En 2022, Heinz realizó un experimento: pidió a un modelo de inteligencia artificial (IA) generativa que dibujara “Ketchup”. Repetidamente, ocurría que se generaban imágenes de botellas que recordaban a Heinz e incluso incluían la marca explícitamente. Con una sola palabra, la máquina activaba asociaciones de marca construidas durante décadas. Aprovechando este resultado, se diseñó la exitosa campaña de márketing llamada “Heinz AI Ketchup”. Esto demostró que la IA no solo produce imágenes, sino que también puede potenciar el valor de activos intangibles como una marca.

¿Qué hay detrás de ese “truco”? La IA generativa predice qué palabra (o píxel) viene después según patrones aprendidos. Esto es, no “piensa” como un humano, sino que modela la distribución de los datos de entrenamiento para generar contenido a partir de patrones aprendidos. Esto contrasta con la IA discriminativa, que no genera, sino que clasifica; traza límites entre categorías (por ejemplo, “auto” vs. “no auto”) y suele ser más eficiente para decidir con pocos recursos.

Este contraste se aprecia mejor al mirar cómo trabaja cada una. La IA generativa imita a un escritor o diseñador: predice qué viene después, ya sea palabra, nota musical o píxel, y con ello puede crear un cuento, una melodía o una imagen. Un modelo de este tipo aprende, por ejemplo, que los autos suelen tener cuatro ruedas o que los ojos se ubican bajo las cejas, y con esas regularidades compone resultados plausibles. La IA discriminativa, en cambio, se parece más a un árbitro: no inventa nada nuevo, sino que clasifica lo que ve. Puede distinguir entre “auto” y “no auto”, o entre “fraude” y “no fraude” a partir de patrones financieros.

Ahora, el lado B de la IA generativa: las alucinaciones. Como la IA generativa optimiza la plausibilidad, puede inventar datos con convicción. Por eso, la verificación humana pasa a ser un requisito, sobre todo cuando hay riesgo reputacional, regulatorio o de seguridad. La recomendación práctica es implementar un flujo de revisión humana considerando (a) el riesgo para la empresa cuando ocurren errores y (b) la demanda o frecuencia con que se necesita realizar el proceso (ver Figura 1).

En situaciones de bajo riesgo y alta demanda, la IA puede acelerar muchísimo las tareas o procesos; en situaciones de alto riesgo, se debe usar con supervisión estricta.

La lección de Heinz es táctica y estratégica. Táctica, porque muestra cómo se pueden prototipar ideas creativas en poco tiempo. Estratégica, porque ilustra que la IA ayuda a multiplicar tanto lo que tienes como lo que no tienes. Lamentablemente, si tu marca es débil o tus datos son pobres, el algoritmo no te ayudará a crear valor. A su vez, la implementación debe combinar personas y modelos: generar, evaluar, ajustar y volver a entrenar con nueva retroalimentación. La creatividad ya es híbrida: humanos que deciden y máquinas que exploran el espacio de posibilidades a gran velocidad.

A las empresas que recién comienzan a usar la IA generativa, nuestro consejo es que comiencen utilizando esta herramienta como apoyo cuando los costos de un error sean bajos y los beneficios, frecuentes (por ejemplo, ideación, resúmenes preliminares y borradores internos), documentando qué funciona y por qué. A medida que se gane precisión y control, se puede avanzar hacia tareas más sofisticadas y sensibles.

Diplomado en Data-driven management: modelos y casos de negocio acá.

Este artículo fue publicado el día martes 7 de octubre, en El Mercurio.