Metodología para la Evaluación, el Diseño y la Seguridad para "No Dejar que la IA Termine Siendo Solo una Herramienta Conveniente"
Si ves a Yusuke Narita solo como un "erudito que habla mucho sobre IA", te estás perdiendo la esencia. Su forma de enfrentar la IA no encaja en el ámbito general de mejora de la productividad, como crear frases con chatbots, resumir reuniones o escribir buenos prompts. Más bien, su característica radica en ver la IA como un "dispositivo que lleva a cabo la toma de decisiones" y pensar colectivamente en cómo diseñarla, cómo evaluarla y cómo implementarla de manera segura en la sociedad.
En su sitio web oficial, explica su especialidad como "diseñar negocios y políticas públicas utilizando datos, algoritmos y pensamiento", y "desarrollar métodos para diseñar algoritmos de toma de decisiones sociales de manera basada en datos". En su perfil oficial de la Universidad de Yale, el centro de su investigación es el diseño de algoritmos de toma de decisiones en políticas y negocios, utilizando una combinación de inferencia causal, aprendizaje automático y estimación estructural. En otras palabras, para él, la IA no es una aplicación independiente, sino la base de la "inteligencia que impulsa juicios del mundo real" como recomendaciones, publicidad, búsqueda y asignación de políticas.
Y finalmente, solo una cosa.
El uso presentado en este artículo—"no dejar que la IA escriba las respuestas, sino que organice los materiales para que tú juzgues"—volverá a su uso original mañana si solo lo lees y estás de acuerdo. Solo cobra significado cuando realmente lo ejecutas en tu propio trabajo.
Por lo tanto, he preparado un kit práctico gratuito para que puedas aplicar esta forma de pensar directamente en tus propias operaciones.
Puedes recibir lo siguiente:
No necesitas participar en consultas gratuitas o seminarios. Puedes recibirlo directamente después de agregar el LINE.
Consíguelo aquí:
Ahora, vamos.
1. El núcleo del uso de la IA al estilo Narita es "juzgar el juicio de la IA" en lugar de "preguntarle a la IA"
Muchas personas usan la IA como una versión superior de un motor de búsqueda o como un destino de subcontratación para escribir. Por supuesto, eso en sí mismo es efectivo, pero la forma de enfrentar la IA al estilo Narita va más allá. En su pensamiento, la IA no solo responde preguntas; lleva a cabo la "toma de decisiones" en sí misma, como qué productos recomendar, qué anuncios mostrar y qué cupones distribuir. Y lo importante no es dejar ese juicio sin control, sino diseñarlo para que siempre se pueda puntuar después.
Hecho mostrado por Narita: la IA no es una "caja de respuestas" sino un "sujeto que emite juicios"
En un artículo coautorado por Narita, se afirma que "los algoritmos están llegando a realizar muchas de las tomas de decisiones en políticas y negocios". La primera técnica de uso que se desprende de aquí es tratar a la IA no como una "caja que devuelve respuestas" sino como un "sujeto que emite juicios", y primero crear un sistema para medir la calidad de ese juicio. Si solo usas la IA para acortar correos electrónicos, la ventaja competitiva es pequeña. Sin embargo, si creas una estructura donde delegas la toma de decisiones a la IA, verificas la calidad de ese juicio con datos y lo mejoras mientras previenes el deterioro, la IA se convierte no solo en una herramienta de eficiencia, sino en un motor de juicio para el negocio.
Aplicación a individuos y empresas
Si reemplazas esta forma de pensar con individuos o empresas, se vuelve así. Antes de dejar que la IA haga algo, decide "¿qué juicio es este para mejorar?" y "¿cómo mediremos después si ese juicio fue bueno?" Para ventas, no solo crees propuestas; establece como un conjunto el juicio de qué propuesta dar a qué cliente y la verificación de esa tasa de cierre. Para comercio electrónico, no solo describas productos; puntúa el juicio de qué producto mostrar a quién, incluyendo no solo la tasa de compra sino también la eficiencia del inventario. El estilo Narita es la idea de diseñar el "sistema de juicio" en lugar de la "respuesta" de la IA.
2. Decidir el uso de la IA con "evaluación primero"
La parte más consistente de la forma de pensar de Narita es la idea de evaluación primero. En sus artículos coautorados, señala que, si bien las pruebas A/B son confiables, requieren tiempo y dinero e implican el riesgo de fracaso. Por lo tanto, argumenta repetidamente que, en lugar de probarlo en producción de repente, primero debes estimar "qué habría pasado si lo hubieras hecho de manera diferente" a partir de datos de registro pasados.
