1
El desafío de aprender de la experiencia humana
El nuevo reto que enfrentan las empresas consiste en absorber el conocimiento acumulado de las personas, un activo tan valioso como difícil de codificar
5 minutos de lectura'
La inteligencia artificial funciona mejor dentro de las empresas cuando conoce el contexto en el que opera. Parte de ese contexto es fácil de codificar de antemano mediante reglas y directrices explícitas. Otra parte puede capturarse analizando datos en bruto: Celonis, una empresa alemana de software, procesa información de los sistemas empresariales para comprender cómo se desarrollan realmente procesos como la facturación o las compras dentro de las organizaciones.
Pero hay información mucho más difícil de transmitir, y ninguna lo es tanto como el conocimiento tácito: ese saber hacer que nace de la experiencia y la intuición. El filósofo Michael Polanyi resumió célebremente este concepto con una frase: “Sabemos más de lo que podemos expresar”. ¿Cómo puede la IA aprender sobre el trabajo cuando ni siquiera las personas son capaces de explicar por qué hacen las cosas de determinada manera?.
Una respuesta es que no hace falta que lo expliquen. El conocimiento tácito ya está incorporado en los datos con los que se entrenan las máquinas: por ejemplo, un conjunto de textos publicitarios de una marca refleja el criterio y la experiencia acumulados por una organización, de los que los modelos pueden aprender. Y una de las características distintivas de la IA, señala Enrique Ide, de la escuela de negocios española IESE, es su capacidad para identificar patrones en los datos que los seres humanos no pueden describir. Desde el reconocimiento facial hasta el ajedrez, la IA ha demostrado ser muy eficaz para dominar actividades que nunca le fueron enseñadas de manera explícita.
Sin embargo, en algunos casos los detalles del proceso sí importan. Un muro de ladrillos, por ejemplo, encierra el conocimiento tácito de los albañiles, pero observar miles de paredes no alcanza para descubrir cuál es la mejor forma de construir una. Monumental AI, una startup neerlandesa que utiliza robots impulsados por inteligencia artificial para colocar ladrillos, entrevistó a albañiles durante las primeras etapas del desarrollo de sus máquinas. Pero las respuestas solían ser frustrantemente vagas: “Siempre lo hice así”. Los albañiles sabían más de lo que podían explicar.
Lo que ellos no podían expresar con palabras quedó al descubierto gracias a horas de grabaciones en video. Monumental observó, por ejemplo, que los albañiles hacían vibrar ligeramente la mano cuando presionaban un ladrillo sobre el mortero. Ese pequeño movimiento ayuda a que el mortero penetre en los poros del ladrillo y genere una unión más resistente. Por eso, los robots de la empresa fueron diseñados para reproducir ese gesto.
La conclusión parece evidente: registrar con cada vez mayor detalle la forma en que trabajan las personas. Algunas funciones ya están sometidas a un monitoreo muy estrecho. Un centro de atención telefónica, por ejemplo, genera naturalmente una enorme cantidad de información relevante: las llamadas suelen grabarse de manera rutinaria y también es habitual supervisar las pantallas de los operadores. La IA podría aprovechar un volumen de datos mucho mayor. Una encuesta realizada entre trabajadores estadounidenses por Danielle Li, del Instituto Tecnológico de Massachusetts (MIT), y sus coautores mostró que los empleados creen poseer una gran cantidad de conocimiento no codificado sobre sus organizaciones.
Pero un monitoreo más intensivo de las acciones concretas de cada trabajador también entra en un terreno delicado. Los empleados de Meta reaccionaron con fuerza al programa Model Capability Initiative, diseñado para registrar pulsaciones de teclado y movimientos del mouse con el fin de entrenar sistemas de IA. La encuesta de Li reveló que los trabajadores consideran que tienen la capacidad de ocultar a sus empleadores una gran cantidad de información valiosa. Y pueden decidir hacerlo. En un experimento, los investigadores ofrecieron comprar datos de encuestas a los participantes; quienes previamente habían visto un video que explicaba cómo esos datos podían utilizarse para entrenar inteligencia artificial se mostraron menos dispuestos a venderlos.
Incluso el sistema de vigilancia más intrusivo tendría dificultades para captar lo que sucede en la mente de las personas: lo que saben sobre las preferencias de los clientes o los procesos de razonamiento detrás de determinados juicios. Por eso existe otra alternativa: intentar extraer el conocimiento de los expertos mediante procesos de evaluación. En algunas tareas, resulta sencillo para un modelo de IA saber si está funcionando correctamente: un programa informático, por ejemplo, o funciona o no funciona. Pero otras tareas son mucho más difíciles de verificar, como determinar si un diseño resulta estéticamente atractivo o evaluar la calidad con la que se llevó adelante un proyecto de investigación. Al pedir a expertos humanos que califiquen el desempeño de la IA en estos criterios más subjetivos, los modelos pueden perfeccionarse gradualmente hasta alcanzar sus estándares.
No tiene nada de malo intentar capturar el conocimiento tácito. Desde hace mucho tiempo, las organizaciones se preocupan por perder experiencia cuando se retiran sus empleados más veteranos. Pero utilizar inteligencia artificial para resolver ese problema plantea preguntas complejas. ¿Quién es el dueño del conocimiento no codificado? ¿Cuánta vigilancia es aceptable? Y, a medida que las máquinas aprendan cada vez más, ¿cómo afectará eso la manera en que las personas adquieren, desarrollan y transmiten la experiencia que hasta ahora solo podía obtenerse con los años de práctica?
