Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
AI Value Creators

AI Value Creators

Convierte los experimentos con IA en una ventaja operativa sin apostar el negocio a un solo modelo.
por Paul Zikopoulos 2025 297 páginas
3.66
44 valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Rediseña los flujos de trabajo en torno a la IA, en vez de añadirla a los procesos antiguos

Cambia el modelo operativo. El libro contrapone el enfoque «+IA», que añade IA a los procesos existentes, con «IA+», que parte de reconsiderar cómo debería hacerse el trabajo. Divide los flujos de trabajo en tareas más pequeñas, asigna a la IA las tareas rutinarias cuando corresponda y diseña las responsabilidades humanas en torno al nuevo proceso. Los autores comparan este momento con los primeros años de la internet pública: tener acceso a una herramienta nueva importa menos que lo que las organizaciones construyen con ella.

Empieza por los cimientos. La versión actualizada de la Escalera de IA comienza con una arquitectura de la información: los sistemas y las prácticas empleados para recopilar, organizar, proteger y gobernar los datos. A partir de ahí, las organizaciones pueden incorporar IA a las aplicaciones, automatizar flujos de trabajo y rediseñar procesos. El objetivo no es eliminar a las personas por defecto, sino dejar de tratar los procedimientos antiguos como inamovibles solo porque ya existen.

Análisis

Esta distinción es útil porque desvía la atención de la compra de modelos y la dirige hacia los cambios en el trabajo que estos modelos respaldan. También recuerda al rediseño de procesos en la investigación de operaciones: automatizar un proceso deficiente puede acelerar sus errores y hacer que cueste más detectarlos. El enfoque que prioriza la IA es más sólido cuando está ligado a un resultado claro y a un análisis cuidadoso de las tareas. No debería convertirse en un eslogan para eliminar el criterio humano de trabajos donde importan el contexto, la rendición de cuentas o el cuidado. La prueba práctica es si el proceso rediseñado mejora el servicio, la calidad o la capacidad, no si contiene más IA.

Convierte los datos propios en una ventaja, no en un insumo gratuito para el modelo de otra persona

Crea valor, no solo acceso. Los autores distinguen entre un usuario de IA, que depende de software con IA integrada o del modelo de otro proveedor, y un creador de valor con IA, que utiliza una plataforma para adaptar modelos con datos y mecanismos de gobernanza de la organización. Calculan que los LLM de uso común representan, como mucho, alrededor del 1 % de los datos empresariales, por lo que gran parte del conocimiento especializado queda fuera de ellos. L’Oréal, por ejemplo, está desarrollando un modelo privado para ayudar a sus investigadores a aprovechar sus conocimientos sobre formulaciones y materiales.

Elige cómo incorporar los datos. La generación aumentada por recuperación, o RAG, proporciona al modelo documentos pertinentes cuando responde a una pregunta. El ajuste fino modifica los parámetros del modelo mediante nuevos ejemplos. InstructLab ofrece una forma colaborativa de incorporar habilidades y conocimientos usando ejemplos seleccionados y datos de entrenamiento generados. Estos métodos responden a necesidades distintas. La información sensible o que cambia con frecuencia quizá convenga más recuperarla con controles de acceso que incorporarla a los pesos del modelo.

Análisis

La idea central es que la propiedad de los datos y el acceso a los modelos son formas distintas de poder. Una empresa puede usar un modelo público sin ceder su información más valiosa, pero solo si comprende las condiciones del proveedor, los controles de acceso y los flujos de datos. Los datos propios no constituyen automáticamente una ventaja competitiva: pueden estar desactualizados, sesgados o mal documentados. Su ventaja proviene de su pertinencia, calidad y uso responsable. Por tanto, la estrategia de datos más sólida combina el aprovechamiento competitivo con una gestión responsable, en lugar de tratar el secreto como una fuente de valor por sí solo.

Empieza por la automatización interna y luego reinvierte los ahorros en crecimiento

Clasifica el caso de negocio. El libro invita a los líderes a distinguir entre gastar para ahorrar, lo que denomina renovación, y gastar para generar ingresos, lo que denomina innovación. Luego clasifica el papel de la IA como automatización, optimización o predicción. Una empresa procesadora de papas, afectada por una enfermedad del cultivo, utilizó inspección y lavado asistidos por IA para reducir su dependencia de la escasa mano de obra manual y destinó después los ahorros a estrechar vínculos comerciales para la exportación y abrir nuevos mercados.