¿Qué es evaluación primero?
La evaluación primero en el uso de la IA no es "introducir IA porque está de moda". Primero, decides "cómo medir si el juicio de esta IA fue bueno" de antemano.
Por ejemplo, considera el trabajo de convertir la atención al cliente en IA. Superficialmente, es un "trabajo de generar respuestas automáticamente", pero cuando se desglosa con evaluación primero, el diseño viene primero: ¿qué se considera una buena respuesta (tasa de resolución, satisfacción o tiempo de respuesta?), qué datos se usarán para medirlo y cómo notarás cuando se deteriore?
Aplicación a individuos y empresas
El uso de la IA al estilo Narita es agudo en esta separación. En lugar de tirar todo a la IA, primero defines "qué es un buen juicio", preparas una vara de medir para evaluarlo y luego mueves la IA por primera vez. Antes de pensar en qué dejar que la IA haga, te preguntas qué quieres mejorar en primer lugar. Esta es la introducción de IA con evaluación primero.
3. "Puntuar con datos pasados antes de ir a producción" = La idea de la evaluación contrafactual
En el centro de la investigación de Narita hay una tecnología llamada Evaluación Fuera de Política (OPE). Es una palabra difícil, pero el contenido es simple: "puntuar medidas que aún no se han realizado a partir de datos de registro pasados de antemano".
¿Por qué es peligroso "ir a producción de repente"?
Esta forma de pensar se puede usar directamente para el uso de la IA. Muchas organizaciones fracasan porque ejecutan de repente nuevos métodos que se les ocurrieron en producción. Está bien si funciona, pero si falla, empeora la respuesta del cliente y pierde tiempo y costo.
Aplicación a individuos y empresas
Si piensas al estilo Narita, el orden de introducción de la IA es este. Primero, si se te ocurre un nuevo prompt o política, no lo pongas todo en producción de repente. Luego, utiliza registros de casos pasados similares para estimar "qué habría pasado si hubiera sido ese nuevo método". Luego, solo aquellos que se haya confirmado que no deterioran claramente se ponen en producción poco a poco.
La IA es poderosa, pero si la pones en producción sin verificación, el fracaso llega al usuario en su totalidad. Por el contrario, si produces después de puntuar primero con datos pasados, puedes reducir en gran medida la tasa de accidentes. En otras palabras, lo que es importante como etapa previa al uso de la IA no es intentar vigorosamente, sino leer con seguridad hacia adelante con datos históricos.
4. "Cuestionar la vara de medir en sí misma" = No creer en una sola métrica
Indispensable en la forma de enfrentar la IA al estilo Narita es el escepticismo hacia el método de evaluación en sí mismo. En sus artículos coautorados, hay uno que dice que "qué método de evaluación es mejor cambia según la tarea, y no hay un único ganador". Por lo tanto, debes preparar múltiples varas de medir y elegir la que mejor se adapte a cada situación.
¿Por qué es peligrosa una sola métrica?
Esto muestra un pilar importante del uso de la IA al estilo Narita. Es decir, no juzgar los resultados de la IA solo por "un solo número". En los negocios, es fácil saltar a una sola métrica como que la tasa de clics subió o la reacción fue buena. Pero, ¿ese número realmente está midiendo lo que quieres mejorar?
Aplicación a individuos y empresas
Si un individuo imita esto, al evaluar los resultados de la IA, siempre míralos desde múltiples ángulos. Por ejemplo, si mides un chatbot solo por la "tasa de resolución", incluso si la tasa de resolución sube, si el usuario siente que es "frío" y se va, en realidad es un fracaso. Por lo tanto, mira la tasa de resolución, la satisfacción, la tasa de abandono y el tiempo de respuesta por separado.
El uso de la IA al estilo Narita cuestiona si la vara de medir es correcta antes de comparar modelos. La IA se optimizará hacia la vara de medir que establezcas. Por lo tanto, si la vara de medir está desviada, cuanto más inteligente se vuelva, más correrá en la dirección equivocada. Consolidar esto primero es el estilo Narita.
