La fatiga de intentar estar al día con la IA
Hay semanas en las que tengo la sensación de que no llego.
Leo noticias, sigo a personas que hablan de inteligencia artificial, veo vídeos, pruebo herramientas, comparo resultados y procuro entender hacia dónde se mueve todo esto. Forma parte de mi interés por la tecnología y también de mi trabajo. Aunque soy una persona a la que le gusta muchísimo aprender cosas nuevas y me embarco siempre en nuevos temas que me llaman la atención o despiertan la curiosidad, no lo hago únicamente por este motivo. Intento comprender qué está cambiando para poder utilizarlo, explicarlo y formarme una opinión que vaya algo más allá del entusiasmo que acompaña a cada nuevo lanzamiento.
Y, aun así, algunas semanas termino cansado.
Entonces me ocurre algo que hace un tiempo me habría resultado extraño. Paso dos o tres días sin querer saber nada de novedades sobre inteligencia artificial. Es cierto que sigo utilizando ChatGPT, Claude, Cursor a diario y otras herramientas en mi trabajo cotidiano, pero dejo de investigar. No veo ese vídeo sobre la nueva funcionalidad que supuestamente cambia por completo nuestra manera de trabajar, no leo la comparativa del último modelo y mucho menos pruebo alguna herramienta que alguien asegura deberíamos estar utilizando ya.
Simplemente necesito dejar de perseguir novedades durante unos días, ¡por salud mental!
¿Y sabéis qué?, últimamente me pregunto si esto que empiezo a experimentar no es una consecuencia bastante lógica del momento que estamos viviendo y por ello quiero compartirlo con vosotros.
Cuando la novedad llega antes de haber asimilado la anterior
El 6 de septiembre, CNBC publicaba una información sobre un fenómeno que empieza a aparecer entre las empresas y al que ponía un nombre bastante expresivo, «model fatigue», algo que podríamos traducir como fatiga de modelos.
En apenas unos días se habían sucedido actualizaciones y lanzamientos de Anthropic, Meta, Google y OpenAI. Para quienes observamos la inteligencia artificial desde fuera puede parecer una demostración extraordinaria de la velocidad a la que está avanzando esta tecnología, pero para quienes tienen que decidir qué utilizar dentro de una organización, la situación tiene otra lectura.
Y es que pienso que cada modelo nuevo obliga a hacerse preguntas como estas:
¿Es realmente mejor para las tareas que necesitamos resolver? ¿Cuánto cuesta? ¿Qué ocurre con los procesos que ya hemos construido? ¿Es suficientemente seguro? ¿Tenemos que volver a evaluar lo que habíamos decidido hace unas semanas? ¿Compensa cambiar?
Y claro, la dificultad ya no consiste solamente en encontrar una tecnología capaz de resolver un problema, también hay que decidir cuánto tiempo y cuántos recursos merece la pena dedicar a comprobar si lo que acaba de aparecer mejora suficientemente lo que ya tenemos.
La propia noticia recoge algo que resulta revelador y es que algunas empresas están empezando a limitar el número de modelos que evalúan porque comprobarlos todos se está volviendo demasiado complicado. No significa que hayan dejado de interesarse por la innovación, significa que incluso organizaciones especializadas necesitan establecer algún límite ante la velocidad de los lanzamientos.
Y no sé vosotros, pero creo que ahí hay algo que merece nuestra atención.
Durante los últimos años hemos hablado mucho de las barreras para adoptar inteligencia artificial, que si falta de conocimiento, resistencia al cambio, dudas sobre privacidad, costes, ausencia de una estrategia clara o dificultad para encontrar casos de uso que aporten valor…
Me da que quizá tengamos que añadir otra. El cansancio.
La sensación permanente de estar llegando tarde
Hay una parte de la conversación sobre inteligencia artificial que se ha ido convirtiendo, casi sin darnos cuenta, en una carrera. Una carrera que no termina nunca y en la que cada vez vamos más deprisa, sin periodos de descanso.
Primero había que aprender a utilizar ChatGPT. Después descubrimos que no bastaba con hacer preguntas y empezamos a hablar de prompts. Luego llegaron herramientas especializadas, modelos capaces de razonar mejor, generación de imágenes y vídeo, investigación avanzada, programación asistida y automatizaciones cada vez más complejas.
