En els darrers dos anys, els grans models de IA frontera, amb milers de milions a bilions de paràmetres, han guanyat una tracció significativa, integrant-se en diverses aplicacions i eines de negoci gairebé diàriament. No obstant això, l'expansió ràpida d'aquests models intensius en recursos planteja preocupacions sobre la seva sostenibilitat. Això ha empès grans empreses tecnològiques, incloses Microsoft, Google i AWS, a explorar l'energia nuclear per donar suport a la infraestructura massiva de centres de dades necessària per al creixement futur de la IA. Mentre que els models d'avantguarda d'OpenAI, NVIDIA, Google i Anthropic demostren capacitats sense precedents, sovint superen els requisits per a moltes aplicacions, comparant-se amb l'ús d'un cotxe de Fórmula 1 per anar al treball diàriament. Així doncs, hi ha un interès creixent en models més petits, que normalment contenen centenars de milions a menys de 10 mil milions de paràmetres, eficients i rendibles. NVIDIA ha presentat recentment la seva tecnologia NIM (NVIDIA inference Microservice), que simplifica el desplegament de IA i permet aplicacions específiques a la indústria, com ara el descobriment de fàrmacs i la generació de codi, tot minimitzant les demandes computacionals.

La col·laboració entre NVIDIA i Accenture exemplifica com els microserveis especialitzats i l'expertesa poden facilitar una adopció més ràpida de la IA a les empreses. De manera similar, IBM ha revelat els seus models Granite 3. 0, competitius amb Llama i Mistral, destacant l'efectivitat dels models de llenguatge petits en diverses aplicacions. Les solucions de codi obert d'IBM es poden implementar en múltiples plataformes en núvol, incloent la seva pròpia watsonx, demostrant un fort enfocament en les necessitats empresarials. El futur de la IA empresarial busca una combinació de models i una infraestructura adaptable que prioritzi projectes orientats als resultats, impulsant avenços en àrees com l'automatització i la mà d'obra digital. La noció que un únic model a gran escala pot abordar totes les necessitats empresarials és errònia; molts casos d'ús definits es beneficiarien més de models més petits i especialitzats que ofereixen una millor eficiència energètica i de gestió de costos, simplificant alhora la governança de dades. La investigació en IA sofisticada continuarà, però per a moltes aplicacions empresarials, els models de base més petits representen un enfocament més sostenible. Això no només permet un desplegament més ampli i eficient de la IA, sinó que també redueix significativament els costos operatius, fent-lo una opció atractiva per a les empreses que busquen aprofitar el potencial de les solucions de IA generativa i agentiva.