Adquiere experiencia de forma segura. Para las organizaciones que empiezan, los autores recomiendan automatizar tareas internas de bajo riesgo antes de abordar aplicaciones de cara al público o de alto impacto. Un asistente para reservar vacaciones de los empleados es un ejemplo: puede simplificar un engorroso proceso de recursos humanos, mientras que los errores se mantienen acotados y pueden corregirse. La estrategia general consiste en trasladar las tareas rutinarias a una etapa más temprana del proceso y luego utilizar el tiempo y el presupuesto liberados para cambios más ambiciosos. Los autores llaman a ese desplazamiento pasar de mover las tareas hacia la izquierda a moverlas hacia la derecha.

Análisis

Esta secuencia vincula la gestión de riesgos con la estrategia de inversión: un proyecto piloto interno puede desarrollar capacidades y, a la vez, ofrecer un beneficio operativo visible. También contrarresta la tendencia a evaluar la IA solo por la reducción de puestos de trabajo. Los ahorros son más valiosos cuando abren espacio para mejorar el servicio, crear productos nuevos o realizar trabajos más cualificados. Aun así, deben calcularse teniendo en cuenta el costo total de implementación, incluida la preparación de datos, la supervisión y el mantenimiento. Un piloto seguro que nunca se amplía puede terminar siendo otra demostración tecnológica, en lugar de una mejora empresarial.

Identifica patrones horizontales de IA antes de adaptarlos a tu sector

Reutiliza la capacidad subyacente. Muchas tareas de IA se repiten en distintos sectores: comprender el lenguaje, clasificar imágenes, resumir documentos y predecir patrones. Los autores las llaman aplicaciones horizontales porque un mismo patrón técnico puede servir a diferentes empresas. Sus ejemplos principales son la atención al cliente, el desarrollo de software y el trabajo digital, es decir, software que realiza junto con las personas partes sustanciales de un proceso laboral.

Pasa de las pruebas al valor. La curva de creación de valor con IA comienza con la experimentación, avanza hacia el uso de datos de la organización y llega a un punto de inflexión del valor, donde la automatización y el trabajo digital pueden impulsar cambios más amplios. Entre los ejemplos de distintos sectores figuran la detección temprana de úlceras del pie diabético, la asistencia de IA para reclutar participantes en ensayos clínicos y la fumigación de precisión dirigida a enfermedades de los cultivos. Los datos sintéticos —información generada artificialmente para complementar o reemplazar ejemplos reales— también pueden ayudar cuando hay necesidades de privacidad o escasez de datos de entrenamiento, aunque requieren controles de sesgo.

Análisis

Una perspectiva horizontal ayuda a las organizaciones a aprovechar patrones probados en lugar de inventar cada aplicación desde cero. Es parecido a identificar un mecanismo reutilizable en ingeniería antes de adaptarlo a las limitaciones locales. Sin embargo, una misma tarea técnica puede tener consecuencias muy distintas según el contexto: una clasificación errónea de imágenes en la industria manufacturera no equivale a una evaluación médica equivocada. La reutilización debería aplicarse a los componentes y al aprendizaje, no a los supuestos sobre el margen de error aceptable, la supervisión o el impacto. El conocimiento del sector sigue siendo esencial para determinar si una capacidad genérica resuelve realmente el problema.

Trata la confianza como infraestructura del producto, no como una casilla de cumplimiento normativo

Diseña para rendir cuentas. Las palancas de gobernanza del libro son la equidad, la robustez, la explicabilidad y la trazabilidad. La equidad implica comprobar si los sistemas tratan injustamente a ciertos grupos. La robustez se refiere a la resistencia frente a la manipulación y los fallos. La explicabilidad hace que las decisiones sean más comprensibles, mientras que la trazabilidad registra cómo se desarrollaron y mantuvieron los datos y los modelos. Estas salvaguardas importan porque los modelos pueden usar información desactualizada, inventar respuestas verosímiles o heredar sesgos de los datos de entrenamiento.

