Enrique O´Connor y Kristin Avon (Vaultinum) explican que los inversores deben navegar por el panorama de la Inteligencia Artificial con prudencia, distinguiendo la verdadera innovación de las soluciones superficiales.
COLABORACIÓN de Enrique O´Connor, director general para Iberia y Latam, y Kristin Avon, asesora legal, Vaultinum.
Se prevé que el mercado de la inteligencia artificial (IA), valorado en unos 200.000 millones de dólares en 2023, supere los 1.800 billones de dólares en 2030[1]. Este crecimiento explosivo, unido a la integración de la IA en diversos sectores -desde la sanidad hasta el marketing-, representa oportunidades de inversión sin parangón. Sin embargo, la complejidad de las tecnologías de IA y la falta de conocimientos formales sobre IA entre los inversores plantean importantes retos.
En el primer semestre de 2023, los inversores de capital privado y de riesgo apostaron 40.000 millones de dólares en startups de IA[2]. Sin embargo, como ocurre en cualquier fiebre del oro, no todo el mundo encontrará lo que busca. Casos sonados como la caída de Olive AI del estatus de unicornio, la retirada de Cruise de los taxis autoconducidos de las calles californianas después de solo dos meses y el experimento fallido de Microsoft con las noticias sobre IA ponen de manifiesto lo mucho que está en juego[3].
La afluencia de capital pone de relieve la necesidad de que los inversores naveguen por el panorama de la IA con prudencia, distinguiendo entre la verdadera innovación y los “envoltorios de IA", es decir, soluciones que dicen utilizar IA pero tienen una funcionalidad de IA mínima o superficial. A este respecto, hay cinco elementos clave que pueden ayudar a los inversores a identificar verdaderas oportunidades de IA: datos, explicabilidad, talento, I+D y ética. Utilizando estos elementos, los inversores pueden evaluar mejor el valor estratégico de las tecnologías de IA.
Calidad de los datos
La piedra angularde cualquier herramienta de IA es la calidad de sus datos de base, es decir, los datos utilizados para entrenar y validar el modelo. Estos datos deben ser precisos, representativos y no estar sesgados para que el sistema de IA pueda hacer predicciones fiables. Es esencial cuestionar la calidad y veracidad de los datos de base, ya que influyen considerablemente en la eficacia de la IA y en el valor que puede aportar.
Además, la verdadera tecnología de IA se nutre de la asimilación constante de datos para el aprendizaje, la generalización y la mejora. En consecuencia, una estrategia de datos reflexiva y exhaustiva que garantice la calidad, la diversidad y la confidencialidad es esencial para las empresas impulsadas por la IA.
Por ejemplo, la tecnología de IA de Tesla para la conducción autónoma se perfecciona y mejora continuamente a partir de los datos recopilados de las experiencias de conducción en el mundo real de cada coche, incluidas diferentes condiciones de conducción, comportamientos y escenarios inesperados, lo que proporciona un rico conjunto de datos para entrenar y perfeccionar los algoritmos de IA responsables de la conducción autónoma.
Transparencia y explicabilidad
La transparencia de la IA se refiere a la claridad y apertura con la que una empresa revela cómo se desarrollan, entrenan y despliegan sus modelos de IA. Esto incluye compartir información sobre las fuentes de datos utilizadas para el entrenamiento, las metodologías de desarrollo de modelos y los mecanismos para garantizar la confidencialidad y seguridad de los datos. Las empresas que favorecen la transparencia ofrecen una visión clara de sus mecanismos de toma de decisiones, de ahí el término "IA explicable".
Al evaluar las tecnologías de IA, deben buscarse explicaciones claras de cómo se utiliza la IA, los problemas específicos que aborda y las aplicaciones prácticas de sus soluciones. Esto es especialmente importante en sectores en los que las decisiones sobre IA tienen implicaciones significativas (por ejemplo, sanidad o justicia penal).
