Este marco puede ayudarle a comprender dónde la IA aporta valor.
por Bruce Schneier y Nathan Sanders
Si te preocupa que la IA te quite el trabajo, te prive de tu sustento o incluso te sustituya en la sociedad, probablemente te sientas bien al ver que las herramientas de IA más recientes fracasan estrepitosamente. Si la IA recomienda usar pegamento como ingrediente para la pizza , estarás a salvo.
Pero el hecho es que la IA ya tiene ventajas definidas incluso sobre los humanos más capacitados, y saber dónde surgen estas ventajas (y dónde no) será clave para adaptarse a la fuerza laboral infundida con IA.
La IA a menudo no será tan eficaz como un humano al realizar el mismo trabajo. No siempre sabrá más ni será más precisa. Y, sin duda, no siempre será más justa ni más fiable. Pero aún puede utilizarse siempre que tenga ventaja sobre los humanos en una de cuatro dimensiones: velocidad, escala, alcance y sofisticación. Comprender estas dimensiones es clave para comprender la sustitución de la IA por humanos.
Velocidad
Primero, la velocidad. Hay tareas en las que los humanos son perfectamente competentes, pero no son tan rápidos como la IA. Un ejemplo es restaurar o escalar imágenes: tomar imágenes pixeladas, ruidosas o borrosas y crear una versión más nítida y de mayor resolución. Los humanos son buenos en esto; con las herramientas digitales adecuadas y el tiempo suficiente, pueden completar los detalles finos. Pero son demasiado lentos para procesar eficientemente imágenes o videos grandes.
Los modelos de IA pueden realizar el trabajo con una velocidad increíble, una capacidad con importantes aplicaciones industriales. El software basado en IA se utiliza para mejorar los datos satelitales y de teledetección, comprimir archivos de vídeo , optimizar el rendimiento de los videojuegos con hardware más económico y menor consumo de energía, ayudar a los robots a realizar los movimientos correctos y modelar la turbulencia para construir mejores motores de combustión interna.
En estos casos, el rendimiento en tiempo real es importante y la velocidad de la IA es necesaria para posibilitarlo.
Escala
La segunda dimensión de la ventaja de la IA sobre los humanos es la escala. La IA se utilizará cada vez más en tareas que los humanos pueden realizar bien en un solo lugar, pero que la IA puede realizar en millones de lugares simultáneamente. Un ejemplo conocido es la segmentación y personalización de anuncios. Los profesionales del marketing pueden recopilar datos y predecir qué tipo de personas responderán a ciertos anuncios. Esta capacidad es importante comercialmente; la publicidad es un mercado de billones de dólares a nivel mundial .
Los modelos de IA pueden hacer esto para cada producto, programa de televisión, sitio web y usuario de internet. Así funciona la industria moderna de la tecnología publicitaria. Los mercados de pujas en tiempo real fijan el precio de los anuncios que aparecen junto a los sitios web que visitas, y los anunciantes usan modelos de IA para decidir cuándo pagar ese precio, miles de veces por segundo .
Alcance
A continuación, el alcance. La IA puede ser ventajosa cuando hace más cosas que cualquier persona, incluso cuando un humano podría ser mejor en cualquiera de esas tareas. Los sistemas de IA generativa como ChatGPT pueden entablar conversaciones sobre cualquier tema, escribir un ensayo defendiendo cualquier postura, crear poesía en cualquier estilo e idioma, escribir código informático en cualquier lenguaje de programación, y mucho más. Puede que estos modelos no sean superiores a los humanos expertos en ninguna de estas áreas, pero ningún humano podría superar por sí solo a los modelos generativos de primer nivel en todas ellas.
