El debate sobre inteligencia artificial (IA) e innovación está actualmente dominado por ChatGPT y otros sistemas conversacionales basados en aprendizaje automático. La pregunta principal es qué tan originales y nuevos son realmente los resultados de los sistemas de chat de IA. Sin embargo, incluso antes de la ola ChatGPT, la investigación sobre innovación ya se preocupaba por los efectos de la IA en las innovaciones, lo que hizo que los enfoques teóricos de innovación existentes fueran consideraciones fructíferas y emocionantes, aunque en parte especulativas.
En un proyecto de investigación interno, estos enfoques se investigaron, evaluaron y compararon en el campo de la IA. Los principales resultados de este proyecto intentan establecer una conexión entre el nivel micro de gestión de la innovación (“IA en la gestión operativa de I+D”), el nivel meso de difusión de la innovación (“IA en la gestión operativa de I+D”) y el nivel macro de los efectos de la innovación (“IA para la transformación económica y social”).
Como es de esperar, no existe una respuesta sencilla a la pregunta de qué impacto tiene la IA en el proceso de innovación. El análisis de la investigación de publicaciones realizado en este proyecto mostró que una gran parte de la publicación aborda la cuestión de cómo la IA está cambiando la gestión operativa de la I+D y cómo se pueden crear nuevas ideas, productos y servicios a través de la IA.
IA en la gestión operativa de I+D
Las áreas típicas de aplicación de la IA en el contexto de proyectos de innovación operativa, son:
- Reconocimiento de tendencias: cuyos sistemas informáticos analizan textos, imágenes y vídeos en busca de tendencias y los resumen de forma personalizada.
- Obtención de información sobre el comportamiento de los usuarios: por ejemplo, los aeropuertos utilizan modelos de inteligencia artificial para descubrir las causas de los retrasos.
- Visualización de personas: los proveedores evalúan diferentes fuentes de datos para representar visualmente un grupo de clientes típico.
- Examinación de ideas: una IA especial ayuda a filtrar cada año las mejores entre miles de sugerencias de mejoras y nuevas ideas.
- Desarrollar diseños: la IA “aprende” basándose en diseños anteriores.
- Prototipos de prueba: por ejemplo, basándose en muchas pruebas de sabor documentadas, la IA puede simular cómo determinados grupos objetivo perciben un determinado alimento.
El mensaje principal es que, por un lado, la IA puede ayudar a lograr innovaciones más rápidamente porque los datos masivos pueden evaluarse de forma específica y a alta velocidad. Por otro lado, la IA amplía el espacio de búsqueda de ideas y nuevos productos porque combina diferentes fuentes de datos y “reconoce” conexiones que la gente pasa por alto debido a la abrumadora cantidad de datos.
Según otra investigación, muchas publicaciones se centran en el área de generación e implementación de ideas. Sin embargo, no hay que olvidar que la fase de prueba de nuevos productos y la fase de lanzamiento al mercado también pueden contar con el apoyo de la IA: en la fase de prueba, la IA se puede utilizar para medir la eficacia y la probabilidad de éxito de los productos candidatos y alternativos. Y en la fase de lanzamiento al mercado, la IA permite dirigirse a los clientes con mayor precisión con fines de marketing, especialmente en los canales de ventas digitales.