5. No posponer las "molestas restricciones del mundo real"
Común en la investigación reciente de Narita es incorporar los problemas del mundo real en el sistema de evaluación desde el principio, no como una ocurrencia tardía. El problema de que los nuevos productos y artículos sigan aumentando, el problema de los límites superiores en el inventario y los presupuestos de cupones, y el problema de que el comportamiento sea diferente para cada usuario. Él toma estas restricciones en cuenta desde el inicio.
Por qué la IA hecha con idealismo se rompe en producción
Lo importante aquí es que el uso de la IA no termina con "condiciones ideales". Las operaciones del mundo real siempre tienen presupuestos, horas-hombre, condiciones de no cumplimiento y diversidad de usuarios. Incluso si creas un prompt que funciona bien en un estado ideal, se rompe cuando se topa con restricciones del mundo real.
Por ejemplo, el límite superior del inventario. Si solo le ordenas a la IA que "siga sacando productos que parecen tener buena reacción", los productos populares se agotarán en un instante y no podrás ofrecer nada a los clientes que lleguen después. La investigación de Narita toma en cuenta dichas restricciones de suministro desde el principio y evalúa mirando la "asignación a futuros usuarios" en lugar de solo "la reacción en este momento".
Aplicación a individuos y empresas
Esta idea también se puede aplicar al trabajo general. Al pensar en medidas de IA, en lugar de construir primero con idealismo y ajustar después, incorpora el "presupuesto disponible", las "horas-hombre que se pueden gastar", las "cosas que nunca se deben hacer" y el "rango de usuarios objetivo" como premisas desde el principio. El uso de la IA al estilo Narita no pospone las restricciones del mundo real. Cuanto más bellamente se haga una IA, más fallará en producción si se ignoran las restricciones.
6. Tratar a la IA no como una "máquina de respuestas" sino como una "máquina de evitar el deterioro"
Lo que bien representa la investigación de Narita es la idea de tratar "no empeorar" en sí mismo como un resultado. En su investigación, hay cosas que imponen una restricción de que no caiga por debajo de la política actualmente en funcionamiento con una alta probabilidad, y cosas que aflojan el freno de seguridad poco a poco dentro de un pequeño número de introducciones.
La idea de contar "evitar el deterioro" como un resultado
Aquí hay un gran salto en el uso de la IA al estilo Narita. Muchos usos de la IA solo miran "cuánto mejoró". Pero Narita trata "cuánto deterioro se pudo evitar" como un resultado igualmente importante.
Aplicación a individuos y empresas
Esto también es sugerente en el uso de la IA en las empresas. Al tratar de mejorar la calidad de las respuestas, en lugar de cambiar todo de repente a un nuevo método, primero garantiza que no caiga por debajo del método actual, y luego prueba poco a poco. Específicamente, prueba la nueva política solo con el 1-5% del total, y decide una línea de parada como "detener si claramente se deteriora" de antemano.
Lo que marca la diferencia en el uso de la IA no es solo lo llamativo de la ofensiva. Es cuánto puedes expandir el rango de exploración mientras suprimes la probabilidad de deterioro. En palabras de Narita, solo diseñando la mejora de la calidad de la IA y la supresión de la fuga, las respuestas incorrectas y el sesgo en la misma mesa al mismo tiempo, la IA puede crecer de manera segura.
7. Incorporar la "ética" en los cálculos, no como una nota
Una característica de la visión de Narita sobre la IA es la forma en que se maneja la ética. Mientras que la ética tiende a ser una "nota añadida al final" en muchos campos, en la investigación de Narita, la ética se incorpora en el problema de optimización.
Incorporar la ética en la optimización
Por ejemplo, en la investigación sobre el diseño de experimentos médicos, señala que los métodos convencionales tienen problemas éticos como asignar tratamientos que se sabe que son menos efectivos o tratamientos que los participantes no prefieren. Por lo tanto, incorpora las preferencias de los participantes y los efectos previstos en el cálculo de asignación desde el principio para tratar de aumentar la satisfacción de los participantes.
Aplicación a individuos y empresas
Si llevas esto de vuelta al uso de la IA, se convierte en una historia esencial. No es "está bien si la precisión es alta", sino "poner los sentimientos de las personas que lo usan y el costo del daño en la evaluación desde el principio".
Por ejemplo, al sacar nuevas recomendaciones con IA. Si no sacas nuevos candidatos, el sistema se estancará, pero si sacas demasiados, fallarás y tendrás un accidente. La investigación de Narita trata de satisfacer tanto esta "novedad (exposición justa)" como la "seguridad" al mismo tiempo. Si solo persigues la eficiencia, la carga recaerá en alguien en algún lugar. El estilo Narita incorpora el costo de esa carga en el cálculo desde el principio. Trata la ética no como un freno sino como parte del diseño.
