El artículo de William J. Bowman critica la adopción acrítica de modelos generativos de IA, argumentando que su utilidad a menudo se basa en “vibes” o sensaciones subjetivas en lugar de un análisis técnico riguroso. La discusión actual tiende a exagerar sus capacidades y aplicarlas indiscriminadamente a diversas tareas, desde la búsqueda en internet hasta la ingeniería de software, sin una evaluación crítica de su verdadera eficacia. Bowman propone un modelo para determinar cuándo un modelo generativo es realmente útil, alejándose de las afirmaciones vagas sobre “mejora de la productividad”.
Este modelo se basa en tres factores clave: 1) el costo relativo de codificar una tarea en un prompt frente a la creación directa del artefacto; 2) el costo de verificar que el artefacto generado cumpla con los requisitos, comparado con la verificación de un artefacto creado directamente; y 3) el grado de dependencia de la tarea en el proceso de creación versus el resultado final. Si el costo de codificar la tarea en un prompt es bajo, la verificación es sencilla y la tarea no depende tanto del proceso, entonces el modelo generativo podría ser útil. Por el contrario, la utilidad disminuye a medida que aumenta la complejidad de la tarea, ya que los modelos generativos son probabilísticos y pueden tener dificultades para satisfacer requisitos complejos, especialmente si difieren de los patrones presentes en los datos de entrenamiento. Un ejemplo de aplicación útil sería cuando la creación directa del artefacto es difícil para el usuario, pero la verificación es trivial, como en la consolidación de información muy específica.
El autor advierte que, a pesar de la promesa de los modelos generativos, su despliegue generalizado plantea preocupaciones éticas, políticas y económicas significativas. No se opone a la tecnología en sí, pero aboga por un enfoque más científico y riguroso para evaluar su utilidad, evitando la exageración y la aplicación indiscriminada. En resumen, Bowman insta a dejar de lado las “vibes” y a aplicar un análisis técnico basado en costos y verificabilidad para determinar cuándo y dónde los modelos generativos realmente aportan valor.