Es la combinación de estas competencias la que genera valor. A menudo, los empleadores tienen dificultades para encontrar personas con talento en disciplinas como el desarrollo de software y la ciencia de datos que también cuenten con sólidos conocimientos previos en el dominio del empleador. Es probable que las organizaciones sigan dependiendo de especialistas humanos para escribir el mejor código y el mejor texto persuasivo, pero cada vez se conformarán más con la IA cuando solo necesiten una versión aceptable de cualquiera de ellas.
Sofisticación
Finalmente, la sofisticación. Las IA pueden considerar más factores en sus decisiones que los humanos, lo que les otorga un rendimiento sobrehumano en tareas especializadas. Las computadoras se han utilizado durante mucho tiempo para rastrear una multiplicidad de factores que se combinan e interactúan de maneras más complejas de las que un humano podría deducir. Los sistemas informáticos de ajedrez de la década de 1990, como Deep Blue, tuvieron éxito al anticipar una docena o más de movimientos .
Los sistemas modernos de IA utilizan un enfoque radicalmente diferente: los sistemas de aprendizaje profundo, construidos a partir de redes neuronales multicapa, tienen en cuenta interacciones complejas —a menudo de miles de millones— entre numerosos factores. Las redes neuronales impulsan ahora los mejores modelos de ajedrez y la mayoría de los demás sistemas de IA.
El ajedrez no es el único campo donde la renuncia a las reglas convencionales y la lógica formal en favor de sistemas altamente sofisticados e inescrutables ha generado progreso. El asombroso avance de AlphaFold 2 , el modelo de IA de biología estructural cuyos creadores, Demis Hassabis y John Jumper, fueron galardonados con el Premio Nobel de Química en 2024 , es otro ejemplo.
Este avance sustituyó los sistemas tradicionales basados en la física para predecir cómo las secuencias de aminoácidos se plegarían en formas tridimensionales con un modelo de 93 millones de parámetros, aunque no considera las leyes físicas . Esta falta de fundamento práctico es indeseable: a nadie le gusta la naturaleza enigmática de estos sistemas de IA, y los científicos están deseosos de comprender mejor su funcionamiento.
Pero la sofisticación de la IA está aportando valor a los científicos y su uso en todos los campos científicos ha crecido exponencialmente en los últimos años.
El contexto importa
Estas son las cuatro dimensiones en las que la IA puede superar a los humanos. La precisión sigue siendo importante. No se querría usar una IA que genere gráficos con fallos o que dirija los anuncios aleatoriamente; sin embargo, la precisión no es el factor diferenciador. La IA no necesita una precisión sobrehumana. Basta con que sea simplemente buena y rápida, o adecuada y escalable. Aumentar el alcance suele conllevar una penalización en la precisión, ya que la IA puede generalizar mal a tareas realmente novedosas. Las 4 S a veces no concuerdan. Con una determinada potencia de cálculo, generalmente hay que sacrificar escala por sofisticación.
Aún más interesante, cuando una IA asume una tarea humana, esta puede cambiar. A veces, la IA simplemente hace las cosas de forma diferente. Otras veces, empieza a hacer cosas diferentes. Estos cambios traen consigo nuevas oportunidades y nuevos riesgos.
Por ejemplo, el trading de alta frecuencia no consiste simplemente en que las computadoras negocien acciones con mayor rapidez; es un tipo de trading fundamentalmente diferente que permite estrategias, tácticas y riesgos asociados completamente nuevos. Asimismo, la IA ha desarrollado estrategias más sofisticadas para los juegos de ajedrez y Go. Y la escala de los chatbots de IA ha transformado la naturaleza de la propaganda al permitir que las voces artificiales eclipsen el habla humana .
Es en este “cambio de fase”, cuando los cambios de grado pueden transformarse en cambios de tipo, donde es probable que el impacto de la IA en la sociedad se sienta con mayor intensidad. Todo esto indica dónde la IA puede tener un impacto positivo. Cuando un sistema presenta un obstáculo relacionado con la velocidad, la escala, el alcance o la sofisticación, o cuando uno de estos factores supone una barrera real para alcanzar un objetivo, es lógico pensar en cómo podría ayudar la IA.
