L

as matemáticas son el lenguaje central de los negocios. Y ahora más que nunca es importante que los líderes empresariales las dominen.

Como cualquier idioma, es una habilidad que se puede aprender, pero que se pierde si no se practica. Dominarla puede incluso ayudar a liberar todo el potencial de la IA, guiada por humanos que saben exactamente lo que quieren obtener de ella.

Yo tengo una licenciatura en matemáticas por la Universidad de Cambridge, cuna de leyendas como Isaac Newton, Srinivasa Ramanujan y Alan Turing. Desde hace muchos años, soy miembro de Mensa, un grupo conocido por resolver ingeniosos acertijos de lógica. Y cuento con dos décadas de aprendizaje práctico en campos impulsados por números como la analítica de datos, la consultoría estratégica y la inversión.

Estas experiencias me han ayudado a perfeccionar un conjunto de herramientas matemáticas enfocadas en los negocios, que son atemporales en su utilidad y oportunas para la era de la IA. Se relacionan con verificar la coherencia de modelos computacionales, pensar de forma probabilística y ser consciente de las dinámicas multiplicativas. A continuación, las describiré como: TRY, DO y WIN.

TRY = Piense y razone por sí mismo

La ceguera por falta de atención, un concepto de psicología, dice que a veces estamos tan extremadamente enfocados en detalles irrelevantes que pasamos completamente por alto el panorama general que realmente importa. Tal vez usted ha visto el famoso video del “gorila en la habitación”.

Es fácil confiar “ciegamente” en números detallados que salen de un modelo sofisticado. Eso puede estar bien. Pero no sustituye el pensamiento y razonamiento propios.

La mejor forma de evitar esto es realizar siempre sus propios cálculos matemáticos básicos, guiados por el sentido común, para verificar que los resultados tengan lógica. Como dice una frase conocida: es preferible estar más o menos en lo correcto (por cuenta propia) que estar precisamente equivocado (por confiar en modelos defectuosos).

DO = Decisiones vs. resultados

Quizá la lección matemática más poderosa que he aprendido en mi carrera es esta: nosotros tomamos las decisiones, el mundo observa los resultados. Ambas cosas están relacionadas, pero no son lo mismo.

El uso de la lógica probabilística (como los árboles de decisión) con los mejores datos posibles sigue siendo la mejor manera de tomar buenas decisiones. De hecho, si usted hace esto de forma consistente, le irá bien. Pero casi con certeza habrá algunos apostadores que obtendrán mejores resultados, quizá mucho mejores que usted, simplemente por pura suerte. No hay nada que ganar envidiando, glorificando, copiando o estudiando esos resultados. La dinámica empresarial es probabilística y los resultados están sujetos al azar. Esa es la realidad de cómo funcionan las cosas, por muy difícil que sea de aceptar.

Aunque sus herramientas puedan parecer simples, el pensamiento probabilístico es un concepto increíblemente poderoso, central en casi todos los aspectos del razonamiento empresarial y de la toma de decisiones gerenciales.

WIN = Cuando no es lineal

A veces usted puede pensar que tiene el marco probabilístico correcto. Pero resulta ser peligrosamente erróneo. Esto sucede cuando se intenta aplicar el pensamiento “lineal” a problemas “no lineales”.

En algunas situaciones, el resultado promedio teórico sobre una población hipotética (un “conjunto”) puede ser muy diferente del resultado esperado real para cualquier persona individual dentro de esa misma población.

Esto puede resultar incómodamente contraintuitivo. La razón es que estamos acostumbrados a pensar en términos de sumas y restas, donde cada nuevo resultado parte del anterior. Pero muchos problemas de la vida real son de naturaleza multiplicativa.

Para maximizar las tasas de crecimiento a largo plazo, es necesario dimensionar inteligentemente las apuestas.

L

a IA no necesita una actualización de ciencia ficción para transformar la economía: los modelos actuales (y las versiones más baratas y potentes que vienen) están a punto de alterar casi todos los rincones del mercado laboral.