Ahora una parte importante de la conversación gira alrededor de los agentes, y con cada salto aparece un mensaje que, aunque no siempre se formule exactamente así, termina llegando de una manera bastante parecida.
Si solo utilizas el chat, te estás quedando atrás. Si todavía no trabajas con agentes, estás desaprovechando la inteligencia artificial. Si sigues utilizando el mismo modelo de hace unos meses, deberías probar el nuevo. Si no automatizas determinados procesos, estás perdiendo productividad.
Demasiados condicionales que lo único que generan es miedo e incomprensión que dificultan la capacidad de adopción y la imposibilidad de sacarle partido a una herramienta a una velocidad razonablemente "normal".
Reconozco que yo mismo noto esa presión. El salto hacia los agentes me está costando más que otras transiciones anteriores. Entiendo lo que pueden aportar y veo posibilidades muy interesantes, pero una cosa es comprender el concepto y otra bastante distinta incorporarlo con naturalidad a tu manera de trabajar.
Necesito probar, equivocarme, volver a probar y descubrir qué tiene sentido para mí. Necesito tiempo para convertir una posibilidad tecnológica en una práctica útil.
El problema es que mientras haces ese aprendizaje la tecnología no espera, ya que aparece otro agente, otra plataforma, otro protocolo, una integración nueva o alguien explicando que la forma en la que estabas trabajando hace tres meses ya ha quedado superada.
Y entonces aparece el FOMO. El miedo a estar perdiéndote algo importante.
Cuando divulgar también genera ansiedad
Quienes hablamos sobre inteligencia artificial deberíamos prestar atención a esto.
Existe una lógica comprensible detrás de muchos titulares, vídeos y publicaciones. La novedad atrae, explicar la última herramienta genera interés y mostrar una nueva capacidad sorprende mucho más que recordar que una herramienta que lleva un año disponible sigue resolviendo perfectamente determinados problemas.
Las propias empresas tecnológicas también necesitan mantener nuestra atención, compiten entre ellas y cada lanzamiento tiene que transmitir progreso. El nuevo modelo es más capaz, más rápido o más eficiente, la nueva función cambia nuestra manera de trabajar, el nuevo agente promete encargarse de tareas que hasta ahora necesitaban nuestra intervención…
¡Puffff, el resultado acumulado puede ser agotador!
No porque los avances sean falsos o irrelevantes, ya que muchos son impresionantes y algunos terminarán modificando profundamente nuestra manera de trabajar. El problema aparece cuando confundimos conocer la existencia de todas esas posibilidades con la obligación de incorporarlas inmediatamente.
¡Y qué queréis que os diga!, para mí hay una distancia enorme entre ambas cosas.
Que existan agentes capaces de ejecutar procesos complejos no significa que tengamos que encontrarles inmediatamente un hueco en nuestro trabajo. Un modelo nuevo tampoco nos obliga a migrar los procesos que ya funcionan, igual que descubrir una herramienta interesante no implica que tengamos que dedicarle ahora mismo varias horas para aprender a utilizarla. A veces basta con saber que existe, entender qué puede aportar y dejarla ahí hasta que tengamos una necesidad real o el momento adecuado para probarla.
Incluso podemos seguir utilizando principalmente un chat, lo cual no significa que hayamos dejado de aprender, puede significar simplemente que estamos intentando aprender a nuestro ritmo.
La paradoja de una tecnología que corre demasiado
Hay otra consecuencia de esta velocidad que me preocupa especialmente.
Pensamos que cuanto más rápido avance la inteligencia artificial, más deprisa será adoptada. Parece lógico, es decir, si las herramientas mejoran, son más fáciles de utilizar y resuelven más problemas, debería aumentar el número de personas dispuestas a incorporarlas, pero quizá no siempre funcione así.
Imaginemos a alguien que todavía utiliza poco la inteligencia artificial. Ha probado alguna vez ChatGPT, conoce las posibilidades generales de estas herramientas, pero todavía no las ha incorporado a su trabajo cotidiano.
Esa persona abre LinkedIn, YouTube o cualquier medio tecnológico y encuentra una sucesión constante de novedades donde le hablan de modelos, razonamiento, contexto, agentes, automatizaciones, MCP, generación multimodal y herramientas que cambian cada pocas semanas.
