Doxa 2268

Lo que se mide, la IA lo automatizará

Por Christian Catalini , Jane Wu y Kevin Zhang

IA y Aprendizaje Automático

Harvard Business Review

#Doxa #IA #aprendizaje #automático #modelo #tarea #datos #cálculo #sesión #terapia #recompensa #sector #ambigüedad #líder #creatividad #incertidumbre #invertir #resultado #medible #confianza #replica #visión

Resumen. En la era de la IA, lo que se mide se automatiza. A medida que los modelos se vuelven más potentes, cualquier tarea que pueda convertirse en datos, desde el análisis de hojas de cálculo hasta las sesiones de terapia, está cada vez más al alcance de la automatización. La estrategia subyacente es clara: Definir la tarea, alimentarla con datos, asignar recompensas y aplicar la computación. A medida que la IA reduce drásticamente el costo de la medición, incluso las actividades menores se vuelven económicamente viables de automatizar, expandiendo el alcance de la IA a casi todos los sectores. Lo que sigue siendo defendible son las tareas definidas por la ambigüedad, la creatividad o la incertidumbre: lugares donde los resultados no se pueden cuantificar fácilmente o donde el juicio humano aún prevalece. Para los líderes, el desafío es gestionar tanto lo medible como lo inmensurable, invirtiendo no solo en automatización, sino también en los intangibles (gusto, confianza, visión y adaptabilidad) que la IA aún no puede replicar.

La IA no necesita una actualización de ciencia ficción para revolucionar la economía: los modelos actuales, y las versiones más económicas y potentes que ya están en desarrollo, están llamados a revolucionar prácticamente todos los ámbitos del mercado laboral. Su sorprendente rendimiento en texto, imagen y vídeo amenaza con revolucionar la forma de trabajar en las filas creativas de escritores, diseñadores, fotógrafos, arquitectos, animadores y anunciantes de marcas, así como en el mundo de las hojas de cálculo: analistas financieros, consultores, contables y asesores fiscales. Ni siquiera los bastiones acreditados del derecho, la medicina o el mundo académico están a salvo: la IA puede filtrar océanos de contenido y ofrecer asesoramiento o cursos a medida a una fracción del coste actual, y con una calidad que se acerca rápidamente.

Existen importantes interrogantes sobre cuánto más potentes podrían llegar a ser las herramientas de IA, y en qué plazo. Dario Amodei, de Anthropic, y Sam Altman, de OpenAI, afirman que la inteligencia artificial general (IAG) podría estar a solo uno o dos años de distancia . Yann LeCun, de Meta, se muestra más escéptico y argumenta que los modelos actuales carecen de una comprensión física sólida, memoria duradera, razonamiento coherente y previsión estratégica. Apple acaba de publicar un nuevo estudio que afirma que los modelos actuales solo funcionan dentro de los límites de sus datos de entrenamiento. Sin embargo, incluso si el progreso se detuviera mañana, la disrupción ya está en marcha. 

Para navegar por este nuevo panorama, los líderes deben comprender y planificar cómo la automatización afectará a sus negocios. Esto requiere comprender qué tareas y responsabilidades tienen mayor probabilidad de verse presionadas y trazar un rumbo para impulsar a la empresa en la cadena de valor de la inteligencia antes de que se agote el tiempo.

¿Qué no está en riesgo con la automatización?

Investigadores y profesionales académicos han debatido extensamente qué trabajos y tareas son más vulnerables a la automatización. Algunas amenazas son obvias: los vehículos autónomos podrían pronto desplazar a millones de conductores de transporte compartido, autobuses y camiones. Mientras tanto, la traducción de idiomas, gran parte de la escritura creativa, el diseño e incluso la programación cotidiana se están delegando en la IA.

En febrero, Anthropic compartió estadísticas reveladoras de usuarios : si bien el formato de chat tiende naturalmente a la mejora humana, alrededor del 43 % de las interacciones ya representaban algún tipo de automatización, en la que los usuarios solicitan a la IA que realice una tarea directamente en lugar de ayudarles a iterarla y analizarla. Esta proporción seguirá aumentando a medida que los agentes de IA modular se incorporen al mercado laboral, intercambiando datos y coordinando tareas mediante protocolos como MCP . Los entornos ampliamente medidos o codificados, ya sea mediante leyes, códigos tributarios, protocolos de cumplimiento o flujos de datos de sensores, enfrentan el mayor riesgo a corto plazo de ser transferidos a las máquinas.

