Después apareció Internet y cambió nuestra relación con la información. De pronto, millones de documentos, investigaciones, publicaciones y opiniones estuvieron al alcance de cualquiera que tuviera una computadora conectada a la red. Por allá en los 60, el proyecto ARPANET permitió que investigadores de ambas costas de USA puedan trabajar sobre las mismas investigaciones, casi en tiempo real.
Aún recuerdo, que en el año 1995 tuve por primera vez acceso a internet. En media hora de navegación había logrado encontrar una letra de una canción que me gustaba. A propósito, una letra que conocía, pero de pronto estaba disponible en internet. Los buscadores nos permitieron encontrar en segundos información que antes podía demandarnos días de investigación. Y ni habla de la aparición de Google! No solo encontraba lo que estaba buscando, si no que sabía antes que yo lo que yo estaba necesitando.
Pero aún así, todavía había que buscar. Elegir las palabras adecuadas, recorrer resultados, comparar fuentes, leer y tratar de comprender lo que encontrábamos.
Ahora llegó la inteligencia artificial y produjo un cambio todavía más profundo. Ya ni siquiera necesitamos buscar información entre cientos de páginas. Podemos formular una pregunta en lenguaje cotidiano y recibir, en cuestión de segundos, una respuesta organizada, explicada y redactada con una claridad que muchas veces resulta sorprendente. Es un avance tecnológico extraordinario. Sin embargo, también nos enfrenta a una paradoja: cuanto más fácil resulta obtener respuestas, más importante se vuelve saber qué preguntar.
Imaginemos al propietario de una pequeña empresa que consulta a una inteligencia artificial cómo reducir un 30% sus gastos de personal. Probablemente reciba una respuesta muy bien elaborada, con propuestas para reorganizar horarios, automatizar tareas, reducir horas extras o mejorar la productividad. Incluso podría obtener un plan de implementación acompañado de cálculos y proyecciones económicas.
Pero ¿Qué sucede si el verdadero problema de esa empresa no está en sus gastos de personal? ¿Qué ocurre si sus dificultades económicas responden a una política de precios equivocada, una mala administración financiera o procesos comerciales deficientes? La inteligencia artificial respondió lo que le preguntaron. Tal vez lo hizo correctamente. Pero nadie se detuvo a analizar si esa era la pregunta que realmente debía hacerse.
Y aquí creo que es en donde radica el principal problema: una respuesta puede ser perfectamente correcta respecto de la pregunta formulada y, sin embargo, resultar completamente inútil para resolver el problema real.
Los que trabajamos en análisis de sistemas conocemos bastante bien esta situación. Cuando un cliente solicita desarrollar una herramienta informática, generalmente llega con una solución en mente. Necesita controlar mejor a sus empleados, administrar determinados registros, automatizar una tarea o generar algún informe.
Podríamos tomar esos requerimientos y comenzar a programar. De hecho, con las herramientas de inteligencia artificial disponibles actualmente, muchas de esas soluciones podrían desarrollarse en tiempos que hace apenas unos años hubieran parecido imposibles. Antes al menos nos sentábamos en Word y escribíamos un análisis de requerimiento. Hoy podemos darle a la IA lo que mandó el cliente y va a crear una regla de negocio.
Pero el trabajo de un analista de sistemas no comienza escribiendo código. Es más, es un pecado mortal del desarrollo de sistemas comenzar a programar sin sentarse a diseñar. Nuestro rol como profesionales comienza haciendo preguntas.
¿Por qué necesita ese control? ¿Qué está ocurriendo actualmente? ¿Cómo se realiza ese procedimiento? ¿Qué información falta? ¿Quién toma las decisiones? ¿Qué problema espera resolver con la herramienta solicitada?
No sería extraño descubrir, después de varias conversaciones, que el verdadero problema no tiene nada que ver con la solución originalmente propuesta.
Tal vez los empleados no necesitan más controles, sino procedimientos mejor definidos. Quizás no faltan informes, sino criterios para interpretar los datos disponibles. O puede que la empresa necesite modificar su organización antes de incorporar un nuevo sistema informático.
El trabajo más importante del analista no siempre consiste en encontrar una solución, sino en descubrir cuál es realmente el problema.
Esta situación no es exclusiva de la informática. Se presenta en la medicina, la educación, la administración, la ingeniería y prácticamente cualquier actividad humana.
Un paciente puede consultar a una inteligencia artificial cómo aliviar determinado síntoma y obtener recomendaciones generales razonables. Pero un profesional de la salud sabe que, antes de indicar un tratamiento, es necesario investigar qué está provocando ese síntoma. La pregunta importante quizás no sea cómo aliviarlo, sino por qué está ocurriendo.
Incluso escribiendo ese párrafo, nuevamente cometo un error: ¿Supo el paciente qué preguntarle a la IA? Porque la IA responderá, a tal punto que si no nos gusta la respuesta y le preguntamos si está segura, terminará diciendo algo así "Tienes razón, perdón por mi error" y cambiará la respuesta automáticamente, hasta el polo opuesto inclusive, hasta que nosotros estemos contentos con lo que dice. O sea, ¿nos contestó o nos dio la razón?
