Los tres tipos de automatización

Para este momento, es un lugar común la observación de que estamos en un periodo de transición histórico, en donde gran parte del trabajo intelectual que se hace en la economía empieza a ser automatizado por modelos de inteligencia artificial.

Esto es sin duda cierto, y más cierto cada día con las capacidades crecientes de los modelos de IA. Vemos desde ya destellos de un mundo automatizado en que tareas completas desaparecen, o se simplifican a un nivel trivial.

Pero más allá de hipotetizar un poco sobre cuáles tareas van a ser sustituidas y cuáles complementadas en esta ola de automatización, o cuán rápido puede llegar el momento en que lo que hacemos puede desaparecer, quisiera dirigir nuestra atención hacia algo distinto: Hay un valor subjetivo, para quien trabaja y para quien se beneficia del trabajo, en cada tarea que hacemos. Lo hay también en su eventual automatización.

Partiendo del supuesto de que, a hoy, la automatización está cerca, si no es que ya llegó, podemos hacer una categorización en términos de ese valor subjetivo. Con esta premisa les propongo tres categorías de trabajo automatizable.

1. El trabajo intermedio

El primer tipo es el trabajo que opera sobre una capa que el beneficiario final nunca ve.

Un ejemplo claro es la programación de software. Un desarrollador escribe código, y por otro lado un usuario usa una aplicación. El código puede ser elegante, o puede ser caótico, eficiente o redundante, pero si la aplicación funciona al usuario le da igual.

Lo mismo ocurre con cierta burocracia. Formularios internos, procesos de archivo, conciliaciones de datos, notificaciones, aprobaciones, etc. Son tareas que pueden ser necesarias pero son invisibles. Lo que le interesa al usuario es recibir el servicio final.

Cuando la IA sustituye este tipo de trabajo, el efecto es casi enteramente positivo. Se obtiene el mismo producto final, la aplicación, el trámite resuelto, a una fracción del costo. Y como la capa intermedia nunca fue visible, no hay pérdida perceptible de calidad.

No importa si el código lo escribió un humano o un modelo de lenguaje, siempre que la aplicación haga lo que tiene que hacer.

Acá, la IA funciona exactamente como una máquina en una fábrica. Toma una tarea que era costosa y la hace barata, sin que el producto cambie.

2. El trabajo final

El segundo tipo es el trabajo cuyo producto es final, y es el que termina disfrutando el usuario.

Pensemos en un artículo periodístico, un análisis financiero, una instrucción ejecutiva, un ensayo. Quien lee interactúa directamente con lo que el creador produjo, sin pasos intermedios. El texto, o la idea que lo subyace, es el producto.

Acá el acabado importa. Si las frases son precisas, si los argumentos están bien estructurados, si la información es de calidad, todo es inmediatamente perceptible, y le da valor al producto.

Cuando la IA sustituye este tipo de trabajo, el resultado es más ambiguo. Logramos bajar el costo del producto. Pero también, y al menos hoy, el producto llega con cierto olor reconocible: frases y estructuras comunes que delatan su origen y despiertan suspicacias sobre su calidad. Aunque hay otro problema mayor.

El uso de la IA no está reservado a quienes históricamente hacían trabajo final, si no que está al acceso de todos. Si alguien nos entrega un análisis o un resumen transparentemente creado con IA, ¿qué valor tiene esto sobre un análisis o un resumen que pudimos ordenar directamente al modelo de lenguaje, con instrucciones más completas o ajustadas a nuestros requerimientos? ¿Si el modelo es quien está escribiendo un texto, pierdo algo al pedir una versión resumida? De repente, cada interacción con el producto automatizado pareciera volverse prescindible.

Entramos entonces en una espiral de devaluación, en donde ya muchos ni nos molestamos en invertirle esfuerzo real a digerir un producto automáticamente generado.

Como en todo, hay matices, y aún le veo algo de espacio a una era de “centauros”¹, en donde la producción de análisis y textos asistidos pueda generar calidad superior a lo que estábamos acostumbrados a ver. Pero la realidad es que veo también mucho menos tolerancia a la mediocridad en un mundo más inundado con textos de todo tipo.

3. El trabajo intrínseco

El tercer tipo de trabajo es el más delicado. Es el trabajo cuyo propósito no es producir un resultado externo, sino transformar al que lo ejecuta.

El ejemplo más puro es el aprendizaje: un estudiante no resuelve problemas para que alguien use la solución, sino para desarrollar la capacidad de resolver.

