LA ERA MODERNA UN NUEVO CAPÍTULO EN LA INTERACCIÓN HUMANO-COMPUTADORA
En la década de 1960, Douglas Engelbart, ingeniero informático del Instituto de Investigación de Stanford, presentó un curioso dispositivo. Era un pequeño bloque de madera con un par de rodillos apoyados en la superficie. Un botón tosco y un cable le daban la apariencia de un ratón. Brillante en su simplicidad, el nombre se consolidó.
Antes del ratón, las computadoras se operaban principalmente con un teclado y una pantalla. Esto funcionaba bien para usuarios experimentados, pero mantenía las máquinas en manos de especialistas que hablaban su lenguaje: el código. El “ratón” de madera de Engelbart siguió siendo una curiosidad de laboratorio durante casi dos décadas, hasta que compañías como Xerox y Apple comenzaron a integrarlo en computadoras personales en la década de 1980. Combinado con un teclado y una pantalla, el ratón creó un nuevo tipo de puente entre las máquinas digitales y los humanos. Por trivial y obvio que pueda parecer hoy, tuvo un impacto enorme en las relaciones entre humanos y computadoras: transformó la facilidad con la que los no especialistas podían comunicarse con las computadoras. Al convertir comandos abstractos en movimientos y clics, creó un puente que permitió a muchas más personas participar en la conversación digital.
© Museo de Historia de la Computación .
Con el tiempo, las tecnologías digitales se integraron en la vida cotidiana de usuarios que desconocían por completo la comunicación entre máquinas basada en programación. Una vez que las personas pudieron interactuar con una computadora con relativa facilidad, el enfoque se centró en encontrar áreas donde las máquinas pudieran superar ampliamente al usuario promedio. La idea de una “computadora personal”, antes limitada a la ciencia ficción de Stanisław Lem, se convirtió cada vez más en realidad, con aplicaciones que se multiplicaron exponencialmente y generaron una demanda que impulsó nuevas inversiones e innovación.
A pesar del progreso general, la distancia entre los humanos y las computadoras persistió sorprendentemente durante mucho tiempo, sostenida por limitaciones cruciales en una comunicación más estrecha. Las computadoras sobresalían en muchas tareas, especialmente en el procesamiento rutinario y repetitivo de información, pero eran ineficaces en otras, donde los humanos tenían una clara ventaja. Incluso con la mejora de la capacidad computacional, los humanos seguían siendo mucho mejores en el trabajo no rutinario, incluyendo las tareas que implicaban contenido digital. Peor aún, no había una manera sencilla de transmitir el pensamiento humano abstracto a un dispositivo digital.
Con solo un ratón y un teclado para explicar su mundo a las máquinas, los humanos sabían y sentían mucho más de lo que jamás podrían expresar. A las máquinas, a su vez, les costaba vergonzosamente reconocer todas las demás formas de comunicación humana, como la voz, las imágenes y los gestos, y comprender que esta comunicación puede ser matizada y multidireccional. Tomemos algo tan simple como cantar las primeras líneas del himno nacional: el tono y la entonación pueden expresar orgullo, patriotismo o burla, y la interpretación vocal podría sugerir que el cantante no cumplió con su vocación… o no. Para las máquinas, tales juicios instintivos estaban fuera de su alcance.
La introducción de la pantalla táctil alteró las interacciones entre personas y máquinas al permitir un uso más intuitivo de los dispositivos electrónicos. Sin embargo, incluso cuando aparecían en pantalla, las teclas seguían siendo fundamentales para la mayor parte de la comunicación diaria. Los avances en el procesamiento de voz abrieron gradualmente la posibilidad de hablar con las computadoras sin escribir, pero en la práctica, el uso de estas aplicaciones era limitado: principalmente podían reproducir música o encender las luces, si se acertaba con el comando de voz. Todo eso cambió el 30 de noviembre de 2022.
