La paradoja de la productividad: ¿qué pasa cuando la IA nos ahorra pensar?

Hace pocas semanas, en Foment celebramos la primera edición del Forward Tech Summit. Si tuviera que destacar una sola cosa, sería esta: la conversación sobre la inteligencia artificial ya no va de si llegará, sino de cómo la usamos y cómo nos adelantamos al impacto que tendrá (y está teniendo) en la forma como entendemos hoy nuestra relación con el trabajo. A través de cuatro formatos pensamos, hicimos y conectamos: tres verbos que resumen lo que creo que necesita hoy nuestro tejido empresarial para no ir a remolque de una transformación que ya está aquí.

Lo que pretendíamos con el Forward no era resolver todas las dudas, sino seguramente, hacernos más y mejores preguntas.

Si quieres saber más

 

   

Europa abraza una “soberanía tecnológica pragmática” ante la revolución de la IA

¿Qué hacemos con el 30% del tiempo que la IA nos permite ahorrar?

Al final de mi intervención planteé precisamente esta pregunta al auditorio. Si la IA nos permite hacer lo que hacíamos antes con un 30% menos de tiempo, ¿qué haremos con este 30%? La mayoría de los discursos empresariales sobre IA comparten una premisa: la tecnología nos permitirá hacer más cosas en menos tiempo. Por lo tanto, ser más eficientes. Pero hay una pregunta que hacemos mucho menos, y es: ¿qué capacidades podemos perder si automatizamos también los procesos que nos ayudan a desarrollarlas?

Quizás la eficiencia no es el objetivo final, sino solo una oportunidad. Nos hemos acostumbrado a pensar que ser eficientes significa eliminar fricción: menos pasos, menos esperas, menos dudas. Más rápido. Pero no toda fricción es ineficiencia. A veces es justamente en ese momento de resistencia, cuando alguien se detiene, pregunta, no lo ve claro y, por qué no, momentos en que puede estar en desacuerdo, donde aparece el criterio.

A veces es justamente en ese momento de resistencia, cuando alguien se detiene, pregunta, no lo ve claro y, por qué no, momentos en que puede estar en desacuerdo, donde aparece el criterio

A principios de octubre, en Foment fuimos community partner del World Summit AI en Ámsterdam, y varias de las cuestiones que subieron al escenario del Forward se repitieron. Uno de ellos fue los retos en el aprendizaje. El escenario principal acogió una mesa provocativamente titulada “Smart Machines, Dumber minds” en la que, en cierto modo, nos obligaron a separar dos tipologías de fricciones.

• La fricción que no aporta valor: burocracia, tareas repetitivas, procesos innecesarios, duplicaciones y tiempo perdido. Precisamente la fricción que hace eficiente la IA.
• La fricción que genera valor (y que no podemos perder): contrastar opiniones, cuestionar hipótesis, aprender, deliberar, experimentar y desarrollar criterio.

Debemos aprovechar al máximo el potencial de la IA para eliminar la primera. Sin embargo, el reto es no eliminar también la segunda.

Trena Minudri, vicepresidenta de Coursera, aportó una distinción muy útil: la productividad que obtenemos hoy no es necesariamente equivalente a la capacidad que desarrollaremos, que necesitaremos mañana. Para explicarlo, diferenciaba performance (conseguir hacer una tarea más rápida y con buenos resultados) y capability (desarrollar las habilidades y los conocimientos que nos permitirán hacer mejor las tareas en el futuro).

La IA puede aumentar enormemente el primero, la performance, sin necesariamente mejorar el segundo. De hecho, la IA puede mejorar claramente tu rendimiento, pero el conocimiento que adquieres haciendo, es lo que te hará más “empleable” mañana.

Minudri explicó que su hija, estudiante de enfermería, había configurado un tutor de IA que no le proporcionaba directamente las respuestas, sino que le hacía preguntas para ayudarla a llegar a ellas

Este concepto lo trasladó de la siguiente manera: debemos poner la mirada en la capacidad que estamos desarrollando o perdiendo mientras obtenemos estos resultados. Y, sin duda, los últimos estudios que se han publicado, poniendo la mirada en los más jóvenes, nos orientan sobre cuál es el camino a seguir.

Para bajar al terreno este concepto del tech for good, la vicepresidenta de Coursera ponía el ejemplo de su hija, estudiante de enfermería, que había configurado un tutor de IA que no le proporcionaba directamente las respuestas, sino que le hacía preguntas para ayudarla a llegar a ellas. Never give me the answers. Keep asking me questions. La tecnología no sustituía aquí el esfuerzo de aprender. Lo acompañaba.

Tradicionalmente, las empresas han medido la productividad a partir del tiempo, los costes y los resultados. Con la IA quizás tendremos que incorporar otra dimensión. Me explico. Una empresa puede reducir radicalmente el tiempo necesario para elaborar un informe gracias a la IA. Pero, si los profesionales más jóvenes dejan de aprender a analizar la información, detectar contradicciones y construir argumentos, ¿cuál será el impacto a largo plazo?

La respuesta no es dejar de utilizar IA, sino rediseñar cómo trabajamos y cómo aprendemos con ella. Por lo tanto, el riesgo real no es que la IA acabe pensando por nosotros, sino que nosotros dejemos de ejercer las capacidades propias de razonar que nos son intrínsecas.

El riesgo real no es que la IA acabe pensando por nosotros, sino que nosotros dejemos de ejercer las capacidades propias de razonar que nos son intrínsecas

Y me quedaría con dos mensajes para seguir pensando en ello:

• Ser más productivos no significa necesariamente ser más capaces. Y sin capacidad, la productividad tiene fecha de caducidad.
• La fricción tiene valor cognitivo, es parte del desarrollo de nuestro yo y hay que cuestionar la tendencia de los sistemas de IA a complacernos, validarnos y darnos (siempre) la razón.

Y creo que enlaza perfectamente con la idea que expuse en el Forward de la fricción como activo: no toda fricción es ineficiencia; a veces es precisamente aquello que nos hace aprender, cuestionar y crecer.

Si la IA nos permite hacer hoy una tarea en la mitad de tiempo, pero mañana somos menos capaces de hacerla sin ayuda, ¿hemos ganado realmente productividad? Quizás el reto no es solo determinar qué tareas podemos delegar a la IA, sino qué capacidades humanas no nos podemos permitir dejar de ejercitar.