8. Evaluar al evaluador mismo = Metaoptimización de un paso
Lo interesante de la investigación de Narita es que antes de comparar modelos de IA, coloca una etapa para verificar "si el método de comparación (evaluador) en sí mismo es correcto". En su investigación, hay un método para elegir automáticamente qué método de evaluación es bueno según la tarea.
Verificar la "vara de medir" antes del modelo
Lo que se puede ver de esto es que la visión de Narita sobre la optimización del rendimiento está un paso por encima del ajuste del modelo. Muchas personas compiten por "qué modelo es superior", pero Narita confirma "si la vara de medir en sí misma para puntuar el modelo es correcta" antes de eso.
Aplicación a individuos y empresas
Si una empresa general imita esto, antes de comparar herramientas de IA, cuestiona los criterios de comparación. Por ejemplo, al tratar de comparar dos IAs por "velocidad de respuesta", primero preguntan si la velocidad es lo más importante en este negocio en primer lugar. Si comparas con los criterios desplazados, incluso si adoptas el que ganó, en realidad empeorará.
El uso de la IA parece una batalla de "qué modelo elegir", pero en realidad es una batalla de "qué criterios elegir". Si aprendes del estilo Narita, debes medir la validez de la vara de medir antes de medir el rendimiento del modelo.
9. Saber que los métodos convencionales se rompen en "grandes opciones"
En la investigación de Narita, hay un reconocimiento de que los métodos de evaluación convencionales se rompen en situaciones donde hay muchas opciones (acciones). Argumenta que en situaciones que manejan grandes opciones como recomendaciones y búsquedas con demasiados candidatos, y modelos de lenguaje, es necesaria una evaluación que utilice características y embeddings en lugar de una simple comparación de tasas de victoria.
Por qué la evaluación se rompe con un gran número de opciones
Esto golpea directamente el uso actual de LLM. La IA generativa tiene un enorme número de candidatos para la salida y opciones para las herramientas que se pueden usar. En tal situación, si simplemente comparas "cuál fue mejor, A o B", la comparación en sí misma se vuelve inestable.
Aplicación a individuos y empresas
Si un individuo aplica esto, cuanto más trabajo haya con muchas opciones de IA, más evitarán las comparaciones toscas de dos opciones. Por ejemplo, no decidas inmediatamente "cuál de los 10 candidatos de prompt es el mejor" con una muestra pequeña. Cuando hay muchos candidatos, no apresures el juicio y mira con cuidado bajo múltiples condiciones.
El uso de la IA al estilo Narita asume que la evaluación se vuelve más difícil a medida que aumenta el número de opciones. Por lo tanto, en situaciones con muchos candidatos, se apegan a la evaluación diseñada en lugar de la comparación simple.
10. Entender la importancia de "reducir la fricción de entrada"
En la raíz de la investigación de Narita está la idea de continuar dejando datos correctamente para poder ejecutar continuamente el sistema de juicio. En la infraestructura de datos en la que está involucrado, se registra información como qué opción se presentó con qué probabilidad para que "por qué ocurrió ese resultado" pueda ser puntuado de manera justa más tarde.
Continuar dejando un "estado verificable"
El uso de la IA aquí no es solo eficiencia. Es "continuar creando un estado que se pueda verificar más tarde sin que resulte molesto". Si la verificación es molesta, la gente dejará de hacerla. Por eso se necesita un diseño que baje el obstáculo para la grabación y la evaluación.
Aplicación a individuos y empresas
Si aplicas esta idea al uso diario de la IA, lo importante es "reducir la fricción de la verificación". Puntuar manualmente los resultados de la IA cada vez no durará. Por lo tanto, estandariza los prompts que usas a menudo, decide las métricas para medir los resultados de antemano y haz que los resultados se registren automáticamente. Cuanto más acortes la distancia a la verificación, más seguirá girando el ciclo de mejora de la IA.
La forma de enfrentar la IA al estilo Narita está en última instancia dirigida hacia "los humanos definen el buen juicio, la IA lo ejecuta, los resultados siempre se registran y se mejoran nuevamente".