ChatGPT causó una profunda impresión en muchos usuarios porque, por primera vez, una máquina parecía capaz de responder con un tono similar al humano, aunque solo fuera por escrito. La experiencia no era completamente nueva para un pequeño grupo de especialistas familiarizados con GPT anteriores, pero para el público general, el chatbot parecía sacado de la ciencia ficción. Poco después, se entrenaron grandes modelos de lenguaje no solo con texto, sino también con imágenes y voz, dando lugar a capacidades multimodales: máquinas capaces de generar, leer e interpretar texto, voz y elementos visuales. El historiador Yuval Noah Harari se refirió a este cambio como la IA “hackeando el sistema operativo de la civilización humana”: el primer paso hacia un posible escenario catastrófico, en el que las computadoras accedan al “código humano” y sean capaces de aprender del amplio espectro de patrones de comunicación humana.
Si bien estas perspectivas reflejan los extremos de la imaginación pública, reflejan una división más amplia en el debate actual sobre la IA. Gran parte del debate se centra ahora en el horizonte de la inteligencia artificial general (IAG), desde la admiración por sus (imaginadas) capacidades futuras hasta el temor al caos y la destrucción al estilo Terminator . En el lado opuesto, encontramos escépticos y críticos de la tecnología actual de IA, quienes creen que los sistemas tipo LLM no pueden sorprendernos mucho más. Este sentimiento se refleja cada vez más en los mercados financieros, donde las advertencias sobre las promesas exageradas de inversiones en IA son cada vez más fuertes, lo que se refleja tanto en el nivel como en la volatilidad de las valoraciones bursátiles.
No se puede negar la importancia de considerar escenarios destructivos desde la perspectiva de la supervivencia de la humanidad. De igual manera, el tiempo, que todo lo sabe y todo lo revela, nos dirá en qué medida la drástica inversión actual en infraestructura de IA se justificará con el progreso futuro. Sin embargo, desde la perspectiva del trabajo y los mercados laborales actuales, el cambio multimodal en las capacidades de la IA ya reviste una profunda importancia. Incluso si la IA Generativa se mantuviera en su nivel actual, es probable que siga afectando significativamente al mundo laboral.
La razón es que gran parte de las tareas humanas que se realizan en el trabajo hoy en día dependen precisamente de combinaciones de modos de comunicación que las máquinas acaban de adquirir gracias a sus capacidades multimodales. Gran parte del conocimiento humano contemporáneo reside en formatos que requieren habilidades multimodales: texto, imágenes, notas o escaneos, que representan grandes cantidades de datos no estructurados. Ser capaz de procesar dicha información intuitivamente era, hasta ahora, una cualidad humana única. Imagine a una secretaria o a un becario al que se le pide que prepare notas de una reunión a partir de garabatos apresurados en una pizarra. O a un diseñador gráfico encargado de convertir un boceto a mano en un diseño de interfaz de usuario adecuado. Estas tareas pueden parecer rutinarias, pero capturan precisamente el tipo de habilidades que permanecían fuera del alcance de las máquinas.
A medida que las computadoras adquieren cada vez más estas capacidades, nuestra percepción de sus acciones se vuelve más humana. Sin embargo, más allá de la percepción, se derivan consecuencias más profundas.
En primer lugar, la inteligencia digital multimodal cambia el valor de la información en sí misma. Montones de documentos sin digitalizar, PDF desordenados, correos electrónicos dispersos, notas manuscritas, registros de llamadas telefónicas y chats en línea han pasado repentinamente de ser un desorden desatendido a activos digitales ricos en conocimiento previo de la actividad cognitiva humana. Estos datos pueden usarse para entrenar asistentes de IA personalizados o para automatizar tareas cuyos patrones pueden aprenderse de los rastros dejados por los humanos que las realizaron inicialmente. A medida que los registros digitales de la actividad humana adquieren un valor de mercado tangible en un mundo que compite por la mejora constante de las capacidades algorítmicas, también aumentan los incentivos para capturar estos datos no estructurados en el lugar de trabajo. Si los datos tienen valor de mercado, pueden venderse. Esto crea incentivos para capturar más datos de los que podrían requerirse para la simple optimización empresarial o la monitorización justificada de los procesos de trabajo. Estos incentivos son particularmente fuertes en lugares donde la recopilación y el uso de datos laborales no están regulados: una situación que caracteriza a la mayoría de los países del mundo.
