El Examen Final de la Humanidad y Otros Cuentos
Aprendizajes y análisis recientes sobre IA
Si en Convergente estamos obsesionados con la inteligencia artificial, es por un motivo: no hay cambio de paradigma humano y económico más significativo desde el inicio de la Era Industrial, por su velocidad de propagación, amplitud de impacto y la capacidad de aumentar nuestras capacidades cognitivas y no sólo físicas.
La Conversación de hoy es verdaderamente una serie de reflexiones sobre IA, de alguna manera relacionadas, que provienen de una serie de artículos que he estudiado recientemente. Por eso estoy usando el formato de Moldes Mentales.
Comencemos.
1a - [artículo académico] The Labor Market Effects of Generative Artificial Intelligence / Johathan Hartley et. al.
Este artículo y el siguiente desarrollan uno de los temas que más temor le causa a las personas: la pérdida del empleo o el deterioro de las condiciones laborales. Los numeré 1a y 1b porque son estudios enfocados de manera diferente, con el primero llegando, en mi opinión, a las recomendaciones equivocadas.
Los hallazgos de este estudio señalan que la formación académica y el nivel de ingresos influyen de manera directa en el uso de herramientas de inteligencia artificial generativa dentro de la fuerza laboral.
Los individuos con títulos de posgrado, seguidos de aquellos con un título profesional, muestran tasas de adopción más altas que las personas con menor nivel educativo. Esta brecha parece obedecer a dos factores:
muchas tareas realizadas por profesionales con estudios avanzados (por ejemplo, redacción de informes técnicos, análisis de datos o traducción de información compleja) coinciden con las mayores fortalezas de los LLMs hoy en día
estos individuos suelen estar familiarizados con la experimentación y la adopción de tecnologías emergentes, ya sea por sus entornos laborales o por el tipo de formación recibida.
De otro lado, el estudio revela que, a mayor salario, mayor es la probabilidad de que un trabajador utilice IA generativa para sus tareas cotidianas. Obviamente, un mayor salario está correlacionado con un mayor nivel educativo, por lo que las explicaciones anteriores también aplican acá. Pero en adición, las empresas que contratan personal con salarios más altos suelen pertenecer a sectores que priorizan la innovación tecnológica, como consultorías, firmas de servicios financieros o empresas de software. Estos entornos promueven el uso de la IA como estrategia de competitividad y, en consecuencia, resulta en una más rápida adopción.
Visto a la inversa, la brecha educativa y de ingresos resulta en que trabajadores con niveles de formación más bajos o salarios menores no están tan respaldados por sus empleadores para adoptar herramientas de IA. Puede incluso que esos segmentos, por temor a equivocarse o a perder el empleo, no asuman el riesgo que implica explorar estas tecnologías.
Este fenómeno, extrapolado al largo plazo, sugiere un incremento en las brechas sociales. Si las oportunidades de ascenso o capacitación interna dependen de la habilidad de cada trabajador para integrar la IA en sus tareas, existe el peligro que quienes no hayan adquirido las destrezas esenciales queden rezagados. Como consecuencia, se acentuarían las disparidades salariales y se limitaría la movilidad profesional de los empleados en posiciones menos favorecidas.
El artículo continua proponiendo acciones colaborativas entre gobiernos, instituciones educativas y empresas privadas para garantizar que haya un acceso generalizado a estas herramientas para todos.
Mi recomendación es la misma de siempre, bastante más elemental y fácil de implementar. Entren a cualquiera de los siguientes sitios…
Le Chat (Mistral)
… abran un usuario (es gratis para la mayoría de las funciones de uso más frecuente), juegue con ellas e incorpórelas progresivamente en sus rutinas (escribir mails, analizar productos, preparar campañas de marketing, etc.).
La reflexión más de fondo es: la IA magnifica las capacidades humanas, las nuestras; no la productividad intrínseca de las empresas. Como consecuencia, somos nosotros los que debemos capturar el valor de esa mayor productividad. ¿Eso es realista si seguimos pensando en la relación empleado-empleador tradicional?
1b - [artículo académico] Artificial Intelligence in the Knowledge Economy / Enrique Ide, Eduard Talamas
Este artículo presenta un marco de análisis sobre la potencial transformación de la economía del conocimiento en la medida que se adopta IA avanzada.
