Susana López Blanco La inteligencia artificial está reduciendo la distancia entre querer hacer algo y ser capaz de hacerlo. Una persona que no sabe programar puede construir un primer prototipo; alguien que nunca ha manejado un programa de diseño puede crear una propuesta visual; un directivo puede analizar miles de datos sin dominar estadística avanzada. Eso no convierte a todos en expertos. Lo que cambia es cuánto necesitamos dominar la técnica para empezar a hacer cosas que antes estaban fuera de nuestro alcance.
Hablar de la IA como un simple complemento se queda corto. Una herramienta que escribe, programa, analiza, traduce, investiga, diseña y empieza además a actuar mediante agentes de IA amplía nuestra capacidad efectiva. Seguimos teniendo los mismos límites biológicos, las mismas veinticuatro horas y un cerebro que no puede saberlo todo. Pero podemos acceder a capacidades que antes exigían años de aprendizaje, la ayuda de otros especialistas o bastante más tiempo.
Índice de contenidos
Hacer algo exige criterio no conocimiento
Durante siglos, saber hacer y saber cómo se hacía estuvieron estrechamente unidos. Para escribir un programa había que conocer un lenguaje de programación. Para analizar una base de datos había que manejar determinadas herramientas y tener conocimientos estadísticos. Para producir una pieza audiovisual había que aprender programas que podían exigir meses de práctica. El conocimiento técnico marcaba la frontera entre lo que una persona podía hacer por sí misma y aquello para lo que necesitaba a un especialista.
La inteligencia artificial está moviendo esa frontera. Podemos describir un resultado, aportar contexto, corregir lo que recibimos y avanzar mediante sucesivas conversaciones con el sistema. El recorrido entre la intención y la ejecución se acorta.
Un emprendedor con una idea puede construir una maqueta funcional sin convertirse antes en desarrollador. Un responsable de marketing puede consultar una base de datos utilizando lenguaje corriente. Un profesional puede preparar una primera visualización sin conocer todas las funciones del programa que la produce. Ninguno de ellos adquiere mágicamente la formación de un programador, un analista o un diseñador. Adquiere, sin embargo, una capacidad que antes no tenía: puede hacer parte de ese trabajo.
Esta diferencia importa. Durante años hemos pensado la tecnología como una colección de herramientas que había que aprender a manejar. La IA introduce una interfaz distinta. Cada vez tendremos que saber menos sobre los mandos concretos de la herramienta para poder expresar mejor qué queremos conseguir. Esto cambia la relación entre conocimiento y capacidad.
¿Entonces ya no hace falta saber?
Sería tentador responder que sí. También sería falso.
La IA reduce la cantidad de conocimiento técnico que necesitamos para ejecutar determinadas tareas, pero el criterio sigue dependiendo de lo que sabemos. Es difícil reconocer una respuesta incorrecta sobre finanzas si no entendemos finanzas. Cuesta valorar un código inseguro si no tenemos ninguna noción de programación. Y resulta complicado distinguir una estrategia mediocre de una buena cuando desconocemos el mercado, el cliente y el negocio.
Lo que está cambiando es qué conocimiento necesitamos tener en la cabeza y para qué lo necesitamos.
Antes, gran parte del aprendizaje profesional estaba dedicado a dominar procedimientos. Había que memorizar fórmulas, aprender comandos, conocer menús, recordar sintaxis y practicar durante horas determinadas operaciones. Muchas de esas tareas pueden pasar ahora a la máquina. El profesional puede dedicar más tiempo a formular el problema, describir el resultado que necesita, proporcionar contexto, comprobar la respuesta y decidir qué hacer después.
La calculadora ya hizo algo parecido con el cálculo. Las hojas de cálculo evitaron que millones de personas tuvieran que realizar operaciones a mano. Los buscadores cambiaron nuestra relación con la memoria. Nadie considera menos competente a un ingeniero porque utilice una calculadora o a un economista porque trabaje con Excel.
La diferencia es que la IA generativa afecta a un abanico muchísimo mayor de tareas intelectuales. Puede intervenir en escritura, programación, análisis, creatividad, investigación y toma de decisiones. Por eso la transformación es más profunda.
Seguiremos necesitando aprender. Probablemente necesitaremos aprender mucho. Pero una parte creciente de ese aprendizaje estará orientada a entender, juzgar y decidir, y menos a reproducir de memoria cada paso necesario para producir un resultado.