En segundo lugar, estas capacidades en expansión otorgan a las máquinas un mayor margen para competir con los humanos en una nueva gama de tareas. Inicialmente, esta competencia conduce a una característica clásica del cambio tecnológico: la sustitución del trabajo humano por capital en actividades laborales individuales. Con el tiempo, puede alterar por completo el equilibrio entre la inversión humana y de capital al reconfigurar tanto los componentes de trabajo como de capital de un proceso de producción. Un asistente de texto con IA que redacta una nota de reunión le quita una tarea a un empleado subalterno. Un sistema de IA que programa una reunión, toma notas, redacta un mensaje de seguimiento y lo distribuye con una breve lista de referencias podría alterar un proceso de oficina que justificaba la contratación de un subalterno en primer lugar.
Si bien buscar ahorros mediante la automatización de tareas humanas es quizás la forma menos creativa de utilizar estas tecnologías modernas, sin duda seguirá presente en muchas agendas. La pregunta entonces es cuánto daño podrían causar estas máquinas y a quién. En nuestro último índice ILO-NASK de exposición ocupacional a GenAI , abordamos esta cuestión comparando las tareas ocupacionales documentadas con las capacidades de los modelos de IA actuales.
El primer grupo expuesto se refiere a trabajos especializados que dependen de habilidades básicas que compiten directamente con esta tecnología. Estos incluyen traductores, editores de texto e intérpretes. Si bien el toque humano y, sobre todo, la responsabilidad seguirán siendo necesarios en muchas circunstancias, es innegable que las capacidades de las máquinas en las áreas centrales de estas ocupaciones representan una amenaza directa para su existencia a largo plazo. El lenguaje evoluciona, y siempre se necesitarán humanos que comprendan sus matices más profundos, en particular para entrenar a la IA en estas áreas. Sin embargo, es probable que la demanda general de habilidades humanas en este campo disminuya en el futuro, a medida que las capacidades de estas herramientas en el procesamiento del lenguaje mejoren a un ritmo vertiginoso.
El segundo grupo se refiere a los roles administrativos, que suelen implicar tareas cognitivas estructuradas y repetitivas, configuradas por herramientas establecidas y flujos de trabajo lineales. Estos empleos abarcan desde ingresadores de datos y mecanógrafos hasta contables y secretarios administrativos. La IA generativa se adapta bien a estos entornos, aprendiendo de datos de transacciones pasadas y reproduciendo los procesos existentes con mayor eficiencia. A largo plazo, esto hace que estos empleos sean particularmente vulnerables, especialmente a medida que se reorganizan procesos completos, por ejemplo, al vincular diferentes herramientas de oficina mediante conexiones digitales simples que les permiten comunicarse entre sí, a menudo denominadas puntos API, en combinación con asistentes de agentes de IA.
El desafío para este grupo de ocupaciones radica en que podrían surgir pocas tareas genuinamente nuevas, y la probabilidad de rediseño de procesos aumenta con el tiempo. Dado que estos empleos dependen de una amplia gama de habilidades interpersonales, pero relativamente no técnicas, una ola de procesos automatizados podría generar un excedente de mano de obra en estas ocupaciones, lo que presionaría a la baja el empleo y los salarios. Esto continuaría un declive que comenzó con la expansión de las computadoras personales y se ha acelerado con una digitalización más amplia , a medida que la tecnología transforma cada vez más el trabajo de oficina. En otras palabras, las nuevas capacidades adquiridas por las máquinas compiten directamente con muchas tareas típicas de los empleos administrativos, sin ofrecer a estas profesiones oportunidades significativas para crear nuevas tareas con esta tecnología.