Propiedad intelectual y talento técnico
Algunas de las empresas de IA con más éxito disponen de tecnologías de IA propias protegidas por patentes u otras formas de protección de la propiedad intelectual. Grandes empresas tecnológicas internacionales como IBM, Google y Microsoft están a la vanguardia de las solicitudes de patentes de GenAI[4] . La ausencia de propiedad intelectual defendible, como patentes, derechos de autor o secretos comerciales, podría indicar que una empresa puede estar informando erróneamente sobre la IA. Por lo tanto, la reiteración de tecnologías propias y la evaluación de las patentes existentes o pendientes pueden dar indicios de su credibilidad y posición en el mercado.
Del mismo modo, la presencia en el equipo de técnicos cualificados en el desarrollo y despliegue de modelos de IA suele ser un sello distintivo de las empresas basadas en IA. Como tal, la due diligence del inversor también debe evaluar la experiencia técnica y las cualificaciones del equipo de desarrollo. Una combinación que incluya científicos de datos, investigadores de IA, ingenieros de aprendizaje automático y expertos del sector, suele poner de manifiesto el compromiso de una empresa con el desarrollo de la IA. Evaluar los proyectos anteriores del equipo también puede proporcionar información valiosa.
Investigación y desarrollo (I+D)
La intensidad de I+D -la relación entre el gasto en I+D de una empresa y sus ventas totales- es un indicador significativo del compromiso de una empresa con la innovación y el progreso tecnológico. Un estudio realizado por el Banco Europeo de Inversiones en 2020 reveló que las empresas que invierten más del 10 % de su facturación en I+D tienen muchas más probabilidades de introducir innovaciones radicales, incluidas tecnologías de IA pioneras, que las que invierten menos.
Por ejemplo, antes de ser adquirida por Google en 2014, DeepMind contaba con un impresionante historial de I+D gracias a su trabajo en aprendizaje profundo y redes neuronales. La adquisición por parte de Google no fue solo por los productos existentes de la empresa, sino sobre todo por su potencial de I+D, que desde entonces ha dado lugar a influyentes avances en IA, como AlphaGo[5].
Consideraciones reglamentarias y éticas
Países de todo el mundo están desarrollando y adoptando leyes de gobernanza de la IA que se ajustan al rápido ritmo y a la diversidad de las tecnologías de IA emergentes. Las acciones legislativas están dando forma a leyes generales, creando reglamentos para escenarios específicos y estableciendo directrices y normas voluntarias.
Cuando los inversores evalúan empresas de IA, es importante comprender las consideraciones normativas y éticas a las que se adhieren estas empresas. No se trata solo de cumplir las leyes vigentes, sino también de prepararse para futuras normativas y demostrar un compromiso con las normas éticas.
Por ejemplo, las recientes polémicas en torno a la IA de reconocimiento facial, centradas en el sesgo de los algoritmos y la invasión de la privacidad, ponen de relieve la creciente necesidad de consideraciones éticas en la IA. Si las empresas descuidan estos aspectos, corren el riesgo de alertar a los inversores.
Conclusión
En resumen, aunque muchas empresas presentan su tecnología de IA como único argumento de venta, los inversores deben distinguir la verdadera innovación de los "envoltorios de IA". Busque un acceso único a los datos, tecnología propia y escalabilidad. A escala mundial, las diferencias en los entornos normativos ponen de relieve la necesidad de soluciones de IA adaptables. Las estrategias de inversión prácticas incluyen la due diligence específica en el procesamiento de datos de la empresa, la solidez de la propiedad intelectual, la experiencia del equipo y la inversión en I+D, aprendiendo de los éxitos y fracasos del mercado. Además, las consideraciones éticas y el posible impacto social de las tecnologías de IA son cada vez más importantes. Los inversores deben favorecer a las empresas que aborden proactivamente estos aspectos, demostrando su compromiso con el desarrollo beneficioso y responsable de la IA y mitigando los riesgos futuros.
[1] https://www.statista.com/topics/3104/artificial-intelligence-ai-worldwide/#topicOverview
[2] https://www.fastcompany.com/90933648/venture-backed-startups-are-failing-at-record-rates
[3] https://www.inc.com/ben-sherry/microsoft-cruise-4-more-ai-business-fails-from-2023.html
[4] https://www.datanami.com/2024/02/07/new-ai-patent-study-shows-ibm-leads-google-and-microsoft-in-genai-race/
[5] https://www.ft.com/content/16bb7b92-b88e-4393-85c6-de1f94cdfecc