La IA como tecnología de propósito general y método de invención
Basándose en un análisis de patentes y publicaciones que muestra no sólo un fuerte aumento cuantitativo, sino sobre todo una fuerte difusión en áreas heterogéneas de investigación y aplicación, los autores de investigaciones concluyen que la IA cambiará las reglas del juego de la innovación en el futuro. Por un lado, la IA es la denominada tecnología de propósito general (GPT, que no debe confundirse con un “transformador generativo preentrenado” como ChatGPT), que puede utilizarse en campos de aplicación muy diferentes. Y, por otro lado, los métodos de “aprendizaje profundo” de la inteligencia artificial no son sólo métodos para aumentar la eficiencia del conocimiento y los procesos de producción existentes, sino más bien la invención de un método de invención. Ambos conceptos están muy extendidos en la investigación sobre innovación, pero sólo se aplican empíricamente a muy pocas tecnologías. Ejemplos de GPT incluyen el motor eléctrico y el microprocesador, ambos inventos que provocaron una variedad de revoluciones organizativas y económicas. Y como ejemplo de la invención de un método de invención, se puede citar las lentes ópticas, que dieron origen a toda una gama de nuevos instrumentos de investigación (microscopios, telescopios) y productos (gafas, binoculares) durante el Renacimiento y, en última instancia, tuvieron un enorme impacto en la ciencia, el cambio tecnológico y el crecimiento económico.
El enorme potencial de cambio que los autores de las investigaciones atribuyen ahora a la tecnología de inteligencia artificial de aprendizaje profundo se debe al hecho de que, en su evaluación, se trata tanto de una tecnología de propósito general como de la invención de un método de invención. La IA (al menos en su forma de “IA de autoaprendizaje”) cambiará las reglas del juego de la innovación, el llamado “Manual de Innovación”, y permitirá nuevos conocimientos inesperados.
De hecho, estos enfoques muestran cuántas preguntas aún quedan abiertas en el contexto del análisis de la IA en los procesos de innovación: claramente todavía estamos muy lejos de tener una idea uniforme de cómo la IA afectará los procesos de innovación en el futuro.
IA para la transformación económica y social
A nivel macro, surge la pregunta de cómo se puede utilizar la IA para lograr ciertos objetivos económicos y sociales y cuáles son los requisitos y desafíos. La idea de una tecnología de propósito general debe trasladarse nuevamente a industrias, sectores o áreas de políticas para que sea accesible para el análisis. Es indiscutible que la IA tiene un impacto en el sistema de innovación en su conjunto. Sin embargo, cuáles son exactamente estos efectos sólo pueden investigarse en contextos específicos.
¿Cómo puede la IA ayudar a garantizar que la transición energética pueda tener éxito de manera más eficiente, que se puedan alcanzar los objetivos medioambientales y de sostenibilidad, que las empresas puedan ser más eficientes e innovadoras, que el sector sanitario se vuelva más eficiente o que puedan surgir Smart Cities o pueblos inteligentes?
Los profesionales de la consultoría de impacto social Praxia Lab, señalan que la atención se centra en la cuestión muy práctica de cómo contribuye la IA a la transformación de las respectivas áreas, es decir, qué papel desempeña la IA en el logro de objetivos específicos. En este caso, el análisis puede basarse en los hallazgos de la investigación sobre digitalización; La IA se considera el siguiente paso en un desarrollo integral de la digitalización. Los requisitos para el uso de la IA, como la disponibilidad de datos masivos o habilidades, son de interés aquí, al igual que la cuestión de cómo llegan las innovaciones al sistema, a través de actores nuevos o establecidos, a través de una demanda cambiante o una mayor presión de costos, a través de la competencia o regulación gubernamental, etc.
Transición energética
¿Cómo puede la IA ayudar a que la transición energética sea más efectiva y eficiente? Se trata, entre otras cosas, del desarrollo de sistemas inteligentes para la integración de energías renovables en la red eléctrica y del control de sistemas energéticos descentralizados, en particular mediante el control de la demanda de electricidad. Para ello, los datos de consumo de hogares y empresas deben evaluarse y pronosticarse mediante IA.
Medio ambiente, sostenibilidad y movilidad
¿Cómo ayuda la IA a alcanzar los objetivos medioambientales y de sostenibilidad? Los sistemas de tráfico respaldados por IA pueden, por ejemplo, ayudar a optimizar los flujos de tráfico y así reducir el impacto ambiental. Las plataformas digitales impulsadas por IA pueden recomendar productos sostenibles. Cuando se trata de impactos ambientales, el consumo de energía de los propios sistemas de IA también juega un papel importante. Los efectos de rebote pueden anular los efectos del ahorro.