Sin embargo, la noción de exposición teórica es crucial en este caso, ya que las personas hacen mucho más de lo que se puede plasmar claramente en el papel. Los trabajos administrativos también implican muchas tareas manuales no rutinarias que no se reflejan en las clasificaciones oficiales, como recibir visitas, recoger paquetes, entregar documentos o gestionar solicitudes de última hora. Además, mantener un componente humano en muchos puestos administrativos suele ser una decisión deliberada que va más allá de la capacidad tecnológica. Una secretaria en un consultorio médico o un miembro del personal que ayuda a los clientes a rellenar formularios de registro forman parte del servicio en sí, incluso si, en teoría, estas funciones podrían sustituirse por quioscos de autoservicio. Por estas razones, es probable que el riesgo inmediato de automatización en muchos trabajos administrativos sea menor en la práctica de lo que su exposición teórica podría sugerir.
Además, en los países en desarrollo, la brecha digital limita no solo el riesgo potencial de la automatización, sino también los beneficios potenciales de estas tecnologías para la transformación productiva. En América Latina, como lo muestra nuestro trabajo conjunto con el Banco Mundial , hasta la mitad de los trabajos que podrían beneficiarse del apoyo de GenAI no informan usar una computadora o tener acceso a Internet en el trabajo. En las regiones de menores ingresos, esta brecha es aún más amplia, ya que el acceso a las tecnologías digitales y a Internet está directamente correlacionado con el ingreso per cápita de un país. Además, el contenido de los trabajos es contextual. Cuando desglosamos las composiciones de tareas de la misma ocupación en los diferentes países, las economías de bajos ingresos revelan una proporción notablemente mayor de trabajo manual rutinario, un menor uso de computadoras y menos tareas analíticas no rutinarias. Por lo tanto, las proyecciones de automatización de tareas pueden alarmar a una secretaria legal en Suecia, pero traer una sonrisa al rostro de alguien que tiene el mismo trabajo en Togo.
El tercer grupo de ocupaciones altamente expuestas se refiere a roles profesionales y técnicos en empleos altamente especializados y digitalizados. Estos incluyen analistas financieros, desarrolladores web y multimedia, productores de contenido, programadores de aplicaciones y asesores de inversión, ocupaciones que son, en sí mismas, producto de la evolución tecnológica. La IA puede automatizar parte de su trabajo, pero es probable que surjan nuevas tareas que las reemplacen, a medida que los métodos de entrega de productos evolucionen junto con la automatización de las responsabilidades actuales.
Por ejemplo, mientras que los programadores júnior aparecen entre los primeros grupos en los que se han observado descensos en las nuevas contrataciones en Estados Unidos (véase “Canarios en la mina de carbón” de Erik Brynjolfsson y coautores ) , es poco probable que la IA generativa, en su forma actual, elimine por completo a los humanos del ciclo de las interacciones informáticas. En cambio, desencadena un cambio dinámico en los estándares de ejecución: fragmentos de código o aplicaciones completas que antes llevaban semanas ahora se pueden producir en horas. En manos de especialistas experimentados, esto permite pasar de la ejecución al diseño, de la codificación al planteamiento del problema y de la precisión técnica a la claridad conceptual. En muchos sentidos, esto refleja la experiencia de los economistas sénior que, una vez apoyados por asistentes de investigación para la limpieza de datos y la codificación estadística, pueden centrarse más en los supuestos, las opciones de modelado y la interpretación.
