La IA ya construyó las herramientas. Lo difícil es hacer que rindan en el trabajo.

La pregunta después de la demostración

La pregunta más importante en inteligencia artificial puede que ya no sea si los sistemas son impresionantes. Es si pueden producir valor económico confiable una vez que salen de la demostración, del benchmark de programación y de la presentación para inversores. Ese es el argumento que recorre un nuevo análisis de MIT Technology Review, que enmarca el momento actual de la IA como una fantasía familiar de tres pasos: construir la tecnología, asumir que el beneficio seguirá y dejar sin explicar el tramo difícil del medio.

El texto de origen se apoya en un chiste conocido de South Park: “Fase 1: recolectar calzoncillos. Fase 2: ? Fase 3: beneficio.” En esta reinterpretación, la IA ya completó la primera fase al producir sistemas potentes, y la industria promete en voz alta la tercera en forma de transformación y ventajas económicas. La parte no resuelta es la fase 2: el trabajo desordenado de convertir la capacidad en valor rutinario en el lugar de trabajo.

Ese enfoque encaja porque captura la contradicción en el centro del auge actual de la IA. Los modelos pueden escribir, resumir, clasificar, generar código y manejar un conjunto cada vez mayor de tareas basadas en lenguaje. Sin embargo, una capacidad impresionante en un benchmark o en un piloto no se convierte automáticamente en productividad, expansión de márgenes o retorno sostenible de la inversión dentro de una organización real.

El artículo sugiere que incluso los mejores sistemas de IA, fuera de la programación, todavía tienen dificultades para ser económicamente viables en el trabajo. Esa distinción importa. La programación ha surgido como uno de los primeros y más sólidos apoyos comerciales de la IA generativa porque los resultados son digitales, los flujos de trabajo son iterativos y los usuarios suelen estar muy capacitados para evaluar los resultados. Muchos otros ámbitos son menos indulgentes. Los errores tienen costos más altos, la supervisión es más lenta, las tareas están menos estructuradas y la integración con procesos existentes es más difícil.

El análisis señala dos estudios recientes como ejemplos de la brecha. Uno, de Anthropic, predijo qué tipos de empleos podrían verse más afectados por los modelos de lenguaje grandes, destacando funciones como gerentes, arquitectos y personas en medios, al tiempo que sugería un impacto menor para jardineros, trabajadores de la construcción y trabajadores de hospitalidad. Pero el artículo subraya que predicciones como esas siguen siendo, en esencia, conjeturas sobre la adecuación a la tarea, no pruebas de desempeño real en el lugar de trabajo.

Es una distinción crítica. Un modelo puede parecer capaz de ayudar en una tarea en teoría y aun así no superar los obstáculos prácticos que determinan si un empleador lo desplegará ampliamente. Esos obstáculos incluyen la fiabilidad, el cumplimiento normativo, el costo de supervisión, la confianza del usuario, el rediseño del flujo de trabajo y la simple pregunta de si usar el sistema es más rápido o más barato que seguir con los métodos actuales.

El mismo problema ensombrece muchas de las grandes promesas de la IA. Ejecutivos e investigadores pueden describir la tecnología como económicamente transformadora, y tal vez tengan razón. Pero una transformación solo cuenta cuando las organizaciones pueden capturar ese valor de forma repetida en producción. Eso significa que la verdadera competencia quizá no sea por quién tiene el modelo más avanzado. Puede ser por quién puede definir, operacionalizar y escalar la capa intermedia que falta entre la salida del modelo y el resultado de negocio.

Esa capa puede incluir rediseño de procesos, regulación, mecanismos de supervisión, interfaces de software, modelos de precios, formación y una comprensión más clara de dónde la IA amplía de forma significativa el trabajo humano en lugar de complicarlo. El texto de MIT Technology Review señala que distintos bandos ya proyectan respuestas diferentes en ese espacio intermedio. Los activistas asociados con Pause AI ven la regulación como algo esencial. Los promotores suelen pasar por alto la incertidumbre porque están más centrados en el destino que en la ruta.

En realidad, la ruta es la historia. Cada gran ola tecnológica en el lugar de trabajo ha dependido de sistemas complementarios alrededor de la herramienta en sí. La hoja de cálculo importó, pero también los procesos de negocio que la incorporaron. Internet importó, pero también los pagos, la logística, los estándares y los hábitos de los usuarios. La IA probablemente seguirá el mismo patrón. El modelo es solo una parte de la cadena de valor.

Por eso el mercado actual está lleno de tensión. Las empresas ya han gastado mucho en modelos, computación, integraciones y pilotos. Están bajo presión para demostrar que ese gasto produce más que novedad. Si el caso económico sigue siendo fuerte solo en un rango estrecho de aplicaciones, entonces el camino desde el entusiasmo hasta una rentabilidad amplia será más lento y más selectivo de lo que sugieren muchas previsiones.

El paso que falta, entonces, no es un detalle menor de implementación. Es el problema central de negocio de la era de la IA. Hasta que las empresas puedan explicar, con evidencia, cómo pasan de la posibilidad técnica a ganancias repetibles en el trabajo, el sector seguirá oscilando entre avances genuinos y expectativas infladas. La IA ha llegado al punto en que su desafío más difícil ya no es construir más capacidad. Es hacer que la capacidad cuente.

Este artículo se basa en reportajes de MIT Technology Review. Leer el artículo original.