Haz visibles los riesgos. Un equipo jurídico mencionado en el libro se basó en citas de casos judiciales inventadas por un LLM y se enfrentó a sanciones por no haberlas verificado. Los autores también describen un modelo de contratación que puede evaluar injustamente a los candidatos y un chatbot de una aerolínea de cara al público que proporcionó información incorrecta sobre sus políticas. Abogan por gobernar todo el ciclo de vida del modelo, desde la propuesta y las pruebas hasta el despliegue y la supervisión continua, y por ajustar el nivel de supervisión al daño potencial de cada aplicación.

Análisis

La confianza no es solo una sensación de los usuarios; es una propiedad operativa que se construye con pruebas, controles y vías de reparación. Esto conecta la gobernanza de la IA con la ingeniería de seguridad, donde la fiabilidad depende de anticipar los modos de fallo, no de suponer que no ocurrirán. El libro acierta al insistir en una supervisión proporcional, pero su llamado a la explicabilidad requiere una interpretación práctica: no todos los modelos pueden ofrecer una justificación interna sencilla. La rendición de cuentas también puede apoyarse en fuentes rastreables, límites documentados, pruebas independientes y una vía clara para impugnar decisiones de gran trascendencia.

Mejora las capacidades de toda la plantilla, no solo las de unas pocas personas con inclinación técnica

Considera el aprendizaje una capacidad operativa. Los autores sostienen que las competencias en IA deben extenderse más allá de los científicos de datos e incluir a directivos, equipos de negocio y especialistas técnicos. Un programa duradero hace un inventario de las competencias, define niveles observables, ofrece formación específica para cada función y convierte la práctica y el acompañamiento en actividades habituales. Como los conocimientos técnicos quedan obsoletos rápidamente, una capacitación puntual no basta. El libro recomienda contratar personas curiosas y con fluidez digital, y ampliar la contratación más allá de los títulos e instituciones habituales.

Haz que el aprendizaje sea práctico. En el reto de habilidades de IBM, los empleados debían completar una formación y luego crear prototipos de IA. En 2024 participaron unos 160.000 empleados, que formaron alrededor de 30.000 equipos y presentaron más de 12.000 prototipos. Un proyecto redujo las consultas rutinarias dirigidas a un equipo de soporte de ingeniería de 116 horas de trabajo semanales a menos de dos minutos. Los autores también mencionan la historia de los cajeros automáticos: automatizar las transacciones de los cajeros cambió el puesto, mientras aumentaban el empleo de cajeros y los servicios bancarios.

Análisis

La afirmación más sólida del libro sobre la fuerza laboral es que desarrollar competencias forma parte del sistema tecnológico, no es un beneficio opcional que se añade después del despliegue. La práctica, el aprendizaje entre pares y las demostraciones visibles hacen más aprovechables los conocimientos abstractos. La comparación con los cajeros automáticos es sugerente, pero no demuestra que la IA vaya a preservar el empleo: las tecnologías son distintas y los costos de transición recaen de manera desigual en los trabajadores. Por eso, una estrategia responsable de formación necesita algo más que optimismo sobre los nuevos puestos. También requiere la participación de los trabajadores, tiempo para aprender, vías creíbles para incorporarse al trabajo cambiante y franqueza sobre las tareas que probablemente desaparecerán.

Sustituye la apuesta por un solo modelo por equipos eficientes de modelos especializados

Adapta el modelo a la tarea. El libro sostiene que ningún modelo será adecuado para todas las necesidades empresariales. Los modelos de lenguaje pequeños pueden ser más baratos de ejecutar y, cuando se entrenan con datos de alta calidad o específicos de un ámbito, pueden rendir muy bien en tareas concretas. Los autores describen la destilación de modelos, en la que un modelo grande genera ejemplos para enseñar a uno más pequeño, y el enrutamiento de modelos, en el que un sistema dirige cada solicitud al modelo que previsiblemente podrá gestionarla bien.

Aplica la especialización deliberadamente. Un modelo de mezcla de expertos contiene varios grupos de parámetros y activa solo algunos para cada solicitud. Esto puede reducir los costos de inferencia, aunque el beneficio depende de la carga de trabajo y del diseño del sistema. En un estudio citado sobre enrutamiento, una biblioteca de modelos alcanzó cerca del 72 % de precisión en las pruebas de referencia, frente al 68 % de un único modelo grande. Una biblioteca limitada a modelos de 13.000 millones de parámetros o menos llegó al 70 %, lo que muestra una posible disyuntiva entre eficiencia y rendimiento, no un reemplazo universal de los modelos más grandes.

