Así ha cambiado la IA generativa desde su nacimiento, un avance espectacular con un futuro incierto
No fue OpenAI, sino Google, la que inició la actual época de la inteligencia artificial generativa, aunque los próximos años serán vitales para su futuro.
Es bastante común pensar que la inteligencia artificial generativa tuvo su pistoletazo de salida a finales de 2022, cuando OpenAI lanzó ChatGPT y logró conquistar a muchísimos usuarios alrededor de todo el mundo.
Pero su arquitectura nació muchas décadas atrás, con lo que se conoce como redes neuronales, la forma de pensamiento que usamos los seres humanos y que forman la base teórica y práctica de estos grandes modelos de lenguaje natural que se han popularizado en los últimos años.
En aquel entonces, durante el siglo XX, numerosos intelectuales, matemáticos e informáticos ya avisaron sobre lo que esto supondría en el futuro –el presente que vivimos–, también con advertencias sobre los riesgos de tener una IA desbocada.
Se suele pensar que el desembarco de ChatGPT supuso un antes y un después, pero anteriormente Google ya había publicado en 2017 un artículo de investigación titulado Attention is all you need –atención es todo lo que necesitas, por su traducción al castellano–.
Este estudio del equipo de investigación de Google no solo presentó una nueva arquitectura para la IA que conocemos, sino que también avanzó un tipo de red neuronal que marcó una revolución en el procesamiento del lenguaje natural de las máquinas.
Antes de este, los modelos tan solo eran capaces de leer de forma secuencial cada palabra, mientras que el equipo de Google introdujo el concepto de la "atención", con lo cual el algoritmo es capaz de analizar todo el texto al mismo tiempo y comprender el contexto.
Mayor comprensión, más parámetros y mucha más potencia
OpenAI, la compañía detrás del modelo de ChatGPT, lanzó su primera versión tan solo un año después del artículo de investigación de Google; con la llegada de GPT-3 en 2025, ya habían conseguido un modelo con 175.000 millones de parámetros.
Estos marcan la capacidad de entrenamiento de cada modelo, como otros conocidos –Claude, Gemini, etc.–, lo que resulta en una IA mucho más "inteligente", por denominarlo de alguna forma.
Curiosamente, algunas de las capacidades más extendidas a día de hoy, como la programación o la ciberseguridad, nacieron por pura casualidad: cuando el modelo se entrenaba con datos masivos y aumentaba su potencia de cálculo, conseguía este tipo de habilidades.
Es decir, que se pasó de una IA capaz de procesar y generar texto hacia modelos multimodales, con la posibilidad de comprender también imágenes, vídeos o código, de forma tan realista que incluso a los seres humanos ya les costaba diferencia lo real de lo artificial.
Ante este incremento espectacular de los LLM en apenas 4 años, se han hecho más que evidentes otras realidades dolorosas para la industria, como el increíble consumo que necesitan para "aprender" de sus errores.
Según algunas de las investigaciones más importantes, como las realizadas por la Agencia Internacional de la Energía (AIE), el consumo mundial relacionado con la IA generativa en los centros de datos se ha duplicado desde 2020.
Por su parte, la Organización de las Naciones Unidas (ONU) proyecta para 2030 un escenario poco alentador para el consumo mundial de energía: la infraestructura que sostiene estos modelos llegarán a consumir hasta 945 teravatios cada año. O lo que es lo mismo, el consumo de electricidad de países como Nigeria, Pakistan o Bangladesh.
Y esto no solo aplica al consumo energético a nivel mundial, sino también al de agua dulce, un apartado en el que los centros de datos tienen mucho que decir. Estudios como el publicado en Patterns aseguran que cada vez que un usuario plantea una conversación con uno de estos modelos, se evaporan 500 mililitros de agua, lo habitual en una botella de agua.
Precisamente, siguiendo la estela de su investigación, estos sistemas de IA generativa supusieron un consumo de 765.000 millones de litros de agua dulce, mucho más del volumen total de agua embotellada consumida por todo el mundo durante un solo año.
Este modelo podría colapsar y el futuro es bastante incierto
De seguir por este camino, la ONU prevé que para finales de esta misma década la huella hídrica de la IA será la misma que la necesaria para los hogares de hasta 1.300 millones de personas.
Y en cualquier sistema económico, como es lógico, el dinero es infinito, pero los recursos no lo son, con lo cual gestionar estos es vital para poder cubrir las necesidades básicas de todos los hogares.
Las grandes tecnológicas –Microsoft, Meta, Alphabet y Amazon– han realizado diferentes inyecciones de capital que ascienden a los 700.000 millones de dólares, una cifra que prácticamente se destina en su totalidad a la adquisición de hardware (GPU) que pueda mantener la infraestructura necesaria para la IA.
Tanto a nivel energético como a nivel económico y financiero, no obstante, la industria se enfrenta a un reto mayúsculo, ya que el retorno de la inversión no parece ser el deseable para que este tipo de negocio continúen siendo rentables.
Incluso la Reserva Federal de Estados Unidos ya avisó de que esta tecnología está catalogada como una de las principales para la estabilidad de la economía, a lo que se suma la vida útil del hardware necesario cada 5 años, un aspecto vital para el sector, pero que supone nuevas inversiones multimillonarias.
Por ejemplo, si una compañía ha realizado una inversión de este tipo en infraestructuras para la IA, pero no consigue un retorno económico en un plazo de 5 años, podrían enfrentar una grave crisis y, en consecuencia, cerrar el negocio y no devolver la inversión realizada por los capitalistas.
Esto mismo puede llevar a una reacción en cadena que no solo sufrirían dichas compañías, sino también los usuarios, con menor cantidad de herramientas de este tipo, así como la asunción de costes negativos por parte de los propios inversores.
En cualquier caso, la IA generativa no corre el riesgo de desaparecer, aunque sí de sufrir una profunda reconversión hacia modelos pequeños y más especializados, con datos de entrenamiento de alta calidad, con el objetivo de afinar las respuestas y ahorrar costes energéticos y monetarios.
Para ello, por supuesto, las grandes tecnológicas tienen que adaptar sus centros de datos a las nuevas formas más sostenibles de producir energía, sin que esto conlleve una externalización negativa para los ciudadanos de uno u otro país.
En definitiva, es más que probable que el auge espectacular que vemos hoy en día sufra una profunda transformación durante los próximos años, al menos si las compañías que han apostado por la IA generativa quieran seguir usando esta tecnología.