No se trata de lo que la IA puede hacer por nosotros, sino de lo que podemos hacer por la IA

La mayoría ve la inteligencia artificial (IA) a través de una lente unidireccional. La tecnología solo existe para servir a los humanos y alcanzar nuevos niveles de eficiencia, precisión y productividad. Pero, ¿qué pasa si estamos perdiendo la mitad de la ecuación? Y, ¿qué pasa si, al hacerlo, solo estamos amplificando los defectos de la tecnología?

La IA está en su infancia y aún enfrenta limitaciones significativas en razonamiento, calidad de datos y comprensión de conceptos como la confianza, el valor y los incentivos. La brecha entre las capacidades actuales y la verdadera “inteligencia” es sustancial. ¿La buena noticia? Podemos cambiar esto convirtiéndonos en colaboradores activos en lugar de consumidores pasivos de IA.

Los humanos poseen la clave para la evolución inteligente al proporcionar mejores marcos de razonamiento, alimentar con datos de calidad y tender el puente de la brecha de confianza. Como resultado, el hombre y la máquina pueden trabajar codo a codo para una victoria mutua, con una mejor colaboración que genera mejores datos y mejores resultados.

Consideremos cómo podría parecer una relación más simbiótica y cómo, como socios, la colaboración significativa puede beneficiar a ambos lados de la ecuación de la IA.

La relación requerida entre el hombre y la máquina

La IA es, sin duda, excelente para analizar vastos conjuntos de datos y automatizar tareas complejas. Sin embargo, la tecnología sigue siendo fundamentalmente limitada en pensar como nosotros. En primer lugar, estos modelos y plataformas luchan con el razonamiento más allá de sus datos de entrenamiento. El reconocimiento de patrones y la predicción estadística no suponen un problema, pero el juicio contextual y los marcos lógicos que damos por sentados son más difíciles de replicar. Esta brecha de razonamiento significa que la IA a menudo tropieza cuando se enfrenta a escenarios matizados o juicios éticos.

En segundo lugar, está la calidad de los datos “basura dentro, basura fuera”. Los modelos actuales se entrenan con vastos tesoros de información con y sin consentimiento. La información no verificada o sesgada se utiliza independientemente de la atribución o autorización adecuada, lo que resulta en IA no verificada o sesgada. La “dieta de datos” de los modelos es, por lo tanto, cuestionable en el mejor de los casos y dispersa en el peor. Es útil pensar en este impacto en términos nutricionales. Si los humanos solo comen comida basura, somos lentos y letárgicos. Si los agentes solo consumen material de derechos de autor y de segunda mano, su rendimiento se ve igualmente obstaculizado con una salida que es inexacta, poco fiable y general en lugar de específica. Esto todavía está lejos de la toma de decisiones autónoma y proactiva prometida en la próxima ola de agentes.

Críticamente, la IA sigue siendo ciega a quién y qué está interactuando. No puede distinguir entre usuarios alineados y no alineados, lucha por verificar relaciones y no entiende conceptos como la confianza, el intercambio de valor y los incentivos de las partes interesadas, elementos básicos que gobiernan las interacciones humanas.

Problemas de IA con soluciones humanas

Necesitamos pensar en las plataformas, herramientas y agentes de IA menos como sirvientes y más como asistentes que podemos ayudar a entrenar. Para empezar, veamos el razonamiento. Podemos introducir nuevos marcos lógicos, directrices éticas y pensamiento estratégico que los sistemas de IA no pueden desarrollar solos. A través de una orientación reflexiva y una supervisión cuidadosa, podemos complementar las fortalezas estadísticas de la IA con la sabiduría humana, enseñándoles a reconocer patrones y entender los contextos que hacen que esos patrones sean significativos.

De la misma manera, en lugar de permitir que la IA se entrenara con cualquier información que pueda raspar de Internet, los humanos pueden curar conjuntos de datos de mayor calidad que sean verificados, diversos y éticamente obtenidos.

Esto significa desarrollar mejores sistemas de atribución donde los creadores de contenido son reconocidos y compensados por sus contribuciones al entrenamiento.

Los marcos emergentes hacen que esto sea posible. Al unir las identidades en línea bajo una sola bandera y decidir si están cómodos compartiendo y qué, los usuarios pueden equipar a los modelos con información de partido cero que respeta la privacidad, el consentimiento y las regulaciones. Mejor aún, al rastrear esta información en la blockchain, los usuarios y los creadores de modelos pueden ver de dónde proviene la información y compensar adecuadamente a los creadores por proporcionar este “nuevo petróleo”. Esta es la forma en que reconocemos a los usuarios por sus datos y los incluimos en la revolución de la información.

Finalmente, tender el puente de la brecha de confianza significa armar a los modelos con valores y actitudes humanas. Esto significa diseñar mecanismos que reconozcan a las partes interesadas, verifiquen las relaciones y diferencien entre usuarios alineados y no alineados. Como resultado, ayudamos a la IA a entender su contexto operativo, quién se beneficia de sus acciones, qué contribuye a su desarrollo y cómo fluye el valor a través de los sistemas en los que participa.

Por ejemplo, los agentes respaldados por la infraestructura de blockchain son bastante buenos en esto. Pueden reconocer y priorizar a los usuarios con una demostrada participación en el ecosistema a través de la reputación, la influencia social o la propiedad de tokens. Esto permite a la IA alinear los incentivos al dar más peso a las partes interesadas con piel en el juego, creando sistemas de gobernanza donde los partidarios verificados participan en la toma de decisiones basada en su nivel de compromiso. Como resultado, la IA entiende más profundamente su ecosistema y puede tomar decisiones informadas por relaciones genuinas de partes interesadas.

No pierda de vista el elemento humano en la IA

Se ha dicho mucho sobre el auge de esta tecnología y cómo amenaza con cambiar industrias y eliminar empleos. Sin embargo, hornear las salvaguardas puede garantizar que la IA aumente la experiencia humana en lugar de reemplazarla. Por ejemplo, las implementaciones de IA más exitosas no reemplazan a los humanos, sino que extienden lo que podemos lograr juntos. Cuando la IA maneja el análisis rutinario y los humanos proporcionan la dirección creativa y la supervisión ética, ambos lados contribuyen con sus fortalezas únicas.

Cuando se hace correctamente, la IA promete mejorar la calidad y la eficiencia de innumerables procesos humanos. Pero cuando se hace mal, se limita por fuentes de datos cuestionables y solo imita la inteligencia en lugar de mostrar inteligencia real. Depende de nosotros, el lado humano de la ecuación, hacer que estos modelos sean más inteligentes y garantizar que nuestros valores, juicio y ética permanezcan en su corazón.

La confianza es innegociable para que esta tecnología se vuelva mainstream. Cuando los usuarios pueden verificar a dónde va su datos, ver cómo se utiliza y participar en el valor que crea, se convierten en socios dispuestos en lugar de sujetos reluctantes. De manera similar, cuando los sistemas de IA pueden aprovechar las partes interesadas alineadas y las canalizaciones de datos transparentes, se vuelven más dignos de confianza. A su vez, es más probable que obtengan acceso a nuestros espacios privados y profesionales más importantes, creando un efecto de volante de mejores accesos a datos y mejores resultados.

Así que, al entrar en esta próxima fase de la IA, centrémonos en conectar al hombre y la máquina con relaciones verificables, fuentes de datos de calidad y sistemas precisos. Debemos preguntarnos no qué puede hacer la IA por nosotros, sino qué podemos hacer por la IA.