Hace un par de semanas estuve en Las Vegas en Ai4 y, después de dejar reposar un poco todo lo que vi y escuché, creo que me quedé con una idea bastante clara: la conversación sobre AI está cambiando, y bastante rápido.
Lo primero que te golpeaba al caminar por el evento eran los robots. Robots por todos lados y para todo, además, imposible no verlos mientras caminabas dentro del salón de exhibiciones. Algunos de ellos más impresionantes que otros, algunos todavía con bastante camino por recorrer, pero mi sensación después de verlos funcionando es bastante simple: se vienen porque se vienen, no sé si al ritmo que algunos prometen, ni si tendremos uno en cada casa en dos años, pero definitivamente dejaron de sentirse como algo lejano o como una curiosidad de laboratorio, para pasar a ser parte del paisaje.
Sin embargo, lo que más me llamó la atención no fueron los robots, sino ver en qué se está convirtiendo toda la industria alrededor de AI. Había empresas dedicadas a crear NPCs, generación de voces, call centers completos operados con AI, agentes especializados en procesos muy concretos y, cada vez más, compañías construyendo la infraestructura necesaria para que todos esos agentes puedan operar dentro de una organización. Creo que ahí hay un cambio importante: estamos pasando muy rápido de una AI que responde preguntas a una que comienza a hacer cosas para lograr lo que le piden, cosa linda pero igual peligrosa porque eso cambia mucho la conversación. Una cosa es que la AI te diga qué deberías hacer y otra muy diferente es darle acceso a tus sistemas para que consulte información, tome una decisión y ejecute una acción por ti. En ese momento aparecen preguntas bastante menos sexys que hablar del próximo gran modelo, pero mucho más importantes: qué puede hacer un agente y qué no?, a qué información tiene acceso?, cómo sabemos qué decisiones tomó?, cómo lo auditamos?, quién responde cuando se equivoca? Por eso no me sorprendió que la gobernanza de agentes apareciera una y otra vez durante el evento. Mientras más capaces y autónomos sean estos sistemas, más importante será todo lo que construyamos alrededor para poder controlarlos.
Pero quizás mi principal impresión después de Ai4 es que estamos entrando definitivamente en la etapa de implementación. Durante los últimos años dedicamos muchísimo tiempo a preguntarnos qué podía hacer AI, cuál modelo era mejor o qué nueva capacidad había aparecido esa semana. Ahora la pregunta empieza a ser mucho más práctica: ¿cómo meto esto de verdad en mi empresa?, ¿cómo lo conecto con mis datos y mis procesos?, ¿cómo hago que sea seguro y gobernable?, y, sobre todo, ¿cómo hago que genere valor?
Creo que ahí se va a poner realmente interesante el baile, porque las grandes oportunidades no necesariamente estarán solo en quienes construyan los modelos más poderosos, también estarán en quienes entiendan profundamente un problema, una industria o un proceso y sepan utilizar estos modelos para resolverlo. La cantidad de compañías extremadamente especializadas que vi en Ai4 me hizo pensar mucho en eso. Quizás estamos entrando en una etapa donde AI deja de ser el producto y empieza a convertirse en una capa sobre la cual se construyen miles de productos.
Y en medio de todo esto, la sesión que más me gustó de Ai4 fue una conversación en la que participaron Geoffrey Hinton, Fei-Fei Li y Andrew Ng, precisamente porque no estaban de acuerdo en varias cosas importantes. Y creo que escuchar a personas que han contribuido enormemente al desarrollo de este campo discutir sobre hacia dónde vamos fue mucho más interesante que escuchar otra presentación diciéndonos lo extraordinaria que será la AI.
Hinton planteaba una posición bastante preocupante. Su punto no era que AI sea hoy mejor que nosotros en absolutamente todo, sino que ya es mucho mejor en ciertas capacidades y que estamos avanzando hacia sistemas que eventualmente podrían superarnos de forma mucho más general. Para él, además, algunas señales recientes deberían preocuparnos: sistemas capaces de comportarse de formas que sus creadores no anticiparon, AI cada vez más competente en ciberataques y, por supuesto, la posibilidad de que una parte importante del trabajo intelectual rutinario termine siendo automatizada.
Ng veía el problema desde un lugar bastante diferente. Sin negar que existen riesgos o que tenemos trabajo serio que hacer en seguridad, cuestionaba cuánto del discurso alrededor de AI se ha convertido en fearmongering. Su argumento me pareció interesante porque iba más allá de la tecnología: cuando se exageran determinados riesgos también se puede terminar influyendo en regulación, restringiendo modelos abiertos y concentrando el desarrollo de AI en quienes tienen los recursos para construir los modelos más grandes. Para Ng, necesitamos separar mucho mejor los riesgos reales de las narrativas extremas que se construyen alrededor de ellos.
Fei-Fei Li, en cambio, me pareció que ocupaba un espacio interesante entre ambas posiciones. Su llamado era a sacar la discusión de los extremos: ni el doomism que convierte cada avance en una amenaza existencial, ni la visión utópica donde AI mágicamente resuelve todos nuestros problemas. Su punto era volver a una discusión más racional y científica, porque necesitamos poder hablar seriamente de empleos, educación, regulación, open source y data centers sin que cada conversación termine atrapada entre el miedo y el hype.