La IA está acortando algunas curvas de aprendizaje
Ya empiezan a aparecer datos que permiten observar este fenómeno. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron a 5.179 trabajadores de atención al cliente que comenzaron a utilizar un asistente de inteligencia artificial. La productividad aumentó un 14 % de media, pero el efecto fue muy diferente según la experiencia previa: los trabajadores menos experimentados mejoraron alrededor de un 34 %, mientras que entre los más expertos el impacto fue mucho menor.
Los investigadores encontraron indicios de algo especialmente interesante: el sistema parecía transmitir a los trabajadores con menos experiencia algunas de las prácticas utilizadas por sus compañeros más eficaces. La IA estaba haciendo accesible una parte del conocimiento que normalmente se adquiere con el tiempo.
Otro experimento realizado con 758 consultores de Boston Consulting Group encontró un efecto parecido en determinadas tareas. Los profesionales que utilizaron GPT-4 completaron más trabajo, terminaron antes y obtuvieron mejores valoraciones en ejercicios de creatividad, análisis, escritura y persuasión. La mejora tampoco eliminaba la experiencia; permitía a los participantes acceder a una capacidad adicional que podían incorporar a su trabajo.
Esta posibilidad tiene consecuencias enormes para el aprendizaje profesional. Hasta ahora, muchas capacidades estaban separadas por barreras de entrada considerables. Hacían falta cursos, práctica, herramientas especializadas y bastante tiempo antes de producir algo mínimamente útil. La IA puede rebajar algunas de esas barreras.
Una persona puede comenzar a experimentar mucho antes. Puede aprender mientras hace. Puede preguntar cuando se atasca. Puede pedir una explicación adaptada a su nivel, probar una solución y volver sobre el error inmediatamente.
El acceso a una capacidad deja de depender únicamente de cuánto tiempo hemos dedicado a dominar sus procedimientos.
Puedes hacer lo que quieras, otra cosa es hacerlo bien
La misma investigación con consultores de BCG descubrió el reverso del fenómeno. Había una tarea compleja para la que GPT-4 proporcionaba una respuesta convincente pero equivocada. Los participantes que trabajaron con la IA tuvieron menos probabilidades de resolverla correctamente que quienes hicieron el ejercicio sin ayuda.
Los investigadores utilizaron la expresión frontera tecnológica irregular para explicar el problema. La IA puede ser extraordinariamente buena en una tarea y fallar en otra que, vista desde fuera, parece muy parecida. Para el usuario no siempre es evidente cuándo se encuentra a un lado u otro de esa frontera.
Aquí encontramos uno de los grandes problemas del ser humano aumentado: podemos adquirir capacidad más deprisa de lo que adquirimos criterio.
La IA puede permitirnos producir un análisis financiero antes de que sepamos evaluar bien un análisis financiero. Puede ayudarnos a escribir código antes de que sepamos reconocer un problema de seguridad. Puede producir una estrategia de marketing perfectamente redactada aunque parta de una interpretación equivocada del mercado.
El resultado puede parecer profesional mucho antes de que nosotros seamos capaces de juzgarlo como un profesional.
Por eso el conocimiento no pierde su valor. Cambia su función. Quizá no necesitemos memorizar todos los pasos para ejecutar una tarea, pero sí necesitamos comprender suficientemente el terreno para saber cuándo podemos confiar, qué debemos comprobar y dónde puede esconderse un error.
El profesional aumentado tiene acceso a más capacidad. También necesita saber hasta dónde llega.
Del conocimiento como ejecución al conocimiento como criterio
Durante mucho tiempo hemos medido la competencia profesional por lo que una persona sabía hacer directamente. Saber Excel, saber Photoshop, saber programar en Python, saber preparar un modelo financiero, saber escribir un plan de marketing.
La IA empieza a separar dos cosas que estaban muy unidas: dominar la mecánica y conseguir el resultado.
Eso hace que otras capacidades resulten mucho más visibles. Entender qué problema intentamos resolver. Dar contexto suficiente. Reconocer una buena respuesta. Detectar una contradicción. Comparar alternativas. Saber qué fuente merece confianza. Comprender las consecuencias de una decisión. Preguntar a otra persona cuando estamos fuera de nuestro terreno.
Podemos llamarlo criterio, aunque la palabra tiene algo de cajón de sastre. El criterio profesional se construye con conocimientos, experiencia, capacidad crítica y comprensión del contexto. No aparece por utilizar mucho ChatGPT ni puede descargarse en una tarde.
Precisamente por eso puede convertirse en una de las capacidades más importantes de los próximos años.
