Lo que estamos entendiendo mal sobre la IA y la productividad

David Rice: Así que tu equipo está usando IA para redactar informes, analizar datos y tomar decisiones más rápido. ¿La productividad ha subido, verdad? Tus métricas trimestrales probablemente lucen bastante bien, pero ¿adivina qué? Silenciosamente estás volviendo a tu gente menos inteligente. No estoy siendo dramático con esto. Un estudio reciente con profesionales médicos que utilizaban herramientas diagnósticas asistidas por IA demostró que se volvieron tan dependientes de la tecnología que, al apagar la IA, su desempeño era dramáticamente peor que antes de empezar a usarla. Eso no es un problema de formación. Eso es atrofia cerebral.

La invitada de hoy en el pódcast es la Dra. Vivienne Ming. Es neurocientífica teórica, una emprendedora que hace 15 años predijo que la navegación GPS aumentaría las tasas de demencia. Y hoy, existen pruebas empíricas que demuestran que tenía razón, pero eso no es lo que viene a contarnos.

Lo que viene a decirnos es que ahora mismo tenemos una elección entre dos caminos completamente distintos: la automatización cognitiva, donde la IA hace el trabajo por ti y logras victorias rápidas pero una pérdida a largo plazo, o la aumentación cognitiva, donde la IA hace el trabajo más difícil de forma que realmente mejora a tu gente.

Vamos a cubrir por qué la frase "la IA facilita la vida" es la propuesta más peligrosa en los negocios actualmente, la diferencia entre automatización que erosiona habilidades y aumentación que las desarrolla, cómo rediseñar herramientas de IA para que tu equipo sea mejor al final que al principio, y por qué los líderes que eligen la versión fácil verán ganancias a corto plazo pero fracaso estratégico.

Soy David Rice. Esto es Personas que Gestionan Personas. Y si has estado celebrando victorias de productividad sin preguntarte qué estás perdiendo en el proceso, esta conversación es un llamado de atención. Vamos allá.

Muy bien, Vivienne, bienvenida al programa.

Vivienne Ming: Es genial estar aquí.

David Rice: Antes de conectarnos, estaba revisando las noticias, como hago a veces, y vi un artículo. Nature publicó un estudio la semana pasada diciendo que cuando se alimenta de información, especialmente de redes sociales, la IA tiene dificultades. No puede comprender nada, y quería oír tu reacción, porque literalmente dijeron: demasiadas redes sociales ocasionan "podredumbre cerebral" en los chatbots de IA.

Vivienne Ming: Sí.

David Rice: Así que, ¿ese contenido no es bueno para nadie?

Vivienne Ming: "Podredumbre cerebral" es el término de moda. Podredumbre cerebral y trabajo basura. Puedo darte una respuesta muy nerd sobre eso, sobre lo que sucede y lo que deberíamos hacer. Pero para el público general, deberíamos preocuparnos, ¿verdad? Realmente se necesita muy poca información de baja calidad para que un modelo del lenguaje grande se desvíe completamente.

E incluso si vuelves atrás, sabes, hacemos ajuste fino humano supervisado, aprendizaje por refuerzo, aún así es muy difícil retornar a su potencial original. Así que mucha gente habla de la importancia de los datos de calidad. Y este es uno de esos ejemplos donde incluso un conjunto pequeño, involuntario, o a veces intencional, como introducir basura intencionalmente en el sistema, terminan haciendo... en realidad es una manera de hackear el cerebro.

Así que esto ni siquiera es podredumbre cerebral, es más como un gusano cerebral. Estas son cosas sobre las que preocuparse. Ahora mi respuesta algo nerd, sobre la que escribí un artículo que voy a enviar, es la siguiente. Escucha, los seres humanos somos imperfectos. También estamos llenos de sesgos. Además, resulta que si nos expones a internet, nuestro cerebro también se pudre.

Pero, dicho esto honestamente, los humanos en general hacemos algo muy importante. Si recibimos una información totalmente absurda, fuera de toda lógica, la ignoramos. Obviamente hay matices en esto. Pero en los casos reportados de podredumbre cerebral, normalmente era galimatías.

Nadie leería una página llena de galimatías y pensaría: "Oh dios, debo memorizar esto". Tenemos ese superpoder que la IA no tiene aún. Tenemos un modelo del mundo. El mundo de la IA habla constantemente de modelos del mundo, pero realmente no es así. Nosotros observamos el mundo, aplicamos ese modelo, y las cosas que no encajan, para bien o para mal,

decimos: eso es menos importante y no lo guardaré tan profundamente. Y necesitamos pensar en cómo lograr que las IAs hagan eso también. La idea de que debemos perfeccionar los conjuntos de datos y nunca mostrarle a una IA una radiografía mala o un trozo de basura de internet porque sufriría de podredumbre cerebral, es una debilidad real de cómo la entrenamos actualmente.