Para navegar por este nuevo panorama, los líderes deben comprender y planificar cómo afectará la automatización a sus negocios. Para ello, es necesario comprender qué tareas y responsabilidades tienen más probabilidades de estar bajo presión, y trazar un rumbo para mover a la empresa a lo largo de la cadena de valor de la inteligencia antes de que se acabe el tiempo.

¿Qué es lo que no está en riesgo de ser automatizado?

Investigadores, académicos y profesionales han debatido ampliamente qué trabajos y tareas son más vulnerables a la automatización. Algunas amenazas son obvias: los vehículos autónomos pronto podrían estar en posición de reemplazar a millones de conductores de transporte compartido, autobuses y camiones. Mientras tanto, la traducción de idiomas, la escritura creativa, el diseño e incluso la programación cotidiana están pasando a manos de la IA.

Los pioneros en investigación de IA Ajay Agrawal, Joshua Gans y Avi Goldfarb argumentaron en 2018 que, a medida que avanza la IA, el último bastión de la ventaja humana será el juicio: la capacidad de sopesar opciones y tomar decisiones bajo incertidumbre. Sin embargo, esa perspectiva nos deja una tarea imposible: definir con precisión qué califica como juicio en un momento dado.

Hoy en día, las tareas que exigen juicio humano (elegir un tratamiento médico, revisar un contrato legal, escribir un guion que capture el espíritu de la época) pronto podrían ser realizadas por IA a medida que los modelos acceden a datos más ricos y mayor capacidad de cómputo. Tampoco podemos asumir que las personas siempre preferirán a un terapeuta, consejero o mediador humano, según investigaciones recientes.

Entonces, ¿cómo podemos separar las tareas que la IA automatizará próximamente de aquellas que requerirán nuevos avances tecnológicos para lograrlo? Para responder eso, debemos volver a los principios fundamentales y revisar dónde comenzó todo.

De un concurso de laboratorio a una revolución industrial

A mediados de la década del 2000, la científica computacional Fei-Fei Li observó que el campo de la visión computacional (enfocado en permitir que las computadoras “vean” e interpreten imágenes) enfrentaba un cuello de botella: los algoritmos carecían de datos visuales suficientes para alcanzar el rendimiento humano. Su solución fue contundente: construyó ImageNet, un vasto conjunto de imágenes meticulosamente etiquetadas armado con ayuda de Amazon Mechanical Turk. Pero su verdadero golpe de genialidad llegó en 2010, cuando agregó una clasificación global al conjunto de datos, transformando el reconocimiento de imágenes en una competencia estilo gladiador para investigadores.

Luego, en 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton arrasaron con la competencia. Con dos tarjetas gráficas NVIDIA GTX 580, el trío de Toronto logró entrenar una red neuronal convolucional en solo unos días, un enfoque revolucionario que demostró que era posible alterar la historia de la visión computacional con el presupuesto de un estudiante de posgrado.

Ese momento puso fin al largo invierno de la IA, colocó a las redes neuronales en el centro del progreso y reveló el libro de jugadas con el que sigue funcionando este campo: Primero, reunir datos relevantes. Luego, depender de métricas para cuantificar e impulsar el progreso. Por último, inundar el modelo con datos y GPU hasta que aprenda por sí solo.

Datos, recompensa y cómputo

El marco que impulsó el avance en reconocimiento de imágenes es mucho más general de lo que muchos creen. Puede aplicarse siempre que podamos: a) definir el entorno de la tarea y reunir sus datos; b) especificar una recompensa objetivo; y c) proporcionar el poder computacional para permitir que el sistema itere.

Si se apilan esos tres ingredientes, se obtiene un motor de automatización de uso general. Ahora, dos tendencias de datos aceleran este ciclo. En primer lugar, los modelos pueden generar ejemplos sintéticos ilimitados (por ejemplo, creando “kilómetros de conducción” virtuales que cubran todos los escenarios extraños, en lugar de depender de datos de conductores reales). Y, en segundo lugar, la IA se despliega cada vez más en una variedad de dispositivos y sensores (en teléfonos, autos y otros lugares), capturando y cuantificando señales del mundo real que antes resultaban demasiado costosas o poco prácticas de medir.

