Inteligencia Artificial y expertos: nuevo valor del criterio profesional

Mtro. Christian Vázquez Sánchez Académico y consultor independiente

Naturalmente, nadie entiende nada. Deep Thought explica entonces el problema: conocían la respuesta, pero nunca habían sabido realmente cuál era la pregunta; tendrían que construir una computadora todavía más poderosa para descubrirla.

El absurdo de Adams resulta hoy menos absurdo de lo que parecía. Tenemos máquinas capaces de responder en segundos preguntas que antes requerían horas de investigación y años de formación especializada; pueden resumir una legislación, explicar una teoría económica, analizar estados financieros, escribir código o comparar metodologías. Las respuestas se han vuelto abundantes y extraordinariamente baratas; esto obliga a preguntarnos qué sucede con quienes, durante siglos, construyeron buena parte de su valor profesional alrededor de poseerlas.

En las siguientes líneas analizaremos qué ocurre con el valor económico del experto cuando las respuestas dejan de ser escasas; por qué la inteligencia artificial no necesariamente elimina la especialización, sino que modifica aquello por lo que estamos dispuestos a pagar; y por qué formular preguntas, reconocer límites y ejercer criterio pueden convertirse en la nueva fuente de autoridad profesional.

El conocimiento pierde su monopolio

Durante siglos, el conocimiento especializado estuvo protegido por barreras bastante eficaces: tiempo, educación y acceso. Formarse como médico, contador, ingeniero o abogado requería años de estudio, pero también acceso a libros, instituciones, profesores y, posteriormente, a bases de datos especializadas. Las organizaciones pagaban por ese conocimiento porque obtenerlo en otra parte era difícil.

Internet debilitó primero la barrera del acceso. La Inteligencia Artificial (IA) está atacando ahora una segunda: la capacidad de transformar información dispersa en una respuesta articulada. Una persona sin formación jurídica puede pedir una explicación razonablemente sofisticada de una figura legal; alguien que jamás ha programado puede generar código funcional; y un pequeño empresario puede obtener en segundos un análisis que hace algunos años habría requerido contratar a un consultor.

Esto no significa que el conocimiento deje de importar. Un médico que desconoce de medicina seguirá siendo un mal doctor, y un contador que no entiende contabilidad difícilmente podrá reconocer que un análisis aparentemente impecable contiene un error conceptual. Lo que comienza a perder valor relativo es otra cosa: la capacidad de recordar información o reproducir procedimientos conocidos como principal evidencia de experiencia.

¿Qué hacemos con 10 respuestas?

Pensemos en un director financiero que debe evaluar una inversión. Hace algunos años habría pedido a su equipo un modelo con tres escenarios y habría dedicado buena parte de su tiempo a construirlos y revisarlos. Hoy puede utilizar IA para generar 10 escenarios, modificar supuestos, comparar industrias, buscar argumentos en contra de su propia hipótesis y preparar un resumen para el consejo antes de comenzar la mañana.

No necesariamente sabe 10 veces más; sencillamente, tiene 10 veces más material que juzgar. Y es ahí donde comienza el verdadero trabajo: descubrir que uno de los supuestos no tiene sentido, advertir que falta una variable relevante, reconocer una correlación espuria o comprender que un resultado matemáticamente correcto conduce a una conclusión económicamente absurda.

La IA reduce drásticamente el costo de generar alternativas, pero decidir entre ellas sigue siendo una tarea incómodamente humana. Desde una experiencia particular trabajando cada vez más con estas herramientas, he descubierto algo parecido: puedo explorar más ideas, contrastar más posibilidades y llegar mucho más rápido a un primer resultado. Al mismo tiempo, tengo que decidir constantemente qué conservar, qué cuestionar y qué descartar. Tener más respuestas no ha eliminado el criterio, sino que ha aumentado la cantidad de ocasiones en que necesito utilizarlo.

Antes de la respuesta estaba la pregunta

En este punto, Deep Thought vuelve a resultar pertinente. Si obtener respuestas se vuelve barato, formular buenas preguntas adquiere un valor relativo mucho mayor. No me refiero solamente a aprender a escribir mejores prompts, una habilidad útil pero probablemente transitoria. Me refiero a algo anterior a cualquier herramienta: comprender lo suficiente un problema como para saber qué vale la pena preguntar.

Una IA puede analizar con enorme sofisticación una pregunta equivocada. Puede optimizar una métrica irrelevante, construir un modelo perfecto sobre premisas deficientes o responder con admirable precisión algo que nunca debimos preguntar. Quien conoce profundamente una materia suele distinguirse justamente por detectar esos problemas antes de comenzar el análisis. Años de experiencia permiten reconocer anomalías, sospechar de aquello que encaja demasiado bien, formular hipótesis y también decir “no lo sé” cuando falta información.