Cuando producir diez propuestas cuesta casi lo mismo que producir una, el valor está en reconocer cuál merece seguir adelante. Cuando podemos consultar miles de documentos en minutos, importa saber qué estamos buscando. Cuando un agente puede ejecutar un proceso completo, alguien tiene que decidir qué autonomía puede tener y qué decisiones deben seguir dependiendo de una persona.
Ya estamos viendo esta evolución en el trabajo con agentes. Como explicamos al analizar cómo la IA obliga a las empresas a explicar mejor cómo trabajan, delegar trabajo a un sistema exige definir procesos, límites, permisos y responsabilidades. Cuanto más puede hacer la máquina, mejor tenemos que entender qué queremos que haga.
El experto no desaparece, pero cambia su ventaja
Una lectura superficial de todo esto podría llevarnos a pensar que la experiencia pierde importancia. Los datos disponibles apuntan a algo bastante más interesante. En muchas tareas, la IA permite a los menos experimentados acercarse rápidamente al rendimiento de personas que antes les llevaban mucha ventaja. Al mismo tiempo, los profesionales expertos siguen teniendo más recursos para comprobar resultados, proporcionar contexto, detectar excepciones y reconocer cuándo una respuesta aparentemente brillante contiene un error.
La ventaja del experto puede estar en comprender mejor qué hay que hacer, cómo debe hacerse y qué resultado podemos aceptar.
Un buen arquitecto seguirá viendo problemas que una persona sin formación no detecta aunque ambas puedan generar un plano con ayuda de IA. Un programador experimentado reconocerá riesgos que el usuario que acaba de crear su primera aplicación probablemente pase por alto. Un buen periodista sabrá que una respuesta perfectamente escrita puede apoyarse en una fuente débil o interpretar mal un dato.
La IA democratiza capacidad, pero no reparte automáticamente experiencia.
Ahí está probablemente una de las transformaciones más interesantes del trabajo intelectual. Personas con menos conocimientos técnicos podrán realizar tareas que antes necesitaban especialistas. Los especialistas, a su vez, podrán trabajar sobre problemas más grandes, probar más alternativas y dedicar menos tiempo a operaciones rutinarias.
Todos aumentan, aunque no de la misma manera.
Aprender a trabajar con una inteligencia que está fuera de nuestra cabeza
La educación también tendrá que adaptarse. Si una máquina puede recordar mejor que nosotros, escribir código, resumir un libro o resolver buena parte de un procedimiento, dedicar años a demostrar únicamente que sabemos reproducir esas operaciones tiene cada vez menos sentido.
Eso no significa abandonar los conocimientos fundamentales. Sin ellos resulta muy difícil pensar con rigor. Significa enseñar también a utilizarlos de otra manera.
Un profesional aumentado debería aprender a:
- formular bien un problema antes de pedir una solución;
- dar a la IA el contexto que necesita;
- distinguir una respuesta plausible de una respuesta correcta;
- comprobar fuentes, datos y supuestos;
- entender cuándo está fuera de su campo de conocimiento;
- decidir qué puede delegar y qué necesita supervisar;
- utilizar la capacidad de la máquina sin entregar a ella la responsabilidad.
Esta forma de aprender se parece menos a acumular procedimientos y más a desarrollar capacidad profesional. La persona sigue necesitando conocimientos, pero puede apoyarse en una inteligencia externa para utilizarlos, ampliarlos y llevarlos a terrenos a los que antes no podía llegar sola.
Somos capaces de hacer más, y eso también nos exige más
El ser humano aumentado no es una especie nueva ni necesita implantes, gafas futuristas o chips conectados al cerebro. Ya está apareciendo delante de una pantalla. Es una persona corriente que puede investigar como si tuviera un pequeño equipo de analistas, programar con ayuda sin ser desarrollador, crear imágenes sin dominar una aplicación de diseño o trabajar con un agente que ejecuta tareas mientras ella se ocupa de otras cosas.
La capacidad disponible crece de una forma extraordinaria. Lo difícil será aprender a utilizarla sin confundir poder hacer algo con saber hacerlo bien.
Por eso no compraría literalmente la idea de que ya no hace falta saber nada. Hace falta saber cosas distintas y utilizarlas de otra manera. Quizá recordemos menos sintaxis, menos comandos y menos procedimientos. Necesitaremos entender mejor los problemas, reconocer la calidad, comprobar resultados y hacernos responsables de las decisiones.
La IA puede permitir que una persona haga cosas que ayer no sabía hacer. Ese es el sentido más interesante del ser humano aumentado: no tener más información almacenada en la cabeza, sino disponer de una capacidad mucho mayor para convertir una idea, una pregunta o una decisión en algo real.