El timing estratégico de la innovación en machine learning

Vivimos un tiempo acelerado de innovación en tecnología digital y en especial en inteligencia artificial y, mas en especial todavía, en el campo de la Inteligencia Artificial generativa.

Nos preguntamos: adoptando una visión estratégica, ¿Cómo de importante es, para un fabricante, darse prisa y llegar el primero al mercado? 

El valor estratégico del timing en innovación

Tendemos a pensar que, en materia de innovación, especialmente innovación tecnológica, el llegar los primeros, ser lo que se denomina un 'first mover', es fundamental. 

Pero como muy bien se explica en el libro 'Strategic Management of Technological Innovation' de Melissa Schilling que ya comentamos hace bastante tiempo, ser el primero tiene ventajas, pero también desventajas.

Entre las ventajas, Schilling, apunta las siguientes:

• Lealtad a la marca y liderazgo tecnológico: ya que se puede conseguir un prestigio duradero y una fidelidad a la marca si se es el primero en entrar y, además, esa posición de líder permite moldear las expectativas acerca de as prestaciones, precios etc de la tecnología


• Prioridad sobre recursos escasos: ser el primero permite capturar recursos escasos como localizaciones, permisos gubernamentales, canales de distribución, etc


• Explotar los costes de cambio del comprador: cambiar de tecnología implica costes (formación, complementos, etc) que los compradores pueden preferir no pagar y quedarse con la primera tecnología que han probado y adquirido.


• Conseguir retornos crecientes: por ejemplo externalidades de red e incluso posicionarse como el llamado diseño dominante.

y, entre las desventajas, éstas otras:

• Mayores gastos de Investigación y Desarrollo: y no solo los de la tecnología propiamente dicha sino, presumiblemente, la exploración de otros caminos que resultaron fallidos.


• Canales de distribución y aprovisionamiento no desarrollados


• Tecnologías habilitadoras o complementos inmaduros: puesto que con frecuencia, se depende de terceros que desarrollen tecnologías habilitadoras y éstos pueden no hacerlo o estar retrasados.


• Incertidumbre acerca de los requisitos o intereses de los clientes: incertidumbre sobre lo que los consumidores realmente quieren o están dispuestos a comprar, que es el 'driver' que ha conducido a enfoques de la innovación como Lean Startup o Design Thinking.

Machine learning y momento de entrada

¿Y en el caso de la inteligencia artificial en general y el machine learning en particular?

En principio, a grandes rasgos, no veo motivos para que no podamos aplicar los mismos criterios aportados por Schilling aunque, evidentemente, adaptados puesto que, por ejemplo, en el caso del machine learning las materias primas no parecen tener especial relevancia y, probablemente, los canales de distribución tampoco demasiada.

Sin embargo, lo que quería comentar, la verdadera motivación para escribir este post es exponer el razonamiento que, al respecto, hacen Ajay Agrawal, Joshua Gans y Avi Goldfarb, en su libro 'Power and prediction: the disruptive economics of Artificial Intelligence', 

En él, afirman sin ambages:

AI confers advantage to first movers

Pero su razonamiento difiere bastante del hecho por Schilling y se centra en el aprendizaje. Su argumentación es:

AI learns, and the sooner it is deployed, the sooner it can begin to learn. The more it learns, the better it gets in terms of prediction and accuracy. The better it gets, the more effective the new system is.

Es decir, ser los primeros en un algoritmo, permite comenzar a aprender antes, convertirse en mejor algoritmo y, se entiende, aunque no se explicita, eso da una ventaja competitiva que se supone se traduce en resultados comerciales.

Tengo que decir que el argumento me ha resultado interesante y muy llamativo...pero no me convence del todo.

Primero una advertencia conceptual: los autores, como muchos otros autores de todo tipo y como muchas personas, parecen tener una visión de la inteligencia artificial algo reduccionista que la confina al ámbito de los algoritmos que aprenden en base a datos (básicamente el 'machine learning que por eso es el término que utilizo en el título de este post en lugar de Inteligencia Artificial que apuntan los autores). En parte debido a eso, los autores caen, en mi opinión, en un segundo reduccionismo al contemplar los algoritmos de machine learning como meras herramientas de predicción. 

Apuntado eso, vamos a olvidarnos de esa 'pega' y admitir pulpo como animal de compañía.

Aún así, creo que, aunque interesante, el argumento es débil. En primer lugar, hoy en día muchos algoritmos se pueden entrenar a gran escala sin necesidad de hacerlos públicos o lanzarlos comercialmente (por ejemplo, el caso de GPT-3 entrenado con base en la wikipedia, webs y libros públicos). No es necesario, en muchos casos (no digo que en todos), lanzar un algoritmo al mercado para acceder a datos de sobra para aprender.

Y, aunque sí cabe admitir que el hecho de que el algoritmo sea mejor, le da posicionamiento competitivo, sabemos que no siempre es así o que esa 'calidad' no necesariamente es determinante del éxito.

Es decir, en mi opinión, y aunque en ocasiones ese llegar el primero al mercado sí puede operar en el sentido de dar mejor acceso al aprendizaje y la obtención de un mejor algoritmo que tenga más éxito comercial, no me parece que sea un argumento generalizable ni una receta clara de éxito en todos los casos, como parecen entender los autores.

A cambio, se olvidan de algún factor de los que apunta Schilling como la lealtad a la marca, el liderazgo tecnológico, los costes de cambio o, simplemente, la imagen. 

Una digresión sobre ChatGPT

Aunque no me atrevo a hacer un diagnóstico definitivo sobre el caso de OpenAI y su ChatGPT, creo que su mayor éxito, supuesto que les concedamos el reconocimiento como 'first mover' (lo cual también es discutible puesto que la arquitectura Transformer y los grandes modelos de lenguaje ya existían antes del lanzamiento de ChatGPT) y supuesto, no tengo datos de resultados comerciales para valarlo, que realmente el éxito mediático se haya traducido en éxito de negocio, el valor de ser el primero vendría más bien de elementos como el marketing y la demostración de liderazgo, que de ganar acceso a datos para el entrenamiento. 

Y, además, se lo podía permitir por ser OpenAI. Ya vimos las consecuencias de que Google, intentara emular rápidamente el movimiento de integrar los LLM con el buscador (cosa que ha hecho Microsoft con la integración en Bing). Ahí Google estaría actuando, realmente, no como 'first mover' sino como 'fast follower' y aún así su primer movimiento fue fallido. Y eso es así, por las circunstancias de Google, líder en buscadores y donde, quizá, los experimentos había que hacerlos con 'gaseosa'.

Conclusiones

Resulta interesante el razonamiento que apunta al interés de ser 'first mover' en machine learning como una forma de ganar acceso a datos y con ello mejorar el entrenamiento y la calidad del algoritmo, pero no parece que sea, al menos en mi opinión, un argumento ni definitivo ni generalizable y probablemente debamos tener en cuenta otros factores que nos aporta la visión de la innovación estratégica.