La diferencia clave de ésta con respecto a las anteriores olas de automatización es que ahora la IA puede adquirir y aplicar conocimiento tácito, es decir, aprender de ejemplos para automatizar tareas que antes se consideraban dominio exclusivo de los seres humanos.
Ahora, las tareas que requieren razonamiento complejo o conocimientos especializados pueden ser asumidas por la IA. En el estudio llaman a este rol un “solucionador” (solver) y al de los trabajadores del conocimiento menos expertos, un “trabajador” (worker). Este esquema se refleja en las remuneraciones de las personas, con los solucionadores normalmente recibiendo salarios más altos.
La IA autónoma de hoy en día puede desempeñar tanto tareas rutinarias (sustituyendo a los workers) como funciones de solver, igualando o incluso superando el nivel de conocimientos de los solvers promedio. También, existe la posibilidad de utilizar la IA como ”co-piloto”, complementando las capacidades existentes de las personas. Tanto en trabajadores de alta como de menor capacidad, este complemento les permite una mayor generación de valor y, por lo tanto, mayor beneficio.
Como resultado, la asignación de salarios apunta a una divergencia: la IA avanzada aumenta la productividad general, pero tiene mayor impacto en el personal altamente calificado. Al mismo tiempo, la IA desplaza a trabajadores menos calificados, ejerciendo presión a la baja sobre su remuneración o, en el caso de uso de co-pilotos, un incremento de menor proporción al de sus colegas más preparados.
Esto nos lleva a una conclusión similar al artículo anterior: las personas con menores capacidades iniciales podrían ver erosionadas sus opciones de empleo y/o salario si la IA autónoma asume las tareas que realizan.
Este estudio pone sobre la mesa un concepto adicional, intuitivo pero fascinante: la noción de que el “trabajo” es sustituible por cómputo. En este nuevo equilibrio económico, la disponibilidad de trabajadores del conocimiento incrementa exponencialmente. Por ejemplo, en lugar de pagar por horas a un solver, una empresa puede “alquilar” recursos de cómputo para implementar múltiples agentes de IA. Así, las horas de trabajo en ciertas funciones pasan a ser intercambiables por unidades de cómputo, modificando de fondo los conceptos del valor del tiempo, la experticia y la disponibilidad.
2 - [publicación en blog] - The AI Elbow's Impact : What Reasoning Means for Business / Tomasz Tunguz
Tomasz Tunguz es un inversionista de venture capital, reconocido por sus rigurosos análisis cuantitativos.
En esta corta publicación de su blog, muestra contundentemente que el “razonamiento” es la mejor innovación de la inteligencia artificial reciente. Entendamos por razonamiento que el modelo, antes de contestarnos, articula el proceso que va a ejecutar, considera alternativas, las compara y selecciona entre ellas. En Convergente la analizamos hace meses.
Hasta antes del surgimiento del razonamiento, con GPT-o1 en septiembre pasado, la calidad de la IA dependía del tamaño del modelo y la capacidad de cómputo que lo soportaba. Como se muestra en la gráfica, medido por “elo”, razonamiento supera tamaño:
Complementando el análisis de los dos artículos anteriores: si “trabajo” es cada vez más intercambiable por “cómputo” y los modelos existentes son verdaderamente buenos, el mejor resultado de utilizar la IA, la maximización del valor, depende del usuario, de la calidad de la pregunta o del flujo de trabajo en el que lo utilizamos.
3 - [recurso en línea] - Humanity’s Last Exam
Scale AI y el Centro por la Seguridad de la Inteligencia Artificial (CAIS por sus siglas en inglés) crearon "El Examen Final de la Humanidad" (Humanity’s Last Exam - HLE), un proyecto para medir qué tan cerca estamos de lograr sistemas de inteligencia artificial de nivel experto. El examen busca crear el benchmark público más difícil del mundo para la IA, reuniendo preguntas y pruebas de expertos de todas las áreas del conocimiento.
Pueden proponer sus preguntas acá.
En varias publicaciones anteriores de Convergente, hemos visto que el avance de las capacidades de estos modelos es tan grande, que se han comoditizado para los casos de uso sencillos o rutinarios y cada vez hay menos diferencia en los casos avanzados actuales.
