¿Curva o explosión? La difusión de la inteligencia artificial frente a los modelos clásicos de innovación

La inteligencia artificial no solo está transformando industrias enteras: también está forzando a repensar los marcos teóricos que durante décadas han guiado nuestra comprensión de cómo se difunden las innovaciones, los modelos que explicamos en clase los profesores de innovación.

¿Es la inteligencia artificial una anomalía histórica, o estamos simplemente viendo una aceleración extrema dentro de un patrón reconocible? Sin embargo, tratar de aplicar modelos como el de Everett Rogers o el de Frank Bass a su adopción puede ser más útil de lo que parece… si sabemos interpretarlos desde una perspectiva dinámica.

Tanto el modelo de difusión de innovaciones de Everett Rogers como el modelo de Bass parten de una premisa común: la adopción de una innovación en una población sigue un patrón predecible. Rogers lo estructura en cinco grupos, que van desde innovadores, adoptadores tempranos, mayoría temprana, y mayoría tardía hasta rezagados, distribuidos a lo largo de una curva normal. Bass, por su parte, lo modela matemáticamente, diferenciando entre adopción por innovación (p) y adopción por imitación (q).

Durante décadas, ambos modelos han sido razonablemente útiles para prever cómo y cuándo una tecnología alcanza la masa crítica. Pero lo que estamos viendo con la inteligencia artificial, especialmente desde la aparición de ChatGPT en noviembre de 2022, es una aceleración de este proceso que parece desafiar las fases tradicionales.

¿Qué ocurre cuando la curva se comprime? El caso de ChatGPT, con más de ochocientos millones de usuarios en apenas año y medio y un crecimiento que lo sitúa ya en manos del 10% de la población mundial, sugiere que las fases de Rogers se están solapando en el tiempo, no desapareciendo. El ciclo completo de adopción, que en otras tecnologías ha llevado décadas (como el teléfono, el ordenador personal o incluso el smartphone), parece haberse comprimido a tan solo 24–36 meses.

Pero no es que no se puedan identificar innovadores o mayoría temprana: es que su tiempo de acción se ha reducido drásticamente, y sus efectos se han visto amplificados por una combinación de factores sin precedentes. En primer lugar, unos costes marginales casi nulos: mientras el entrenamiento de modelos cuesta cifras astronómicas, el uso se ha abaratado un 99% en solo dos años. En segundo, una accesibilidad sin fricción, dado que no se requiere un hardware especial, una formación avanzada ni una inversión inicial. Cualquiera que sepa leer puede utilizar un chatbot de inteligencia artificial generativa: basta con abrir una app o una web. En tercero, la imitación viral: Bass describía la «imitación» como el principal motor de adopción una vez superado cierto umbral. En el caso de la inteligencia artificial, plataformas como TikTok, YouTube o X han amplificado ese contagio de forma exponencial.

En realidad, estamos ante la ecuación de Bass, pero reescrita por la escala: en el modelo de Bass, la adopción sigue una curva logística, donde la velocidad inicial la marca la innovación (p), y luego la retroalimentación social (q) toma el control. La inteligencia artificial ha mostrado una q desproporcionadamente alta, posiblemente la más alta registrada para una tecnología de propósito general. Esto sugiere que, por un lado, la innovación inicial no fue necesariamente radical (los LLMs no eran nuevos en 2022), pero el momento sociotecnológico era el adecuado; y por otro, que la adopción por imitación ha sido exponencialmente más rápida gracias a la infraestructura digital existente y a una creciente cultura de «techfluencers».

¿Estamos ante una nueva clase de innovación? Si revisamos el modelo de Rogers desde una óptica contemporánea, podríamos decir que la inteligencia artificial ha creado una especie de «adopción simultánea», en la que todo el gradiente, desde innovadores hasta rezagados, pueden comenzar a usar la tecnología en la misma ventana temporal. Esto rompe con la lógica de secuencia, pero no con la lógica de segmentación del mensaje: los innovadores siguen motivados por el potencial, los rezagados por el miedo a quedarse atrás.

Además, los productos basados en inteligencia artificial aprenden del uso y se adaptan a sus usuarios, lo que genera una experiencia personalizada que acelera la curva de adopción. Esto introduce una retroalimentación que ni Rogers ni Bass pudieron anticipar.

Para los que nos dedicamos a tratar de modelizarlo todo, la difusión de la inteligencia artificial como innovación nos ofrece algunas lecciones interesantes:

La velocidad no elimina la estructura: la inteligencia artificial sigue un patrón reconocible, pero comprimido.
El contexto importa: infraestructura digital, hábitos de consumo y redes sociales han amplificado la difusión de las innovaciones de una forma que nunca habíamos visto antes.
El modelo de Bass sigue siendo útil si se recalibran sus parámetros: necesitamos reconocer que la imitación ahora ocurre en horas, no en años.
Las nuevas métricas de adopción deben considerar variables como las interacciones sociales, la viralidad, el machine learning integrado y los efectos de red no lineales.
La percepción de inevitabilidad, alimentada por discursos mediáticos, adopciones institucionales y normativas emergentes, ha jugado también un papel catalizador clave.
Básicamente, los modelos tradicionales de difusión parten de una premisa ya claramente superada: consumidores relativamente pasivos, y productos estáticos. Con la inteligencia artificial, lo que tenemos son productos que evolucionan muy rápidamente con el uso, usuarios que se influyen mutuamente de forma directa a través de todo tipo de canales, y un valor que crece de manera dinámica. Estas «nuevas variables» no solo merecen ser reconocidas, sino incorporadas explícitamente a cualquier intento serio de modelar su adopción. Y en este caso, definen un panorama frenético de adopción, que todos tenemos que tener razonablemente en cuenta. A ver si sirve como aviso para navegantes…

Nota: https://www.enriquedans.com/