El Recordatorio Útil de DeepSeek’s R1

Como educador universitario y ex veterano de la industria de TI, encuentro que el hype sobre el modelo R1 de DeepSeek de China es un recordatorio útil de tres cosas.

La primera es que el inteligencia artificial generativa ya no se trata solo de procesar vastas cantidades de contenido para generar respuestas relevantes a las solicitudes; también se trata de razonamiento cognitivo (el “R” en R1).

La promesa de los modelos de lenguaje grande (LLM) es que la capacidad de recuperación de conocimientos masivos y el procesamiento cognitivo – que antes era exclusivo de los expertos con supercomputadoras – ahora está al alcance de casi todos. Gracias a una nueva generación de avances en técnicas de eficiencia, existen modelos lo suficientemente pequeños como para ejecutarse en una laptop convencional que pueden soportar múltiples agentes inteligentes que pueden realizar tareas complejas e interactivas de manera autónoma.

En segundo lugar, la revolución de la inteligencia artificial generativa se trata principalmente de innovación y creatividad – no solo de una carrera armamentista por el hardware más potente, el tamaño de los conjuntos de datos de entrenamiento o la cantidad de parámetros del modelo. La adopción exitosa de estas tecnologías no será determinada por las grandes empresas de tecnología con supercomputadoras que consumen mucha energía y entrenan modelos de miles de millones de dólares – sino por los países y organizaciones que inviertan en capital humano para prepararlos para esta nueva ola.

Tercero, y basándome en ese último punto, Estados Unidos no parece estar muy bien posicionado para los cambios dramáticos que se avecinan en nuestra economía y sociedad. Citaremos dos ejemplos: la educación superior y la América corporativa.

Educación Superior

En la mayoría de las instituciones de educación superior, la primera gran decisión de un estudiante de pregrado es decidir si perseguir un título de Bachelor of Arts (BA), que se asocia con una educación más amplia e interdisciplinaria, o un título de Bachelor of Science (BS), que se centra más en desarrollar habilidades y experiencia práctica en campos específicos.

En la era de la inteligencia artificial, esta es una dicotomía obsoleta, ya que ambas disciplinas se están volviendo esenciales en el lugar de trabajo.

De hecho, la mayoría de los estudiantes de primer año no tienen ni idea de lo que es trabajar en diferentes tipos de trabajos, o incluso de las fortalezas y debilidades relativas de sus propias habilidades, talentos, habilidades y aptitudes. Y sin embargo, la mayoría de los estudiantes de primer año deben declarar una especialización, lo que será una decisión fácil solo para ese pequeño porcentaje que (para bien o para mal) sabe (o al menos cree saber) qué campo quiere perseguir: ingeniería, ciencia, medicina, derecho, etc.

Necesitamos un enfoque completamente diferente, más amplio y más interdisciplinario, para la educación superior que reconozca que el primer trabajo a tiempo completo de un graduado universitario puede no tener nada que ver con el título que obtuvo o su especialización; que su experiencia universitaria representará solo la primera etapa en un viaje de aprendizaje continuo a lo largo de la vida – capacitación, credenciales, reinventación, cambio de carrera – para roles que aún no podemos imaginar.

Además, como educadores, necesitamos desarrollar nuevas estrategias para manejar el plagio de inteligencia artificial y navegar los peligros de que los chatbots se conviertan en atajos intelectuales, o “descarga cognitiva” – la tendencia a confiar en herramientas externas en lugar de desarrollar capacidades internas.

En una época en que el conocimiento se separa de la comprensión, hay demasiada tentación de simplemente solicitar a la inteligencia artificial una respuesta o solución inmediata en lugar de luchar por comprender un concepto o resolver un problema.

Tecnología Corporativa

La mayoría de las corporaciones también no parecen darse cuenta de las implicaciones organizativas de estas nuevas tecnologías.

Los roles y estructuras actuales de TI reflejan los requisitos organizativos de la revolución digital anterior. Esas funciones surgieron de la experiencia especializada necesaria para que los humanos usen y interactúen con computadoras – programación, ingeniería de datos, arquitectura de computadoras, administración de redes, seguridad de la información, etc.

En contraste, la inteligencia artificial generativa (y todo el campo de procesamiento de lenguaje natural que la precedió) se trata de diseñar y entrenar computadoras para interactuar con humanos.

Como resultado, los empleados de base están inventando formas brillantes (y sometimes peligrosas) de usar estas tecnologías. Las organizaciones están luchando por crear políticas, procedimientos y controles viables para maximizar los beneficios de productividad y minimizar los riesgos.

Un problema clave es que en la mayoría de las corporaciones, la experiencia en ciencia de datos tiende a concentrarse en los departamentos de TI, la mayoría de los cuales aún operan como gremios secretos con su propio lenguaje y prácticas misteriosas que están aislados organizativa y funcionalmente de las unidades comerciales básicas. Creo que la revolución de productividad que se avecina requiere nuevos tipos de roles y estructuras organizativas, en las que la experiencia en datos no esté aislada en una función especializada, sino interconectada con casi todos los aspectos de la operación.

Y también hay el desafío de los datos. En la mayoría de las organizaciones, adoptar la inteligencia artificial se trata de personalizar los LLM para ejecutar casos de uso especializados utilizando datos propietarios. Mientras que los usuarios de los datos en las unidades comerciales desean datos completamente precisos, limpios y bien administrados, los propietarios individuales de los datos en TI no tienen el presupuesto, el incentivo financiero o la autoridad organizativa para garantizar este nivel de calidad y transparencia.

Como resultado, los conjuntos de datos internos no se administran ni se descubren bien en toda la empresa. Por lo general, se almacenan diferentes tipos de datos en diferentes lugares. En respuesta a las solicitudes de los usuarios comerciales, TI proporciona diferentes vistas de los datos, crea diferentes copias (y copias de copias) de los datos y crea exposiciones y abstracciones de los datos por varias razones… En este punto, nadie sabe qué versiones están desactualizadas, incompletas, duplicadas, inexactas o fuera de contexto.

Conclusión

La inteligencia artificial generativa tiene el potencial de transformar todas las formas de trabajo del conocimiento. En su núcleo, esta tecnología se trata de la democratización de la experiencia (para bien y para mal) – desintermediando a especialistas como codificadores, videógrafos, ilustradores, escritores, editores y casi cualquier tipo de trabajador del conocimiento o “experto”. Nunca antes los humanos han lidiado con una tecnología que rivalizara con sus propias capacidades de procesamiento y razonamiento cognitivo – solo con su fuerza física, resistencia, precisión y destreza, y capacidad para procesar vastas cantidades de datos.

Esta emocionante nueva revolución de productividad requiere nuevos conjuntos de habilidades, capacidades y estructuras organizativas, en las que la experiencia en datos es integral a casi todos los tipos de procesos comerciales.

La ironía es que a medida que las máquinas logran mayores poderes analíticos, el estatus y el valor de un empleado en una jerarquía organizativa pueden dejar de ser una función de la experiencia especializada, la experiencia y las credenciales, y ser más de sus habilidades creativas, multidisciplinarias e interpersonales.

El momento de desarrollar y invertir en estas capacidades es ahora.