La diferencia está en los conocimientos que permiten identificar aquello que todavía no sabemos. Y esto nos lleva a otro problema: la facilidad con la que podemos confundir una explicación convincente con una explicación verdadera. La IA puede redactar respuestas extraordinariamente claras, ordenadas y aparentemente fundamentadas. Pero también pueden equivocarse, omitir información importante o construir explicaciones sobre premisas incorrectas. Lo inquietante es que una respuesta equivocada puede estar escrita con la misma seguridad y elegancia que una correcta.
Imaginemos que dos personas reciben exactamente la misma respuesta sobre un problema técnico. Una de ellas tiene años de experiencia en el tema; la otra lo desconoce por completo. La primera probablemente pueda detectar inconsistencias, cuestionar determinados argumentos, identificar información faltante y solicitar aclaraciones. La segunda, en cambio, puede quedar impresionada por la claridad de la explicación y aceptar sus conclusiones sin mayores cuestionamientos. No necesariamente porque una persona sea más inteligente que la otra, sino porque dispone de conocimientos previos que le permiten evaluar lo que está leyendo.
La misma herramienta puede ampliar extraordinariamente las capacidades de alguien que conoce una disciplina y, al mismo tiempo, reforzar las equivocaciones de quien no tiene elementos para cuestionar sus respuestas. Esta reflexión también nos obliga a revisar algunas ideas sobre la educación.
Si una inteligencia artificial puede resolver ecuaciones, escribir programas, explicar acontecimientos históricos y desarrollar textos sobre prácticamente cualquier disciplina, ¿para qué necesitamos seguir estudiando esas cosas? La pregunta parece razonable, pero encierra una confusión peligrosa.
Necesitamos aprender matemáticas para comprender los problemas que resolvemos con ellas. Necesitamos estudiar programación para evaluar el funcionamiento, la seguridad y las consecuencias del software que construimos. Necesitamos conocer historia para interpretar el presente y reconocer cuándo una explicación distorsiona los hechos.
El conocimiento no pierde valor porque una máquina pueda producir respuestas. Por el contrario, se vuelve indispensable para determinar qué respuestas merecen nuestra confianza.
Tal vez uno de los mayores desafíos de la educación actual sea dejar de concentrarse exclusivamente en la capacidad de recordar información y dedicar cada vez más esfuerzo a enseñar a razonar, relacionar conocimientos, cuestionar afirmaciones y formular preguntas. Pero hay una cuestión todavía más inquietante. Durante años nos preocupamos por las dificultades para acceder a la información. Hoy empezamos a enfrentarnos con un problema diferente: podemos disponer de enormes cantidades de información sin necesariamente comprenderla.
Y existe una distancia enorme entre tener acceso al conocimiento y poseerlo.
Leer una explicación sobre medicina no nos convierte en médicos. Obtener un programa informático generado por inteligencia artificial no nos convierte en programadores. Recibir un análisis económico no significa que estemos preparados para tomar decisiones financieras complejas.
Sin embargo, la facilidad con la que obtenemos esas respuestas puede producir una peligrosa ilusión de conocimiento.
Creemos comprender porque recibimos una explicación. Creemos saber porque podemos responder. Y, en ocasiones, confundimos la seguridad con la que algo está expresado con la certeza de que es verdadero.
Quizás el problema no sea que las máquinas estén aprendiendo a pensar, sino que nosotros estemos perdiendo el hábito de hacerlo.
Por supuesto, esto no significa que debamos desconfiar de toda respuesta generada por inteligencia artificial ni renunciar a las extraordinarias posibilidades que ofrece esta tecnología.
De hecho, existe una manera de utilizarla que me parece particularmente interesante.
En lugar de pedirle simplemente una solución, podemos solicitarle que nos ayude a comprender el problema. Podemos presentarle nuestras conclusiones y preguntarle qué estamos pasando por alto. Podemos pedirle que cuestione nuestras hipótesis, que identifique contradicciones o que nos proponga preguntas que todavía no se nos ocurrieron.
Podemos utilizar la inteligencia artificial no solamente para obtener respuestas, sino también para aprender a preguntar. Y allí aparece una oportunidad extraordinaria: una herramienta que nos responde todo puede terminar debilitando nuestra curiosidad si nos acostumbramos a aceptar sus respuestas sin reflexionar. Pero esa misma herramienta puede convertirse en un formidable instrumento de aprendizaje si la utilizamos para cuestionar nuestras certezas y explorar aquello que desconocemos.
La diferencia no está únicamente en la tecnología. Está en nuestra actitud frente al conocimiento.
Durante siglos, la humanidad construyó bibliotecas, universidades, laboratorios y sistemas de comunicación para intentar responder las preguntas que se hacía.
Hoy tenemos a nuestro alcance herramientas capaces de producir respuestas sobre prácticamente cualquier tema, en cuestión de segundos.
Es uno de los logros tecnológicos más extraordinarios de nuestra historia.
Pero quizás estemos descubriendo que el verdadero valor del conocimiento nunca estuvo solamente en encontrar respuestas. También estuvo en aprender a dudar, en reconocer lo que ignoramos, en cuestionar nuestras propias certezas y, fundamentalmente, en saber qué preguntar.
Porque tener todas las respuestas no sirve de mucho si dejamos de hacernos las preguntas importantes.