11. Usar con un sentido de crisis
En la visión de Narita sobre la IA, hay un sentido de tensión acerca de confiar el juicio a los algoritmos al mismo tiempo que se presta atención a las posibilidades. En un diálogo, dice algo como que el "dinero" es solo una representación unidimensional aproximada de lo que las personas han hecho en el pasado, y si hay datos más detallados, se puede reemplazar por eso. Él ve la IA y los datos como una base que puede reemplazar los criterios de juicio de la sociedad misma.
La responsabilidad se vuelve ambigua cuanto más confías el juicio
Este punto también es importante como técnica de uso de la IA. Es peligroso solo usar la IA porque es conveniente. Cuanto más confías el juicio a la IA, más ambiguo se vuelve de quién es la responsabilidad de ese juicio y bajo qué criterios se tomó. Fugas de información, desinformación, sesgo, ubicación de la responsabilidad y dependencia excesiva. Si confías la toma de decisiones a la IA ignorando esto, pierdes la confianza a largo plazo a cambio de eficiencia a corto plazo.
Aplicación a individuos y empresas
Si aprendes del estilo Narita, no te detengas por miedo a la IA, sino diseña con los riesgos como premisa. Crea reglas para no poner información confidencial. Deja la confirmación humana para juicios importantes. Deja registros de juicios de la IA. Decide el alcance de la responsabilidad cuando ocurre un juicio incorrecto. El uso de la IA es diseñar no solo el acelerador sino también el freno.
12. Repetir "probar con una introducción limitada"
Lo que es consistente en la investigación de Narita es la idea de comenzar desde un pequeño número de introducciones limitadas en lugar de un cambio completo. En su investigación, el flujo de no aplicar una nueva política a todo de repente, sino primero probarla en una parte, mirar los resultados, reaprender y expandir poco a poco aparece repetidamente.
"Probar pequeño" funciona mejor en una era donde la creación de prototipos es rápida
En la era de la IA, esta actitud de "probar pequeño" se vuelve aún más importante. Esto se debe a que el costo de la creación de prototipos cae drásticamente debido a la IA, pero la tentación de ejecutar sin verificación también se vuelve más fuerte. Documentos de planificación, código, copias publicitarias, informes de análisis. Cosas que solían tomar varios días ahora se convierten en un primer borrador en unos minutos. Por eso es efectivo no estar agradecido con el primer borrador y probar pequeño y verificar.
Aplicación a individuos y empresas
En las técnicas de uso de la IA al estilo Narita, la IA no es una "magia que saca un producto terminado de un solo golpe". Más bien, es un dispositivo para aumentar el número de veces que pruebas pequeño y verificas. Prueba con el 1-5%. Mira los resultados. Confirma el deterioro. Retrocede. Mejora. Vuelve a intentar. Las personas que pueden acelerar de manera segura este ciclo recibirán los beneficios de la IA. Las personas que usan IA pero no obtienen resultados están apostando demasiado en una sola introducción a gran escala.
13. Método práctico para que los individuos imiten el uso de la IA al estilo Narita
No necesitas tener una base de investigación universitaria o datos a gran escala como Narita. Si es solo la idea, incluso un individuo puede imitarlo desde hoy.
5 pasos que puedes hacer desde hoy
Primero, antes de dejar que la IA haga algo, escribe en una frase "¿qué quiero mejorar?" Todos se pierden porque se saltan esto. A continuación, decide de antemano "¿con qué número mediré esa calidad?" Tercero, incluso si se te ocurre un nuevo prompt, no lo uses para todo de repente; primero pruébalo en casos pasados similares o en una parte. Cuarto, no juzgues los resultados solo con un solo número; míralos desde múltiples ángulos. Quinto, prepara un sistema de antemano donde puedas notar y detener cuando se deteriore.
Si continúas este flujo, la IA cambiará de una mera herramienta de conveniencia a tu propia base de juicio que continúa mejorando sin romperse.
14. Si una empresa lo imita, crear un "sistema de juicio" en lugar de "precisión de respuesta"
El punto más importante que las empresas deben aprender del estilo Narita es no centrarse solo en aumentar la precisión de las respuestas de la IA. Lo que la investigación de Narita ha estado refinando todo el tiempo fue el sistema para "hacer un juicio, puntuarlo y mejorarlo de manera segura" en lugar de la corrección de las respuestas individuales.
"Sistema de juicio" en lugar de inteligencia del modelo
En muchas empresas, la introducción de la IA se detiene en una comparación de "qué modelo es inteligente". Pero si piensas al estilo Narita, lo importante no es la inteligencia del modelo, sino si hay un diseño para evaluar ese juicio, prevenir el deterioro, seguir las restricciones del mundo real e incorporar la ética. Si introduces la IA mientras el propósito y el KPI son ambiguos, terminará como un evento interno que utiliza la última tecnología.