David Rice: Has oído decir que hemos creado un cerebro tan sofisticado como el nuestro. Lo he escuchado antes. A mí, no sé, no me convence del todo. Y a menudo me he opuesto a usar el término “cerebro". Pero al ver esto, pensé, tal vez sí es un cerebro. El contenido de las redes sociales tiene el mismo efecto sobre la IA que sobre nosotros, ¿entonces…?

Vivienne Ming: Sí. Me gusta ser mesurada. Soy una realista de la IA. El mundo está lleno de tonterías. Hay utopistas de la IA que creen que arreglará todo, hay distopistas que piensan que vamos a crear Skynet. Ojalá tuviéramos un problema con Skynet, sólo en el sentido de que ojalá supiéramos construir algo así.

No sabemos. No tenemos ni idea. Pero lo que hemos construido es realmente inteligente. Es inteligencia artificial. Sólo que tiene una forma específica de inteligencia: aprendizaje estadístico. Es algo que nosotros también usamos muchísimo, y lo comparte con nosotros. En ese sentido, hay muchas similitudes entre lo que hacen los modelos de lenguaje grandes y los seres humanos.

Pero tenemos otras formas de inteligencia, ideas computacionales de inteligencia de bajo nivel y de alto nivel. Hay un tipo famoso, Henry Markham, que se sometió a una cirugía para prevenir la epilepsia y luego nunca más formó una nueva memoria a largo plazo. Gente como yo solo le conoce por ser sujeto de toda esa investigación.

Sabía tocar la guitarra, pero no recordaba haber aprendido. Así que existen distintos tipos de inteligencia. Él no podía formar recuerdos nuevos, pero podía aprender a tocar guitarra. Así que hay distintas fortalezas que las máquinas y los humanos aportan. Si dejamos de tratar de hacer humanos artificiales y celebramos lo que la IA hace bien…

Estaríamos en un espacio mucho mejor ahora mismo.

David Rice: Estoy de acuerdo y es interesante porque lleva a lo que pensaba que seguiría en esta conversación: existe la creencia de que la IA va a facilitar todo, más comodidad, más eficiencia, productividad, rentabilidad.

Creo que eso es lo que muchos directivos se están vendiendo a sí mismos últimamente. Pero cuando hablamos antes de esto, cuestionaste esa narrativa, planteando que, bueno, ¿y si la IA no facilita la vida? ¿Y si la complica, pero nos mejora? Así que quiero saber, según tus palabras, ¿cómo se ve eso?

Vivienne Ming: De hecho, acabo de compartir una investigación totalmente ajena a la IA este fin de semana en mi boletín, y una de ella en particular hallaba que la gente tiene más probabilidad de invertir, digamos, un capitalista de riesgo invirtiendo en un emprendedor. Controlando todos los factores: raza, género, edad, etc., hay más probabilidad de invertir en personas con rostros similares.

Un experimento genial que sólo puedes hacer gracias a la IA, que te permite medir la similitud de rostros y decir: eres un 3% más probable de conseguir inversión si lanzas a un VC que se parece a ti, y sin embargo tienes un 7% menos probable de generar retorno. Lo menciono por lo que dije antes: estamos llenos de sesgos.

¿En qué ayuda eso? Tenemos el sesgo de invertir en gente similar, pero nos da peores retornos. Nos gusta pensar que somos racionales y perfectos, pero no es así. Y resulta que una de las formas en que somos irracionales… Bueno, deberíamos ser honestos con nosotros mismos.

Le sucede más a unos que a otros, pero en general nos gusta tomar el camino fácil. En psicología hablamos de procesamiento profundo y superficial. La mayor parte del tiempo, incluso los más brillantes, vivimos en modo superficial, y está bien, de verdad. Pero hay que ir a fondo de vez en cuando.

Y lo curioso es que hemos creado la herramienta perfecta para vivir siempre en modo superficial. Y si a eso le sumas que los líderes empresariales también toman decisiones imperfectas, como contratar al que se parece a mí en vez de al mejor para el puesto…

Otro artículo que compartí esta semana reveló que el llamado Principio de Peter es real: en los equipos de ventas, te ascienden por tus ventas, no por tu potencial como líder, lo que tiene consecuencias económicas reales en las empresas. Así que hacemos todo esto mientras tomamos decisiones de promoción, inversión, de cómo usar la IA.

Realmente creemos que el valor de la IA es facilitarnos la vida. Hará el trabajo aburrido y tú te quedarás con lo creativo. Pero en mi investigación, cuanto más trabajo aburrido hace la IA, más trabajo aburrido existe. Un ejemplo: muchas empresas presumen internamente de que la IA lee y escribe todos tus correos. Así te ahorras esa comunicación inútil.

Resulta que si la IA produce muchos correos basura, recibes más correos, no menos, que tienes que gestionar. Así que esa visión de la IA como un chute de productividad me parece un callejón sin salida.

No solo porque erosiona el capital humano al sustituirnos. Hay más investigaciones. Así que esa idea de que la IA hará el trabajo aburrido y mágicamente seremos super creativos simplemente no es verdad. Si quieres mejores personas y te emociona la IA como a mí desde hace 30 años,

necesitas construir IA que explícita e inequívocamente apoye la creatividad, y la mejor IA para eso no te hace la vida fácil. La complica. Te dice: esa no es una buena idea. Te muestra tres cosas que te dicen que te equivocas. Es como la oposición leal. En mi próximo libro escribo sobre esto y lo llamo el “prompt némesis”.