De igual manera, cuando la velocidad, la escala, el alcance y la sofisticación no son las principales barreras, tiene menos sentido usar IA. Por eso, las funciones de autosugerencia de IA para comunicaciones breves, como los mensajes de texto, pueden resultar tan molestas. Ofrecen poca ventaja en velocidad y ningún beneficio en cuanto a sofisticación, a la vez que sacrifican la sinceridad de la comunicación humana.
Muchas implementaciones de chatbots de atención al cliente tampoco superan esta prueba, lo que podría explicar su impopularidad . Las empresas invierten en ellos por su escalabilidad; sin embargo, a menudo se convierten en un obstáculo para el soporte, en lugar de una solución rápida y sofisticada.
Dónde está la ventaja
Tenga esto en cuenta al encontrar una nueva aplicación de IA o al considerar la IA como sustituto o complemento de un proceso humano. Identificar los obstáculos en velocidad, escala, alcance y sofisticación proporciona un marco para comprender dónde la IA aporta valor y, al mismo tiempo, dónde las capacidades únicas de la especie humana nos brindan una ventaja duradera.
Los autores
Bruce Schneier es un tecnólogo en seguridad de renombre internacional, considerado un “gurú de la seguridad” por The Economist. Es autor de 14 libros, incluyendo el bestseller del New York Times “Data and Goliath: The Hidden Battles to Collect Your Data and Control Your World”, así como de cientos de artículos, ensayos y trabajos académicos. Su influyente boletín informativo “Crypto-Gram” y su blog “Schneier on Security” son leídos por más de 250.000 personas. Schneier es miembro del Centro Berkman para Internet y Sociedad de la Universidad de Harvard, del Centro Belfer de la Escuela de Gobierno Kennedy de Harvard y miembro de la junta directiva de la Electronic Frontier Foundation. También es asesor especial de IBM Security y director de tecnología de Resilient. Schneier está escribiendo un libro sobre IA y democracia con Nathan Sanders, que será publicado por MIT Press en otoño de 2025.
Nathan Sanders es un científico de datos enfocado en la creación de tecnología abierta para ayudar a las comunidades vulnerables y a todas las partes interesadas a participar en el análisis y desarrollo de políticas públicas. Como becario del Berkman Klein Center en 2020 y 2021, Nathan ayudó a crear el programa Harvard Climate Justice Design Fellowship y la Plataforma de Massachusetts para la Participación Legislativa (MAPLE). Nathan ha colaborado en la creación y dirección de equipos de ciencia de datos en la industria, en Legendary Pictures, WarnerMedia y Flagship Pioneering, desarrollando y aplicando métodos de inferencia bayesiana, procesamiento del lenguaje natural, visión artificial y aprendizaje profundo. En el ámbito de las políticas públicas, ha creado aplicaciones de código abierto para la supervisión participativa de la regulación ambiental en colaboración con la Asociación de la Cuenca del Río Místico en Massachusetts; ha desarrollado métodos estadísticos para el análisis de salud pública, modelando las tendencias a largo plazo en la tasa de tiroteos públicos masivos; y ha sido becario de política científica en el Senado y la Cámara de Representantes de Massachusetts. Nathan es cofundador de Astrobites, la revista de literatura astrofísica, ScienceBites, la asociación multilingüe de estudiantes de posgrado en colaboración científica, y ComSciCon, la serie internacional de talleres de comunicación científica. Forma parte de la Junta Directiva del Instituto Americano de Física y es editor asociado de Harvard Data Science Review. Nathan realizó sus estudios de grado en física y astrofísica en la Universidad Estatal de Michigan y obtuvo su doctorado en astronomía y astrofísica en la Universidad de Harvard. Está escribiendo un libro sobre IA y democracia con Bruce Schneier, que MIT Press publicará en otoño de 2025.