Actualmente, el debate sobre la IA está plagado de información irrelevante. Cada semana surgen nuevos términos y acrónimos —IA con agentes, modelos de lógica de razonamiento, codificación de vibraciones— y, con ellos, una nueva ola de presión sobre las organizaciones para que declaren una estrategia de IA o adopten una plataforma, todo ello bajo el riesgo implícito de quedarse atrás. Los científicos e ingenieros que utilizan JMP no son ajenos a esta presión. La reciben de sus superiores y nos preguntan qué implica para las herramientas que utilizan a diario.
Nuestra respuesta es sencilla: el valor fundamental de JMP no ha cambiado ni cambiará. Lo que sí ha cambiado es nuestra capacidad para hacer que ese valor sea más accesible, más fácil de encontrar y más extensible , y nuestra infraestructura de IA es una parte esencial de cómo lo logramos. Pero lo hacemos deliberadamente, según sus condiciones, no las nuestras.
Por qué el flujo de trabajo analítico de JMP sigue siendo insustituible
The JMP analytic workflowEl flujo de trabajo analítico de JMP
Antes de analizar dónde encaja la IA, conviene precisar qué hace JMP que ningún modelo de lenguaje puede replicar.
JMP se diseñó desde cero para ser interactivo. El usuario arrastra una columna al Generador de gráficos y ve sus datos al instante, sin código, sin sintaxis, sin indicaciones. Al hacer clic en un punto de un gráfico, este se resalta en la tabla de datos y en todos los demás gráficos de la sesión de análisis. Pero esta interconexión no es una función; es una filosofía. En pocas palabras, el científico o ingeniero, con su conocimiento del área y el entorno analítico adecuado, es el motor del descubrimiento.
El flujo de trabajo analítico de JMP avanza de izquierda a derecha. Comienza con una persona y un problema. JMP transforma las preguntas de negocio en preguntas analíticas, guía a los usuarios hacia los métodos adecuados y proporciona un entorno visual e interactivo donde se obtienen conclusiones rápidamente. JMP en directo extiende este valor a toda la organización, haciendo visible el trabajo, compartiendo métodos probados y trasladando el análisis de los ordenadores portátiles individuales a la colaboración a nivel empresarial.
Los modelos de lenguaje complejos no constituyen el eje central de este flujo de trabajo. Se integran en puntos específicos y agilizan ciertas partes del mismo. El científico o ingeniero sigue siendo quien dirige el análisis y quien aporta el valor.
La curva que lo explica todo
JMP gets more valuable as problems get harder and rarer.JMP se vuelve más valioso a medida que los problemas se vuelven más difíciles y menos frecuentes.
Existe una forma útil de visualizar por qué JMP y LLM no son competidores. Imaginemos un gráfico con la complejidad del problema en el eje X, con los problemas comunes y bien documentados a la izquierda y los problemas raros y de alto valor a la derecha.
El volumen de datos de entrenamiento de los modelos de aprendizaje automático (LLM) disminuye drásticamente a medida que los problemas se vuelven más complejos y menos frecuentes. La efectividad de los LLM también disminuye. Problemas comunes, como escribir un script básico de Python o depurar un error común, cuentan con miles de ejemplos en línea, y los LLM son excelentes para resolverlos. Sin embargo, a medida que se avanza hacia la parte superior de la curva, hacia diseños experimentales novedosos, análisis multivariados complejos y problemas que nadie en su sector ha resuelto antes, la efectividad de los LLM se desploma. Sencillamente, no existen datos de entrenamiento para resultados que aún no existen.
La efectividad de JMP se mueve en la dirección opuesta. JMP se vuelve más valioso a medida que los problemas se vuelven más difíciles y raros. Diseño de experimentos, análisis exploratorio de datos, descubrimiento en la frontera de lo desconocido: este es el terreno de JMP. Vale la pena afirmar claramente la tesis: la abundancia de datos de entrenamiento no equivale a valor comercial. Los LLM se entrenan con lo común. Los problemas que vale la pena resolver para su organización son aquellos con menos datos de entrenamiento disponibles.
