Durante los últimos años hemos sido testigos de cómo los grandes modelos de inteligencia artificial generativa (como ChatGPT, Gemini, o Claude) han acaparado titulares y revolucionado múltiples sectores. No obstante, el contexto está evolucionando rápidamente.
Según Gartner, actualmente menos del 1 % de los modelos de IA generativa utilizados en las organizaciones están enfocados en un sector o departamento específico, pero se espera que esta proporción supere el 50 % en 2027. Este cambio anuncia una transición decisiva: de los modelos generalistas hacia soluciones verticales hechas a medida, capaces de atender con mayor precisión las necesidades de industrias como la sanidad, la ingeniería, los servicios profesionales o la educación.
Además del crecimiento en modelos verticales, la consultora también estima que para 2026, el 75 % de las empresas usarán IA generativa para generar datos sintéticos, lo que facilita el entrenamiento de modelos propios con mejor privacidad y calidad de datos.
Este cambio marca una transición crucial desde un enfoque “one-size-fits-all” hacia un ecosistema más segmentado, en el que proliferan modelos verticales entrenados para actuar con mayor precisión en sectores concretos como salud, legal, ingeniería o educación. ¿Qué está impulsando esta tendencia? ¿Y qué implicaciones tiene para las empresas, los profesionales y el futuro del talento tecnológico?
Aunque los modelos generalistas han sido clave para popularizar la inteligencia artificial generativa, muestran claras limitaciones en tareas especializadas. Su capacidad para generar textos gramaticalmente correctos no se traduce necesariamente en comprensión profunda ni en precisión técnica, lo que puede comprometer su fiabilidad. Sin ir más lejos, un estudio desarrollado por PyNetLabs este mismo año, determinó que, en el ámbito legal, los modelos generalistas presentan una tasa de alucinaciones entre el 58 % y el 82 % al responder consultas jurídicas, lo que refleja su escasa fiabilidad en entornos reglados
Aquí es donde los modelos verticales ganan terreno. Al ser entrenados con datos especializados de un dominio específico, pueden ofrecer respuestas más fiables y disminuir notablemente los riesgos de alucinación. En el terreno del derecho, la plataforma Harvey AI, entrenada con jurisprudencia y normativa jurídica, ha logrado tasas de precisión superiores al 94 % en tareas como Q&A documental, complementando el trabajo de los abogados en un gran número de tareas rutinarias.
En sanidad, modelos como Med-PaLM 2 que han sido entrenados con imágenes médicas, historiales y datos genómicos, ya muestran un gran potencial como soporte al diagnóstico. Y en el financiero, BloombergGPT, un modelo que cuenta con 700.000 millones de tokens procedentes de datos de mercado, se ha convertido en referencia para tareas como análisis del riesgo, generación de informes o detección de anomalías en tiempo real.
Uno de los beneficios más notables de los modelos verticales es su ligereza: son significativamente más compactos, lo que se traduce en costes de entrenamiento e inferencia mucho más bajos y los hace accesibles para organizaciones con recursos limitados.
En lugar de depender de un único modelo “único para todo”, muchas empresas están optando por arquitecturas modulares, compuestas por distintos modelos específicos por departamento. Esta estrategia facilita una integración más flexible, escalable y fácil de gobernar, reduciendo al mismo tiempo los riesgos relacionados con la privacidad, los sesgos y el uso inapropiado de la tecnología. En este sentido, merece la pena destacar un estudio elaborado por Invisible Technologies en el que se concluye que los modelos “small” (SLM) pueden tener una reducción del 90 % en los costes operativos y ofrecer respuestas hasta 10 veces más rápidas que los LLMs.
Esta especialización también redefine los perfiles profesionales demandados. La era de la IA vertical exigirá científicos de datos con experiencia sectorial, capaces de seleccionar, afinar y evaluar modelos usando corpus técnicos específicos.
Además, expertos funcionales (juristas, médicos, docentes o ingenieros) con formación en IA participarán activamente en el entrenamiento, validación y gobernanza de estos sistemas. Estos perfiles híbridos darán forma a equipos multidisciplinares que entiendan tanto el dominio de aplicación como las herramientas algorítmicas necesarias para operarlo con garantías.
Para dar respuesta a estos desafíos, las universidades y centros formativos deberán actualizar sus programas para preparar a una nueva generación de «traductores tecnológicos», capaces de conectar la inteligencia artificial con las necesidades específicas de una multitud de sectores.
Esto implicará diseñar planes de estudio en los que se integren contenidos técnicos de IA, formación por sectores y proyectos reales con empresas, de modo que los estudiantes puedan desarrollar tanto competencias sectoriales como habilidades en selección, ajuste, validación y gobernanza de los distintos modelos.
Sandra Garrido
Coordinadora del Área de Tecnología de UDIT
