Victoria Gómez: «La inteligencia artificial tiene que ser responsable, transparente y explicable»

Desde los primeros sistemas expertos hasta el desarrollo del machine learning, el deep learning y, más recientemente, la inteligencia artificial generativa, IBM ha sido un actor clave en el avance tecnológico global. Contamos con los mayores centros de investigación de una empresa privada a nivel mundial y hemos sido líderes en patentes durante más de 30 años consecutivos en todos los ámbitos; también en el de la IA, lo que para mí es un orgullo. Esta sólida trayectoria nos ha ido permitiendo desarrollar tecnologías que reducen drásticamente los tiempos de implementación: hoy, los pilotos de proyectos pueden llevarse a cabo en solo 4 a 6 semanas, gracias al trabajo del equipo IBM Client Engineering, que diseña e implementa soluciones a gran velocidad.

El enfoque fail fast, learn fast -falla rápido, aprende rápido, en inglés-. Esta metodología nos permite experimentar rápidamente, detectar errores de forma temprana y acotada en entornos controlados, y ajustar las estrategias con agilidad, lo que resulta esencial para quienes trabajan con tecnologías emergentes. En cuanto al vínculo entre inteligencia artificial y movilidad, hay que destacar el potencial transformador que tienen los modelos geoespaciales. Estas herramientas permiten diseñar soluciones que optimizan rutas, mejoran la eficiencia de procesos y reducen el impacto ambiental. Desde IBM, consideramos que este tipo de aplicaciones pueden ser especialmente útiles para compañías que buscan avanzar en su compromiso con el desarrollo sostenible, aportando datos e inteligencia para la toma de decisiones más responsables y eficientes.

Hemos estado trabajando en distintos proyectos y pilotos que demuestran cómo la inteligencia artificial puede transformar tanto la experiencia del cliente como los modelos de negocio. En IBM no solo aplicamos modelos existentes, sino que desarrollamos los nuestros desde el origen, lo que nos permite adaptarlos a las necesidades específicas de cada industria. Por ejemplo, hemos colaborado con equipos en Alemania, como Audi y Smart, para mejorar la interacción con los usuarios y optimizar su experiencia.

Luego, más allá de los conocidos modelos de lenguaje —los llamados LLMs (Large Language Models)—, estamos liderando la creación de modelos fundacionales especializados en otras áreas. Un ejemplo es la colaboración con L’Oréal, con quienes hemos desarrollado un modelo de IA generativa especializado en química pensado para acelerar el desarrollo de cosméticos más sostenibles. Y junto a la NASA hemos desarrollado el modelo geoespacial más grande del mundo hasta la fecha, construido a partir de sus misiones espaciales. También hemos anunciado una colaboración con la Agencia Espacial Europea (ESA) para generar otro modelo de datos geoespaciales.

Hay algunos ejemplos muy aplicables. En Oriente Medio, se están utilizando para detectar islas de calor; es decir, zonas urbanas que, por cómo están construidas, retienen el calor durante la noche. Así es posible mejorar la planificación urbana. También se emplean para iniciativas de reforestación, ayudando a calcular el carbono secuestrado en ciertas áreas y optimizando así la compensación de emisiones. Y, por supuesto, pueden ser útiles en el desarrollo de soluciones de movilidad más sostenibles, aplicando estos datos a la planificación de infraestructuras o rutas más eficientes. Todos demuestran cómo la IA, bien aplicada, puede ser una aliada poderosa para avanzar en sostenibilidad.

Tenemos que pensar que la tecnología es una combinación de infraestructura (hardware) y algoritmos (software). En IBM estamos centrados en desarrollar procesadores más eficientes para el uso de inteligencia artificial. Nuestro foco está en reducir el consumo energético y los recursos necesarios en los centros de datos, apostando por una IA más eficiente y sostenible.

Desde el inicio, hemos priorizado modelos de lenguaje más pequeños, conocidos como Small Language Models (SLM), frente a los grandes modelos del sector (Large Language Models o LLM). Los SML reducen significativamente el consumo y las emisiones de CO₂, pero también presentan ventajas técnicas importantes: disminuyen el riesgo de “alucinaciones” —errores generados por la IA al combinar datos de forma incorrecta— y mejoran la transparencia. Esto último es clave para desarrollar una inteligencia artificial más gobernable, trazable y responsable.

Una de las grandes protagonistas de 2024 fue la arquitectura RAG (Retrieval-Augmented Generation), que permite hacer búsquedas semánticas sobre grandes volúmenes de texto. Un ejemplo potente es el del Sevilla FC, con más de 350.000 informes de ojeadores escritos en lenguaje natural. Gracias a esta tecnología, pueden hacer búsquedas por concepto —como un “delantero tanque”— aunque esas palabras no aparezcan literalmente. Esto no solo aplica al fútbol: también en sectores como legal, atención al cliente o RRHH, donde hay enormes cantidades de texto no estructurado. Otra gran tendencia es la IA multimodal, que combina visión e idioma. Ya existen sistemas capaces de leer un informe con gráficos, interpretarlos y explicarlos en lenguaje natural, identificando tendencias o anomalías.

Y mirando a 2025, ya estamos viendo agentes de IA que no solo responden, sino que planifican y actúan. En IBM, por ejemplo, ya usamos agentes en recursos humanos, compras o ventas. Yo misma pido vacaciones simplemente hablando con un agente que lo gestiona todo automáticamente. Esto no es futuro: ya está ocurriendo.

Ante estos avances, el gran reto es mantener la confianza. Una IA de confianza se basa en tres pilares: privacidad, transparencia y explicabilidad. Y esto ya no es opcional: el nuevo Reglamento Europeo de IA impone estándares claros, sobre todo para sistemas de alto riesgo. Además, como la IA ya no es solo cosa de tecnología, se vuelve imprescindible establecer una gobernanza real, desde el diseño hasta la supervisión continua del sistema.

Partir de tus prioridades estratégicas. El caso de uso no lo define el proveedor, lo define tu negocio. Puedes tener la tecnología adecuada -hardware, software, datos de calidad, etcétera- pero sin buenos datos, ningún modelo funciona. Y, sobre todo, las personas: es fundamental involucrarlas desde el principio para que aprendan a convivir con la IA. De lo contrario, el proyecto puede acabar en un cajón. La gestión adecuada del cambio es fundamental. En conclusión, usar inteligencia artificial es una cosa; escalarla de forma responsable y con impacto real, es otra muy distinta. ¡Y en IBM podemos ayudaros a conseguirlo!