Lo usé para escribir el libro. Escribía un capítulo—qué más quisiera que poder delegarlo a alguien, pero es un libro técnico y nerd con mi sentido del humor, así que no podía contratar a un ghostwriter ni usar IA. Así que pasé por el duro proceso de escribir un capítulo.

Y luego le pedía a Gemini: eres mi némesis, mi peor enemigo de toda la vida. Aquí tienes el nuevo capítulo de mi libro. Encuentra todo lo que está mal, toda mala idea, hechos fácilmente refutables, y explícamelo en detalle, y dime cómo mejorarlo.

No usé la IA para hacer más fácil escribir mi libro. La usé para dificultarlo, de la manera en que tú mencionas, que me hace mejor.

David Rice: Esto aparece por toda la cultura sobre la IA, ¿verdad? La vemos como un atajo a la productividad o una herramienta de conveniencia para ser más eficientes, pero no la enmarcamos como catalizador para el crecimiento o como transformación en el desarrollo de liderazgo.

O incluso, como dijiste, las personas ascendidas por la calidad de sus ventas… incluso para cuestionar mejor nuestras ideas y hacer mejores preguntas. No lo planteamos así. Lo tratamos como con cualquier tecnología de los últimos cincuenta años: será fácil y nos hará más cómodos, lo que no nos ha hecho mucho bien en otras áreas, así que…

Vivienne Ming: Cuando hice una transición parcial—aún soy fundamentalmente científica—dejé la academia y fundé mis primeras empresas, fue cuando empezaron a invitarme a paneles o a conferencias sobre el futuro del trabajo.

Después de lanzar empresas de IA en educación, en fuerza laboral y en medicina, ¿quién mejor? Así que subo al escenario y la persona que comparte conmigo dice: es como la Revolución Industrial. No hay de qué preocuparse, creará más empleos de los que destruye; será fantástico. Como si decir “es como la Revolución Industrial” fuera una prueba matemática irrefutable.

Recuerdo estar en el escenario con el mansplainer más irritante de todos. Un tipo que inventaba datos falsos durante todo el evento. Estaba tan frustrada… Terminé escribiendo: esto NO es la Revolución Industrial.

Acabé escribiendo 100.000 palabras. Fue un capítulo en ese libro amarillo que ves detrás de mí. Y lo que realmente era: ¿entendemos realmente qué fue la Revolución Industrial y qué logró? Es una cuestión histórica y nerd de economía, pero también: ¿es este momento la IA sólo una cadena de montaje?

¿Es sólo electricidad o el motor de combustión interna? Apuntamos a momentos en la historia donde las cosas cambiaron, vale la pena entenderlos, pero la IA no eleva desde la base. De hecho, para la IA no hay base. Puedes pedirle que escriba el tuit más absurdo o una imagen sin importancia, o que diagnostique cáncer,

o que invente una idea revolucionaria sobre el origen o cura del cáncer. La IA no distingue entre esas cosas. Son solo dos ejecuciones más en el cómputo diario y el resultado puede ser cambiar el futuro o un simple chiste efímero. Eso no es la cadena de montaje. No es la Revolución Agrícola. No se parece a nada anterior. Eso no significa que vaya a ser malo, pero no significa que será bueno.

Y hasta que aceptemos que los humanos somos complejos—y la IA lo es también—aunque diferente, si los combinamos bien sucede algo asombroso; si no, endocrinólogos diagnostican peor el cáncer y estudiantes aprenden menos y su actividad cerebral se degrada.

No es bueno ni malo. Al final, es un sistema complejo y dinámico y el cómo lo usamos es lo que importa. Mucho más que los argumentos de la Segunda Enmienda. Las armas no matan, la IA no empeora el mundo, los algoritmos de YouTube tampoco. Es la interacción de nuestras elecciones y estos algoritmos lo que construye el futuro.

Si no profundizamos, me preocupa.

David Rice: Siempre regreso a que todos discuten eventos históricos, pero ninguno se desarrolló a esta velocidad. El cerebro no está preparado para tratar cambios de ese calibre, ¿verdad?

Los cambios que traerá esto ya se ven en la incapacidad de distinguir lo real y lo falso, cuando la gente ve contenido online, ¿verdad? A veces no sabe si es IA o no, o insiste en que lo es y no lo es, o no sabe qué es real.

Eso no pasaba antes: nunca tuvimos que desafiar nuestra propia realidad. Así que es una tarea mucho más difícil como humanos. Y luego lo importante es cómo lo usamos. Si ya nos cuesta comprenderlo y aún así lo usamos, hay mucho margen para un mal uso.