No se le puede pedir a un LLM que, por ejemplo, "Diseñe el próximo fármaco superventas sin cometer errores". Los usuarios de JMP trabajan en la frontera de lo desconocido, y ese flujo de trabajo no se puede automatizar solo con IA.
Dónde los másteres en Derecho (LLM) realmente aportan valor en el ecosistema de JMP.
LearnBotLearnBot
Una vez establecida esa base, existen oportunidades reales y significativas en las que los másteres en Derecho (LLM) aceleran el flujo de trabajo del JMP.
Reducción del tiempo de obtención de valor para los nuevos usuarios. JMP tiene una curva de aprendizaje corta pero pronunciada. Un usuario principiante que conoce la ciencia pero aún no el software puede encontrarse con dificultades en las primeras horas. LearnBot (disponible en el JMP Marketplace) aborda directamente esta frustración. Al cargar el rico contenido de aprendizaje, la documentación y el índice de scripts JSL de JMP en una base de conocimiento aumentada con LLM, LearnBot permite a los nuevos usuarios formular sus preguntas en lenguaje natural y recibir una respuesta basada en contenido JMP preciso y actualizado. Los primeros resultados han sido muy positivos.
Cerrando la brecha entre el uso intuitivo y la automatización. El lenguaje de scripting de JMP, JSL, es extraordinariamente potente. Permite crear aplicaciones personalizadas, integraciones y herramientas específicas para cada organización. Sin embargo, los datos de telemetría indican que la gran mayoría de los usuarios de JMP nunca lo utilizan; incluso la actividad más básica de JSL, guardar un script en una tabla de datos, se usa solo el 16 % de las veces. Esta baja utilización representa un importante cuello de botella. Un usuario puede describir lo que necesita en lenguaje natural y recibir código JSL funcional; la automatización y la personalización que permite JSL se vuelven accesibles para toda la base de usuarios, no solo para el pequeño grupo de expertos en el que suele confiar una organización.
Descubriendo las capacidades ocultas de JMP. Organizaciones de todo el mundo han confiado en el valor de JMP durante más de tres décadas. Sin embargo, a veces, las capacidades de JMP pueden estar ocultas tras menús con triángulos rojos u opciones de plataforma que la mayoría de los usuarios nunca encuentran. Las interfaces de lenguaje natural hacen que estas herramientas estén disponibles para todos. Un usuario puede describir lo que quiere hacer y acceder a la herramienta adecuada dentro de JMP, incluso si nunca la hubiera encontrado en el menú.
Permite el análisis de texto libre dentro del flujo de trabajo de JMP. La extensión Asistente de producción de LLM permite a los usuarios transferir el contenido de la tabla de datos directamente a un LLM y obtener resultados estructurados (como análisis de sentimiento, extracción de la causa raíz o clasificación) de vuelta a la tabla de datos. Los usuarios permanecen en el flujo de trabajo de JMP mientras aprovechan las capacidades del LLM para las tareas en las que realmente destacan.
La infraestructura que estamos construyendo
JMP Scripting Index Índice de scripts de JMP se está diseñando para ofrecer la máxima flexibilidad, sin depender de un único proveedor. No partimos de la base de que un único proveedor de LLM se impondrá. Nos centramos en la infraestructura y las interfaces que permiten a los clientes conectar JMP con los modelos y servicios que se ajustan a sus estándares y entorno.
Así es como se logra:
En primer lugar, la base de conocimientos. Hemos publicado más de 20 000 fragmentos de código JSL en JSL.jmp.com en formatos fáciles de interpretar para los LLM, y tenemos 10 000 más en camino. Como resultado, los LLM están mejorando significativamente su comprensión y escritura de JSL, y seguirán mejorando.
En segundo lugar, la capa de traducción. Utilizamos la generación aumentada por recuperación (RAG) para minimizar las alucinaciones y garantizar que, cuando un usuario haga una pregunta, la respuesta se base en contenido JMP preciso, relevante y actualizado.
En tercer lugar, la infraestructura. Estamos facilitando la conexión de JMP con el LLM de su elección mediante conectores de punto final, para que los clientes no dependan de un único proveedor. Estará disponible en marzo de 2027, y si le interesa probarlo antes que nadie, únase al Programa de Adopción Temprana de JMP ; nos encantaría recibir sus comentarios.
