Cada semana aparece un nuevo estudio sobre inteligencia artificial.
Uno demuestra que la IA aumenta la productividad. Otro advierte que va a destruir empleos. Un tercero asegura que, en lugar de reemplazar personas, las hará más productivas. Y casi siempre hay una investigación, una universidad prestigiosa o un laboratorio reconocido detrás de cada argumento.
El problema es que una investigación puede ser metodológicamente correcta y, al mismo tiempo, llevarnos a conclusiones equivocadas cuando intentamos aplicarla a una realidad mucho más amplia.
Y ese es uno de los mayores desafíos que tenemos hoy para entender realmente el impacto de la inteligencia artificial.
No se trata de desconfiar de la investigación. Se trata de aprender a entender qué está midiendo realmente cada estudio y, sobre todo, qué está dejando por fuera.
No toda la evidencia sobre IA tiene el mismo problema
Podemos encontrar, de manera simplificada, tres tipos de investigaciones.
La primera utiliza teorías sólidas desarrolladas en otro momento tecnológico para explicar lo que está ocurriendo hoy. El problema no necesariamente está en esas teorías, sino en extender sus conclusiones a una tecnología cuyas capacidades son muy diferentes a aquellas existentes cuando fueron formuladas.
La segunda es probablemente más compleja: investigaciones rigurosas que encuentran resultados válidos, pero dentro de un espacio muy específico. El error aparece cuando convertimos ese resultado local en una explicación general sobre el impacto de la IA.
Y finalmente están las investigaciones donde existen intereses evidentes detrás de determinadas conclusiones. Como sucede en cualquier industria, siempre debemos entender quién financia un estudio, qué intereses existen y qué hipótesis intenta demostrar.
Pero es el segundo grupo el que debería preocupar especialmente a quienes tomamos decisiones empresariales.
Porque una investigación puede estar perfectamente diseñada y aun así mostrarnos solamente una parte de la película.
El problema de medir una tecnología que no deja de cambiar
Pensemos en un estudio que intenta medir cuánto aumenta la productividad de un trabajador utilizando inteligencia artificial.
Se seleccionan dos grupos, se introduce una herramienta de IA en uno de ellos y posteriormente se comparan los resultados.
Metodológicamente parece razonable.
El problema es que existe una diferencia fundamental entre la inteligencia artificial y muchas tecnologías anteriores: la capacidad tecnológica que estamos intentando medir no permanece estable.
Un software tradicional podía mantenerse relativamente igual durante años. Esto permitía estudiar sus efectos con cierta estabilidad.
Con la IA ocurre algo diferente.
Los modelos mejoran constantemente. Aparecen nuevas capacidades, disminuyen costos, aumenta la velocidad, se incorporan agentes y cambian las posibilidades de automatización.
Por eso un estudio realizado en un momento determinado puede medir correctamente lo que una tecnología podía hacer entonces y, sin embargo, perder rápidamente capacidad para explicar lo que esa misma tecnología puede hacer meses después.
Estamos intentando fotografiar algo que se está moviendo.
Productividad no significa necesariamente captura de valor
Existe otro supuesto que merece especial atención.
Normalmente asumimos que, si una tecnología aumenta la productividad de una empresa o de una persona, una parte importante de ese beneficio será capturada por quien adopta la tecnología.
Con la IA esto no necesariamente ocurre.
Una empresa puede volverse más productiva y, sin embargo, una parte considerable del valor económico generado terminar en otro lugar del ecosistema.
Puede capturarlo quien controla el modelo.
Quien controla la infraestructura.
Quien controla la interfaz con el cliente.
Quien posee la distribución.
O quien logra convertirse en el nuevo punto de coordinación del mercado.
Esto introduce una distinción estratégica fundamental:
crear valor y capturar valor son dos problemas diferentes.
Una empresa puede utilizar IA exitosamente, mejorar procesos y reducir tiempos sin que eso signifique necesariamente que haya fortalecido su posición competitiva.
Incluso podría ocurrir lo contrario.
Podría estar aumentando su productividad mientras simultáneamente transfiere poder económico hacia otro actor de su cadena de valor.
Adoptar IA tampoco es instalar una tecnología
Otro problema aparece cuando tratamos la adopción de inteligencia artificial como tradicionalmente tratábamos la implementación de software.
Implementábamos una herramienta.
Capacitábamos a las personas.
Medíamos un antes y un después.
Pero con IA probablemente no exista un verdadero “después”.
Las capacidades continúan evolucionando. Los procesos deben rediseñarse. Las personas aprenden nuevas formas de trabajar. Aparecen nuevas posibilidades de automatización y también nuevas necesidades de supervisión, validación y control.
La adopción deja entonces de ser un proyecto tecnológico para convertirse en una capacidad organizacional continua.
Esto cambia completamente la conversación para los líderes.
La pregunta deja de ser:
¿Cuándo terminamos de implementar IA?
Y pasa a ser:
¿Qué tan rápido puede nuestra organización absorber las nuevas capacidades que la IA va creando?
Esa diferencia parece pequeña, pero estratégicamente es enorme.
También estamos midiendo mal el trabajo
Quizás el problema más profundo sea asumir que los cargos, las funciones y los procesos actuales seguirán existiendo tal como los conocemos.
Muchos estudios analizan cuánto puede automatizarse de determinado trabajo.
Pero la IA no necesariamente reemplaza un cargo completo.
Puede descomponerlo.