Vivienne Ming: Ahora mismo estoy desarrollando un estudio piloto, quiero entender la inteligencia colectiva híbrida. Lo bueno, lo malo y lo feo de cómo interactúan humanos y máquinas y su potencial. Está en fase inicial. Quien quiera profundizar y leer el artículo, tendrá que esperar hasta que pueda terminar el estudio y obtener resultados confiables.

Pero si me permiten que esto es muy preliminar, pensé que era una gran oportunidad medir el impacto de las personas sobre el mundo midiendo su capacidad predictiva. Ya existe algo: un sitio llamado Poly Market, puedes apostar dinero real sobre resultados de todo tipo, incluso elecciones, por ejemplo.

Donde un día el mercado tuvo un comportamiento extraño aparentemente erróneo. ¿Qué pasa si tomo participantes universitarios, equipos de 3 a 5 personas, y en una hora les hago muchas predicciones tipo Poly Market? Deciden en grupo; no son expertos y no arriesgan dinero, pero luego sabremos el resultado real. Sabremos cómo lo hizo Poly Market, cómo lo hicieron mis participantes, y puedo hacer lo mismo con Gemini y GPT, y comparar.

Luego ver cómo resulta combinar humanos y máquinas. Finalmente, hay un caso especial para analizar. El punto interesante es que estos humanos ingenuos no lo hacen genial, claramente peor que los profesionales de Poly Market. Las IAs lo hacen bastante bien, no tan bien como Poly Market, pero tienen predicciones sólidas, sobre todo cuando la opción obvia es correcta.

Pero si el resultado es inesperado se desempeñan peor. Al combinar humanos y máquinas, las cosas se complican. Y no es la IA la que predice: puedes usar GPT-5 o un modelo lambda open source cualquiera. El capital humano es lo que predice el rendimiento, porque predice cómo interactúan con la IA. Cuando el capital humano es bajo, solo hacen lo que la IA les dice. Así que los resultados de los equipos híbridos se parecen a la IA sola.

Cuando el capital humano es alto, no siguen ciegamente el consejo. Surge una dinámica: primero idean los humanos, la IA refina, los humanos replantean y la IA refina y en unas rondas más… Y muy provocativamente, a confirmar, estos humanos ingenuos en IA colectiva híbrida lo hacen comparable a Poly Market.

Lo emocionante es que aciertan más cuando el resultado es más impredecible, cuando es un outlier. La inteligencia híbrida parece destacar entonces, pero depende de cómo nos relacionamos. Sé que suena nerd y técnico, pero es lo que tú decías.

Sólo cuando interactuamos profundamente con el sistema y no delegamos el cerebro colectivo, sino lo incorporamos al proceso de innovación, están los verdaderos beneficios. Créanme, si no les resuena: este es un hallazgo enorme. Lo más inteligente hoy en el planeta es la inteligencia híbrida.

No una súper IA en algún lado. No un genio que sale en los diarios. Ni Terence Tao, por brillante que sea; es incluso un grupo mediocre potenciado con IA. No hay nada que se le compare. Es asombroso.

David Rice: Es fascinante. Me hace pensar en un montón de ideas.

Leí sobre Poly Market el fin de semana pasado, era la primera vez que oía hablar de ello. Me pareció interesante y ahora aparecen más sitios así. Está de moda apostar por cualquier cosa. Me parece raro que se vuelva tendencia.

Pero volviendo, quería hablar sobre el mito de la eficiencia. Es grande, lo vemos en todas partes. Es una trampa sutil en la que todos vivimos, creo yo. Y la eficiencia en tus flujos de trabajo y todo eso. ¿Crees que esta narrativa de eficiencia está descarrilando el potencial de la IA en el trabajo?

Vivienne Ming: El supuesto de la eficiencia, parte de varios supuestos, uno es que tenemos un buen modelo de eficiencia. Que las líneas de código de tus ingenieros o las ventas de tu equipo realmente representan lo que hace grande a la empresa. Si miras mucho del trabajo, y estas son ideas algo esotéricas, pero si miras el crecimiento económico en EE UU en los últimos 30 años,

gente como el Nobel reciente Daron Acemoglu y otros, han hablado de capital intangible. Hubo un término popular de las “superfirmas”: la mayor parte del crecimiento no es un impulso amplio en la economía, sino un subconjunto de empresas transformadoras.

No se puede señalar exactamente qué aportan, pero son mucho más productivas. Si ves sus márgenes de beneficio, en particular las tecnológicas (aunque ya no hay tanta distinción), el beneficio por empleado es enorme y no puedes decir que es porque teclean correos o escriben código o cierran ventas más rápido. De hecho, estudios internos de Google muestran que los mejores equipos eran un poco ineficaces: pasaban poco tiempo entre sí, más con otras áreas, luego volvían. Tenían mucha confianza, requerían poco control y colaboraban con calidad.

En mi investigación vi lo que llamo productividad de orden superior: ¿cómo hace una persona mejores a quienes la rodean? Casi todas nuestras métricas de eficiencia son personales o de equipo, puede que capten algo de esto, pero no mucho.

Así que pensé: ¿y si una megaempresa de 500.000 personas fuese una red neuronal con 500.000 neuronas artificiales? Entonces podríamos aplicar la matemática de asignación de crédito: ¿cómo impacta un cambio en una persona el resultado global?