Los pioneros de la investigación en IA, Ajay Agrawal, Joshua Gans y Avi Goldfarb, argumentaron en 2018 que, a medida que la IA avanza, el último bastión de la ventaja humana será el juicio: la capacidad de sopesar opciones y tomar decisiones en condiciones de incertidumbre. Sin embargo, esta perspectiva nos impone una tarea imposible: determinar con exactitud qué se considera juicio en un momento dado.

Las tareas que hoy exigen criterio humano —elegir un tratamiento médico, revisar un contrato legal, crear un guion cinematográfico que refleje el espíritu de la época— podrían pronto pasar a la IA a medida que los modelos aprovechen datos más completos y una mayor capacidad de procesamiento. Tampoco podemos dar por sentado que las personas siempre preferirán un terapeuta, consejero o mediador humano, según investigaciones recientes . Una contraparte de IA puede operar las 24 horas del día, a una fracción del costo, y —salvo un puñado de superestrellas humanas— podría ofrecer una calidad más consistente.

Entonces, ¿cómo podemos distinguir las tareas que la IA automatizará próximamente de aquellas que requerirán nuevos avances tecnológicos para lograrlo? Para responder a esta pregunta, debemos volver a los principios básicos y repasar el origen de todo.

Del concurso de laboratorio a la revolución industrial

A mediados de la década de 2000, la científica informática Fei-Fei Li observó que el campo de la visión artificial, centrado en permitir que las computadoras "vean" e interpreten imágenes, se enfrentaba a un cuello de botella: los algoritmos estaban faltos de píxeles, procesando muy pocos datos visuales para alcanzar el rendimiento humano. Su solución fue, sorprendentemente, una fuerza bruta: creó ImageNet, un vasto y meticuloso conjunto de imágenes etiquetadas, creado con la ayuda de Amazon Mechanical Turk. Pero su verdadera genialidad llegó en 2010, cuando incorporó una clasificación mundial al conjunto de datos, transformando el reconocimiento de imágenes en una lucha de gladiadores para los investigadores.

Durante dos años, la clasificación anual fue avanzando poco a poco.

Luego, en 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton arrasaron con la competencia. Con dos tarjetas gráficas NVIDIA GTX 580 disponibles comercialmente, el trío de Toronto logró entrenar una red neuronal convolucional revolucionaria en tan solo unos días: un enfoque innovador que demostró que se podía revolucionar la visión artificial con el presupuesto de un estudiante de posgrado.

Ese momento puso fin al invierno de la IA que duró décadas, situó las redes neuronales en el centro del progreso y reveló el manual que aún se aplica en este campo. Primero, recopilar datos relevantes (aproximadamente 14 millones de imágenes etiquetadas en el caso de ImageNet). Después, basarse en métricas para cuantificar e impulsar el progreso. Por último, inundar un modelo con datos y la potencia de la GPU hasta que se autoenseñe, una fórmula que ha llevado a la IA desde la categorización de objetos hasta la escritura fluida y, más recientemente, al razonamiento, la planificación y el uso de herramientas externas en los sistemas de pensamiento emergentes actuales.

Datos, recompensa, computación

El marco que impulsó el avance del reconocimiento de imágenes es mucho más general de lo que la mayoría cree. Se puede invocar siempre que podamos a) definir el entorno de la tarea y recopilar sus datos, ya sea un corpus de texto, un repositorio de imágenes y vídeos, kilómetros de conducción registrados o flujos de datos de los sensores de un robot; b) especificar una recompensa objetivo, explícita («¿predijo el modelo la siguiente palabra?») o implícita (inferida a partir de la observación del comportamiento humano); y c) proporcionar la capacidad computacional necesaria para que el sistema pueda iterar.

Combinando estos tres ingredientes, obtienes un motor de automatización de propósito general. Dos tendencias de datos aceleran ahora el proceso. En primer lugar, los modelos pueden generar ejemplos sintéticos ilimitados; por ejemplo, generar "kilómetros de conducción" virtuales que cubran cualquier escenario inusual, en lugar de depender de datos de conductores reales. Y en segundo lugar, la IA se utiliza cada vez más en diversos dispositivos y sensores (en teléfonos, coches y otros lugares) como un topógrafo de bajo coste, que captura y cuantifica señales del mundo real que antes eran demasiado caras o imprácticas de medir.

