A pesar de los rumores en torno a los modelos de IA de vanguardia, la mayor parte de la economía no tecnológica todavía funciona con hojas de cálculo, búsquedas manuales y sistemas heredados.
Esto es aún más cierto en la reparación de automóviles, donde la brecha entre lo que la IA promete y lo que realmente ofrece le está costando dinero real a la industria.
El mercado mundial de reparación de automóviles vale más de un billón de dólares, pero más de 180 mil millones de dólares al año solo en los Estados Unidos, abarcando más de 250.000 empresas, y ningún operador tiene más del 5% de participación de mercado.
Último vídeo deTecnologíaRadar
En parte CEO y cofundador Dr.
El automóvil estadounidense promedio tiene ahora 12,6 años, la flota más antigua registrada, lo que significa reparaciones más frecuentes, piezas más complejas y más presión sobre los talleres que ya funcionan con márgenes reducidos.
A partir de 2022, los costes de reparación aumentarán un 25%, por encima de la inflación normal. A pesar de todo esto, la industria todavía combina piezas mediante búsquedas manuales en catálogos, experiencia y conjeturas. Esto da como resultado pedidos de piezas incorrectas, costos de devolución de vehículos estacionados en tiendas y talleres, retrabajos y pérdida de tiempo de los técnicos.
Este problema existe en todos los mercados, pero Estados Unidos es donde se hace más evidente; El mercado es enorme, está profundamente fragmentado y funciona sin una infraestructura nativa de IA diseñada específicamente para él. Esto refleja un desafío técnico real que la IA de propósito general aún no ha resuelto y no puede resolver en su forma actual.
Por qué los modelos de IA de propósito general se quedan cortos
Los modelos de propósito general están diseñados para optimizar el lenguaje, la lógica y la creatividad, pero no pueden ser brutalmente específicos dentro de una industria en particular. En una industria como la de la reparación de automóviles, la tolerancia a errores es cercana a cero. Por ejemplo, si un modelo recomienda un faro que no se ajusta correctamente, puede retrasar al técnico de reparación de automóviles, retrasar al cliente y costarle más dinero a la aseguradora por la reparación.
Cuando se comparan los principales modelos de uso general con trabajos de piezas de automóviles de dominios específicos, los resultados son claros. Los mejores modelos generales logran aproximadamente un 5 % de precisión en los puntos de referencia de detección de piezas. Un ser humano bien entrenado lo hace bastante bien, pero está limitado por la memoria, la complejidad del catálogo y el tiempo.
Un modelo diseñado específicamente para este problema, entrenado con datos patentados del fabricante de equipos originales (OEM), esquemas de catálogo normalizados, reglas de ajuste y comentarios de transacciones en vivo, logró más del 90% de precisión en el mismo punto de referencia, no solo una mejora marginal sino una categoría diferente de capacidades.
Problemas de datos y arquitectura
Hay razones estructurales por las que la brecha es tan grande. Los datos de reparación y repuestos de automóviles no son solo una gran versión de texto genérico, es un gráfico de relaciones en constante evolución:
VIN, versión, submodelo, variante específica de la región, reemplazo, reemplazo del mercado de accesorios y opciones específicas del taller. Gran parte de esto reside en catálogos OEM fragmentados y formatos propietarios que no están disponibles en la web abierta.
La arquitectura requerida también es diferente; Las decisiones sobre piezas en un taller real deben tener en cuenta simultáneamente el historial del vehículo, las regulaciones de las aseguradoras, las listas de proveedores, los precios contractuales y las preferencias de los técnicos, lo que requiere modelos construidos para aceptar catálogos estructurados y aplicar restricciones estrictas, no optimizadas para una amplia utilidad conversacional.
Construir la infraestructura que haga posible la escala
Construir un modelo básico de dominio específico no es una cuestión de ajustar una base común porque el conjunto de datos debe ensamblarse a través de contratos OEM de varios años, normalización de esquemas e integración continua de datos de reparación, reclamos e inventario.
El modelo debe integrarse en los sistemas que administran el negocio, de modo que cada recomendación, retroalimentación y acción tomada se retroalimente y agregue precisión con el tiempo. La ventaja competitiva se construye con el tiempo mediante una combinación de datos patentados, integración profunda y aprendizaje continuo. Cuanto más tiempo funcione el modelo, mejor.
Para el mercado estadounidense, esto es más importante que en cualquier otro lugar; La magnitud de la oportunidad, 250.000 reparadores, una flota que crece cada año, creciendo más rápido que la inflación, significa que el costo compuesto de obtener piezas por primera vez es enorme.
Los mercados de Europa y Asia-Pacífico donde se ha implementado esta tecnología han demostrado que las ganancias de productividad son reales y mensurables. En Estados Unidos, hasta ahora, no existía una infraestructura equivalente para acceder a ellos.
Lo que deberían preguntarse compradores e inversores
Para los compradores de tecnología en sectores verticales complejos, la pregunta correcta que deben hacerle a cualquier proveedor de IA no es qué tan capaz es su modelo en general, sino cómo se desempeña en modos de falla específicos que le cuestan dinero a su industria. En la reparación de automóviles, esto significa tasas de corrección a la primera, tasas de retorno y compresión del tiempo de ciclo.
La misma lógica se aplica a los inversores: el tamaño de un modelo no es una medida de lo difícil que es desbancar a un negocio. Las preguntas relevantes son qué tan difícil es ensamblar el conjunto de datos, qué tan integrado está el modelo en los flujos de trabajo operativos y qué tan generales son las capacidades de razonamiento dentro del dominio.
Los modelos de uso general seguirán mejorando y serán valiosos para una amplia gama de tareas. Pero el valor más profundo y sostenible de la IA se creará cuando los modelos dejen de ser asistentes genéricos y comiencen a convertirse en infraestructura invisible, optimizada para un problema difícil a la vez.
En la reparación de automóviles, eso significa resolver el problema de las piezas que ha afectado a la industria durante décadas. En Estados Unidos en particular, donde la escala aumenta tanto el costo del problema como el precio de resolverlo, ese cambio ya era necesario.
Hemos enumerado los mejores sistemas de seguimiento de flotas por GPS..
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