Apliqué esto en una empresa real y descubrimos que alrededor del 11% de empleados representaba el 80% de la productividad no registrada por métricas individuales. Una minoría significativa hacía a todos a su alrededor mejores.

Y lo genial es que, gracias a los 70.000 empleados que voluntariamente compartieron datos del día a día, vimos que los que más impacto generaban se diferenciaban porque simplemente ayudaban. Eran, si algo, ineficaces. Veían que alguien o algo necesitaba ayuda, aunque no fuera su trabajo, y ayudaban y elevaban a todos.

¿Qué métrica de eficiencia captura eso? Esto era un impulsor oculto enorme de la productividad total de la empresa. No lo rastreamos ni somos conscientes de ello, necesitas modelos matemáticos avanzados para verlo, pero está ahí.

Si piensas que reemplazando tu centro de llamadas por chatbots solo ahorras costes de personal y ya está, te equivocas. Si la automatización de código hace que los expertos pasen más tiempo corrigiendo errores, no has mejorado nada. Pero cuando individuos de alto capital humano usan IA para profundizar en su código, trabajan más lento en el momento, pero el impacto a largo plazo es mayor y mejor. El aumento de la calidad compensa de lejos la reducción de eficiencia "tradicional".

Estoy siendo nerd pero lo que intento mostrar es que nuestras intuiciones sobre eficiencia y cómo medirla están muy equivocadas en un mundo donde deberíamos apostar porque la gente cometa errores productivos y explore nuevas formas de hacer las cosas apoyados en IA, en vez de permitir que la IA haga solo lo ya conocido a bajo coste reiteradamente.

Porque estamos en lo segundo y no nos lleva a ningún sitio.

David Rice: Me encanta que mencionaras que cuando algunas personas faltan, el impacto es enorme. Todos hemos estado en equipos donde la partida de alguien no parecía tan importante desde fuera, pero era el famoso “pegamento” del equipo, el que mantenía todo junto y al irse todo deja de funcionar.

Lo hemos visto, pero ¿cómo cuantificas eso en datos?

Vivienne Ming: Sí. Y, sabes, esto en deportes se toma muy en serio. Hay métricas como “valor sobre el reemplazo” y otras que dicen: ahora tienes a estas cuatro estrellas, pero cuando comparas con las clásicas de quién mete más goles o canastas y ejecutas otros modelos, emergen nombres inesperados y gente que parecía increíble, cae de los rankings porque en verdad lo importante es la comunidad.

No hace falta ser del todo sentimental, sólo pensar en cómo todo debe encajar. Le das importancia a la complejidad de la logística, ¿por qué no a la del capital humano? Y sabes que alguien que funciona bien en un equipo no funcionará igual en otro. Hay personas adecuadas para cada equipo.

De vez en cuando tienes a tus “Djokovics” llegando y de pronto un equipo ordinario se convierte en campeón mundial porque esa persona impulsa a los demás.

Y los datos muestran: sí, algunos que hacen mejores a todos son obvios, estrellas en todos los aspectos. No hay gran correlación con métricas individuales, así que hay personas con métricas individuales flojas, pero si entendieras cómo elevan a los demás, sería absurdo dejarles ir.

Visto así, el potencial humano es fascinante. Tal vez podríamos apasionarnos como en el béisbol con Brad Pitt haciendo trueques detrás de escena porque puede ver cómo todos encajan para hacer mejor al equipo y aplicar Moneyball a todo.

Pero eso es para nerds del deporte. En el fondo, lo importante es: Cuando piensas en IA, debes pensar en cómo mejora a las personas, no en cómo las sustituye.

David Rice: Mencionaste lo de la red neuronal de 500.000 personas. Si lo pienso así, hay un montón de puntos de vista a los que solo accedes por tener a todas esas personas distintas.

Y preocupa mucho la pérdida de puestos de entrada. Todos los oyentes habituales de este programa conocen el coste de recortar puestos de entrada como vía de aprendizaje y el daño a la sucesión, pero creo que va también del valor de la perspectiva fresca y la visión externa.

¿Crees que hay un coste cognitivo mayor, un precio mayor en cómo llegamos a entender nuestro lugar en la organización y en la sociedad? En un mundo donde la IA no sabe nada de nada, como has dicho antes, ¿qué estamos perdiendo si eliminamos nuestra primera experiencia laboral, los roles de entrada?

Vivienne Ming: Esa frase que mencionaste que ya compartí, déjame darle contexto. Mis estudiantes de doctorado en UC Berkeley y otros sitios son algunas de las personas más inteligentes con las que he trabajado. Aunque son jóvenes, son brillantes. En el tema de su tesis saben tanto como cualquiera en el planeta, incluso más que yo. Es una hora a la semana para mí, pero para ellos son seis o siete años, 24/7, lo viven. Y son brillantes. ¿Para qué estoy yo allí? Ellos podrían aprenderlo todo. Existen las bibliotecas.