Análisis

El paso de un solo modelo a una cartera se parece al diseño de carteras financieras y a los métodos de ensamble en estadística: el rendimiento depende de asignar las herramientas a las tareas, no de encontrar un ganador universal. Los modelos más pequeños pueden mejorar los costos, la velocidad y la flexibilidad de despliegue, pero los resultados en pruebas de referencia no garantizan fiabilidad en un entorno laboral concreto. La destilación también puede transmitir debilidades, deficiencias de seguridad o restricciones de licencias junto con las capacidades. Por tanto, la pregunta útil para la dirección no es simplemente qué modelo es el mejor, sino cuál es suficiente para cada tarea, con costos, riesgos y requisitos de supervisión aceptables.

Asigna a los agentes objetivos acotados, herramientas y autoridad supervisada por personas

Los agentes actúan para alcanzar resultados. Un agente de IA usa un modelo para planificar tareas, recurrir a herramientas como búsquedas web o bases de datos y revisar sus acciones para alcanzar un objetivo. A diferencia de un chatbot que responde a una instrucción cada vez, un agente puede coordinar varios pasos o modelos especializados. Entre los ejemplos del libro se encuentran redactar una entrada de blog y publicaciones relacionadas para redes sociales, apoyar la coordinación de ensayos clínicos y ayudar a analizar los tickets de atención al cliente.

La autonomía necesita límites. Los agentes pueden repetir acciones en ciclos costosos, exponer información sensible o realizar acciones que sus usuarios no pretendían. Los autores recomiendan registros de actividad, límites de ejecución, mecanismos de interrupción y comentarios de personas. Las acciones de gran impacto, como enviar comunicaciones masivas o transferir dinero, deberían requerir aprobación. El acceso debería limitarse a la información y las herramientas necesarias para la tarea, especialmente cuando varios agentes comparten trabajo entre sistemas sensibles.

Análisis

Los agentes desplazan el problema de diseño de la calidad de las respuestas a la autoridad delegada. Esto hace que se parezcan a empleados júnior: son útiles cuando los objetivos están claros, los permisos son limitados y alguien puede revisar el trabajo. La analogía también destaca una limitación. Los agentes no comparten la responsabilidad ni el criterio humanos, aunque sus resultados parezcan deliberados. Los registros y las instancias de aprobación ayudan, pero no compensan objetivos imprecisos ni un acceso excesivo. Un despliegue sólido empieza por definir qué puede hacer el agente, qué debe consultar antes y cómo puede una persona detener o revertir sus acciones.

Construye aplicaciones con LLM como software: con estructura, pruebas y entornos de ejecución

Ve más allá de las instrucciones interminables. La propuesta final del libro, la computación generativa, considera los modelos un nuevo componente de la computación, junto con la computación clásica y la cuántica. En vez de enviar a un modelo instrucciones de texto interminables, los desarrolladores podrían usar entradas estructuradas, memoria explícita, controles de seguridad y un entorno de ejecución que gestione las llamadas al modelo y sus resultados. Los autores sostienen que las aplicaciones actuales, centradas en instrucciones extensas, suelen volverse frágiles: pequeños cambios en la redacción pueden producir resultados inesperados, mientras que interpretar las respuestas del modelo añade complejidad.

Programa las capacidades. La alternativa propuesta consiste en definir capacidades mediante código reutilizable y generar ejemplos de entrenamiento para ellas, y luego incorporarlas a los modelos sin borrar las capacidades existentes. El enfoque conecta con el uso de recetas y ejemplos generados de InstructLab. Los autores también consideran que el razonamiento durante la inferencia y el hardware especializado forman parte de esta dirección, ya que los modelos podrían dedicar más recursos de cómputo a evaluar posibles respuestas. El concepto se presenta como una arquitectura emergente, no como una norma establecida.

