En un contexto donde la inteligencia artificial (IA) modela el futuro de las industrias, el diferencial competitivo no solo reside en los algoritmos que sustentan la IA, sino también en la calidad, diversidad e integridad de los datos que la alimentan.
Una frase que tiene hoy más valor que nunca y que un alumni del Colegio Suizo de Madrid, José Parra-Moyano, argumenta en un interesantísimo artículo para IMD, donde imparte clases en diversos programas, como el MBA y los programas de Finanzas Estratégicas, abordando temas como inteligencia artificial, estrategia e innovación.
El ahora profesor de Estrategia Digital y miembro de la Comunidad Global de Formadores de Cambio del Foro Económico Mundial, subraya en el artículo que, aunque el mundo cuenta con una gran abundancia de datos, el acceso a información de alta calidad necesaria para entrenar modelos de IA generativos es un desafío. Las empresas que dependen de soluciones de IA genéricas se encuentran en desventaja, ya que estos modelos carecen de los conocimientos específicos necesarios para una ventaja competitiva real.
Parra, que apareció en la lista de Forbes «30 menores de 30» de destacados jóvenes emprendedores en Suiza, recuerda que las organizaciones deben entrenar su IA con datos propios y únicos que revelen perspectivas exclusivas. Aquellos que controlan datos propios de alta calidad tienen el poder de dirigir los sistemas de IA que generan más valor. Sin embargo, la cantidad de datos necesarios para ajustar finamente una IA existente o entrenar una desde cero representa un obstáculo para muchas organizaciones.
En este escenario, apunta, surge un enfoque innovador que permite a las empresas mejorar sus capacidades de IA de manera colaborativa y respetando estrictos estándares de privacidad. En lugar de acumular grandes cantidades de datos, ahora es posible llevar el algoritmo a ellos. La computación segura multiparte es una metodología que facilita el entrenamiento de modelos de IA utilizando datos descentralizados, preservando la privacidad y seguridad al aprender localmente y agregar centralmente solo las mejoras del modelo, sin transferir datos crudos.
Este enfoque no solo protege la privacidad y seguridad de los datos, sino que también permite que la IA aprenda de conjuntos de datos diversos que de otra manera serían inaccesibles debido a preocupaciones de privacidad o restricciones regulatorias. Al aprovechar la computación segura multiparte, las organizaciones pueden beneficiarse mutuamente, enriqueciendo sus modelos de IA mientras respetan la confidencialidad y privacidad de los datos.
Las cooperativas de datos surgen como una forma innovadora de aprovechar el valor de los datos, respetando la privacidad individual y ofreciendo beneficios colectivos. Estas cooperativas, impulsadas por leyes de privacidad como el GDPR de la Unión Europea y la CCPA de California, permiten a los ciudadanos compartir y gestionar voluntariamente sus datos para beneficio mutuo. Utilizando la computación segura multiparte, estas cooperativas pueden monetizar los datos sin comprometer la privacidad individual.
Ejemplos como MIDATA en Suiza, centrada en datos de salud, y Swash, que permite la monetización de datos a través de la computación segura multiparte, ilustran cómo estas organizaciones respetan la privacidad individual mientras generan beneficios colectivos. En un mundo donde la demanda de datos para mejorar las IA es creciente, las cooperativas de datos están destinadas a ser actores clave en la economía digital. Estas organizaciones ofrecen una nueva forma de abordar los desafíos y oportunidades del uso de la IA, representando una reorganización en el panorama competitivo.
En definitiva, concluye, los líderes empresariales deben prestar atención a estas organizaciones emergentes, ya que moldearán el futuro de la inteligencia artificial y la competitividad empresarial.
