¿Es exagerado el impacto de la Inteligencia Artificial en la productividad?
Por Arturo Salazar
En el mundo empresarial contemporáneo, los Modelos de Lenguaje a Gran Escala (MLGE) están siendo aclamados como un catalizador de la productividad colectiva. McKinsey ha hecho una declaración audaz, proclamando que los MLGE y otras formas de inteligencia artificial generativa podrían aumentar las ganancias corporativas a nivel mundial en 4.4 billones de dólares anuales. Además, Nielsen ha anunciado un aumento del 66% en la productividad de los empleados mediante el uso de estas herramientas. Tales proyecciones han convertido la implementación de estas tecnologías en una prioridad para muchas empresas durante el último año. Aunque estas innovaciones son impresionantes y suscitan interés, recomendamos una experimentación cautelosa en lugar de una adopción generalizada en toda la empresa.
Pese al entusiasmo general, hay razones para cuestionar si estas herramientas transformarán la productividad empresarial de la manera que algunos predicen. Una razón para adoptar un enfoque más pausado es que las evaluaciones de productividad suelen centrarse en el nivel de tarea —como resumir un documento, completar una presentación o responder una llamada de cliente— y cómo los individuos podrían utilizar y beneficiarse de los MLGE. Extrapolando tales hallazgos para hacer conclusiones amplias sobre el rendimiento a nivel de empresa podría resultar costoso.
Consideremos una investigación reciente sobre el impacto de la inteligencia artificial generativa en un entorno de centro de llamadas, donde una plataforma de aprendizaje automático con una interfaz MLGE fue entrenada con datos de chat y resultados. Los investigadores observaron un promedio de mejora del 14% en el tiempo de finalización de los chats con la nueva herramienta.
Sin embargo, un análisis más detallado revela algunos signos preocupantes. Según el estudio del centro de llamadas que citamos, el rendimiento de los empleados más destacados disminuyó con este sistema, lo que presenta problemas potenciales para la innovación, la motivación y la retención de los mejores talentos de la empresa. En otro estudio, se encontraron mayores ganancias de productividad al usar la inteligencia artificial generativa para tareas bien cubiertas por los modelos actuales, pero la productividad disminuyó cuando esta tecnología se usó en tareas donde los MLGE tenían poca cobertura de datos o requerían razonamientos que probablemente no estuvieran representados en textos en línea. Con el tiempo, las condiciones externas (como valores culturales o mejores prácticas conocidas) pueden cambiar significativamente, lo que podría hacer desaparecer los beneficios o incluso llevar a importantes disminuciones de productividad.
Las consecuencias de introducir nuevos productos, incluyendo la posibilidad de rotación de expertos cuyos resultados se utilizan para entrenar estos sistemas, no se han examinado. Sostenemos que, en ausencia de un análisis más completo y a largo plazo, observar datos específicos de tareas revela poco sobre el verdadero efecto de una tecnología nueva como los MLGE en el rendimiento general de la empresa.
Por lo tanto, sugerimos que las organizaciones adopten un enfoque matizado y basado en datos para la adopción de MLGE. Los líderes deben considerar dónde esta tecnología realmente ayuda y resistir la tentación de integrarla en cada trabajo y tarea en toda la organización. Para hacer esto, necesitan comprender dos problemas centrales de los MLGE que son críticos para sus implicaciones comerciales a medio y largo plazo: 1) Su persistente capacidad para producir falsedades convincentes y 2) los posibles efectos negativos a largo plazo del uso de MLGE en los empleados y los procesos internos.
Sobre el primer punto, es importante apreciar que los avances de los MLGE en fluidez sintáctica no se traducen en una mejor capacidad para buscar automáticamente hechos —un problema que ha enfrentado la ciencia de la computación durante décadas con progresos incrementales. En cuanto al segundo punto, los efectos de productividad de los MLGE a menudo se limitan al rendimiento en una tarea autocontenida donde ya se ha entrenado un modelo —un hecho que puede distorsionar los incentivos para los mejores ejecutantes e introducir riesgos sistémicos en flujos de trabajo complejos. Combinados, estos problemas crean condiciones organizacionales propicias para fallos sistémicos difíciles de identificar que pueden degradar fácilmente la eficacia organizativa si los casos de uso de la inteligencia artificial generativa no están delimitados y monitoreados continuamente.
En resumen, es esencial que las organizaciones evalúen cuidadosamente los beneficios y riesgos de los MLGE, adoptando un enfoque crítico y basado en datos antes de integrar estas herramientas en sus operaciones. La promesa de los MLGE es grande, pero su aplicación práctica y efectiva requiere un entendimiento profundo y una consideración cuidadosa de sus impactos a largo plazo.
-
Sobre el autor
Arturo Salazar es CEO & Cofundador de STRTGY y Brieffy.