Cultura que las empresas deberían tener
Si una empresa habla en serio sobre usar IA, primero necesita definir "qué se considera un buen juicio" como gestión, organizar datos para medirlo, crear un sistema para detectar el deterioro y tener una cultura de expandirse desde una introducción limitada. La IA no es un tema solo para el departamento de sistemas de información. El "sistema de juicio" se cuestiona en ventas, desarrollo, fabricación, legal, recursos humanos, finanzas y atención al cliente. En otras palabras, el uso de la IA es el diseño de la toma de decisiones en sí misma.
15. Trampas del uso de la IA al estilo Narita, y lo que se debe decir honestamente
Por supuesto, no hay necesidad de alabar el estilo Narita tal como es. Si bien la actitud de evaluación, verificación y seguridad exhaustivas reduce los accidentes, también hay situaciones en las que ralentiza la velocidad. Si estás puntuando todo con cautela, hay momentos en los que no podrás moverte en situaciones donde deberías intentar rápidamente. Lo importante en el uso de la IA no es copiar superficialmente el estilo Narita, sino incorporar los principios según tu propio entorno.
Para ser honesto: esta parte está "no confirmada"
Y hay una cosa más que quiero escribir honestamente. El "método al estilo Narita" presentado en este artículo no es algo que el propio Narita haya dicho "así es como uso la IA". Es una "manera" reconstruida con alta probabilidad al leer cuidadosamente sus materiales públicos (sitio web, CV, artículos). Las rutinas personales, como qué LLM usa Narita en su vida diaria y qué prompts escribe, no se pueden confirmar en la información pública. Por lo tanto, no llenaré eso con imaginación y lo dejaré honestamente como "no confirmado".
Principios que aún se pueden incorporar
Más allá de eso, los principios a incorporar son: pensar con evaluación primero, puntuar con datos pasados antes de la producción, cuestionar la vara de medir en sí misma, incorporar las restricciones del mundo real desde el principio, tratar evitar el deterioro en sí mismo como un resultado e incorporar la ética en los cálculos. Y no hacer como si no se vieran los riesgos.
Conclusión: La técnica de uso de la IA de Yusuke Narita es "cultivar un buen sistema de juicio sin romperlo"
Si hay que resumir en una palabra la forma en que Yusuke Narita aborda la IA, es tratar a la IA no como una «máquina de respuestas», sino como un «dispositivo de juicio», y crear un sistema para puntuar ese juicio y mejorarlo sin romperlo. En lugar de buscar los prompts más potentes o las herramientas definitivas, diseña la base de lo que la IA decide, cómo medir si fue acertado y cómo evitar que se deteriore.
Resumen de los principios de Narita
Los principios para ello son claros. Con un enfoque centrado en la evaluación, define primero qué quieres mejorar. Puntúa con datos del pasado antes de pasar a producción. No te fíes de un solo número y cuestiona la propia vara de medir. No pospongas las limitaciones del mundo real; incorpóralas desde el principio. Considera que evitar el deterioro ya es de por sí un resultado. Incorpora la ética en los cálculos, no como una simple nota al margen. Y empieza por una implantación reducida para expandirte con seguridad.
Lo que realmente marca la diferencia en la era de la IA no es solo «qué IA estás usando». Es cuánto eres capaz de evaluar y seguir mejorando el juicio de la IA sin romperla. La fortaleza de Narita reside en que no persiguió las respuestas de las modas de la IA. En cambio, ha abordado de forma constante el crecimiento del sistema de juicio de la IA sin dejar que se estrellara.
Por lo tanto, lo que debemos aprender no es «hacer la misma investigación que Narita». Es elegir un juicio que delegar en la IA en tu propio trabajo, decidir los criterios para querer mejorarlo, e ir mejorándolo poco a poco mientras se evita el deterioro. En lugar de conformarte con que la IA simplemente escriba textos, mide la calidad del juicio de la IA y hazla crecer sin romperla. Las modas de los prompts cambian en seis meses, pero esta forma de pensar centrada en la evaluación seguirá funcionando sin importar cuánto evolucione la IA.
Eso es lo más práctico que se puede aprender de las técnicas de utilización de la IA de Yusuke Narita.