Podrían ir a leer todos los artículos originales y entender, saben las matemáticas, el cerebro, la IA. ¿Para qué estoy yo en la sala? Ellos lo saben todo y no entienden nada. Mi papel es aportar comprensión.

No les enseño datos. Les enseño a entender. Cómo ser científicos. Cómo explorar el cerebro, que, por cierto, es mucho más complejo que GPT-5 o cualquier sistema avanzado actual. No es presunción, el cerebro es inmensamente complejo.

Ellos lo tienen todo. Como científicos, exploran lo desconocido. ¿Qué sigue después de haber aprendido todos los hechos? La pregunta no es el próximo hecho, sino la siguiente pregunta. ¿Qué vamos a preguntar al mundo? Trabajar con un LLM para mí es como trabajar con mis becarios, pero el LLM lo sabe todo de todo.

Puedo hacerle preguntas sobre leyes, cerebros, ingeniería, matemáticas, o lo que sea, música incluso. Y me dará respuestas. A veces incorrectas, sí, pero también los humanos. Puede “entenderlo” todo, pero no comprende nada. No sabe que no sabe, por cómo la hemos construido. Así que mi labor, la de esos humanos en el experimento de Poly Market, es explorar lo desconocido. Eso nos hace excepcionales como humanos. Así que al inicio de tu carrera, por fin llegando a tu pregunta, cuando contratamos a alguien recién licenciado en derecho o medicina, o tal vez simplemente con una licenciatura en comunicación para su primer empleo en marketing…

No es lo que sabe lo que importa. Estamos “alquilando” su conocimiento para que los más veteranos no tengan que hacerlo ellos. Preparar casos, revisar contratos, pasar la residencia en urgencias. Y ¿qué hago por ti? Enseñarte no la ley, sino el cómo actuar respecto a la ley. Yo viví eso. Di una charla privada en Nueva York a directores jurídicos y jefes legales de grandes empresas. Pensé que sería un público cínico.

Pero no, les importaba. Una me dijo: reservo las dos últimas semanas del primer mes tras contratar, porque todos los graduados llegan al mismo tiempo. Estas son firmas de élite, contratan sólo a los mejores. Reservo ese tiempo para que los nuevos lean todos los contratos de la empresa. Así, los nuevos leen todo, cada uno pide una hora a su jefe y dice: leí todos los contratos, he encontrado fallos y podríamos aprovecharnos. Les dejo media hora para explicárselo y luego digo: está bien, hiciste el trabajo, pero no vamos a hacer eso porque es incorrecto. Si lo hiciéramos, nos lo harían de vuelta. Ya sabíamos todos esos defectos. No es ideal que estén ahí, pero estamos al tanto.

Lo importante es qué haces con ello. Ese es tu trabajo ahora o el que querrás tras esto, porque no vas a querer hacer 80 horas de revisión semanal siempre. Algún día querrás tomar decisiones y para ello necesitas saber de leyes y qué hacer con ello. Necesitas saber y comprender. Si eliminamos la parte de “saber cosas” de la carrera, ¿cómo aprenderán a entender? ¿Cómo aplicarán? Nadie saldrá mágicamente formado. Admito un contexto donde quizás sí: la comunidad de creadores de YouTube/TikTok, donde un chico empieza a crear, y uno entre un millón conecta y es influencer, como Andy Samberg y The Lonely Island, para ponerlo en contexto generacional.

Tienen ese golpe de suerte y destacan, pero ¿queremos ese futuro? Una masa de un millón buscándose la vida solos y sólo una minoría avanza, en vez de desarrollar carreras para todos. No queremos el modelo “creador” como modelo profesional, que en gran medida es lotería, no necesariamente basada en la calidad, sino en el azar, esfuerzo y suerte, y eso no es lo ideal para la sociedad ni la economía.

Pero la buena noticia, y ya me extiendo demasiado. Lo diré así: la decisión más inteligente no la toma la IA sola, sino cuando tú y la IA analizáis la hoja de cálculo juntos, pruebas diferentes caminos, combinas métodos, y así llegas a algo mejor. Eso sí es más eficiente que tú solo con la hoja de cálculo, porque la IA puede automatizar rutinas o pruebas que tú harías manualmente.

Pero funciona porque participas. Eres parte activa. No delegas el trabajo, no existe eso de “algunos trabajos son de IA, otros humanos”, como si el trabajo fuera “centauro”: la IA hace la parte de caballo y el humano la parte de jinete. No, somos cíborgs. Todo trabajo es combinado. Esto acelera un poco pero cambia radicalmente la calidad y da oportunidades de aprender a todos.

David Rice: Es mucho por analizar, pero siempre vuelvo a que la IA no tiene contexto del mundo. Como ya dijiste, no tiene contexto de tu experiencia humana y el juicio práctico es algo que desarrollas con el tiempo, con experiencias pequeñas que te forman y moldean tu visión de tu rol, tu empresa o tu jefe. Así que, sí, mi gran preocupación es la pérdida de procesos de crecimiento para el ser humano. Y no sé si estoy exagerando.