Si logras introducir con fuerza un fenómeno en números, la IA lo aprenderá y lo reproducirá a escala. La tecnología sigue reduciendo drásticamente el coste de esa conversión, de modo que la medición se vuelve más económica, más rápida y se integra discretamente en todo lo que tocamos. Más cosas se vuelven contables, el círculo se reinicia y el modelo regresa por segundos. Esto significa que cualquier trabajo que pueda medirse puede, en teoría, automatizarse.

La medición es demasiado barata para medirla

El estudio fundamental de 1957 del economista Zvi Griliches sobre la adopción del maíz híbrido nos ofrece una perspectiva clara de lo que vendrá después. Al principio, los agricultores sembraban la costosa semilla solo en sus mejores hectáreas, donde el aumento en el rendimiento compensaba fácilmente el costo adicional y la curva de aprendizaje del uso de un nuevo producto. A medida que los híbridos mejoraban y se corría la voz, incluso los campos con márgenes reducidos pronto superaron la barrera de costo-beneficio. Con la IA, la inversión en medición sigue la misma curva de rentabilidad. Cuando convertir la realidad en datos es costoso, las empresas tienden a invertir solo en los casos más destacados: fraude con tarjetas de crédito, creación de mercado algorítmica, pronósticos de motores a reacción. 

Pero la IA ahora reduce drásticamente el coste de la medición precisa, convirtiendo la detección continua y de grano fino en la opción predeterminada. Los modelos ligeros se ejecutan junto con los sensores, lo que reduce el ancho de banda y la latencia, mientras que los datos sintéticos cubren las lagunas cuando el mundo real es lento o difícil de capturar. Cada decimal adicional se amortiza rápidamente: las pequeñas reducciones de errores, multiplicadas por millones de decisiones impulsadas por la IA, se acumulan rápidamente. A medida que la medición precisa se abarata, los flujos de beneficios cada vez más escasos se reducen, y las tareas que antes eran demasiado pequeñas para supervisar pasan a la red de automatización.

No solo podríamos tener pronto una inteligencia demasiado barata para medir, sino que también mediremos cada vez más áreas del mundo para expandir y mejorar continuamente el alcance de dicha inteligencia. Ya vivimos en la era de la "inteligencia de métricas artificiales", donde todo lo que podamos cuantificar se automatiza rápidamente.

Prosperando a pesar de lo desconocido

Los humanos somos generalistas evolutivos, seleccionados para navegar por mapas a medio dibujar. No solo sobrevivimos a lo desconocido, sino que prosperamos gracias a ello, y esa resiliencia es nuestra ventaja distintiva. A lo largo de incontables generaciones, perfeccionamos nuestras cuerdas vocales y cerebros sociales hasta que surgió el lenguaje, abriendo la puerta al conocimiento acumulativo, el razonamiento abstracto y el pensamiento simbólico. A partir de ahí, superamos nuestros límites biológicos, forjando herramientas que expandieron nuestros sentidos, expandieron nuestra memoria y multiplicaron nuestras capacidades. 

Pero la piedra angular de nuestra ventaja reside en nuestra corteza prefrontal, altamente plástica y densamente conectada. Este centro de mando neuronal nos permite generar un sinfín de hipótesis, ensayar futuros contrafácticos y adaptar la estrategia al instante en que cambian las condiciones. A falta de una verdadera singularidad, incluso las máquinas cuánticas tendrán dificultades para igualar nuestra capacidad para la planificación contrafáctica abierta e interdisciplinaria.

A medida que la IA acelera el progreso, crea nuevas incógnitas desconocidas, por lo que nuestros mapas se redibujan constantemente. Mientras tanto, rutiniza lo predecible —de forma similar a como la agricultura mecanizada nos liberó de la subsistencia—, liberando una mayor parte de nuestra capacidad intelectual contrafáctica para problemas de mayor envergadura.

La IA también tendrá dificultades en ámbitos donde la medición roza lo imposible, como lo demuestra el esfuerzo global de una década que necesitó el Telescopio del Horizonte de Sucesos para capturar la imagen de un solo agujero negro, y los desafíos aún sin resolver de investigar la física a escala extrema, el manto profundo y los océanos abisales de la Tierra, o las interacciones celulares vivas dentro del cerebro humano. También se quedará atrás donde la medición se ve limitada por la privacidad, la ética o la regulación; donde la sociedad exige un razonamiento transparente, al menos hasta que la interpretabilidad de los modelos se ponga al día; y donde las personas simplemente prefieren el toque humano. Sin embargo, al igual que con la adopción del maíz híbrido, las generaciones futuras seguirán revisando el cálculo de costo-beneficio para cada uno de estos factores, y podrían llegar a conclusiones muy diferentes a las nuestras.

