Quantum Howl

Innovar con menos: lo que dice la evidencia sobre las restricciones

  • 5 min lectura
  • 945 palabras

La escasez no agudiza siempre el ingenio. Qué dice la investigación sobre restricciones e innovación, y qué significa para la IA que se ejecuta dentro de una or

Innovar con menos: lo que dice la evidencia sobre las restricciones

Se repite mucho que la escasez agudiza el ingenio. Nosotros mismos lo hemos dicho: construir IA que tiene que caber en el servidor de una organización obliga a pensar antes de construir. Hemos ido a ver qué dice la investigación, y la respuesta es más matizada que el eslogan.

Ayudan, hasta cierto punto

La revisión más completa sobre el tema analizó 145 estudios empíricos de varias disciplinas. Su conclusión es que la relación entre restricciones e innovación tiene forma de U invertida: algo de restricción ayuda y demasiada perjudica (Acar, Tarakci y van Knippenberg, 2019).

Los autores distinguen tres tipos de restricción: las de entrada, como el dinero o el tiempo; las de proceso, que fijan cómo se trabaja; y las de resultado, que fijan qué debe cumplir lo que se entrega. También importa cómo se viven. La misma limitación puede leerse como un reto o como un control impuesto desde fuera, y el efecto no es el mismo.

El mecanismo está descrito en experimentos. Cuando la escasez se hace presente, las personas dejan de usar las cosas solo para lo que fueron pensadas y encuentran soluciones más novedosas (Mehta y Zhu, 2016). Son experimentos con consumidores, no con empresas, y conviene no estirarlos.

De aquí no sale que tener menos sea mejor. Sale que hay un tramo en el que una limitación ayuda, y que pasado ese tramo estorba.

En IA, la restricción empuja a especializar

Aquí la evidencia es más directa. Un estudio que midió el consumo de decenas de modelos concluye que los de uso general gastan órdenes de magnitud más que los hechos para una tarea. Mil clasificaciones de texto consumen de media 0,002 kWh; mil textos generados, 0,047 kWh; mil imágenes generadas, 2,907 kWh (Luccioni, Jernite y Strubell, 2024).

Y lo pequeño ya llega lejos:

  • Menos parámetros para el mismo resultado. El modelo más pequeño capaz de superar el 60 % en una prueba de referencia tenía 540.000 millones de parámetros en 2022 y 3.800 millones en 2024: 142 veces menos (Stanford HAI, AI Index 2025).
  • Destilar funciona. Una versión reducida de un modelo conocido conserva el 97 % de su comprensión siendo un 40 % más pequeña y un 60 % más rápida (Sanh y otros, 2019).
  • Encadenar modelos también. Empezar por el más barato y subir solo cuando hace falta puede igualar al mejor modelo con hasta un 98 % menos de coste (Chen, Zaharia y Zou, 2023).

Un matiz: el mismo informe de Stanford recoge que el coste de usar un modelo de cierto nivel cayó más de 280 veces en dos años. Esa caída abarata lo pequeño y lo local, pero abarata igual la nube.

Lo que se paga por ir en local

Sería deshonesto contar solo la mitad. Ejecutar la IA dentro de la organización tiene dos costes medidos.

  • Se va por detrás. Los modelos abiertos que caben en un equipo propio igualan a los más avanzados con entre 6 y 12 meses de retraso, según la prueba que se mire. Los autores avisan de que el retraso real puede ser mayor, porque los modelos pequeños tienden a estar afinados para las pruebas con las que se les mide (Epoch AI, 2025).
  • Se gasta más energía por consulta. Con el mismo modelo, el equipo local rinde al menos 1,4 veces menos por vatio que el de un centro de datos (Saad-Falcon y otros, 2025). La nube a gran escala es muy eficiente: Google mide 0,24 Wh por consulta mediana de texto, 33 veces menos que un año antes, según sus propios datos (Elsworth y otros, 2025).

El argumento de que lo local ahorra energía, por tanto, no se sostiene. No hemos encontrado ninguna comparación independiente que lo respalde.

El que sí se sostiene es otro. Ese mismo estudio de Stanford probó más de veinte modelos locales con un millón de consultas reales, y respondieron bien el 88,7 %. Dos años antes cubrían el 23,2 %. Para la mayor parte del trabajo cotidiano, lo que cabe en casa ya basta.

Nuestra experiencia

Esto último no es un hallazgo de la literatura. Es lo que hemos vivido, y lo contamos como tal.

Cuando el modelo tiene que caber en una máquina concreta, un problema no se resuelve añadiendo capacidad. Hay que elegir la tarea, comparar modelos con una prueba definida de antemano y medir la respuesta. Lo contamos al elegir modelo para imagen dental, al ajustar el tiempo de respuesta en local y al explicar por qué nuestra IA dental vive en la clínica.

No tenemos un estudio que demuestre que trabajar así produce mejores sistemas. Tenemos los nuestros, y la constatación de que casi todas las decisiones que luego agradecimos salieron de una pregunta incómoda: ¿esto cabe?

En resumen

  • La restricción no sustituye al presupuesto, y con demasiado poco tampoco se innova.
  • En IA, ir en local cuesta entre medio año y un año de retraso y algo más de energía por consulta.
  • A cambio, obliga a especializar y a medir, y los modelos que caben ya resuelven la gran mayoría de las consultas reales.

Fuentes

Recibe cada publicación

Los nuevos capítulos e informes, por correo. Sin publicidad.