Aunque este enfoque resolvió problemas iniciales, con el tiempo generó un ecosistema fragmentado y costoso de mantener. Su principal limitación es la redundancia. Es decir, la generación múltiples modelos aislados que consumen recursos para aprender, de manera independiente, el mismo comportamiento o entidad del usuario, sin compartir sus hallazgos. Además, debido a limitaciones de latencia y costo de entrenamiento, estos sistemas suelen padecer una suerte de amnesia estructural, ignorando el historial de largo plazo para centrarse solo en la ventana de interacciones más reciente.
La llegada de los Large Language Models (LLMs) demostró el potencial de cambiar esta dinámica mediante los Foundation Models (modelos fundacionales). En lugar de entrenar decenas de sistemas específicos desde cero, se entrena un único modelo masivo de manera semi-supervisada con una tarea general de predicción de secuencia. Así, el modelo aprende una representación profunda y unificada de los datos fundamentales del negocio, sirviendo como una plataforma común que provee embeddings (vectores de representación matemática de las interacciones) o se adapta mediante un ajuste preciso para alimentar a múltiples aplicaciones secundarias (downstream).
Un ejemplo paradigmático es el chatbot de atención al cliente. Las compañías pueden montar una plataforma de atención multimodal, capaz de comprender texto, audio e imágenes, que además de responder a consultas “mal” formuladas puede generar las respuestas a medida de cada una de ellas, interactuar en forma directa con el resto de los sistemas de la empresa, y compilar todas ellas en un sumario de estadísticas de atención al cliente.
Otro ejemplo es el de aplicación financiera. Un banco tradicional suele emplear modelos separados para recomendar préstamos, detectar fraude transaccional y personalizar la experiencia en su app. Al migrar hacia un modelo fundacional de cliente, la entidad puede centralizar en una sola secuencia cronológica transacciones, visitas a sucursales, navegación móvil e interacciones telefónicas. De este modo, se aprende una representación rica y coherente del ciclo de vida financiero del cliente que nutre de forma directa a todas las unidades de negocio. Esto optimiza drásticamente los datos y unifica la experiencia del cliente.
De igual manera, un modelo fundacional de LLM mejora la logística de una empresa al administrar y pronosticar inventarios, y al calcular tiempos de entrega en base a rutas de entrega que optimiza sobre la marcha. O compila toda la información cruzada que una institución médica tiene sobre sus pacientes, incluyendo las anotaciones de los médicos, en una base de datos estandarizada, que suma los análisis y demás procedimientos, y que puede generar informes detallados en lenguaje no técnico para los pacientes, liberando a los médicos para otras tareas.
El fuerte de los modelos funcionales, sin embargo, está en su flexibilidad. Se pueden implementar en cualquier proceso que hasta ahora involucrara el intercambio de datos entre aplicaciones y servicios separados, y no siempre estandarizados, y reemplazarlos por un sistema unificado que además de aprender qué hace cada herramienta, es capaz de cruzar los datos en formas innovadoras y, al mismo tiempo, más eficientes que antes.
El despliegue en producción de estos sistemas compartidos tiene sus propios desafíos. Al actualizar el modelo fundacional, los re-entrenamientos pueden actuar como una suerte de “reinicio” del sistema, rompiendo en silencio las conexiones que ya existían con otras aplicaciones, por lo que es recomendable hacer un seguimiento cercano del funcionamiento de la plataforma.
Centralizar en un modelo fundacional permite a las empresas eliminar redundancias operativas, mitigar la fragmentación y aprovechar el potencial completo de sus datos históricos.