Análisis

Esta propuesta replantea la IA generativa como una disciplina de ingeniería, en lugar de un truco conversacional. Las interfaces estructuradas, el manejo explícito de errores y los componentes reutilizables podrían facilitar las pruebas y el mantenimiento de las aplicaciones, como ocurrió con la maduración de la ingeniería de software en torno al diseño modular. El reto es que el comportamiento probabilístico no se vuelve totalmente predecible solo por incorporarlo a un entorno de ejecución. Una estructura mejor puede limitar y observar un sistema, pero no garantizar que diga la verdad. La visión más valiosa es la complementariedad: usar código convencional para un control exacto y modelos cuando resulten útiles el lenguaje, la ambigüedad o el reconocimiento flexible de patrones.

Análisis

El argumento central del libro es organizativo, no estrictamente técnico: una ventaja duradera surge al combinar modelos con datos propios, trabajo rediseñado, gobernanza y capacidades amplias entre los empleados. Su lógica empresarial sigue una secuencia. Empieza con tareas internas de bajo riesgo, aprende qué puede y qué no puede hacer el sistema, vuelve utilizables los datos mediante controles adecuados y luego amplía el uso a nuevos flujos de trabajo y servicios. Esta estrategia es más duradera que apostar por una versión concreta de un modelo, sobre todo en un campo donde los costos, las capacidades y los proveedores cambian rápidamente.

La tensión más importante se da entre la rapidez y la gestión responsable. Los autores instan a actuar con urgencia porque la productividad, la oferta de mano de obra y las condiciones competitivas presionan a las organizaciones. Al mismo tiempo, advierten que la IA puede inventar datos, reproducir injusticias, exponer información y aumentar los riesgos de seguridad. Esas ideas no se contradicen. Implican que el despliegue responsable debe integrarse en el ritmo de la experimentación: pruebas de bajo riesgo, responsabilidades claras, resultados medibles y mecanismos rápidos para detener las iniciativas. El libro es más sólido cuando traduce ese principio en decisiones operativas, como pruebas piloto internas, controles de acceso, supervisión de modelos y aprobación humana para las acciones de gran trascendencia.

El énfasis reiterado del libro en la apertura, las plataformas empresariales y la propiedad de los datos también refleja una perspectiva empresarial concreta. Los ecosistemas abiertos pueden ampliar la innovación y reducir la dependencia de un único proveedor, pero la apertura por sí sola no garantiza datos fiables, una gobernanza duradera ni resultados justos. Tampoco los datos propios otorgan automáticamente una ventaja significativa. La ventaja surge cuando las organizaciones pueden encontrar, validar, proteger y aplicar información pertinente mejor que sus competidores.

La contribución más amplia del libro consiste en proponer un cambio práctico en la unidad de análisis: dejar de preguntar si la IA puede realizar un trabajo y examinar qué componentes de un flujo de trabajo pueden automatizarse, aumentarse o rediseñarse. Ese enfoque vuelve más concreta la promesa y sitúa los riesgos en su contexto. También evita una falsa disyuntiva entre entusiasmo tecnológico y cautela. Las organizaciones pueden avanzar con rapidez y, aun así, distinguir entre una comodidad de poca importancia y las decisiones que afectan a la salud, el empleo, las finanzas o los derechos.

Resumen en 30 segundos
El valor empresarial duradero surge de rediseñar los flujos de trabajo en torno a la IA, no de limitarse a añadir herramientas a las rutinas existentes. Los datos de una organización pueden mejorar los sistemas especializados, pero deben organizarse, protegerse y combinarse con el método adecuado. Empieza con automatización interna de bajo riesgo, mide los resultados y luego reinvierte el ahorro en crecimiento. Los modelos especializados más pequeños pueden reducir los costos en tareas específicas. Un despliegue fiable también requiere supervisión durante todo el ciclo de vida, formación de la plantilla y aprobación humana para las acciones de agentes que tengan consecuencias importantes.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

3.66 de 5
Promedio de 44 valoraciones de Goodreads y Amazon.

No hay contenido para traducir. Por favor, proporcione el texto que desea que traduzca al español.

Tu valoración:
4.22
66 valoraciones
¿Quieres leer el libro completo?

Glosario

creador de valor con IA

Empresa que desarrolla soluciones de IA diferenciadas

Una organización que utiliza una plataforma de IA para combinar modelos, sus propios datos y mecanismos de gobernanza, y crear soluciones adaptadas a su negocio. En lugar de depender únicamente del modelo general de otro proveedor, puede personalizar modelos y controlar cómo se utilizan los datos, con el objetivo de crear y conservar valor específico para sus operaciones.