En cuarto lugar, las herramientas. JMP continúa desarrollando una biblioteca de extensiones de IA y aprendizaje automático de alto valor que ayudan a los usuarios, mejoran sus flujos de trabajo y reducen la necesidad de programar. Los usuarios pueden instalar estas extensiones, configurarlas para que se ajusten a las políticas de sus organizaciones y modificarlas según sea necesario.
Por último, el JMP Marketplace. A través del Mercado JMP , los clientes eligen las extensiones de LLM o IA que mejor se adaptan a sus necesidades. Al ofrecer estas extensiones a través del JMP Marketplace en lugar de integrarlas en el producto principal, JMP mantiene la IA como una opción, no como una imposición.
Seguridad, privacidad y cumplimiento normativo: a su medida.
Entendemos que la privacidad, la seguridad y el cumplimiento de los datos son prioritarios, especialmente cuando interviene la IA. JMP simplifica la búsqueda de las respuestas que necesitan sus equipos de seguridad y cumplimiento.
Nuestro Centro de Confianza explica qué hace JMP con sus datos y sugerencias, cómo garantizamos la privacidad de los datos, qué medidas de seguridad ofrecemos y cómo cumplimos con los requisitos de la UE. Los Términos de IA Generativa de JMP detallan específicamente qué sucede con sus sugerencias al usar extensiones basadas en LLM. Cada extensión incluye una Hoja de Información del Modelo que identifica el modelo utilizado y enlaza con la documentación del proveedor. Además, nuestra Política de Uso Responsable de JMP describe nuestro compromiso con las prácticas éticas de IA y guía a los usuarios a través de los casos de uso permitidos e inaceptables.
Todos estos recursos son públicos y están disponibles para que los compartas con tus equipos de seguridad y cumplimiento normativo.
Lo que JMP no está haciendo
Es tan importante aclarar lo que JMP no hace como explicar lo que sí hacemos.
- No estamos creando un chatbot para reemplazar el flujo de trabajo analítico de JMP. JMP es una herramienta de análisis, no un producto de conversación.
- No dejamos que los LLM hagan los cálculos: JMP calcula, los LLM escriben las instrucciones.
- No estamos entrenando ni ajustando modelos básicos, ya que eso es un juego de GPU de miles de millones de dólares, no una tarea de análisis de datos para ordenadores de escritorio.
- No generamos datos sintéticos. La marca de JMP es el rigor estadístico, y ese rigor no se verá comprometido por cifras fabricadas por LLM.
- No estamos imponiendo funciones de IA a los usuarios que no las desean.
La estrategia se define por el resultado empresarial y el flujo de trabajo. La IA es una herramienta más para lograrlo.
En resumen
JMP cuenta con una sólida base y un flujo de trabajo diferenciado. El flujo de trabajo analítico (exploración visual, métodos estadísticamente rigurosos, análisis repetible y compartible) no es lo mismo que escribir una pregunta en un chat. Una pregunta puede ser útil, a veces de forma decisiva, pero no reemplaza el rigor ni el flujo de trabajo integral que JMP permite.
Lo que estamos construyendo es infraestructura: una base de conocimientos que mejora significativamente la comprensión de JMP por parte de los LLM, una capa de traducción que fundamenta las respuestas en contenido preciso, conectores de punto final que brindan a los clientes flexibilidad para elegir sus proveedores de IA y un mercado que ofrece capacidades de IA de forma opcional y según sus condiciones.
Los usuarios de JMP crean conocimiento nuevo. Trabajan en problemas nunca antes resueltos, con datos que ningún modelo ha visto. Este flujo de trabajo no va a desaparecer. De hecho, en la era de la IA, cobra aún más importancia, porque los problemas que vale la pena resolver son precisamente aquellos donde los modelos de lógica descriptiva (LLM) se quedan sin datos de entrenamiento y donde comienza a brillar la fortaleza de JMP.
No nos dejamos llevar por las modas pasajeras. Estamos construyendo a largo plazo y estamos construyendo para ti.