Si puede convertir un fenómeno en números, la IA lo aprenderá y lo reproducirá a escala. Eso significa que cualquier trabajo que pueda medirse puede, en teoría, automatizarse.

Prosperar a pesar de las incógnitas desconocidas

Los humanos somos generalistas evolutivos, seleccionados para navegar por mapas incompletos. No solo sobrevivimos a las incógnitas desconocidas: prosperamos con ellas, y esa resiliencia es nuestra mayor ventaja. A lo largo de incontables generaciones afinamos nuestras cuerdas vocales y cerebros sociales hasta que surgió el lenguaje, abriendo la puerta al conocimiento acumulativo, el razonamiento abstracto y el pensamiento simbólico. A partir de allí, superamos nuestros límites biológicos, creando herramientas que expandieron nuestros sentidos, memoria y habilidades.

Pero la piedra angular de nuestra ventaja es nuestra corteza prefrontal altamente plástica y densamente conectada. Este centro de comando neuronal nos permite imaginar infinitos “qué pasaría si”, ensayar futuros contrafactuales y ajustar la estrategia en el instante en que cambian las condiciones. A falta de una verdadera singularidad, incluso las máquinas cuánticas tendrán dificultades para igualar nuestro talento para la planificación contrafactual abierta y multidisciplinar.

A medida que la IA acelera el progreso, crea nuevas incógnitas desconocidas, por lo que nuestros mapas siguen redibujándose. Mientras tanto, convierte lo predecible en rutina, tal como la mecanización agrícola nos sacó de la subsistencia, liberando más de nuestra capacidad cerebral contrafactual para problemas de mayor nivel.

La IA también tendrá dificultades en dominios donde la medición roza lo imposible: como lo demuestra el esfuerzo de una década que el Event Horizon Telescope necesitó para capturar una sola imagen de un agujero negro, y los desafíos aún no resueltos de explorar la física a gran escala, el manto profundo de la Tierra, los océanos abisales o las interacciones celulares vivas dentro del cerebro humano. También se quedará atrás donde la medición esté limitada por la privacidad, la ética o la regulación; donde la sociedad exija un razonamiento transparente; y donde las personas simplemente prefieran un toque humano.

Pero una excepción crucial en lo que puede medirse podría resultar decisiva: tareas que desafían la cuantificación porque sus probabilidades de resultado son fundamentalmente incognoscibles.

El crecimiento de una empresa emergente, la asignación de capital o talento a proyectos altamente inciertos, la contención de un nuevo virus, el establecimiento de la política de un banco central durante un cambio de régimen financiero, la redacción de principios éticos de la IA, la invención de un nuevo medio artístico, el inicio de una tendencia de moda o la creación de un nuevo éxito de taquilla que rompa géneros: todas estas tareas se sitúan en zonas donde las probabilidades desaparecen. Algunos actos y descubrimientos creativos no son más que ingeniosas recombinaciones de lo conocido, pero los verdaderamente ambiciosos dependen de nuestra capacidad singular para imaginar nuevos y complejos mundos contrafactuales.

Para los líderes que guían a sus organizaciones en esta transición turbulenta, ¿qué hay más allá de la hoja de cálculo? Todo aquello que no cabe en una celda: las habilidades que se resisten a ser contabilizadas, los problemas abiertos sin precedentes fiables, lo intangible.

En términos generales, la receta es sencilla. Respalde las apuestas arriesgadas con retornos difusos, recompense a los equipos que replantean los problemas y se inclinan por lo desconocido, y rote el talento por las funciones que se enfrentan a la incertidumbre en I+D, nuevos mercados e interacciones complejas con clientes, socios y políticas. Reserve tiempo libre y fomente colisiones entre equipos para estimular la serendipia y la recombinación de ideas. No trate esos espacios de ambigüedad planificada como pasivos, sino como activos estratégicos.

Solo los líderes que presten atención a lo que es medible (y, más crucialmente, a lo que obstinadamente no lo es) estarán listos cuando llegue el próximo cambio.