Cuatro principios para no ser atropellado por la IA
Hay un ejercicio mental que me gusta hacer de vez en cuando: tomar un consejo que suena obvio y empujarlo hasta el punto en que deja de serlo.
“Usa IA en tu trabajo.” Ok. ¿Pero cuánto? ¿En qué? ¿Con qué grado de confianza? ¿Cuándo te está ayudando y cuándo está inventando cosas con la confianza de un becario en su tercer día?
Ethan Mollick — profesor de Wharton, autor de Co-Intelligence: Living and Working with AI y probablemente el académico que más se toma en serio la tarea de desmitificar la IA para gente que no vive en foros técnicos — tiene cuatro principios para esto. Leí su análisis en Big Think y decidí desmenuzarlo aquí, con mi habitual exceso de opinión infundada.
Principio 1: usa IA en todo lo que sea legal y éticamente posible
Parece obvio. No lo es.
La mayoría de la gente usa la IA como usa un gimnasio en los primeros días de enero: con entusiasmo declarado y frecuencia decepcionante. Va, pide un correo, obtiene un resultado mediocre y vuelve a la forma antigua. Fin.
El punto de Mollick es más radical de lo que parece: la única manera de entender lo que la IA puede hacer es usarla con suficiente volumen para descubrir los casos de uso que no son obvios. Y los más valiosos, por definición, no son los obvios.
Nadie sabe exactamente de qué son capaces estos modelos — incluidas las personas que los construyen.
(Lo cual debería ser una información perturbadora para quien toma decisiones estratégicas basadas en “la IA va a automatizarlo todo” o “la IA no hace nada útil”.)
La conclusión pragmática aquí es simple: si estás esperando un manual de casos de uso aprobados antes de empezar, ya perdiste la ventana de aprendizaje que realmente va a importar.
Principio 2: trata a la IA como una persona, pero recuerda que no lo es
Este es el principio con más matices y, por tanto, el que más se malinterpreta.
La instrucción técnica es razonable: dar contexto, definir un rol (“actúa como un estratega sénior de marketing”), ser específico sobre lo que quieres. Funciona. La IA responde mejor a instrucciones detalladas que a preguntas vagas — igual que (algunos) humanos, por cierto.
El peligro, como apunta el propio Mollick, es lo que él llama el pecado capital de los usuarios de IA: fingir que la computadora es humana. La IA no razona. No tiene un modelo interno del mundo. Es extraordinariamente buena en identificar lo que quieres oír y entregártelo exactamente, lo que es simultáneamente útil y peligroso.
En otras palabras: es el mejor “sí, señor” que el dinero puede comprar (empieza en USD 20/mes, inclusive). Y como cualquier adulador, te llevará a lugares equivocados si no mantienes el escepticismo activado.
(Nassim Taleb tendría una opinión violenta sobre confiar en sistemas que optimizan para aprobación en vez de verdad. No estaría equivocado.)
Principio 3: explora el modelo centauro — o el modelo ciborgue
Este es el principio que más potencial tiene para cambiar la forma en que trabajas en la práctica.
Mollick usa dos metáforas para describir cómo integrar la IA en el trabajo:
Centauro: divides claramente las tareas. “Esto es mío, esto es de la IA.” La IA hace el borrador, tú lo revisas y decides. La IA analiza los datos, tú interpretas y actúas. Separación nítida entre funciones.
Ciborgue: la frontera desaparece. Piensas junto con la herramienta, en tiempo real, tan integrado que es difícil saber dónde termina uno y empieza el otro.
Ninguno de los dos es superior en abstracto — depende de la tarea, de tu nivel de dominio en el tema y de cuánto error puedas tolerar. Lo que importa es que seas consciente de qué modelo estás usando, y no que te muevas entre ambos sin darte cuenta.
El peligro real está en usar el modelo ciborgue en dominios donde tienes poco conocimiento. Porque entonces no puedes evaluar cuándo la herramienta te está ayudando y cuándo está inventando un camino, muy convincente, hacia un precipicio.
Principio 4: asume que esta es la peor IA que vas a usar
Este es el que incomoda, y por eso es el más importante.
La trayectoria evolutiva de los modelos en los últimos tres años ha sido tan agresiva que asumir que el actual es el techo es — por decirlo suavemente — un optimismo mal calibrado. GPT-4 (o Claude Opus 4.6 — tú no, Opus 4.7) parecía imposible en 2022. Lo que usamos hoy parecería ciencia ficción en 2020.
Mollick va directo: no sabemos hasta dónde llegará. No controlamos la velocidad. Lo que controlamos es cómo decidimos usar y aplicar estas herramientas ahora, y esa elección define quién va a quedar bien posicionado cuando vengan los próximos saltos.
La implicación práctica para líderes es incómoda: no se puede “esperar a que se estabilice” para tomar decisiones sobre la IA. La ventana de aprendizaje que estás perdiendo ahora es la experiencia que marcará la diferencia cuando los sistemas sean aún más capaces.
Es como empezar en el gimnasio cuando todavía estás débil. Esperar a estar fuerte para comenzar invierte por completo la lógica del proceso.
(He hablado tanto de gimnasio que me entró nostalgia. Ya pasó.) 🏋🏾♂️
Los cuatro juntos
Si juntas los cuatro principios, lo que Mollick describe no es una estrategia de adopción tecnológica; es una postura epistémica. (Sí, estaba inspirado cuando escribí “epistémica”.)
Úsala mucho. Mantén el escepticismo. Sabe cuándo tienes el control y cuándo no. Y trata el estado actual como punto de partida, no como destino.
Es la diferencia entre quienes van a navegar esta transición con cierta elegancia y los que se despertarán dentro de tres años preguntando dónde fue que fallaron.
(Voy a fingir que no escribí este post para mí mismo mientras usaba IA para escribir sobre cómo usar IA con más inteligencia.)
Referencia original: Ethan Mollick’s 4 guiding principles for leading with AI - Big Think
Libro de Mollick: Co-Intelligence: Living and Working with AI
