Tot i que les primeres versions de ChatGPT són anteriors, podem afirmar, gairebé amb tota seguretat que el llançament de ChatGPT 3.5 ara fa poc més de 12 mesos ha estat una autèntica revolució social.
L’arribada de la IA generativa suposa posar al nostre abast una tecnologia molt interessant que molt probablement remodelarà operatives i la manera de fer de moltes organitzacions durant els anys vinents. I dic molt probablement perquè en les organitzacions hem de posar la tecnologia per resoldre problemes preexistents.
Posaré un exemple, força proper, per entendre-ho: els alumnes han començat a utilitzar ChatGPT per elaborar dossiers i treballs en molt poc temps i probablement sense entendre, en molts casos, res del que han presentat. Alguns potser s’han llegit el que ChatGPT els proposa. Però han estat menys els que s’han dedicat a verificar si la informació que els facilita és correcta abans de presentar el treball. Els alumnes han passat a usar un llenguatge en els seus treballs que, a voltes, no els és ni propi. Conclusió: ChatGPT no ha resolt un problema preexistent. Els treballs s’usaven perquè els alumnes desenvolupessin unes habilitats determinades. Aquí no hi havia el problema. Bé. Pot ser l’únic problema preexistent era per aquells alumnes a qui no els agradava llegir articles, treballar amb diverses fonts, escriure, reflexionar i extreure les seves pròpies conclusions.
I ara, a conseqüència de l’ús de ChatGPT tenim un nou problema a resoldre. Atès que ens hem carregat una metodologia d’aprenentatge, com aconseguim que els alumnes desenvolupin certes habilitats? Jo no tinc pas la resposta.
Portant el símil al món empresarial, jo no sé si, ara com ara, ChatGPT està resolent problemes preexistents o si ens estem complicant la vida buscant problemes on aplicar-ho. En qualsevol cas, i encara que sols serveixi com a banc de proves, és interessant testejar solucions a problemes petits, preexistents o no, i analitzar-ne la idoneïtat de les solucions obtingudes amb les IAs generatives.
Des del meu punt de vista, però, la primera gran aportació que han fet les IAs generatives, ha estat realitzada de manera inconscient. I ha estat, gràcies a l’interès i èxit obtingut socialment, que ha permès posar en context i en valor conceptes que costava integrar i assimilar en el nostre dia a dia. Conceptes tan nous com entrenar una IA o aprenentatge per reforç, o senzillament no esgarrifar-nos quan se’ns diu que un cert model treballa amb 165 milions de paràmetres. Ens ho creiem. I llestos.
Avui, gràcies a les IA generatives ja ningú dubte que una IA s’entrena a partir de les peticions i aprèn de les correccions dels usuaris. Però el món de la IA és molt més ampli. Aquest mateix comportament d’aprenentatge i entrenament també succeeix en altres aplicacions de la IA que fa més temps que ja estan al mercat. Pronosticar la demanda futura d’una tipologia de servei basant-se en la demanda històrica i la ubicació geogràfica, per exemple.
Quan hem aplicat models matemàtics de forecasting espacial i temporal, hem vist com el sistema estima una previsió de demanda en ubicacions específiques i en moments determinats. Acceptar que les màquines aprenen, que aconsegueixen afinar i millorar la fórmula amb la que tu has estat treballant durant molt de temps i és capaç de calcular i afinar la corba de demanda, no és fàcil. I no tan sols això. Si a més t’indica on es pot produir aquesta demanda i, més o menys encertar-la, costa de creure i costa de defensar en alguns comitès de direcció. No sempre és fàcil fer un acte de fe en la tecnologia. Més quan els models d’IA, pel volum de paràmetres que gestionen s’escapen de la nostra racionalitat i comprensió.
Cada vegada més ens tocarà defensar solucions que no entendrem de manera completa, però per les que pressuposem que afinen més que nosaltres a l’hora de determinar per exemple, les previsions de la demanda. Ens toca fer un acte de fe. De fe en la IA.