencia sectorial.

Este movimiento estratégico resulta especialmente ilustrativo. La compañía ha decidido desarrollar sus propios modelos de IA para determinadas tareas, pero sin renunciar al uso de modelos externos como los de Anthropic. No se trata, por tanto, de sustituir completamente a los grandes proveedores, sino de combinar diferentes capacidades y elegir, en cada caso, la tecnología más adecuada.

Esta aproximación permite entender mejor qué significa una arquitectura híbrida. Thomson Reuters no necesita competir con todos los grandes proveedores en la construcción del modelo más potente para controlar una parte relevante de su cadena de valor. Puede desarrollar modelos propios cuando el conocimiento especializado, la calidad de las respuestas o el control sobre la tecnología resultan determinantes, y utilizar modelos externos cuando aportan capacidades que tiene sentido adquirir.

El lanzamiento de CoCounsel Legal, el asistente de inteligencia artificial de Thomson Reuters para profesionales jurídicos, refleja también esta combinación de capacidades. La plataforma integra modelos de lenguaje, conocimiento jurídico y herramientas especializadas para ayudar a los abogados en tareas como la investigación, la revisión de documentos y la preparación de escritos, sin depender necesariamente de un único modelo para todas ellas. El valor surge de la combinación del modelo de lenguaje, los datos, las herramientas y los flujos de trabajo.

Esta arquitectura híbrida pone de manifiesto que la soberanía en la era algorítmica no exige una ruptura radical con las grandes tecnológicas ni la pretensión de construirlo todo en casa.

Por tanto, no se requiere una independencia absoluta, sino capacidad de elección. Significa poder decidir qué modelo utilizar en función de la naturaleza de cada tarea; controlar dónde se procesan los datos y qué información estratégica puede salir de la organización; diseñar una estructura de costes sostenible y, sobre todo, mantener la posibilidad de cambiar de proveedor si las condiciones tecnológicas o de mercado varían.

Los datos como activo diferencial

En esta nueva arquitectura, los datos adquieren todavía mayor valor estratégico. El principal activo diferencial de Thomson Reuters no reside únicamente en su capacidad tecnológica, sino en el conocimiento acumulado durante décadas y en el enorme patrimonio de información jurídica, fiscal, contable y profesional que posee. Es, precisamente esa combinación de datos -conocimiento sectorial y tecnología- lo que permite construir soluciones que difícilmente pueden replicar los modelos generalistas por sí solos.

El caso de Bloomberg apunta en una dirección similar. En 2023, la compañía presentó BloombergGPT, un modelo de 50.000 millones de parámetros diseñado específicamente para trabajar con lenguaje financiero y datos del sector. Más que como un precedente de independencia tecnológica absoluta, el proyecto puede entenderse como una primera muestra de la importancia de adaptar los modelos al conocimiento y a los datos propios de cada industria.

Dow Jones está siguiendo otra vía: convertir su patrimonio de contenidos y las licencias de terceros en una pieza central de sus productos de IA, con acuerdos específicos para el uso de esos contenidos en aplicaciones de inteligencia artificial.

En todos estos casos aparece una misma idea: el valor no está únicamente en el modelo que procesa la información, sino en los datos, el contexto y el conocimiento que hacen que ese modelo sea útil.

LOS MEDIOS EN BUSCA DE SU SOBERANÍA

Por tanto, para la industria de los medios y el entretenimiento el principal riesgo es que los contenidos que constituyen el activo central de las compañías sean utilizados para entrenar modelos de terceros sin que exista un retorno económico o un control suficiente sobre su utilización.

Disney ha optado por una estrategia de protección explícita de sus contenidos frente a la minería de textos y datos y el entrenamiento de sistemas de IA, salvo que exista una licencia que lo autorice.

Otros grupos han elegido el camino contrario: convertir sus contenidos en un activo licenciable. Associated Press, Axel Springer o Hearst han establecido acuerdos con compañías de IA para permitir el uso de parte de sus contenidos bajo determinadas condiciones.