Sin embargo, así como ningún economista del futuro prosperará sin haber sido asistente de investigación, la falta de conocimientos básicos en áreas técnicas avanzadas limitará la capacidad de aprovechar al máximo estas nuevas herramientas entre personas sin experiencia ni conocimientos avanzados. Las ganancias a corto plazo derivadas de la reducción de puestos junior pueden dominar las tendencias actuales, pero estas industrias altamente especializadas pronto tendrán que lidiar con una realidad humana más fundamental: el envejecimiento. No hay futuros programadores senior ni expertos en ciberseguridad que no hayan impreso alguna vez “¡Hola mundo!” al inicio de su formación, ni ningún operador principal que no haya, en algún momento, perdido dinero al aprender sobre los caprichos del mercado. Más allá de la ola inicial de disrupciones, las estrategias tempranas para cultivar la futura experiencia humana deberían ser una prioridad para la transformación a largo plazo de la IA y una ventaja competitiva sostenida.
Esto es particularmente cierto porque muchos beneficios operativos son efímeros. Si ahora se tarda un día en lugar de dos semanas en programar el backend de una aplicación, será solo cuestión de tiempo antes de que se convierta en el nuevo estándar de la industria. Si los análisis financieros o los materiales de comunicación pueden expandirse diez veces en el mismo tiempo, las expectativas aumentarán rápidamente para adaptarse a ese ritmo. Estos parámetros cambiantes erosionan rápidamente las ventajas competitivas a corto plazo de los primeros usuarios al redefinir la base para todos. En un entorno así, el verdadero valor de una ventaja competitiva reside en combinar la experiencia existente con el impulso que brindan las nuevas herramientas. Quienes son capaces de diseñar servicios o productos novedosos pueden realmente aprovechar la ventaja del pionero.
Como resultado, si bien el valor de las habilidades básicas de producción puede disminuir, el valor de la verdadera experiencia crece. Un programador senior capaz de guiar la estructura conceptual, verificar los resultados y detectar las vulnerabilidades ocultas de la rápida “codificación de vibraciones”, incluyendo fallos de seguridad ocultos por un asistente de IA en bibliotecas extraídas de fuentes no verificadas, se vuelve aún más indispensable. De igual manera, un asesor financiero capaz de distinguir las señales genuinas del mercado del ruido algorítmico, o un especialista en seguros que reconoce las estafas locales y puede detectar una reclamación inventada en medio de un papeleo aparentemente perfecto, cobra importancia a medida que la experiencia de bajo nivel se automatiza cada vez más. Es menos probable que la capacidad de usar IA o tecnologías cuánticas para mejorar las predicciones del mercado elimine a los banqueros senior y más que recompense a aquellos capaces de inventar dicho uso e invertir en aplicaciones novedosas desde el principio.
Quizás la verdadera amenaza en estas ocupaciones resida en su proximidad a la tecnología, lo que puede provocar un aumento drástico del ritmo de trabajo, la presión y la vigilancia digital, a medida que la IA se integra en el desempeño de la mayoría de las tareas. La expansión de las posibilidades y la constante comparación con otros usuarios pueden resultar en una mayor intensidad laboral. Esto no tiene por qué derivar de una supervisión explícita, sino de una presión autoimpuesta, ya que las crecientes expectativas y los ritmos más rápidos acompañan el creciente uso de herramientas de IA en las profesiones.
Independientemente de adónde conduzca su desarrollo, la IA Generativa ya es una tecnología transformadora y disruptiva para el mundo laboral. En última instancia, su impacto no se definirá únicamente por lo que pueda automatizar, sino por cómo las sociedades e instituciones permitan a las personas adaptarse, aprender y encontrar sentido a esta transición. Apoyar a los grupos más expuestos —aquellos en riesgo de erosión y aquellos en transformación— determinará si la próxima ola de cambio tecnológico refuerza la desigualdad o se convierte en una oportunidad. Para muchas profesiones, el principal reto a largo plazo no es el reemplazo inmediato, sino mantener el control de la evolución: preservar la capacidad humana para guiar, interpretar y evaluar críticamente los resultados de las máquinas, a la vez que se salvaguarda el prestigio y la calidad general del trabajo. Esto implica invertir en futuras generaciones de expertos con dominio de sus campos técnicos y capaces de aprovechar las nuevas capacidades de las máquinas que van mucho más allá de la simple “conversación moderna” con chatbots.