El asombro inicial contra ChatGPT no fue solo por esa sensación mágica de ver cómo respondió al carácter, un patrón inherente a los LLM que los humanizaron hasta cierto punto. El asombro fue porque lo sabían todo. Explicaron la teoría cuántica y escribieron poesía, resumieron novelas y armaron un plan de negocios en segundos.

Parecían capaces de cualquier cosa, como el clásico estudiante de primera fila que deslumbró porque analizó Blasco Ibáñez con la misma precisión con la que resolvió una ecuación diferencial.

La pregunta, tarde o temprano, siempre llega: ¿De qué sirve?

En él Informe de tendencias tecnológicas de Deloitte para 2025 Aparece una pista: muchas compañías que habían optado por estos modelos generalistas, grandes, complejos, difíciles de refinar, están comenzando a considerar opciones más pequeñas y específicas.

Modelos entrenados con menos datos, pero mucho más relevantes. Especialistas, no Todólogos. No es un accidente: ese entusiasmo inicial con el LLM se está ejecutando con una realidad: saber que todo no siempre es útil. Y el mundo de los negocios no valora la sabiduría, el margen se valora.

Como a veces sucede, este es un cambio más filosófico. Y se parece mucho a un viejo debate en las empresas: el de los especialistas humanos frente a los generalistas.

• El experto que ha dedicado su vida a un solo campo que domina como cualquiera …
• … Frente al perfil amplio, curioso y adaptable, con conocimiento tangencial.

David Epstein lo exploró bien en un libro que Me encantó‘Amplitud’. Ese título hizo una tesis algo incómoda de moda: en un mundo cambiante, la especialización puede convertirse en una jaula. Pero la IA, tal vez en un contrafit, está devolviendo Luster al perfil especializado.

¿Porque? Porque en la práctica, Los modelos generalistas son vagos. Intentan todo, pero refinan un poco. Una IA que asesora a médicos, abogados o ingenieros no puede ser improvisado. Necesita rigor. Contexto. Conozca el terreno. Y eso no lo da, el enfoque da.

Hay una lectura un poco más delgada aquí. El giro a modelos especializados permite una mayor eficiencia, pero también más control. Los grandes modelos están en manos de unos pocos: OpenAi, Google, Anthrope, Goal … están cerrados, opacos, a menudo caros.

Los modelos más pequeños pueden estar abiertos, entrenados en casa, adaptables a los nichos de concreto. Se parecen más a las herramientas que a los oráculos.

También tiene implicaciones laborales:

• Si un generalista puede hacer «todo», es una amenaza difusa.
• Si hay muchos específicos, es posible que no vengan a reemplazar a las personas, sino expandirlas.

Un médico con una IA ajustada a su especialidad, un arquitecto con un asistente que sabe leer planes, un editor –Ejem– con un co -piloto especializado en su sector. No es lo mismo competir con una IA universal como colaboración con una herramienta refinada.

Y esto se conecta con algo más importante: Una nueva economía del conocimiento. Durante años, nos dijeron que «saberlo todo». Sea versátil, navegue entre disciplinas. Ahora, las empresas recompensan el conocimiento local, técnico y profundo. Ya sabemos que la IA transforma el trabajo, pero quizás también nuestras ideas sobre el conocimiento. Lo que vale, lo que importa.

Y ahí viene la pregunta. ¿Qué tipo de inteligencia queremos mejorar? ¿Uno que sabe un poco de todo y atención de la monopolis? ¿O muchas inteligencias humildes, distribuidas, cada una centrada en resolver sus propios problemas?

Elegir entre generalistas o especialistas es cómo queremos vivir con AI. Y qué modelo de conocimiento preferimos para el mundo venidero.

Imagen excepcional | Elen Sher y Patricio en No acertado

En | La investigación profunda no es solo una nueva función de IA. Es el comienzo del fin del trabajo intelectual tal como lo conocemos