Pero una excepción crucial en lo que se puede medir puede resultar decisiva: las tareas que desafían la cuantificación porque sus probabilidades de resultado son fundamentalmente incognoscibles: el reino de la incertidumbre knightiana , donde no se puede asignar ninguna probabilidad porque los riesgos en sí mismos son indefinidos. Escalar una startup, asignar capital o talento a empresas altamente inciertas, contener un nuevo patógeno, establecer la política del banco central durante un cambio de régimen financiero, redactar la ética de la IA, inventar un nuevo medio artístico, encender una tendencia de moda o crear un nuevo éxito de taquilla que rompa con el género: todos se encuentran en zonas donde las probabilidades se desvanecen. Algunos actos creativos y descubrimientos equivalen a poco más que inteligentes recombinaciones de lo familiar, pero los verdaderamente ambiciosos dependen de nuestra singular capacidad para imaginar mundos contrafácticos genuinamente nuevos y complejos.

La lista es fluida: las tareas se reducen en el momento en que se vuelven medibles, y surgen nuevas con la misma rapidez. Cada cambio obliga a ajustes económicos y sociales drásticos, concentrando más trabajo en una economía superestrella que concentra recompensas descomunales en las cimas de la creatividad, el talento y el capital. Sin embargo, la IA ofrece un regalo paradójico: al democratizar la educación y servir como copiloto personal de todos, proporciona a más personas que nunca las herramientas para alcanzar esas cimas. Los empleos mismos seguirán evolucionando, y cualquier avance que convierta lo desconocido en contable se expandirá y será imitado a la velocidad de un meme.

Para los líderes que dirigen sus organizaciones a través de esta turbulenta transición, ¿qué hay más allá de la hoja de cálculo? Es todo lo que no cabe en una celda: las habilidades que se niegan a ser contabilizadas, los problemas inconclusos sin precedentes fiables, los intangibles (la confianza, el buen gusto y las sutiles dimensiones de la calidad y la experiencia) y la convicción de seguir adelante incluso cuando todas las métricas dicen "espera". Gestionar solo lo que se puede medir y cede el terreno más valioso a los rivales que cultivan lo que no se puede contabilizar. Amar Bose, el ingeniero de sonido y eléctrico que fundó Bose Corporation, lo demostró: mientras otros veneraban las cifras de las hojas de especificaciones, él se centró en cómo sonaba la música para las personas en salas reales (una cualidad que ninguna métrica existente podía captar) y, al hacerlo, reescribió las reglas de la industria del audio.

En términos de dirección, la receta es simple. Apoye las apuestas impredecibles con un ROI difuso, recompense a los equipos que replantean los problemas y se adentran en lo desconocido, y rote el talento en roles que afronten la incertidumbre en I+D, nuevos mercados e interacciones complejas con clientes, socios y políticas. Aproveche los tiempos de inactividad y diseñe estrategias de colisión entre equipos para fomentar la coincidencia y la recombinación de ideas. Trate esos focos de ambigüedad planificada no como desventajas, sino como activos estratégicos.

Sólo los líderes que prestan atención a lo que es medible —y, lo que es más importante, a lo que obstinadamente no lo es— estarán preparados cuando llegue el siguiente turno.

Lea más sobre IA y aprendizaje automático o temas relacionados Tecnología y análisis , IA generativa , Innovación , Gestión del talento y Gestión del cambio.

Christian Catalini es el fundador del Laboratorio de Criptoeconomía del MIT y científico investigador del MIT. También es cofundador y director de estrategia de Lightspark. Anteriormente, fue cocreador de Libra y economista jefe de la Asociación Libra. Asesora a diversas empresas de criptomonedas, como Coinbase. También es miembro del Comité Asesor Tecnológico de la Comisión de Comercio de Futuros de Materias Primas de EE. UU.

Jane Wu es Profesora Adjunta de Estrategia en la UCLA , donde investiga la intersección entre innovación, emprendimiento y estrategia. Su trabajo actual se centra en el papel de las métricas en la innovación empresarial. También estudia las decisiones estratégicas empresariales que toman los fundadores de startups de alto crecimiento.

Kevin Zhang es ingeniero de aprendizaje automático en Lightspark y se centra en proyectos estratégicos de IA. También es el creador de Inference Grid, una red descentralizada para la inferencia de IA. Anteriormente, Kevin trabajó como ingeniero de software sénior para Ads Core ML en Meta.