Futuro Presente (II) Capítulo 2: La tecnología que no estaba en la lista

Cuando escribí Futuro Presente en 2016, una de las fuentes clave que utilicé fue un informe ambicioso del McKinsey Global Institute, publicado en 2013. En él se identificaban doce tecnologías que, según sus estimaciones, tendrían un impacto económico de entre 0,8 y 2,4 veces el Producto Interno Bruto de Estados Unidos. La inteligencia artificial —al menos como la entendemos hoy— no aparecía en esa lista. Diez años después, si volviéramos a hacer ese ranking, la IA ocuparía con holgura el primer lugar. No solo por su potencial económico, sino por su capacidad de intervenir simultáneamente en múltiples sistemas: salud, educación, trabajo, medios, democracia. Como suele ocurrir con las revoluciones tecnológicas, la masificación no llega cuando la tecnología está lista, sino cuando aparece su “killer app”, esa aplicación que la convierte en parte de nuestras vidas. Para Internet fue el correo electrónico. Para la World Wide Web, el comercio electrónico. Para la inteligencia artificial, esa aplicación ha sido Chat GPT, lanzado públicamente a fines de 2022, seguida de Copilot de Microsoft (mi asistente en escribir este libro), Gemini de Google, Deep Seek (china) y otros. No fue la primera, ni la más poderosa, pero sí fue —y sigue siendo— la más popular. Su valor radica en dos elementos claves: su utilidad transversal (escribir, explicar, traducir, programar, imaginar) y su extraordinaria facilidad de uso. Una revolución al alcance de cualquiera con conexión a Internet. Lo paradójico es que la IA no es nueva. Ha existido por décadas, aunque confinada a laboratorios de investigación y sistemas empresariales de nicho. De hecho, el informe de McKinsey de 2013 sí la mencionaba de forma implícita en áreas como automatización del trabajo del conocimiento, robótica avanzada, vehículos autónomos y genómica de siguiente generación. Pero en ese entonces no había modelos generativos disponibles para el público general. Y fue precisamente ese salto —del laboratorio al bolsillo— lo que puso la inteligencia artificial en los labios de todos. 2.1. La inteligencia artificial “en peras y manzanas” A lo largo de estos años, en lecturas, charlas y encuentros, he notado una constante: la inteligencia artificial genera más preguntas que respuestas, especialmente entre quienes no trabajan directamente con tecnología. No solo por lo complejo de su funcionamiento, sino por la cantidad de formas que puede tomar. Recuerdo una visita reciente al presidente de la filial chilena de una multinacional. Apenas llegué, me dijo con solemnidad: —“Tengo malas noticias. Nuestra empresa prohíbe el uso de inteligencia artificial. Lo tengo aquí en una nota oficial.” Leyó el comunicado: prohibía el uso de inteligencia artificial generativa. Le tomó un par de minutos entender que eso no implicaba renunciar al resto del ecosistema de IA, que ya estaba presente en sus plataformas logísticas, sus procesos de recursos humanos y su software de análisis. Un mes después, ya estaban reestructurando esa política. Es un caso menor… pero ilustrativo. Por eso, antes de entrar en cómo la IA está transformando la sociedad, vale la pena detenernos en las preguntas esenciales: ¿Qué es la inteligencia artificial? ¿Cuántos tipos hay? 2.2. ¿Qué es la Inteligencia Artificial? Para mí, es sencillo: es la capacidad de realizar una tarea que requiere inteligencia humana… usando medios digitales o mecánicos. La Real Academia Española la define como “disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana”. La UNESCO va más allá y menciona que incluye “la percepción, el aprendizaje, el razonamiento, la resolución de problemas, la interacción lingüística e incluso la creatividad”. Y McKinsey la define como “la capacidad de una máquina para realizar funciones cognitivas que asociamos con la mente humana”. Las definiciones coinciden en lo esencial: la IA necesita software. Pero omiten dos elementos cruciales: datos (¡millones, idealmente!) y capacidad de procesamiento brutal. Copilot, por ejemplo, procesa más de mil millones de datos en segundos. Y necesita hacerlo para generar una respuesta coherente. Para lograrlo, requiere un nivel de computación que ha cruzado umbrales históricos: hoy existen sistemas capaces de operar a escala exa, lo que equivale a realizar en un segundo lo que un humano tardaría más de 30.000 millones de años en procesar. 