En el artículo anterior me preguntaba qué pasa cuando la respuesta llega antes que el criterio para evaluarla, y mientras lo escribía apareció otra pregunta, todavía más incómoda.
¿Cómo construimos ese criterio si empezamos a delegar en la IA parte del proceso con el que antes lo adquiríamos?
Durante años, buena parte del aprendizaje profesional surgía del hacer, y muchas veces de hacer cosas bastante poco interesantes.
Buscar información, ordenar datos, comparar alternativas, preparar una primera versión, revisar, equivocarse, recibir una devolución y volver a empezar. Quienes llevamos algunos años trabajando, y en mi caso son mucho más que “algunos”, seguramente podemos reconocer varias tareas que hoy una IA puede resolver en minutos y que a nosotros nos llevaron horas, días y más de un dolor de cabeza.
Que esas tareas hoy puedan automatizarse es una gran noticia. No creo que haya ningún mérito especial en tardar cuatro horas en algo que hoy podemos hacer en veinte minutos. Tampoco tendría sentido conservar procesos ineficientes simplemente porque nosotros aprendimos de esa manera.
Pero en esas cuatro horas no solamente hacíamos una tarea, también estábamos aprendiendo. Y eso es lo que me preocupa y creo que las organizaciones deberíamos empezar a mirar con más atención.
Mientras buscábamos información aprendíamos dónde buscarla y qué fuente era confiable, mientras armábamos una presentación entendíamos qué era importante y qué podía quedar afuera, mientras hacíamos un análisis empezábamos a reconocer patrones, y mientras escribíamos una primera versión descubríamos que una idea que parecía muy buena en nuestra cabeza quizás no funcionaba cuando intentábamos desarrollarla.
Entonces, mientras nos equivocábamos, aprendíamos a reconocer el error, lo veíamos y lo podíamos subsanar la próxima vez.
La inteligencia artificial puede eliminar una parte enorme de esa fricción, puede darnos una primera versión bastante buena antes de que hayamos tenido que construir una mala, puede ordenar información antes de que hayamos tenido que entender cómo ordenarla y puede detectar patrones antes de que hayamos aprendido a buscarlos.
Eso mejora muchísimo la productividad, pero… ¿qué pasa con el aprendizaje que ocurría durante el camino?
Esto lo veo tanto en la universidad como en el trabajo. Hoy, alguien que recién empieza puede producir en muy poco tiempo algo que hace algunos años hubiera requerido bastante más experiencia. Eso abre posibilidades enormes y permite acelerar procesos, elevar el punto de partida y dedicar tiempo a problemas más interesantes, pero también genera una situación nueva. Esa persona puede obtener resultados de un nivel que probablemente todavía no tiene el conocimiento suficiente para evaluar.
Y ahí volvemos al criterio.
¿Cómo sé que un análisis es bueno si nunca tuve que construir uno desde cero? ¿Cómo detecto que falta una variable importante? ¿Cómo cuestiono una recomendación que está perfectamente argumentada? ¿Cómo reconozco una idea mediocre cuando está impecablemente escrita?
Durante mucho tiempo, la experiencia profesional funcionó como una especie de acumulación; hacíamos, observábamos, nos equivocábamos, corregíamos y, con los años, empezábamos a reconocer cosas que al principio no veíamos.
La IA comprime una parte de ese recorrido, y quizás nuestro desafío no sea impedirlo, sino rediseñar cómo se aprende dentro de ese nuevo recorrido.
En la universidad estoy dando una materia basada en simuladores de negocios. Los alumnos trabajan en equipo, analizan información, definen una estrategia, toman decisiones y ven las consecuencias de esas decisiones a medida que avanza la simulación.
Y de esa experiencia tomo algo que me resulta re interesante, y es que lo más importante que se evalúa no es quién obtiene la mejor performance, sino que los alumnos puedan explicar qué estrategia eligieron y por qué, que identifiquen dónde se equivocaron, que puedan reconocer qué decisión produjo determinado resultado, qué señales no vieron a tiempo y qué hicieron cuando las cosas no salieron como esperaban. Y, sobre todo, que al terminar puedan responder una pregunta bastante simple: si tuvieran que volver a hacerlo, ¿qué harían diferente?
Y ahí es donde aparece el aprendizaje. Analizar antes de decidir, tomar una decisión, observar qué ocurre, equivocarse, volver sobre lo hecho, entender, ajustar y planificar mejor la próxima vez.
Un equipo puede incluso haber obtenido un resultado excelente y, sin embargo, no ser capaz de explicar por qué. Otro puede haberse equivocado y haber comprendido perfectamente qué ocurrió, qué debería haber visto y cómo modificaría su estrategia.
¿Quién aprendió más? Esa es la pregunta relevante en tiempos de IA.
Quizás tengamos que empezar a separar con mucha más claridad la calidad del resultado de la calidad del aprendizaje que produjo ese resultado.
Y todo esto cambia, y mucho, la conversación sobre capacitación en IA. Enseñar a usar herramientas es necesario, pero probablemente sea lo más sencillo. El desafío más complejo es pensar qué experiencias necesitan las personas para desarrollar las capacidades que antes se construían casi incidentalmente mientras trabajaban.
Probablemente un junior ya no necesite pasar horas recopilando información, y eso está genial, ya que podemos usar ese tiempo para que compare fuentes, cuestione lo que encontró la IA, defienda por qué eligió una alternativa y descarte otras. Puede no tener que escribir diez primeras versiones, pero sí debería poder explicar por qué la versión que eligió es mejor que las demás.
La tecnología puede acortar el camino hacia el resultado, pero no debería acortar el camino hacia la comprensión.
Y acá tenemos una responsabilidad enorme quienes lideramos equipos, trabajamos como consultores o enseñamos.
Como dije en el primer artículo de esta serie, incorporar IA y celebrar las horas que ahorramos no nos hace diferentes. Tenemos que preguntarnos qué estamos haciendo con esas horas y, especialmente, cómo estamos formando a las personas que dentro de algunos años tendrán que tomar decisiones que hoy todavía toman quienes tienen más experiencia.
Si la IA hace cada vez mejor el trabajo inicial y las personas con experiencia son quienes tienen el criterio para supervisarlo, ¿de dónde van a salir los próximos expertos?
Yo no tengo una respuesta cerrada y quizás todavía nadie la tenga. Pero sí estoy segura es de que la solución no pasa por volver atrás ni por pedirle a una generación que trabaje como trabajamos nosotros. Tenemos que diseñar nuevas formas de aprender que aprovechen todo lo que la IA permite, sin perder aquello que el proceso, la práctica y hasta el error nos enseñaban.