Durante mucho tiempo asociamos al experto con quien tenía respuestas. Tal vez deberíamos haber prestado más atención a las preguntas que era capaz de formular.

La paradoja del experto aumentado

Hay además una consecuencia que contradice la idea sencilla de que la IA democratizará automáticamente la experiencia. Puede reducir enormemente las barreras de acceso al conocimiento y, al mismo tiempo, ampliar la ventaja de quienes ya poseen una base sólida.

Un principiante recibe una respuesta convincente y puede no tener razones para desconfiar de ella. Un especialista encuentra materia prima en esa misma respuesta: pregunta por los supuestos, solicita otra metodología, identifica una inconsistencia y contrasta el resultado con su experiencia. Si antes podía explorar tres hipótesis en una tarde, ahora quizá explore 15. La herramienta que acerca al principiante hacia el experto también puede permitir que el especialista avance mucho más deprisa.

Por lo anterior, la democratización de las respuestas no garantiza la democratización del criterio. Esto plantea una pregunta incómoda para empresas y universidades: ¿qué estamos enseñando o comprando cuando pagamos por conocimiento especializado?

Si una organización contrata a un abogado para localizar una norma, a un analista para resumir información o a un profesor para transmitir datos, buena parte de ese valor puede automatizarse; sin embargo, si lo que necesita es interpretar una situación ambigua, relacionar elementos que aparentemente no tienen conexión, decidir bajo incertidumbre o advertir que la pregunta original está mal formulada, la sustitución resulta bastante menos sencilla.

Aprender cuándo las respuestas están disponibles

La educación profesional tendrá que enfrentarse especialmente a esta transformación. Durante generaciones hemos utilizado la capacidad de responder preguntas como evidencia de aprendizaje; asimismo, exámenes, certificaciones y procesos de selección parten en buena medida de esa lógica.

No obstante, un sistema educativo diseñado principalmente alrededor de recordar respuestas conocidas tendrá dificultades para justificar su valor cuando esas respuestas estén disponibles instantáneamente en cualquier dispositivo. Esto no implica abandonar el conocimiento fundamental, ya que, precisamente, sin él resulta imposible distinguir una buena respuesta de otra que solo parece convincente.

El reto es diferente. Habrá que enseñar a comparar argumentos, detectar supuestos, conectar disciplinas, trabajar con ambigüedad y defender una conclusión frente a alternativas razonables. Tal vez también debamos recuperar una habilidad poco premiada por los exámenes tradicionales: formular una pregunta interesante.

El costo de firmar una respuesta

Queda todavía algo que las máquinas no resuelven fácilmente: alguien debe hacerse responsable. Una empresa puede utilizar IA para preparar un análisis, pero una persona tendrá que decidir si invierte; un médico puede apoyarse en un sistema diagnóstico, pero sigue existiendo alguien frente al paciente; un auditor puede automatizar pruebas y revisar miles de transacciones con herramientas algorítmicas, pero, al final, alguien firma una opinión.

La autoridad profesional nunca provino únicamente de poseer conocimiento; también surgía de estar dispuesto a responder por una interpretación de ese conocimiento. En una economía donde producir recomendaciones será cada vez más barato, asumir responsabilidad por ellas seguirá teniendo un costo considerable. Quizá por eso el experto del futuro no sea quien siempre tenga una respuesta disponible, sino quien pueda explicar por qué confía en ella, cuáles son sus límites y bajo qué circunstancias estaría dispuesto a cambiar de opinión.

Conclusiones

Después de siete millones y medio de años, Deep Thought había cumplido exactamente con aquello para lo que fue construido y la respuesta definitiva era 42; el problema era que nadie sabía qué hacer con ella. Douglas Adams convirtió la escena en una de las grandes bromas de la ciencia ficción, pero detrás del absurdo había una intuición bastante seria: una respuesta solo adquiere sentido dentro de una pregunta bien formulada.

La IA nos está acercando a un mundo donde disponer de respuestas será cada vez menos extraordinario. Podemos preguntar, comparar, resumir y analizar cantidades de información que ningún experto de generaciones anteriores habría podido procesar durante toda una vida; la tentación será confundir esa abundancia con conocimiento.

Entonces, quizá la IA no anuncie el fin del experto. Tal vez nos obligue, por primera vez en mucho tiempo, a preguntarnos cuál era realmente su fin: no competir con la máquina para ver quién recuerda más, sino comprender el problema lo suficiente para saber qué preguntarle, reconocer cuándo su respuesta es mediocre y decidir qué hacer después con ella. Deep Thought necesitó siete millones y medio de años para llegar a 42; nosotros podemos obtenerlo en menos de un segundo. Seguimos teniendo el mismo problema: saber cuál era la pregunta.