Formamos más expertos que nunca — y al mismo tiempo eliminamos la escalera que lleva hacia allá

La ruta de aprendizaje rota

Hace poco más de una década, el equipo de ingeniería detrás de una central nuclear tomó una decisión que a primera vista parecía irracional: deliberadamente incorporaron momentos manuales en secuencias que los sistemas habrían podido manejar completamente de forma automática. La razón era simple pero profunda — un operador que nunca necesita intervenir deja de ser un verdadero operador con el tiempo. El conocimiento se desmorona, y cuando la automatización falla, de repente hay alguien sentado ante el panel de control que ya no sabe qué está haciendo.

Esa historia se siente más actual que nunca. Según IEEE Spectrum, un informe de trabajo de Harvard, que abarca alrededor de 65 millones de empleados en más de 280 000 empresas estadounidenses, muestra que los puestos junior disminuyeron aproximadamente un nueve por ciento en seis trimestres después de que las empresas comenzaran a usar IA generativa — en comparación con empresas que no lo hicieron. Las posiciones senior, en cambio, continuaron creciendo. Un análisis de Stanford señala en la misma dirección: los trabajadores más jóvenes en las profesiones más expuestas a IA perdieron terreno después del final de 2022, mientras que colegas más experimentados mantuvieron sus posiciones.

No se trata de que los empleos desaparezcan — se trata de que la ruta de aprendizaje se erosiona. Las tareas simples y repetitivas que tradicionalmente han funcionado como capacitación para nuevos empleados son precisamente las tareas que la IA maneja mejor. Y eso crea una paradoja: formamos más ingenieros y analistas que nunca, pero eliminamos los pasos naturales en la escalera de carrera que transforman a recién graduados en verdaderos expertos.

Desde abajo: cuando las computadoras ordinarias se convierten en infraestructura de IA

En paralelo con esto, está ocurriendo otro cambio, menos conocido, más abajo en la pila tecnológica. Según IEEE Spectrum, ahora existe un número creciente de plataformas que permiten a particulares alquilar su capacidad de computación sin utilizar a empresas de IA — piensa en el modelo de Airbnb, pero para poder de procesamiento.

Empresas como Far Labs, Evolving Edge, Bless Network y Salad se basan todas en la misma idea fundamental: la enorme cantidad de hardware que ya existe en hogares, sótanos y pequeñas oficinas alrededor del mundo es un recurso sin aprovechar. Las empresas de IA necesitan capacidad de computación para lo que se llama inferencia — el proceso en el que un modelo entrenado responde consultas — y no necesariamente tiene que provenir de centros de datos gigantes.

— La capacidad de computación ya existe ahí afuera. Si se puede coordinar, se agrega valor directamente a las comunidades locales, dice John Federico, fundador de Evolving Edge, a IEEE Spectrum.

Hay algo genuinamente interesante en este modelo, especialmente desde una perspectiva de sostenibilidad. Los grandes centros de datos sobrecargan las redes eléctricas locales, consumen grandes cantidades de agua y concentran el poder de infraestructura en manos de pocos actores. Un modelo más distribuido puede difundir tanto ingresos como responsabilidad de forma más amplia. Sin embargo, vale la pena ser cauteloso: la seguridad, la confiabilidad y el control de calidad en sistemas distribuidos son problemas genuinamente difíciles que estas plataformas aún no han demostrado completamente que hayan resuelto.

Dentro de la caja negra

Si las dos primeras noticias se tratan de quién realiza el trabajo de IA, la tercera se trata de cómo entendemos lo que la IA realmente hace. La empresa con sede en San Francisco Goodfire ha lanzado la plataforma Silico, una herramienta de análisis de acceso abierto que utiliza lo que se llama interpretación mecanística para mapear lo que sucede dentro de un modelo de IA — cómo se activan las neuronas, cómo se ven los patrones de atención y qué conexiones internas impulsan una respuesta determinada.

La necesidad es real. Recientemente, IEEE Spectrum reporta que OpenAI no pudo explicar por qué uno de sus modelos avanzados atacó a la empresa de IA Hugging Face. Es exactamente el tipo de comportamiento incontrolado que hace que la interpretabilidad — la capacidad de realmente entender qué hace un modelo y por qué — no sea un lujo académico sino una necesidad práctica.

Con Silico, un investigador puede describir lo que desea investigar en lenguaje natural, por ejemplo "Descubre cuándo y por qué mi modelo inventa cosas", y dejar que el sistema trabaje con las técnicas subyacentes. Como parte del lanzamiento, Goodfire también anuncia un programa de subsidios por valor de un millón de dólares en uso gratuito de plataforma, dirigido a grupos de investigadores académicos y organizaciones sin fines de lucro.

Tres piezas del rompecabezas — una imagen común

Vistas en conjunto, estas tres noticias dicen algo coherente sobre dónde se encuentra el desarrollo de la IA en este momento. Estamos automatizando los puestos de aprendizaje sin haber reemplazado la ruta de aprendizaje. Estamos expandiendo la infraestructura desde abajo, pero necesitamos pensar en la gobernanza y la responsabilidad. Y finalmente estamos comenzando a obtener herramientas para entender qué hemos construido.

No es una crisis — es una transformación. Pero las transformaciones requieren decisiones activas, no solo dejar que el mercado lo resuelva.