Vivienne Ming: Aquí hay una paradoja interesante, al menos para una nerd científica como yo, aunque preocupante para la humanidad.

Una de las áreas donde más se ha investigado IA es educación. Se han hecho tutores IA por años y si hay una regla de oro, probada una y otra vez incluso con los LLMs más avanzados, es que si el tutor da la respuesta, los estudiantes no aprenden nada.

Y un trabajo reciente del MIT, e incluso dentro de Anthropic, demuestra que esto es cierto. Y de nuevo, en carreras iniciales, si el LLM te da las respuestas, extrapolando la investigación de 50 años, nunca aprenderás bien a hacer tu trabajo. O, siendo justos, la mayoría no aprenderá.

Algunos pocos profundizarán y se involucrarán, pero eso ocurre espontáneamente en una minoría. Así que la paradoja: el mejor tutor IA nunca da las respuestas. Puede, pero no lo hace. Ni siquiera fuerza a pensarlas primero. Es puro método socrático: ¿qué opinas tú? ¿Cómo lo resolverías? ¿Leíste este artículo? ¿Escuchaste lo que dijo tal persona? No es arbitrario: estos LLMs guían, pero sólo para que la persona encuentre la solución por sí misma. El LLM está diseñado para “andamiar” ese logro de insight.

Esto conecta con mi trabajo y pasión por las neuroprótesis—cíborgs—para que la tecnología no sólo te haga mejor mientras la usas. Todos los estudios muestran que, en promedio, eres más creativo, escribes mejor, se te ocurren más ideas. No los mejores, pero sí la mediana. No sólo somos mejores usando IA, deberíamos terminar mejores de como comenzamos. Pero la mayoría no lo consigue; al usar un LLM o modelo generativo, se vuelven peores en lo que querían hacer tras apagar esas herramientas.

No debe ser así. La IA no es la villana aquí: es la interacción la problemática. Si la rediseñamos, será distinto. Puede ser por el lado de la oferta (diseñar IA que no dé las respuestas) o por la demanda (potenciar el capital humano para que la gente elija involucrarse, como ya un 10% de universitarios hace espontáneamente). ¿Y si logramos un 20% o 50%? No seré ilusa: no será todo el mundo. Pero, ¿y si la IA solo te diera lo que necesitas para mejorar, no lo que deseas? Ese es mi ideal ético.

David Rice: Estoy de acuerdo. Usaste el término antes, cuando hablamos, de “la economía Jiffy Lube”. Yo lo llamé desprofesionalización, ¿no? Cuéntanos a qué te refieres.

Vivienne Ming: Lo dije antes al preguntarme si esto es como la Revolución Industrial. La frase típica es: la IA creará más empleos de los que destruye, como los telares dieron origen a la moda siglos después de arruinar los medios de India y China.

Pero, ¿y este momento histórico? Y, en teoría, la IA debería crear muchos más empleos que los que destruye. Aquí la IA es distinta de la cadena de montaje, el telar, el vapor, o cualquier invento previo, porque en cuanto se crea un nuevo empleo, si ese puesto es regular y valioso económicamente, no importa si requiere grado superior, en seis meses habrá una IA que lo haga también.

Así que la cuestión no es si creará más empleos de los que destruye, sino quién estará cualificado para los que la IA no puede hacer. Y ahora mismo, eso es un número inquietantemente pequeño de personas. Porque en vez de crear una economía donde—este era el espejismo de la IA, la promesa a largo plazo—todos los médicos sean súper-doctores asistidos por IA, con todos tus datos de salud, y sea el mejor diagnóstico para todos.

Conceptualmente, es posible; parte del trabajo más prometedor de inteligencia colectiva híbrida está en diagnóstico médico. Y es apasionante.

Pero, ¿hacemos eso o tenemos la colonoscopía Jiffy Lube, donde un joven con diploma de secundaria y responsabilidad para ir a trabajar te conecta a una computadora y—no merece la pena construir un robot para eso—pero por el pago de salario bajo, en vez del coste de un médico caro, te hacen una endoscopia y te dan el 80% del valor por el 20% del coste?

Muchos directivos verían esto como una gran victoria. Así que no hay desaparición masiva de puestos, sino desprofesionalización. Puede que haya muchos trabajos poco calificados, simplemente porque no vale la pena para la IA. Qué división tan profunda en la sociedad, saber que tienes trabajo sólo porque no merece la pena automatizarlo.

David Rice: Eso es fuerte. Se habla mucho de aumentación y eso es lo que la gente parece querer de la IA. Pero a menudo eso deriva en automatización cognitiva. Si tuvieras que explicarle a la audiencia la diferencia entre automatización cognitiva y aumentación cognitiva, ¿y por qué es relevante para lxs líderes hoy?