Aparentemente, son estrategias opuestas, pero en realidad responden a la misma preocupación: mantener el control sobre un activo que se ha convertido en materia prima para la inteligencia artificial. Bloquear, licenciar o desarrollar productos propios son diferentes formas de ejercer esa soberanía.

La oportunidad de los modelos especializados

Esta evolución ayuda a explicar el creciente interés por los modelos más pequeños y especializados.

Durante los primeros años de la IA generativa, la carrera estuvo dominada por el tamaño y la capacidad de los grandes modelos. Pero no todas las aplicaciones empresariales necesitan utilizar un modelo de frontera para cada tarea.

En determinadas funciones, un modelo más pequeño y especializado puede ser suficiente y resultar más eficiente de ejecutar. Especialmente cuando puede adaptarse a un dominio concreto y combinarse con los datos y sistemas propios de la organización.

Evidentemente no significa que los grandes modelos vayan a dejar de ser relevantes. Seguirán siendo esenciales para las tareas más complejas y generales. Lo que puede cambiar es su posición dentro de la arquitectura empresarial.

En lugar de depender de un único modelo para todo, las organizaciones pueden avanzar hacia ecosistemas dinámicos, combinando LLM, SLM, modelos open source y modelos propios en función de las necesidades de cada proceso.

La ventaja competitiva no estaría, por tanto, únicamente en disponer del modelo con mayor número de parámetros, sino en saber qué modelo utilizar, para qué tarea y con qué datos.

La capa de orquestación como nueva frontera

En este sentido, la orquestación adquiere cada vez mayor relevancia como una capa estratégica para combinar diferentes modelos y capacidades de IA en función de las necesidades de cada organización.

Una organización puede utilizar un modelo frontier para razonamiento complejo, otro especializado para determinadas tareas, un modelo abierto cuando el control o el coste sean prioritarios y modelos propios allí donde sus datos y conocimiento constituyan una ventaja diferencial. El valor surge de la combinación de factores, de tal modo que:

Valor de la IA = Modelo + Datos propietarios + PROPUESTA DE VALOR DEL PRODUCTO + GOBERNANZA (ORQUESTACIÓN Y Flujos de trabajo)

Esta ecuación ayuda a entender por qué la estrategia de compañías como Thomson Reuters resulta especialmente relevante. La apuesta no consiste en competir frontalmente con los grandes empresas en la construcción del modelo más potente, sino en controlar aquellas capas que resultan estratégicas para su negocio.

Del «build or buy» al «build and buy»

Generalmente, la decisión tecnológica de las compañías se debate entre construir internamente o comprar a un proveedor externo (build or buy). La inteligencia artificial está introduciendo una tercera vía más flexible: build and buy. Comprar las capacidades que tiene sentido adquirir y construir aquellas que son estratégicas. Pero, sobre todo, diseñar una arquitectura que permita combinar ambas. Esta aproximación puede convertirse en una de las principales respuestas empresariales al AI lock-in.

Las empresas no necesitan construir un modelo mejor que Gemini, Claude o GPT para reducir su dependencia de ellos, pero tienen que identificar qué capacidades no pueden dejar completamente en manos de un tercero. La soberanía digital se convierte en una cuestión de estrategia empresarial.

La actual etapa de integración e impulso estratégico de Ia IA en las organizaciones estará marcada por la capacidad de orquestar diferentes modelos, proteger los datos propios y mantener abiertas las alternativas.

La verdadera soberanía digital puede consistir precisamente en disponer de suficientes capacidades propias y suficientes alternativas externas como para conservar algo que, en la economía de la inteligencia artificial, será cada vez más valioso: la capacidad de elegir. En este sentido, nuevamente nos enfrentamos a un problema de industria y de regulación, a la que asociaciones, organismos regulatorios, entre otros, no pueden ser ajenos.