El benchmark de HLE es el siguiente nivel. La idea es poner en verdadera perspectiva la capacidad de la IA de mover la frontera del conocimiento. Cuando la evaluación es en el margen, ni los modelos actuales tienen un puntaje que valga la pena resaltar:
Todavía 1.000 verdaderos expertos son mejores que las mejores IA. Vamos a hacerle seguimiento al HLE.
4 - [artículo académico] - AI Personality Extraction from Faces: Labor Market Implications / Marius Guenzel et. al.
De la introducción del artículo:
Una creciente cantidad de literatura en economía, finanzas, psicología y sociología ha proporcionado evidencia de que el componente de personalidad del capital humano, así como los rasgos no cognitivos en general, predicen una amplia gama de resultados económicos y sociales.
El estudio contrasta rasgos de personalidad (modelo Photo Big 51) con datos concretos del mercado laboral (salarios estimados, antigüedad en el puesto, movilidad entre industrias, etc.). aprovechando la información públicamente disponible, y relativamente precisa, que ofrece LinkedIn. Lo novedoso es que los investigadores utilizan las fotos de la cara de los individuos utilizados en el estudio (un poco menos de 100.000) como fuente de sus rasgos de personalidad.
Existen explicaciones empíricas, no concluyentes, sobre por qué se puede predecir la personalidad de una persona basándose en los rasgos faciales. Estas explicaciones vienen de la ciencia (variaciones genéticas, exposición a hormonas en los ambientes pre y post natales) así como de algunas pseudo-ciencias como la fisiognomía.
La investigación de Guenzel et. al. es interesante en varios frentes.
Primero, resuelve un problema de escalabilidad. El mayor obstáculo, hasta ahora, para medir rasgos de personalidad, era poderlo hacer a escala masiva. Al utilizar fotos de perfil para extraer la personalidad de las personas, se elimina la necesidad de engorrosas y subjetivas encuestas.
Segundo, el paper evalúa qué predice mejor los resultados laborales de una persona, su personalidad o su desempeño académico previo (calificaciones, resultados en exámenes estandarizados, etc.). Sorpresivamente, es mucho más lo primero que lo segundo. Esto, que claramente es contraintuitivo, me pone a pensar sobre la transición laboral en la que estamos actualmente por el advenimiento de la IA y cuáles son los factores de éxito en el mundo laboral actual.
Tercero, y retomando la realidad de la evidencia empírica anteriormente mencionada, éste es un claro ejemplo de un modelo de machine learning que se entrena con fuerza bruta, es decir, muchos datos y mucho cómputo que permiten derivar un algoritmo que explica los resultados en función de las fotos, pero que es incapaz de encontrar las relaciones de causalidad. Para hacerlo, habría que encontrar los genes que, al mismo, son responsables de rasgos faciales y de personalidad. Todavía no estamos ahí.
Y, por último, considerando la potencial falsa conclusión del estudio, lo descaradamente discriminatorio y antiético que sería permitirle a una máquina elegir trabajadores basados exclusivamente en las características de su cara.
Claramente, éste es el tipo de desarrollos que tal vez no se deberían continuar.
5 - [publicación en blog] - Taking Stock of the DeepSeek Shock / Charles Mok
Este artículo analiza diferentes aspectos relacionados con el lanzamiento de DeepSeek R1. Particularmente, dos me generan reflexiones para destacar:
Dilema Competitivo
Según DeepSeek, R1 fue desarrollado con una fracción del costo de infraestructura que sus rivales americanos. Esto significa que la inversión realizada fue mucho menor y que, por lo tanto, esta empresa tiene la capacidad de disminuir dramáticamente el precio de sus servicios.
De otro lado, los hyperscalers (Meta, Amazon, Microsoft, Alphabet) siguen haciendo inversiones billonarias en capacidad de procesamiento y abastecimiento de energía para, en teoría, ser los ganadores en la carrera de IA. En la superficie, pareciera que estas empresas se están poniendo en una posición vulnerable pues su estrategia parece desconocer la innovación de DeepSeek.
Si, efectivamente, es factible llevar el costo de operación de un LLM a una fracción del actual, lo que realmente ocurre es que la densidad de “inteligencia” obtenida por cada unidad de cómputo está incrementando significativamente. A la luz de la Paradoja de Jevons, el resultado sería una aceleración de la demanda de uso IA, por su caída precipitada en precio, generando una mayor inversión en infraestructura, no una menor (de allí la paradoja).