Además, por lo general, siempre hay alguien que le lanza un mensaje bastante incómodo: "¡Llegas tarde!"
Esta situación, repetida en el tiempo puede hacer que esta persona se haga una pregunta muy razonable:
"Si ahora mismo no tengo tiempo para ponerme al día, ¿cómo voy a conseguirlo si todo avanza cada vez más rápido?"
La velocidad que debería animarle a entrar puede terminar provocando exactamente lo contrario, porque ya no ve una puerta de entrada, sino una montaña de cosas pendientes. Es como una lista de tareas que empezó a escribirse el 30 de noviembre de 2022, cuando se lanzó ChatGPT, y a la que desde entonces no han dejado de añadirse nuevos asuntos mientras los anteriores continúan esperando su turno.
Y esto me parece especialmente importante para las empresas, ya que una organización no adopta una tecnología porque su dirección haya leído que un nuevo modelo ha superado determinado benchmark, la adopta cuando las personas consiguen integrarla en procesos reales, entienden para qué sirve, desarrollan cierta confianza y modifican poco a poco su manera de trabajar. Y evidentemente, eso necesita tiempo.
La innovación tecnológica puede avanzar en cuestión de semanas, pero nuestro aprendizaje necesita otro ritmo. Tenemos que comprender, probar, equivocarnos, asimilar lo aprendido y convertirlo poco a poco en una nueva manera de hacer las cosas. Y todo eso, por mucho que acelere la tecnología, sigue necesitando tiempo.
No necesitamos siempre el mejor modelo
Quizá una parte de la fatiga proceda también de una pregunta mal planteada.
¿Cuál es el mejor modelo de inteligencia artificial?
Es una pregunta comprensible, yo también me la hago, pues es normal que queramos utilizar aquello que ofrece mejores resultados y, cuando las diferencias entre modelos eran muy evidentes, cambiar podía transformar realmente la experiencia.
Pero en una empresa la pregunta importante probablemente sea otra.
¿Qué modelo resuelve suficientemente bien el problema que tenemos?
Ese pequeño cambio modifica bastante su estrategia y operativa.
Porque el modelo más potente en una clasificación determinada puede no ser el más adecuado para una organización, puesto que hay que considerar el coste, la velocidad, la privacidad, la seguridad, la facilidad de integración, la dependencia de un proveedor y la estabilidad que necesita el proceso donde va a utilizarse.
Y hay algo todavía más sencillo y es que si lo que tenemos funciona, cambiar también tiene un coste. Y no, no me refiero solamente al coste económico, ya que cambiar obliga a evaluar, probar, adaptar procesos, revisar instrucciones, comprobar resultados y, en ocasiones, volver a formar a las personas.
La novedad tiene un coste de atención que pocas veces aparece en las comparativas de modelos y en organizaciones con personas de todo tipo suele ser bastante elevado.
La información publicada por CNBC muestra precisamente esa dificultad y es que los responsables tecnológicos tienen cada vez más opciones donde cada lanzamiento vuelve a abrir decisiones que quizá creían resueltas. Incluso algunas actualizaciones que no representan un salto radical pueden requerir evaluación porque sus mejoras podrían resultar relevantes para determinados usos empresariales o directamente hay funcionalidades que "en breve" dejarán de estar disponibles (como sucederá pronto con los custom GPTs de OpenAI).
Por eso quizá la madurez en inteligencia artificial empiece a medirse de otra manera y no por cuántas novedades somos capaces de adoptar, sino por nuestra capacidad para decidir cuáles no necesitamos. Y como casi siempre, nos cuesta la misma vida "decir no".
Una estrategia que sobreviva al siguiente lanzamiento
Esto nos lleva a una cuestión empresarial más profunda y es que si los modelos van a cambiar constantemente, construir una estrategia de inteligencia artificial alrededor de un modelo concreto parece cada vez menos sensato.
Una empresa puede elegir hoy una tecnología y descubrir dentro de tres meses que existe otra más adecuada, si bien eso no debería obligarla a reconstruir toda su estrategia ya que esta tendría que estar un nivel por encima.
Primero deberíamos comprender qué problemas queremos resolver, después, qué procesos pueden mejorar y qué papel queremos que tengan las personas dentro de esos procesos. Tendremos que decidir qué datos pueden utilizarse, qué riesgos estamos dispuestos a asumir, qué decisiones necesitan supervisión humana y qué resultados esperamos conseguir.