2.3. ¿Cuándo comenzó todo esto? Durante la Segunda Guerra Mundial, la máquina Enigma —usada por los nazis para cifrar mensajes— generaba combinaciones tan complejas que resultaban imposibles de decodificar manualmente a tiempo. El desafío fue resuelto por Alan Turing, quien diseñó una máquina llamada Bombe. Esta máquina no era una computadora, pero sí reemplazó un proceso humano de razonamiento con un sistema mecánico repetitivo y eficiente. En esencia, eso ya era inteligencia artificial, aunque sin ese nombre. Alan Turing fue el primero en conceptualizar el computador moderno como herramienta para la inteligencia artificial . Décadas después, en 1943, McCulloch y Pitts modelaron una red de neuronas artificiales. En 1956, Newell y Simon procesaron razonamiento lógico con máquinas . Y ese mismo año, en la mítica conferencia de Dartmouth, nació formalmente el término inteligencia artificial (acuñado por John McCarthy). 2.4. ¿Por qué el boom ahora? La respuesta está en tres palabras: la Ley de Moore. Esta ley establece que la potencia de los chips se duplica (y su costo se mantiene) cada 18 meses. Pero la magia real ocurre cuando eso se cumple en tres frentes a la vez: 1. Procesamiento más barato y rápido 2. Acceso a cantidades masivas de datos 3. Algoritmos más sofisticados y accesibles Ese cruce generó lo impensado hace solo una década: modelos de lenguaje como Chat GPT capaces de analizar y generar texto en lenguaje natural con un grado de fluidez que roza lo humano . Tipos de Inteligencia Artificial La clasificación más extendida incluye tres grandes tipos: • IA Débil o Estrecha (ANI) • IA General o Fuerte (AGI) • Súperinteligencia Artificial (ASI) IA Débil o Estrecha (Narrow AI) Se refiere a sistemas capaces de realizar tareas específicas sin comprensión. Detectan patrones y generan contenido, pero no entienden lo que hacen. Copilot, Chat GPT, Siri o los sistemas de recomendación de Netflix son ejemplos de IA débil. IA General (Artificial General Intelligence - AGI) Una inteligencia artificial que pudiera razonar como un ser humano: interpretar lo que hace, formular nuevas preguntas y transferir conocimiento de un dominio a otro sin ayuda externa. Hoy no existe. Modelos como Llama 3, Gemini o Claude trabajan en esa dirección . Es superior a la Inteligencia Artificial Débil debido a que puede transferir conocimiento de un dominio a otro. La inteligencia artificial débil en cambio solo se aplica a un dominio del conocimiento, como, por ejemplo, generar respuestas a preguntas o generar música. Súperinteligencia (ASI) Se refiere a una IA más capaz que cualquier ser humano en todas las funciones cognitivas. Por ahora, pura especulación. Aparece en la ciencia ficción —desde Her hasta The Matrix—, pero plantea dilemas éticos , sociales, técnicos y existenciales. He aquí los principales: 1. Al ser más capaz que cualquier ser humano, se plantea el problema del control y alineación de objetivos. ¿Cómo garantizamos que una ASI actúe en beneficio de la humanidad? Si la ASI persigue objetivos mal definidos o alineados con los valores humanos, podría causar daños masivos. Es la paradoja del genio de la lámpara: una vez activado, no se puede volver a meter dentro de la lámpara. 2. ¿Qué pasa si los humanos ya no pueden entender ni controlar las decisiones de la ASI? Esto se conoce como el problema de la “caja negra” en IA avanzada. 