En 2026, la IA pasará del bombo a la pragmática | Rebecca Bellan y Ram Iyer, TechCrunch Si 2025 fue el año en que la IA recibió un chequeo de vibra, 2026 será el año en que la tecnología se vuelva práctica. El enfoque ya se está desplazando de construir modelos de lenguaje cada vez más grandes hacia el trabajo más arduo de hacer que la IA sea utilizable. En la práctica, eso implica desplegar modelos más pequeños donde encajen, integrar inteligencia en dispositivos físicos y diseñar sistemas que se integren de manera fluida en los flujos de trabajo humanos. Los expertos con los que habló TechCrunch ven 2026 como un año de transición, uno que evoluciona de la escalabilidad a la investigación de nuevas arquitecturas, de demostraciones llamativas a implementaciones específicas, y de agentes que prometen autonomía a aquellos que realmente aumentan cómo trabajan las personas. La fiesta no ha terminado, pero la industria está comenzando a sobria. Las leyes de escalabilidad no serán suficientes En 2012, el artículo de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton sobre ImageNet mostró cómo los sistemas de IA podían "aprender" a reconocer objetos en imágenes al observar millones de ejemplos. El enfoque era computacionalmente costoso, pero se hizo posible con GPUs. ¿El resultado? Una década de investigación en IA intensa mientras los científicos trabajaban para inventar nuevas arquitecturas para diferentes tareas. Eso culminó alrededor de 2020 cuando OpenAI lanzó GPT-3, que mostró cómo simplemente hacer el modelo 100 veces más grande desbloquea habilidades como la codificación y el razonamiento sin requerir entrenamiento explícito. Esto marcó la transición a lo que Kian Katanforoosh, CEO y fundador de la plataforma de agentes de IA Workera, llama la "era de la escalabilidad": un período definido por la creencia de que más computación, más datos y modelos de transformadores más grandes inevitablemente impulsarían los próximos grandes avances en IA. Hoy, muchos investigadores piensan que la industria de la IA está comenzando a agotar los límites de las leyes de escalabilidad y volverá a transitar hacia una era de investigación. Yann LeCun, ex científico jefe de IA de Meta, ha argumentado durante mucho tiempo en contra de la sobredependencia de la escalabilidad y ha enfatizado la necesidad de desarrollar mejores arquitecturas. Y Sutskever dijo en una entrevista reciente que los modelos actuales están estancados y los resultados de preentrenamiento se han aplanado, lo que indica la necesidad de nuevas ideas. "Creo que lo más probable es que en los próximos cinco años, encontraremos una mejor arquitectura que sea una mejora significativa sobre los transformadores", dijo Katanforoosh. "Y si no lo hacemos, no podemos esperar mucha mejora en los modelos." A veces menos es más Los grandes modelos de lenguaje son excelentes para generalizar conocimientos, pero muchos expertos dicen que la próxima ola de adopción de IA empresarial será impulsada por modelos de lenguaje más pequeños y ágiles que pueden ser ajustados para soluciones específicas de dominio. "Los SLMs ajustados serán la gran tendencia y se convertirán en un elemento básico utilizado por empresas de IA maduras en 2026, ya que las ventajas de costo y rendimiento impulsarán su uso sobre los LLMs listos para usar", dijo Andy Markus, director de datos de AT&T, a TechCrunch. "Ya hemos visto que las empresas dependen cada vez más de los SLMs porque, si se ajustan correctamente, igualan a los modelos más grandes y generalizados en precisión para aplicaciones empresariales, y son excelentes en términos de costo y velocidad." Hemos visto este argumento antes de la startup francesa de IA de peso abierto Mistral: argumenta que sus modelos pequeños en realidad rinden mejor que los modelos más grandes en varios puntos de referencia después de ser ajustados. "La eficiencia, la rentabilidad y la adaptabilidad de los SLMs los hacen ideales para aplicaciones personalizadas donde la precisión es primordial", dijo Jon Knisley, estratega de IA en ABBYY, una empresa de IA empresarial con sede en Austin. ...