Hay, sin embargo, otros ejemplos menos obvios. Muchos procesos de gobierno corporativo, como las sesiones de directorio, evaluaciones de riesgo, comités específicos, existen no solo para producir un acta o un informe, sino para forzar a los participantes a pensar en ciertos problemas de cierta manera. El producto visible (el acta, el informe) es secundario. El producto real es el proceso cognitivo que ocurre durante la ejecución.

Existen revisores externos para estos procesos: un profesor, un auditor, un supervisor. Y alguna gente podría identificarlos como beneficiarios. Pero el beneficiario genuino es quien trabaja. El revisor sólo está ahí para garantizar que el proceso interno realmente ocurrió.

Cuando la IA sustituye este tipo de trabajo, el efecto es destructivo. No es que el producto sea peor, sino que el beneficio desaparece. Si un estudiante le pide a un modelo que resuelva sus ejercicios, obtiene las respuestas correctas pero no aprende. Si un comité de riesgos delega su análisis a un modelo y se limita a aprobar el resultado, el informe existe pero nadie procesó internamente los riesgos. Mantenemos la forma, pero ahora sin sustancia.

El gimnasio de la mente

Recientemente me ha parecido útil hacer la comparación con el trabajo físico. Yo quiero una máquina que lave mi ropa, no una máquina que levante las pesas del gimnasio por mí. En ambos casos hay esfuerzo físico, pero la relación entre el esfuerzo y el propósito es distinta. Lavar ropa es trabajo intermedio: me interesa el resultado, la ropa limpia, pero no el proceso. Levantar pesas es trabajo intrínseco: el esfuerzo es el resultado. Una máquina que lava mi ropa me libera. Una máquina que levanta mis pesas me atrofia.

Lo que hace difícil las distinciones es que desde afuera, y a veces desde adentro, los tres tipos de trabajo se parecen. Un analista que escribe un reporte podría estar haciendo trabajo intermedio (el reporte le da datos clave a tomadores de decisión), trabajo final (el reporte es lo que el cliente lee y evalúa), o trabajo intrínseco (el proceso de escribir el reporte es lo que obliga al analista a pensar con rigor). Muchas veces, un mismo acto es los tres simultáneamente. El peligro que corremos es justamente ese: automatizamos pensando en sustituir la primera función, pero destruimos la tercera sin darnos cuenta.

Una preocupación particular

Ahora, una parte de mi trabajo toca la supervisión financiera, y es ahí donde tengo una preocupación que quisiera puntualizar.

El cumplimiento regulatorio de una entidad financiera tiene las tres capas. Hay trabajo intermedio, como recopilación de datos y preparación de reportes en formatos específicos. Automatizar esto es muy beneficioso. Luego, hay trabajo final, como la producción de análisis de riesgos, informes de auditoría, comunicaciones varias. Automatizar esto en este ámbito es entre ambiguo y positivo, pues aunque hay ganancias en velocidad y formalidad, se puede perder en profundidad o atención. Por último, hay trabajo intrínseco: el proceso de sentarse a evaluar si los riesgos que enfrenta la entidad están bien entendidos, si los controles funcionan, si algo cambió desde la última revisión. Eso no se puede automatizar sin vaciarlo de sentido.

Ahora extendamos el problema. Si la entidad regulada delega su cumplimiento a modelos de IA, y el supervisor delega su revisión a otros modelos de IA, lo que queda no es un sistema más eficiente. Lo que queda es un ritual absurdo: dos sistemas generando y revisando documentos que ningún ser humano procesa con profundidad. La gestión de riesgos se convierte en una conversación entre máquinas, sobre riesgos que nadie entiende.

Conclusión

Quiero dejarles la inquietud sobre si la IA, encima de los desafíos técnicos y de implementación, nos propone un desafío de categorización. Si necesitamos, en cada organización, en cada dominio, en cada profesión, entre muchas otras tareas pendientes, hacer el ejercicio de distinguir qué parte del trabajo es intermedio, qué parte es final, y qué parte es intrínseco. Y tratar de proteger a toda costa el trabajo intrínseco de la automatización, sobre todo cuando puede ser el más fácil de automatizar.

Creo que ya superamos la pregunta de si la IA puede hacer nuestro trabajo. Mi valoración es que si no lo ha hecho, pronto lo hará. La pregunta es si, al hacer nuestro trabajo, nos quita algo que no sabíamos que teníamos y talvez no podamos recuperar.

1. Hubo un periodo, posterior al momento en que los motores automatizados de ajedrez superaron a los mejores ajedrecistas humanos, en que un ajedrecista humano, en equipo con una computadora, podía vencer confiablemente a las mejores computadoras y los mejores humanos. Se denominó ajedrez avanzado pero me gusta más el nombre por el que se llamaba a sus practicantes: “centauros”.