3. ¿Quién controla a la ASI? Si una sola empresa, gobierno o grupo logra desarrollar ASI antes que otros, podría tener un poder sin control y alterar el equilibrio global, generando dictaduras tecnológicas, desigualdades extremas y pérdida de libertad. 4. ¿Cómo se redistribuye el valor generado si la ASI sustituye todo el trabajo humano? Podría derivar en un desempleo masivo, aumento de desigualdad y pérdida de sentido para muchas personas. Pero, bien gestionado, podía liberar a la humanidad de la necesidad de trabajar. Igualmente: si nadie trabaja: ¿Cómo se reparte la torta? 5. ¿Cómo ve la ASI a los seres humanos? Podría vernos como irrelevantes, un obstáculo o incluso una amenaza para sus objetivos. Podría llevar a la extinción involuntaria de la humanidad si sus intereses se cruzan con los nuestros. 6. ¿Qué valores programamos en una ASI? La moral humana no es universal (por ejemplo, el aborto es inmoral para unos y no para otros) ¿Qué conjunto de valores debe adoptar una inteligencia más poderosa que nosotros? 7. Efectos no intencionados: ¿cómo prever todos los efectos secundarios de las decisiones de una ASI? La complejidad del mundo real hace casi imposible anticipar todas las consecuencias, incluso con buenas intenciones. Ante estos dilemas, hay un acalorado debate acerca de si compensa seguir adelante con la ASI o no. El problema mayor es que, aunque hubiera consenso respecto a dejarlo de momento, siempre podría haber personas u organizaciones que siguieran jugando con la lámpara. Esto me recuerda a un corto de Walt Disney sobre la energía nuclear, donde se nos presentaba como el genio de la lámpara, capaz de destruir al mundo, pero también de concedernos grandes beneficios. Yo tenía 8 años cuando la “crisis de los misiles” y viví como algo muy real la posibilidad de una guerra nuclear. El caso es que no la hubo. Creo que como especie tenemos en nuestro ADN un instinto de supervivencia que inconscientemente nos fija las líneas rojas que no deben ser traspasadas. Espero que siga siendo así. ¿Y el Machine Learning? El machine learning es un subcampo dentro de la IA que permite a las máquinas aprender de datos. Funciona así: 1. Analiza datos y busca patrones. 2. Ajusta los modelos mediante retroalimentación. 3. Optimiza los resultados a través de repeticiones. Funciona con dos métodos: Aprendizaje supervisado Se entrena el modelo con entradas y salidas conocidas, es decir, sabemos lo que significa cada dato antes de introducirlo para entrenar el modelo. Por ejemplo, para predecir ventas, usamos varias variables como las ventas históricas, el índice de confianza del consumidor, las proyecciones de crecimiento del PIB, el número de puntos de venta, etc. Es por ello muy útil para clasificar, predecir y segmentar. Ejemplos: • Detección de fraudes • Predicción de ventas • Análisis de imágenes médicas Aprendizaje no supervisado La máquina encuentra patrones por sí sola en datos no etiquetados. Ejemplos: • Agrupación de clientes por comportamiento. Aquí, por ejemplo, se puede usar la hipersegmentación: entre miles de unidades (puntos de venta) buscar las que son similares, para analizar las que tienen mejor resultado y ver qué se puede hacer para cerrar el gap con las que tienen peor resultado. • Análisis exploratorio de datos, para buscar las mejores correlaciones entre diferentes variables • Sistemas de recomendación, como el que utiliza Netflix Deep Learning: el salto neuronal El deep learning es un subconjunto del machine learning que utiliza redes neuronales artificiales profundas. Estas redes emulan en parte el funcionamiento del cerebro humano: procesan información en “capas” que se retroalimentan. Cada “neurona” es un programa computacional con muy pocas instrucciones, que se corre a una gran velocidad, y que funciona recibiendo información, procesándola y entregando un resultado a otra neurona, que a su vez la procesa, llegando a un nivel de mayor complejidad. Tipos comunes: • Feed-forward: flujo lineal sin retroalimentación. • Convolucionales (CNN): ideales para procesar imágenes. • Recurrentes (RNN): incorporan memoria, útiles para texto y lenguaje. Estas arquitecturas han permitido crear sistemas como Copilot, que generan texto, arte o música en segundos. Por lo tanto, una inteligencia artificial débil puede ser con Machine Learning o con Deep Learning. Inteligencia Artificial Generativa (IAG) La IAG es aquella que genera contenido original —texto, imágenes, audio o video— a partir del aprendizaje sobre grandes cantidades de datos existentes. Aunque Copilot es IA débil, sí es generativa, ya que crea contenido nuevo, coherente y contextualizado. No confundir IAG con AGI. Aplicaciones actuales: • Redacción de correos y textos • Creación de arte visual y música • Producción de videos sintéticos • Generación y revisión de código • Tareas sencillas 2.5. El impacto económico de la inteligencia artificial Según un reciente informe de McKinsey & Company , la inteligencia artificial generativa podría añadir entre 2,6 y 4,4 billones de dólares a la economía global. Esto sería posible gracias a la automatización de entre un 60% y un 70% de las tareas que actualmente realizan trabajadores humanos, lo que implicaría una duplicación de la productividad. La IA generativa incrementaría entre un 15% y un 40% el impacto total de la inteligencia artificial sobre la economía, lo cual revela algo clave: antes de la aparición de sistemas como Copilot, la IA ya estaba transformando el mundo. En números, si la IA generativa representa entre un 13% y un 29% del total, y su impacto económico está estimado en 2,6 a 4,4 billones de dólares, el impacto total de la IA se ubicaría entre 15 y 20 billones de dólares. Esto es entre un 50% y un 100% más que la tecnología de mayor impacto estimada por McKinsey en 2013. De ese total, la IA no generativa aportaría entre 12,4 y 15,6 billones de dólares —una cifra cercana al PGB de Estados Unidos. Por eso se dice, con razón, que la inteligencia artificial es la mayor revolución tecnológica de nuestra era. Este impacto se explica por dos fuerzas complementarias: 1. Reducción de costos y automatización de tareas humanas. 2. Creación de nuevo valor: productos, servicios y empleos que antes no existían. Sectores con mayor proyección de impacto 1. Salud y medicina • Diagnóstico médico por imágenes. • Aceleración de la investigación farmacéutica. • Optimización de agendas, recursos y gestión hospitalaria. 2. Finanzas y banca • Detección de fraudes y predicción de riesgos. • Asistencia en inversiones. • Chatbots en atención al cliente. 3. Manufactura y automatización • Robótica industrial. • Mantenimiento predictivo. 4. Comercio y marketing • Personalización de propuestas comerciales. • Optimización de campañas publicitarias. 5. Transporte y logística • Vehículos autónomos. • Rutas de entrega optimizadas. 6. Recursos humanos • Análisis automático de CVs e informes. • Retención y desarrollo de talento. 7. Agricultura y alimentación • Agricultura de precisión. • Control automatizado de plagas. 2.6. El impacto político de la inteligencia artificial Antes de morir, Henry Kissinger identificó la inteligencia artificial como uno de los temas más críticos para las relaciones entre Estados Unidos y China . Al comenzar la escritura de este libro, se realizó la primera cumbre global sobre IA, con 27 países y la Unión Europea. El paralelo más cercano es la energía nuclear: una tecnología con potencial devastador, pero también profundamente beneficiosa. La gran diferencia es que desarrollar un arma nuclear requiere infraestructura masiva. Crear una IA avanzada, en cambio, puede hacerse con conocimiento y acceso digital, incluso sin dejar rastro. Desde el lanzamiento de Chat GPT y Copilot, ha habido llamados a limitar el desarrollo de la IA. Algunos ejecutivos incluso pidieron una moratoria de seis meses. Dado que muchas de estas voces lideran el desarrollo actual, la petición resulta —cuando menos— sospechosa. No digo que la IA no deba ser regulada. Pero hay que entender