Solo entonces tiene sentido elegir la tecnología donde el modelo es una pieza. Una pieza importante, por supuesto, pero no debería convertirse en la estrategia completa.
Este planteamiento también puede ayudarnos con los agentes (me ayudó a mí, por eso lo comparto contigo que me estás leyendo).
En lugar de preguntarnos cuántos agentes deberíamos tener funcionando porque parece que esa es la siguiente etapa inevitable, quizá convenga observar nuestro trabajo y localizar aquellos procesos donde una mayor autonomía de la IA resolvería un problema real.
Puede que encontremos cinco, uno o no encontremos ninguno. Las tres opciones pueden ser perfectamente razonables.
Aprender a poner filtros
Si bien, nada de esto significa que podamos desentendernos de lo que está ocurriendo.
Una empresa que decida ignorar durante años la evolución de la inteligencia artificial probablemente tendrá problemas. Una persona que quiera utilizar profesionalmente estas herramientas necesita dedicar tiempo a aprender y quienes trabajamos alrededor de la tecnología tendremos que asumir que una parte de nuestro trabajo consiste precisamente en mantenernos razonablemente actualizados.
La palabra importante para mí es «razonablemente», por ello, pienso que necesitamos desarrollar filtros que nos ayuden a tomar las mejores decisiones.
Antes de probar cada novedad podríamos preguntarnos si resuelve algún problema que ya tenemos, si mejora de manera significativa una herramienta que utilizamos, si afecta a una decisión que tendremos que tomar próximamente o si abre una posibilidad suficientemente importante como para dedicarle tiempo.
Si la respuesta es no, quizá podamos dejarla pasar.
También podemos establecer momentos concretos para revisar el mercado en lugar de reaccionar ante cada lanzamiento. Una empresa puede evaluar periódicamente las alternativas que existen sin convertir cada anuncio en una urgencia, puede mantener un pequeño número de tecnologías suficientemente buenas mientras observa la evolución de otras y puede distinguir entre experimentar y desplegar, porque probar algo durante unas horas no obliga a introducirlo inmediatamente en los procesos de toda la organización.
Sobre todo, podemos aceptar que no vamos a estar completamente al día, nadie lo está, ni siquiera quienes dedicamos muchas horas a leer, probar y aprender conseguimos seguir todo lo que ocurre. Por eso, me otorgo el permiso a aceptar la situación, a desconectar durante un par de días sobre novedades y centrarme en otras cuestiones que son importantes por una cuestión de equilibrio y salud mental como os decía antes.
Quizá aprender IA también consista en saber qué ignorar
Desde que empecé a utilizar herramientas de IA, durante bastante tiempo he asociado aprender sobre la materia con ampliar conocimientos.
Conocer más herramientas, probar más posibilidades, entender nuevos modelos, descubrir maneras diferentes de hacer las cosas…
Y sigo creyendo que esa curiosidad es necesaria, pero empiezo a pensar que la siguiente etapa de nuestro aprendizaje puede exigir justamente una capacidad que parece contraria.
Elegir. Así de simple y complicado a la vez.
Decidir dónde ponemos nuestra atención supone también aceptar que algunas cosas se quedarán fuera. Habrá mejoras que justifiquen cambiar nuestra manera de trabajar y otras para las que lo que ya utilizamos seguirá siendo suficiente. Lo mismo ocurre con el conocimiento, porque no todo necesita el mismo nivel de profundidad y, en ocasiones, basta con saber que algo existe hasta que tengamos una razón para volver sobre ello.
Tal vez también tengamos que permitirnos esos dos o tres días en los que no queremos leer otra noticia sobre inteligencia artificial. La tecnología seguirá avanzando mientras descansamos y, ¡qué queréis que os diga!, no pasa nada.
Cuando volvamos, habrá otro modelo, otra herramienta y probablemente otra promesa de que todo ha cambiado.
Y no, nuestro trabajo no consiste en correr detrás de cada novedad, sino en aprender a reconocer cuáles merecen realmente nuestra atención y cuáles podemos dejar pasar sin sentir que estamos llegando tarde.
#InteligenciaArtificial #IA #TransformaciónDigital #EstrategiaDigital #FuturoDelTrabajo