IA+ (IA como punto de partida)

Rediseño de flujos de trabajo que parte de la IA

Término del libro para el diseño de procesos empresariales que parte de la IA, en lugar de añadirla a procedimientos existentes. El enfoque divide el trabajo en tareas más pequeñas, identifica dónde puede contribuir la IA y rediseña los componentes humanos y automatizados de un flujo de trabajo en función de los resultados empresariales deseados.

arquitectura de la información

Sistemas para el uso gobernado de los datos

La base organizativa y técnica para recopilar, organizar, integrar, transformar, almacenar, proteger y gobernar los datos. En el marco del libro, una arquitectura de la información ayuda a que los datos empresariales sean lo suficientemente accesibles y fiables como para respaldar aplicaciones de IA y explicar sus resultados.

generación aumentada por recuperación (RAG)

Fundamentación de respuestas en información recuperada

Método en el que un sistema recupera información pertinente de una fuente externa, como una base de datos o un conjunto de documentos, y la añade a la instrucción que recibe un modelo. Así, el modelo puede utilizar ese contexto para producir una respuesta. Los parámetros del modelo no cambian y la información externa puede actualizarse sin volver a entrenarlo.

InstructLab

Personalización colaborativa de modelos

Enfoque de código abierto para añadir habilidades y conocimientos a modelos de lenguaje mediante contribuciones estructuradas. Quienes contribuyen proporcionan recetas basadas en ejemplos, que pueden generar datos sintéticos de entrenamiento para el alineamiento del modelo. El proceso busca que la personalización de modelos sea más accesible y colaborativa, y reducir el riesgo de que el nuevo entrenamiento elimine capacidades generales.

modelo de lenguaje pequeño

Modelo de lenguaje compacto capaz de realizar tareas

Un modelo de lenguaje más pequeño que muchos modelos de frontera, descrito a menudo en el libro como un modelo con menos de 13.000 millones de parámetros. Los modelos pequeños pueden costar menos de ejecutar y rendir bien en tareas específicas cuando se entrenan con datos de alta calidad o propios de un ámbito. Su utilidad depende de la tarea, el entrenamiento y la evaluación.

enrutamiento de modelos

Asignación de solicitudes a modelos adecuados

Sistema que selecciona entre los modelos disponibles para cada solicitud, según la idoneidad prevista para la tarea. Un enrutador puede dirigir tareas sencillas o especializadas a modelos más pequeños y económicos, y reservar los modelos más grandes para las tareas que los requieran. El objetivo es equilibrar la precisión, el costo, la velocidad y el uso de recursos.

mezcla de expertos (Mixture of Experts)

Activación selectiva de componentes del modelo

Arquitectura de modelo con distintos grupos de parámetros llamados expertos. Un mecanismo de enrutamiento activa un subconjunto de estos grupos para cada entrada, en lugar de utilizar todos los parámetros por igual. Esto puede mejorar la eficiencia de la inferencia, aunque el ahorro real depende de factores como el uso de memoria, el procesamiento por lotes y los expertos seleccionados.

trabajo digital

Software que realiza tareas de flujos de trabajo

Trabajo realizado por software que puede completar de forma autónoma partes importantes de procesos complejos, a menudo con ayuda de la IA para interpretar solicitudes, ordenar tareas e interactuar con otros sistemas. El trabajo digital está pensado para complementar el de las personas, encargándose de tareas rutinarias para que puedan centrarse en aquellas que requieren más criterio o conocimientos especializados.

computación generativa

Computación estructurada con modelos generativos

Paradigma informático propuesto en el libro, en el que los modelos de lenguaje funcionan como componentes de sistemas de software estructurados. En lugar de depender únicamente de instrucciones sin estructura, las aplicaciones utilizarían entornos de ejecución, entradas explícitas, memoria, comprobaciones de seguridad y capacidades de modelo reutilizables. La idea se presenta como una línea en desarrollo que complementa la computación convencional.

Sobre el autor

No hay contenido para traducir. Por favor, proporcione el texto que desea que traduzca al español.

Descargar PDF

Para guardar este resumen de AI Value Creators para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de AI Value Creators en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 25 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
1M+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...