Capacidades de la IA generativa y valor de negocio

Saber cómo funciona un modelo fundacional no te dice cuándo conviene usarlo. Este tema cubre la parte del examen que evalúa criterio: qué tareas encajan con la IA generativa, cuáles la rompen, cómo se elige entre modelos candidatos y cómo se prueba que la aplicación valió lo que costó. Corresponde al Task Statement 2.2 del exam guide, y sus cuatro listas nombradas son la columna vertebral de las cuatro lecciones.

Qué cubre este tema

• las cuatro ventajas nombradas de la IA generativa: adaptabilidad, capacidad de respuesta, capacidades conversacionales y generación de contenido, y por qué todas salen de que el modelo ya está entrenado
• las cuatro desventajas nombradas: alucinaciones, interpretabilidad, inexactitud y no determinismo, tratadas como cuatro fallas distintas con arreglos distintos
• cómo temperature, top-k y top-p producen variación, y cómo el contextual grounding check de Amazon Bedrock puntúa grounding y relevancia por separado
• los factores de selección de modelo, ordenados en tres compuertas: restricciones duras que eliminan, capacidad que ordena, y costo y latencia que optimizan
• las tres formas de evaluación en Bedrock: programática, con modelo juez y con trabajadores humanos
• las métricas de valor de negocio, desde exactitud y cross-domain performance hasta ROI, tasa de conversión, ARPU y valor de vida del cliente, con un cálculo de ROI completo

Por qué es importante

Las preguntas de este tema casi nunca piden una definición. Describen una situación (un presupuesto de latencia ajustado, un requisito de residencia de datos, una respuesta que cambia entre corridas) y esperan que elijas la respuesta correcta a partir de una distinción. Diferenciar una alucinación de una inexactitud, o saber que el cumplimiento elimina modelos antes de que la calidad importe, es exactamente el tipo de criterio que se evalúa.

Fuera del examen, este tema es lo que convierte una demo en un proyecto financiable. Un equipo que puede nombrar qué falla, elegir un modelo con evidencia y mostrar una métrica movida contra una línea base medida es un equipo al que le aprueban el segundo proyecto.