Área corporativa
¿Cómo se pueden hacer más eficientes los procesos de innovación en el sector empresarial a través de la IA? ¿Qué nuevos productos y servicios serán posibles mediante el uso de la IA? Como se explicó anteriormente, existe una variedad de usos posibles de la IA en el sector corporativo, aunque los efectos en el proceso de innovación en sí apenas están comenzando a reconocerse.
Sector salud
¿Qué contribución puede hacer la IA para lograr un sistema sanitario de mejor calidad y al mismo tiempo consciente de los costes? Además del uso mencionado de la IA para identificar ingredientes activos en el sector farmacéutico, la IA, en principio, puede utilizarse en muchos lugares del sector sanitario para mejorar la calidad de la atención. Aquí se analizan los cambios en la relación médico-paciente que resultan del uso de la IA para apoyar la toma de decisiones en el diagnóstico y la terapia.
Ciudades inteligentes y pueblos inteligentes
¿Cómo puede la IA contribuir a la realización de ciudades/pueblos inteligentes? Las ciudades y los lugares se vuelven “inteligentes” a través de subsistemas que se controlan y coordinan digitalmente en tiempo real. La IA puede mejorar la coordinación de subsistemas y crear conexiones que permanecen ocultas para los humanos (por ejemplo, entre los sistemas de transporte y energía). La planificación urbana también puede beneficiarse de la IA, por ejemplo, cuando predice la necesidad de nuevas viviendas o tiendas en determinadas partes de la ciudad mediante el análisis de datos demográficos y socioeconómicos.
Conclusión y preguntas abiertas
Después de observar los procesos de innovación en los niveles micro, meso y macro, surge la pregunta de qué conexiones existen entre estos niveles. En principio, se trata de unidades de análisis diferentes, que simplemente plantean la misma pregunta: «¿Cómo cambia la IA los respectivos procesos de innovación y transformación?». Una mirada más cercana muestra que los siguientes aspectos juegan un papel importante en los tres niveles:
- La disponibilidad y capacidad de conexión en red de grandes conjuntos de datos,
- La experiencia y el conocimiento en el manejo de big data y sistemas de aprendizaje,
- La solidez y confiabilidad de los análisis y pronósticos basados en IA también
- La confianza de los usuarios en los respectivos sistemas de IA.
- Estos (y otros) aspectos juegan un papel importante en la gestión operativa de la I+D, así como en el análisis de los procesos de difusión y la evaluación de los efectos de la innovación.
Además de los elementos de conexión, también hay preguntas abiertas que surgen en los tres niveles y que primero deben responderse de manera específica y en un segundo paso desde una perspectiva integral:
- ¿La IA simplemente acelera los procesos de innovación o el uso de la IA crea algo fundamentalmente nuevo? Como se muestra arriba, la IA se puede utilizar para ambos, aunque, por un lado, habría que definir dónde se encuentra exactamente el límite entre la mejora y las cosas nuevas y, por otro lado, en qué medida es necesaria la transferencia de conceptos de diferentes dominios. Ya un proceso creativo creó originalmente algo nuevo.
- ¿La innovación requiere una ruptura con el pasado o es suficiente derivar comportamientos futuros o nuevos conceptos a partir de datos del pasado? Debido a que las soluciones actuales de IA se basan en datos históricos o en tiempo real, todas las innovaciones de IA permanecen dentro de los espacios (de datos) dados. Se podría argumentar que las innovaciones decisivas y “fuera de lo común” requieren mirar más allá de los límites de los sistemas y los datos, una habilidad que todavía se atribuye exclusivamente a los humanos.
Por último, cabe señalar que todavía hay muy pocos casos de uso concretos que muestren exactamente cómo se ha utilizado la IA para crear o respaldar la innovación. Sólo con una base de datos más grande es posible identificar elementos comunes, requisitos consistentes y estrategias de mejores prácticas y encontrar respuestas a las preguntas generales.
