La IA resuelve el problema equivocado

Por Momar Lissa Ndiaye («MLN»), fundador y CEO, weyoga Inc.

La IA resolvió la información. Todavía no ha resuelto el reconocimiento.

Esa frase podría describir uno de los errores de categoría más costosos de la historia de la tecnología — no porque la industria esté fracasando en lo que se propuso, sino porque lo que se propuso es solo la mitad del problema humano.

Precisemos primero los términos, porque el resto de esta serie depende de ellos. Por reconocimiento no me refiero a recordar datos sobre una persona. Me refiero a algo más estricto: la capacidad de identificar patrones de conducta recurrentes a lo largo del tiempo y devolvérselos a la persona antes de que produzcan un nuevo resultado. La memoria almacena eventos. El reconocimiento detecta la recurrencia. Son capacidades fundamentalmente distintas — y por eso, como veremos, ninguna ventana de contexto, por larga que sea, resuelve esto por sí sola.

Consideremos ahora lo que los últimos cuatro años realmente han entregado, y démosle todo el crédito. Cualquier persona con un teléfono puede hoy obtener respuestas de nivel experto sobre prácticamente cualquier tema: medicina, derecho, código, historia, negociación, nutrición. El coste marginal de una buena respuesta se ha desplomado hacia cero. Es un logro civilizatorio genuino, ejecutado con brillantez. Los laboratorios no están resolviendo mal el problema equivocado. Están resolviendo extraordinariamente bien el problema correcto — que es la mitad del problema.

Porque esto es lo que esos mismos cuatro años también han demostrado, a escala planetaria: personas con acceso ilimitado a las mejores respuestas del mundo están tomando aproximadamente las mismas decisiones que antes. Las mismas relaciones terminan de la misma manera. Los mismos compromisos se abandonan el mismo mes. Los mismos patrones financieros se repiten con cifras nuevas. La generación más informada de la historia no es una generación notablemente más sabia.

La explicación implícita de la industria es que las respuestas aún no son lo bastante buenas — que la brecha se cerrará con más parámetros, más razonamiento, más capacidad. De ahí la carrera: modelos más grandes, contextos más largos, mejores benchmarks. Pero esa explicación asume en silencio que el factor limitante de la decisión humana es la calidad de la inteligencia disponible. Un siglo de investigación conductual demuestra que esa suposición es falsa. Las personas no repiten malas decisiones por falta de conocimiento. Las repiten porque no reconocen los patrones que las producen. El fumador conoce las estadísticas. El fundador que se quema cada dieciocho meses ha leído los ensayos sobre el burnout. Quien entra en su tercera relación idéntica puede describir, con precisión clínica, qué salió mal en las dos primeras — en los demás. El conocimiento no es el cuello de botella. El reconocimiento lo es.

El reconocimiento tiene requisitos distintos a los de la información. La información es general; el reconocimiento es particular. La información puede entregarse en un solo intercambio; el reconocimiento exige continuidad — un hilo arquitectónico ininterrumpido a través de las interacciones de una persona a lo largo del tiempo, sin el cual la recurrencia sencillamente permanece invisible. Los humanos obtienen reconocimiento, cuando lo obtienen, de matrimonios largos, viejos amigos, buenos terapeutas, y en ocasiones de un mentor de décadas. Es el recurso más escaso de una vida, y nunca ha podido fabricarse.

Contrastemos eso con lo que hemos construido. Hemos creado las máquinas de responder más capaces de la historia y las hemos hecho estructuralmente amnésicas. Cada conversación empieza de cero. El modelo capaz de aprobar el examen de abogacía no puede notar que usted está teniendo la misma discusión que en marzo, porque para el modelo, marzo nunca existió. Optimizamos la inteligencia y tratamos la continuidad — el sustrato del que nace el reconocimiento — como una petición de funcionalidad.

La versión incómoda de esta crítica apunta a cómo se mide el propio campo. La cultura del benchmark premia exactamente un tipo de capacidad. Llevamos años preguntando: ¿puede el modelo responder esta pregunta? Casi nadie pregunta: ¿reconocerá este sistema el mismo patrón en esta persona dentro de seis meses? No existe clasificación para eso. No existe evaluación para eso. Y lo que una industria no puede medir, no lo construye. La limitación más profunda de la IA actual no está en los modelos. Está en la pregunta para la que se diseñó todo el aparato de evaluación.

He aquí el mejor argumento a favor de la dirección actual, porque lo merece. Hay dominios enteros — la ciencia, la ingeniería, la medicina — donde un modelo más inteligente es sencillamente un modelo mejor, y donde los rendimientos de la inteligencia pura siguen siendo enormes. Si usted busca curar enfermedades o demostrar teoremas, debe querer la frontera. Nada en este ensayo lo discute. Pero esos son problemas institucionales. El problema personal sin resolver — aquel dentro del cual vive realmente cada individuo — no es que su IA carezca de genio. Es que su IA no lo conoce. Un sistema meramente competente que haya sido testigo genuino de sus últimos dos años cambiará más decisiones suyas que un sistema genial que lo conoce por primera vez. Compruébelo en su propia vida: el mejor consejo que ha recibido jamás casi con certeza no fue el consejo más inteligente disponible. Fue el consejo de alguien que lo conocía.

Lo cual nos lleva adonde todo esto se dirigía desde el principio: al capital. Hoy, casi toda la inversión en IA fluye hacia la inteligencia — hacia la capa cuyo precio cae un orden de magnitud cada uno o dos años, a medida que la capacidad se difunde y se convierte en commodity. Si el argumento anterior es correcto, el activo escaso de la IA nunca fue la inteligencia. Es el reconocimiento acumulado: continuidad con humanos concretos, que se capitaliza con el tiempo y es imposible de replicar a ningún precio, en ningún calendario acelerado. Una de estas capas se deprecia. La otra se capitaliza. El mercado hoy solo está valorando una de las dos.

Alguien acabará notando que el activo escaso nunca fue la respuesta. Cuando eso ocurra, la pregunta que define la próxima era de la IA cambiará discretamente — de «¿cuán inteligente es su modelo?» a «¿cuán bien conoce su sistema a la persona a la que sirve?»

Son problemas distintos. Solo hemos estado resolviendo uno de ellos.

Parte de The Recognition Layer →

Momar Lissa Ndiaye («MLN») es fundador y CEO de weyoga Inc., sociedad de Delaware. — weyoga.ai · mln@weyoga.ai