El choque se volvió todavía más interesante cuando hablaron de empleo. Hinton fue bastante directo: hay trabajos que simplemente no están seguros; puso como ejemplo los call centers y los paralegals, y su razonamiento es difícil de ignorar. Si un trabajo está compuesto principalmente por tareas intelectuales rutinarias y una máquina puede hacerlas más rápido, más barato y eventualmente mejor, es razonable pensar que una parte de esos puestos desaparecerá. Hinton no decía que AI no vaya a crear nuevos trabajos; de hecho, dijo explícitamente que probablemente creará muchos, su duda es otra: si creará suficientes, y si las personas cuyos trabajos desaparezcan podrán realmente moverse hacia esos nuevos trabajos.
Ng, en cambio, cuestionaba la narrativa del “apocalipsis laboral”. Su argumento era que estamos confundiendo la automatización de tareas con la desaparición completa de profesiones. Utilizó software engineering como ejemplo: AI ya puede escribir una cantidad impresionante de código, pero un software engineer hace mucho más que escribir código. Lo que él está viendo es que algunos desarrolladores están utilizando AI para ampliar muchísimo el rango de cosas que pueden hacer, pasando de especializaciones muy estrechas a perfiles capaces de construir una solución mucho más completa. Y cree que ese mismo patrón podría empezar a repetirse en marketing y otras profesiones.
Hubo además una intervención en esa conversación que para mí ayuda muchísimo a salir del falso dilema de “AI reemplaza empleos” versus “AI no reemplaza empleos”: un trabajo no es una tarea. Una enfermera, un profesor, un periodista, un programador o alguien de marketing hace muchas cosas diferentes durante el día. Algunas podrán automatizarse, otras probablemente no y otras incluso adquirirán mayor importancia precisamente porque AI liberará tiempo para hacerlas. Por eso la conversación sobre trabajo probablemente debería ser menos sobre proteger cada tarea que hacemos hoy y mucho más sobre educación, reskilling y nuestra capacidad de aprender a hacer las cosas que se vuelven más valiosas mañana.
Lo interesante es que, después de escucharlos, no salí pensando que Hinton estaba equivocado y Ng tenía razón, ni al revés. Creo que los dos pueden tener razón al mismo tiempo. Miravos, una especie de estado de razón cuántica: los dos tienen razón hasta que alguien abre la caja. Podemos estar construyendo una tecnología extraordinariamente poderosa que genere nuevas empresas, nuevos trabajos y enormes mejoras de productividad y, al mismo tiempo, estar frente a una transición muy complicada para determinadas personas, profesiones e industrias. Podemos querer acelerar la adopción y, al mismo tiempo, preocuparnos seriamente por seguridad, gobernanza y por quién termina beneficiándose de toda esa productividad.
Pero hubo otra reflexión de Fei-Fei que me quedó dando vueltas: Silicon Valley habla muchísimo de productividad, pero mayor productividad no necesariamente significa mayor prosperidad compartida. Y creo que ahí está una de las conversaciones que apenas estamos empezando a tener. Podemos hacer que una persona produzca cinco veces más con AI, pero todavía tenemos que decidir quién captura ese valor, qué pasa con quienes sí son desplazados y cómo hacemos para que esta transformación termine mejorando la vida de más personas y no solamente los resultados de algunas empresas
Y hacia el final Ng volvió sobre una idea que viene utilizando desde hace años: “AI is the new electricity”. Lo interesante fue cómo la llevó un paso más allá. Hoy nadie habla de un teléfono eléctrico, una lámpara eléctrica o un micrófono eléctrico, la electricidad simplemente está ahí, detrás de todo, y lo importante es lo que podemos hacer gracias a ella. Su aspiración es que eventualmente ocurra lo mismo con AI: que dejemos de celebrar que algo “usa AI” y empecemos a hablar de que logramos mejorar la educación, curar enfermedades, tener agua más limpia, alimentos más seguros o mejor atención médica.
Hinton cerró desde el otro lado de esa misma moneda. Su visión de los próximos años tenía básicamente dos caminos: uno donde AI produce enormes aumentos de productividad y una especie de abundancia radical que mejora la vida de muchísimas personas, y otro donde algo sale seriamente mal, ya sea por sistemas fuera de control, ciberataques o desempleo masivo y la disrupción social que podría acompañarlo. Su punto era que deberíamos hacer todo lo posible para conseguir el primero y evitar el segundo.
Y quizás esa tensión resume bastante bien lo que me traje de Ai4.
Por un lado, sales caminando entre robots, agentes y cientos de compañías construyendo cosas que hace muy poco parecían ciencia ficción y es difícil no sentir entusiasmo por lo que viene. Por otro, mientras más real se vuelve la tecnología, menos sentido tiene quedarnos solamente en el entusiasmo, ahora toca implementarla, gobernarla, aprender a trabajar con ella y, quizás lo más importante, asegurarnos de que toda esa productividad termine convirtiéndose también en prosperidad.
Quizás el verdadero indicador de que AI llegó a todas partes no será que todas las empresas comiencen a llamarse “AI companies”, sino exactamente lo contrario: que dejemos de hablar tanto de AI porque simplemente estará ahí, metida en nuestros procesos, nuestros productos, nuestros trabajos y nuestra vida cotidiana. Y sí, probablemente también caminando entre nosotros en forma de robots.
Y quizás esa sea la pregunta que realmente me traje de Las Vegas: ya no qué tan lejos puede llegar la Inteligencia Artificial, sino qué tan lejos seremos capaces de llegar nosotros con ella.