Lo anterior traería, a su vez, una reorganización del entorno competitivo, con el flujo del valor fluyendo hacia los extremos de la cadena de valor:
hacia los desarrolladores de las aplicaciones de usuario final, cuyo costo de operación mejora ostensiblemente, y por ende a los usuarios finales que ahora tienen múltiples herramientas de fácil acceso
y hacia los desarrolladores de infraestructura tecnológica (energía, hardware y software) cuyo mercado se expande significativamente
¿Juego Geopolítico?
Este modelo, uno de los mejores del mundo actualmente, resulta tener una serie de vulnerabilidades de seguridad y privacidad identificadas y analizadas por expertos:
transfiere y almacena la información de los usuarios en servidores ubicados en China, según su propia política de privacidad, lo que la somete a leyes y normativas chinas.
evita responder preguntas sobre temas políticos sensibles para China, lo que refleja su obligación de acatar las “normas y valores socialistas” y otros requisitos de las autoridades chinas.
recopila grandes cantidades de datos, incluyendo historial de chats, registros de tecleo y archivos subidos, aumentando el riesgo de filtraciones. De hecho, la empresa de ciberseguridad Wiz descubrió una base de datos expuesta al público con información sensible de usuarios de DeepSeek.
Palo Alto Networks sometió el modelo a diferentes pruebas, identificando que es más fácil obligar a DeepSeek que a OpenAI o1 a crear malware o código para la realización de ataques de phishing debido a sistemas de seguridad débiles.
Es inevitable para los desarrolladores de DeepSeek R1 recopilar información de los usuarios, respetar los valores comunistas chinos y almacenar la data en servidores chinos. Así es la regulación en ese país. Pero, ¿la fallas en seguridad son accidentales o deliberadas?
Si la intención de DeepSeek es competir globalmente por usuarios contra xAI, OpenAI, Anthropic y Google, las fallas de seguridad no pueden existir.
En Convergente no ofrecemos teorías de conspiración; estas contradicciones deben resolverse primero. Por el momento, sugiero mantener la distancia.
Esta tecnología no es una simple herramienta: redefine el “quién” y el “cómo” se genera valor. Ésta es una invitación a cuestionar nuestra visión tradicional de la interacción entre humanos y tecnología.
Históricamente, cada salto tecnológico (el fuego, la imprenta, la máquina de vapor, la electricidad) ha alterado la dinámica social y económica de nuestra civilización. Con la inteligencia artificial pasamos a una fase en la que no sólo mejoramos la eficiencia o la fuerza física: cambia la esencia de lo que entendemos por creatividad, trabajo y autoridad. La IA desdibuja los límites entre el hacedor y lo hecho, entre el sujeto que crea y el objeto que es creado, dándole al software la capacidad de razonar, proponer y hasta sorprendernos con originalidad.
Al redefinir “quién” genera valor, estamos repensando al ser humano en relación con su capacidad de idear, decidir y producir. Al reformular el “cómo” se genera valor, los conceptos de trabajo, jerarquía y propiedad intelectual deben reescribirse. Esta visión nos desafía a encontrar nuevos códigos éticos y nuevas formas de organización que aprovechen la inteligencia no humana y, al mismo tiempo, maximicen la dignidad y la autonomía humanas.
Eso es todo por hoy. Gracias por leer, comentar y compartir.
Camilo
Apertura (curiosidad, sensibilidad estética, imaginación), escrupulosidad (organización, productividad, responsabilidad), extraversión (sociabilidad, asertividad, nivel de energía), afabilidad (compasión, respeto, confianza) y neurotismo (ansiedad, depresión, inestabilidad emocional)
Hola Salomón. Yo recomiendo tener un sentido de urgencia. Ninguna de estas herramientas requiere educación avanzada previa y son gratis para el uso básico. Salvo personas que no tienen acceso a un computador y una conexión de internet, la única limitación es la que uno mismo se impone. Yo no sabría qué otra cosa recomendar que: abrir una cuenta en claude.ai (a propósito de Claude 3.7 Sonnet lanzado esta semana) y empezar a conversar con él; en unas 10 horas, las ideas empiezan a fluir.
Camilo, gracias por la reflexión. Sigue pendiente que o como hacer para los que están rezagados en tecnología o educación, no terminen aún en peor situación a la actual. Por donde éntrarle?