Vivienne Ming: ¿Quieres la respuesta super nerd, de neurociencia cognitiva? ¿Qué partes del cerebro se encienden? Una manera de verlo: si realmente usas el cerebro, requiere esfuerzo; si usas lo que nos hace humanos, el lóbulo prefrontal, se activa mucho: gestionas emociones, problemas cognitivos complejos, planeas a largo plazo. Hay una actividad llamada GAM, que implica que estás pensando duro. Antes mencioné un estudio del MIT: allí encontraron que una variable asociada a esto bajaba mucho en estudiantes que usaban LLMs para escribir ensayos,

mientras los que sólo tenían Google o nada pensaban más; la puntuación era peor, la calidad de escritura, pero su cerebro mostraba más actividad GAM y luego recordaban y sentían que era suyo. Los que usaron LLM apenas recordaban nada, ni sentían que fue suyo, y en estudios relacionados, los terceros consideraban esos ensayos menos persuasivos.

Así que en aumentación versus automatización, piensa en algo común: GPS. Por años los neurocientíficos estudiaron a los taxistas de Londres, que memorizaban todas las calles y desarrollaban una memoria descomunal; tenían el hipocampo extremadamente desarrollado y gozaban de mejor salud cognitiva por más tiempo. Ahora, en un Uber o Lyft, el conductor casi siempre sigue el mapa, y es mejor con el GPS que sin él. Yo uso Google Maps cuando viajo para caminar y conocer la ciudad.

Hace unos quince años predije que el uso del GPS aumentaría la demencia, porque al no pensar en el trayecto, no activas el lóbulo frontal. Estoy mejor con la tecnología pero más allá, y ahora hay pruebas empíricas: los que usan el GPS rinden peor posteriormente, porque pierden habilidades cognitivas por no usar el cerebro. La automatización cognitiva te lleva, la aumentación cognitiva te da lo justo para tú hacerlo. A veces reto a mi clase en UC Berkeley:

¿Cómo rediseñaríamos Google Maps o Waze para no sólo llegar sino ser mejores al llegar?

Surgen todo tipo de propuestas pero aquí va un truco: enciendo Google Maps, pongo “supermercado”, me da indicaciones y luego uso lo que yo sé para ganarle.

Conozco Berkeley o LA o Londres, sé los atajos, sé si hay partido de fútbol, sé por qué giro no me conviene. Uso mi propio conocimiento junto a la IA. Es un ejemplo simple, pero eso es aumentación: tu cerebro trabaja, pero te beneficias de la IA. Y lo chulo es que sabemos construir explícitamente IA que aumente y mejore a las personas.

Pero no es el estándar ahora mismo.

David Rice: Es interesante. Me mudé de ciudad hace unos años y me esforcé por construir un mapa mental. Así que a los pocos meses dejé de usar el GPS. Lo sigo usando para elegir la ruta más rápida, pero navego por mi cuenta. Es curioso.

Vivienne Ming: Y navegas solo. Pero si lo piensas, y lo mencioné antes, hay un estudio en Portugal con gastroenterólogos: los que hacían colonoscopias asistidos por IA, al apagar la IA, eran mucho peores que antes. Si la IA mejora tu precisión en el momento, pero luego eres peor, ¿es suficiente con estar mejor sólo cuando la usas? Si te hace perder habilidades, incluso puedes acabar peor a largo plazo. Además, la inteligencia humana y la artificial cometen errores distintos y tienen diferentes fortalezas. Si sólo entregas tu cerebro a la IA (automatización cognitiva), dejas de aprovechar tu talento único: tu instinto, eso que te hace decir "mejor investigo esto" aunque la IA diga que está bien.

Ahí es donde la inteligencia híbrida realmente destaca: en la interacción y la suma de fortalezas. Eso desaparece con la automatización.

David Rice: Pues ha sido una charla fascinante, Vivienne. Gracias por acompañarnos hoy. Me apasiona el tema, me encanta hablar de lo que realmente pasa en el cerebro y la IA, y cómo interactuamos con ella y los posibles efectos a futuro.

Así que te agradezco mucho venir.

Vivienne Ming: Gracias a ti. Si tuviera que dejar un mensaje, es que, hablando de inteligencia colectiva y humana y de IA, los humanos que importan aquí son los líderes. Si optan por la vía fácil y la usan para sustituir personas, obtendrán aumentos rápidos de productividad pero pérdidas a largo plazo. Si están dispuestos a invertir—y requerirá inversión—en el capital humano, entonces verán los frutos, pero requiere coraje y gastar algo de capital político en la empresa.

David Rice: Absolutamente. La semana pasada di una charla a líderes de RRHH y les dije que sé que no entraron en este negocio para tener debates filosóficos, necesariamente, pero ha llegado la hora. Todos tendremos que hacerlo. Así que acostúmbrense. Gracias por venir y por esa reflexión final.

Vivienne Ming: Un placer. Muchas gracias.

David Rice: Bueno, oyentes, si aún no lo han hecho, asegúrense de suscribirse al boletín. Visitad peoplemanagingpeople.com y miradlo. Tenemos nuestro Explorador de Transformación Digital con IA que quizá les interese. Si no se han creado una cuenta gratis, háganlo para acceder al Explorador.

Y hasta la próxima, la clave es el factor humano y todos ustedes son el ejemplo a seguir.