La obsolescencia de los modelos de inteligencia artificial es un problema crítico que afecta su utilidad práctica, ya que la mayoría de los usuarios confunde la fecha de lanzamiento con la fecha de corte de entrenamiento. Un artículo técnico explica que la fecha de lanzamiento indica cuándo el laboratorio hizo público el modelo, mientras que la fecha de corte de entrenamiento marca el último momento en el que el modelo procesó datos. Esta distinción es vital porque un modelo puede lanzarse en septiembre y seguir sin leer datos nuevos hasta abril, quedando desactualizado desde su propio lanzamiento.
El texto introduce una herramienta visual llamada 'la estantería' (the shelf), que permite a los usuarios comparar la frescura de diferentes modelos de varias empresas. Esta herramienta calcula dos métricas: los días transcurridos desde el lanzamiento al público y los días desde el corte de datos de entrenamiento. Se clasifica la obsolescencia en categorías como 'fresco' (menos de 30 días), 'actual' (menos de 90 días) y 'fósil' (más de un año), destacando que los modelos de más de seis meses son técnicamente obsoletos.
El autor, que utiliza estos modelos diariamente, señala que la búsqueda web no resuelve el problema, ya que el modelo solo lee páginas específicas para una respuesta y olvida el resto. Para mitigar esto, se recomienda preguntar directamente a los modelos por su fecha de corte de entrenamiento y activar la búsqueda para temas con fechas específicas, como precios o versiones. El artículo detalla el estado actual de varios laboratorios: Mistral, Meta, Google, Anthropic y OpenAI, mostrando que la mayoría de las empresas no publican estas fechas de corte, obligando al usuario a verificarlas manualmente para tomar decisiones informadas sobre qué modelo utilizar.