algo: los buenos seguirán la ley; los malos, no. Regular no basta. Hay que avanzar, prepararse, y construir capacidades éticas y técnicas a la vez. 2.7. El impacto de la inteligencia artificial en el trabajo La IA tiene un enorme impacto en el empleo. Permite automatizar entre el 60% y el 70% de las tareas repetitivas, duplicando la productividad… pero también generando preguntas legítimas: ¿Habrá trabajadores que ya no sean necesarios? La historia ofrece una pista. Cuando llegaron los computadores a los departamentos de ventas y finanzas, desaparecieron tareas —como el uso de calculadoras con rollo de papel— pero surgieron nuevas: desde “perforadores de tarjetas” hasta operadores de planillas electrónicas. El trabajo cambió, no desapareció. Y el valor por trabajador aumentó. Con la IA ocurrirá lo mismo, pero a otra escala. Porque no solo libera tiempo administrativo: potencia la creatividad y la iniciativa. Permite pensar más, preguntar mejor, descubrir oportunidades, encontrar soluciones. Hace que cada trabajador deje de ser vagón y se convierta en locomotora. La clave estará en capacitar. Y en imaginar cómo usar esa productividad no para reducir, sino para crecer. 2.8. El impacto de la inteligencia artificial en la sociedad Pepper es un robot humanoide creado por SoftBank Robotics . Capaz de identificar emociones básicas y responder con protocolos sociales, representa la transición de una sociedad de interacción humana a una de interacción humanoide: conversaciones no con personas, sino con sistemas como Copilot . Hoy Pepper se usa en empresas. Mañana —gracias a la Ley de Moore— podrá estar en millones de hogares. Pero el impacto social de la IA va mucho más allá. Ya se usa para: • Ayudar a personas con autismo a identificar emociones. • Mitigar la soledad de adultos mayores. • Seguir a enfermos crónicos. • Detectar riesgos de suicidio en redes sociales. • Apoyar terapias emocionales. • Comprender el estado afectivo de estudiantes. Nos estamos acercando a un mundo donde los robots asumen lo duro, y los humanos nos concentramos en lo espiritual, creativo y emocional. Pero también existen riesgos. En regímenes autoritarios, la IA se convierte en herramienta de control ciudadano —como en China. También existe el riesgo de intervención genética con fines eugenésicos. Un científico chino ya lo hizo: alteró genes en una niña para evitar el VIH . Fue censurado. Pero demostró que se puede hacer. En 1964, el escritor chileno Arturo Aldunate Phillips escribió Los robots no tienen a Dios en el corazón. El título lo dice todo: los algoritmos pueden simular decisiones… pero no fe, ni sentido, ni trascendencia. Porque la espiritualidad humana no es programable. La IA puede razonar. Puede crear. Pero no puede creer. Epílogo del capítulo ¿Y ahora qué hacemos con todo esto? La inteligencia artificial ya no es una promesa: es una presencia. Habita nuestras oficinas, conversa con nosotros, optimiza sistemas, nos acompaña en la creación, y también nos incomoda. Porque como toda tecnología poderosa, no solo mejora lo que hacemos… pone en duda lo que somos. Este capítulo no pretende responderlo todo, sino abrir los ojos, despejar mitos, y mostrar el mapa de una nueva geografía humana y digital. Hoy, Copilot me ayuda a escribir. Mañana, quizá me ayude a enseñar, sanar, componer... o a quedarme callado y escuchar mejor. ¿Desplazará la IA empleos? Probablemente. ¿Creará otros nuevos? Sin duda. ¿Nos hará más eficientes? Sí. Pero la pregunta más importante no es “qué hará la IA”, sino qué haremos nosotros con el tiempo que nos libere. Si usamos esa libertad para conectar mejor, para crear con más profundidad, para encontrar sentido en lo que antes era repetición... entonces esta no será solo una revolución tecnológica: será una revolución humana. Porque el mayor algoritmo del universo no está escrito en líneas de código, sino en la conciencia de quien decide usarlo con criterio, con compasión y con propósito.