Una función que antes estaba concentrada en una persona puede dividirse en múltiples actividades. Algunas serán automatizadas. Otras serán aumentadas por IA. Algunas pasarán a otro equipo. Otras incluso podrían trasladarse al cliente.
Y después esas actividades pueden volver a combinarse de maneras completamente diferentes.
Esto significa que el impacto de la IA sobre el empleo probablemente no pueda entenderse únicamente preguntando:
¿Qué trabajos va a reemplazar la IA?
La pregunta más interesante podría ser:
¿Cómo va a reorganizarse el trabajo cuando podamos separar actividades que históricamente estaban obligadas a permanecer juntas?
Ahí comienza una discusión mucho más estratégica.
Cinco preguntas para entender realmente el impacto de la IA
Una manera más completa de analizar lo que está ocurriendo consiste en observar una cadena de cinco elementos:
Capacidad → Sustitución → Interfaz → Reconfiguración → Captura de valor.
1. Capacidad
Primero debemos preguntarnos qué puede hacer ahora una máquina que antes no podía hacer.
Generar contenido.
Interpretar información.
Razonar sobre determinados problemas.
Coordinar actividades.
Ejecutar acciones.
La frontera tecnológica se está moviendo constantemente.
2. Sustitución
Después debemos entender qué actividades humanas pueden automatizarse o complementarse gracias a esas nuevas capacidades.
Esta es la parte donde normalmente se concentra la conversación sobre productividad.
Pero es apenas el comienzo.
3. Interfaz
Cuando una máquina puede realizar una parte diferente del trabajo, cambian también los puntos donde interactúan personas, procesos, clientes y organizaciones.
Aparecen nuevas interfaces.
Y quien controla esas interfaces puede comenzar a ocupar una posición mucho más importante dentro del ecosistema.
4. Reconfiguración del trabajo
Las actividades que antes estaban agrupadas dentro de un cargo, un equipo o incluso una empresa pueden separarse y combinarse nuevamente.
Trabajo que antes realizaba un empleado puede pasar al cliente.
Trabajo que realizaba una firma profesional puede convertirse en software.
Trabajo que hacía un equipo puede pasar a un agente.
Y trabajo que antes requería ejecución humana puede transformarse principalmente en supervisión humana.
Aquí la IA deja de ser solamente una herramienta de productividad y comienza a modificar el diseño de las organizaciones.
5. Captura de valor
Finalmente aparece la pregunta que probablemente más debería interesar a un CEO:
¿Quién captura el valor económico después de toda esta transformación?
No necesariamente será quien utilizó la IA inicialmente.
Puede ser quien controle el modelo, la plataforma, la interfaz, el workflow, la distribución, la confianza del cliente o el nuevo punto de coordinación del mercado.
Y ahí es donde la discusión sobre inteligencia artificial deja de ser tecnológica y se convierte en estrategia.
El error es detenernos demasiado pronto
Muchos análisis sobre IA terminan en la segunda pregunta.
¿Qué puede hacer la IA?
¿Qué puede automatizar?
¿Cuánto aumenta la productividad?
Son preguntas importantes.
Pero son insuficientes.
Porque podemos demostrar que una persona realiza una tarea 30% más rápido y aun así no entender qué ocurrirá con esa actividad dentro de tres años.
Tal vez esa tarea desaparezca del cargo.
Tal vez pase al cliente.
Tal vez se integre dentro de otra función.
Tal vez sea realizada completamente por un agente.
O tal vez el valor generado termine siendo capturado por una empresa que hoy ni siquiera participa de esa industria.
Por eso estudiar solamente productividad puede llevarnos a entender correctamente una parte del fenómeno mientras ignoramos la transformación del sistema completo.
La conversación que deberían tener las empresas
Durante los últimos años muchas organizaciones han concentrado su discusión sobre inteligencia artificial en casos de uso.
¿Dónde podemos implementar IA?
¿Qué procesos podemos automatizar?
¿Cuánto podemos ahorrar?
Son preguntas necesarias, pero probablemente demasiado operativas para el tamaño de la transformación que estamos enfrentando.
Los comités ejecutivos deberían comenzar a incorporar otras preguntas:
¿Qué nuevas capacidades tecnológicas pueden cambiar estructuralmente nuestro negocio?
¿Qué actividades de nuestra cadena de valor pueden separarse?
¿Cuáles pueden migrar hacia clientes, proveedores, plataformas o agentes?
¿Qué interfaces nuevas aparecerán?
¿Qué parte de nuestra ventaja competitiva puede desaparecer?
¿Y qué necesitamos controlar para seguir capturando valor?
Porque el verdadero impacto de la inteligencia artificial probablemente no esté solamente en hacer más eficiente el trabajo que hacemos hoy.
Puede estar en cambiar quién hace ese trabajo, dónde se realiza, cómo se organiza y quién termina quedándose con el valor que produce.
Esa es una conversación mucho más incómoda que preguntar cuántas horas podemos ahorrar utilizando IA.
Pero también es la conversación que realmente importa.
La próxima vez que veamos un estudio diciendo que la inteligencia artificial aumenta la productividad, elimina empleos o transforma determinada profesión, quizás deberíamos resistir la tentación de compartir inmediatamente el titular.
Primero habría que hacer cinco preguntas:
¿Qué nueva capacidad apareció?
¿Qué sustituye o complementa?
¿Qué interfaz modifica?
¿Cómo reorganiza el trabajo?
¿Y quién captura finalmente el valor?
Hasta que podamos responder las cinco, probablemente todavía estemos viendo solamente una parte de la película.