En los procesos de negocio modernos, la adopción de la IA generativa ha trascendido la etapa de utilización como herramienta y está entrando en una fase de sistematización.
Más allá de esto, nos aguarda una nueva era de la inteligencia llamada "Inteligencia Sinfónica".
Este artículo explora el estado actual y las perspectivas futuras de la utilización de la IA generativa desde dos perspectivas: el trabajo de iteración y el trabajo en flujo.
Trabajo de Iteración
En un artículo anterior, analicé las perspectivas del trabajo de iteración y las herramientas, y el trabajo en flujo y los sistemas, como puntos de vista para permitir que la IA generativa realice tareas.
El trabajo de iteración se refiere a las tareas que los humanos realizan combinando de forma semiconsciente múltiples tareas concretas diferentes y procediendo mediante prueba y error.
Y para este trabajo de iteración, las herramientas son óptimas. Al seleccionar herramientas que se ajustan a diversas tareas, el trabajo puede avanzar de manera eficiente. Por lo tanto, es necesario preparar el conjunto de herramientas requerido y adquirir competencia en su uso.
Actualmente, cuando la IA generativa se utiliza en los negocios, la gran mayoría de los casos implican a la IA generativa como una herramienta.
La mayoría de las discusiones sobre cómo mejorar la eficiencia empresarial con la IA generativa se refieren a añadir esta nueva y potente herramienta al conjunto de herramientas existente que utilizan los humanos para su trabajo de iteración.
Problemas del Trabajo de Iteración
Por otro lado, como se señaló en un artículo anterior, las ganancias de eficiencia obtenidas con las herramientas en el trabajo de iteración son relativamente limitadas.
A medida que las herramientas se vuelven más eficientes, los humanos, en última instancia, se convierten en el cuello de botella. No podemos superar el límite del tiempo de trabajo humano.
Además, existe una brecha significativa en la eficiencia y precisión del trabajo de iteración entre empleados veteranos y recién contratados, y cerrar esta brecha es difícil. En consecuencia, incluso si se pretende duplicar la carga de trabajo el próximo mes, no se podrá manejar sin personal que posea las habilidades de un veterano.
Para resolver el problema de que los humanos sean el cuello de botella, la solución definitiva sería reemplazarlo todo con inteligencia artificial.
Sin embargo, la IA generativa actual aún no posee ese nivel de rendimiento.
Es más, incluso las tareas de iteración aparentemente simples, cuando se examinan de cerca, consisten en un gran número de subtareas inconscientes.
Por esta razón, estas tareas no pudieron desglosarse en sistemas de TI convencionales o manuales fáciles de seguir, y en su lugar se basaron en la pericia humana.
A menos que estas numerosas tareas inconscientes que requieren pericia se organicen, y el conocimiento necesario para cada una se cristalice en conocimiento, la IA generativa, por mucho que mejore su rendimiento, no podrá realizar tareas como sustituto de los humanos.
Conversión a Trabajo en Flujo y Sistematización
Para abordar los objetivos de distribuir tareas dentro de los límites de rendimiento actuales de la IA generativa, y de organizar las tareas inconscientes y cristalizar el know-how en conocimiento, es muy significativo organizar el trabajo de iteración de prueba y error en un trabajo en flujo estandarizado.
El trabajo en flujo estandarizado es adecuado no solo para herramientas, sino también para sistemas.
Dentro del trabajo en flujo, hay tareas para que la IA generativa las ejecute y tareas para que los humanos las ejecuten. Al conectar estas con un sistema, todo el trabajo en flujo se vuelve ejecutable.
La conversión a trabajo en flujo y la sistematización producen varios beneficios significativos:
Primero, debido a que la IA generativa está especializada para cada tarea individual, optimizar su eficiencia y precisión para cada tarea se vuelve claro.
Segundo, múltiples trabajadores pueden añadir conocimiento a la IA generativa, y los beneficios se extienden a todos.
Tercero, se vuelve más fácil trasladar progresivamente la división de tareas dentro de este trabajo a la IA generativa.
Al convertir el trabajo de iteración en trabajo en flujo y acumular el conocimiento requerido por la IA generativa para cada tarea como un sistema, el trabajo intelectual se acerca a la automatización, de forma muy similar a una línea de producción de fábrica.
Y al incorporar el rendimiento básico mejorado de la IA generativa, que evoluciona con el tiempo, y utilizar el conocimiento acumulado especializado para diversas tareas, será posible hacer que todo el trabajo en flujo sea un proceso automatizado llevado a cabo por la IA generativa.
Inteligencia Virtual
Hasta este punto, el análisis se ha centrado en las perspectivas del trabajo de iteración y las herramientas, y el trabajo en flujo y los sistemas.
Otro artículo reciente profundiza aún más en esta discusión.
En ese artículo, abordé el tema de la orquestación mediante la inteligencia virtual.
Actualmente, y en un futuro muy cercano, debido a las limitaciones de rendimiento, la IA generativa es más eficiente y precisa cuando se enfoca en tareas específicas.
Por lo tanto, como se discutió anteriormente con el trabajo en flujo y los sistemas, un mecanismo que conecte IAs generativas especializadas para cada tarea individual era ideal.
Sin embargo, incluso si el rendimiento de la IA generativa mejora significativamente, procesar tareas cambiando de roles y utilizando conocimiento dentro de un solo proceso, en lugar de simplemente manejar varias tareas simultáneamente, podría conducir a una mayor eficiencia y precisión.
Este enfoque elimina la necesidad de un sistema para vincular las IAs generativas entre sí. Las operaciones similares a la integración de sistemas ocurrirían dentro de la propia IA generativa.
Además, permite respuestas flexibles dentro de la propia IA generativa, alejándose de situaciones en las que las tareas no pueden intercambiarse o añadirse sin modificar el sistema.
Esto significa que el trabajo en flujo sistematizado vuelve a ser trabajo de iteración.
Sin embargo, este trabajo de iteración, habiendo pasado por la sistematización y la conversión a trabajo en flujo, se encuentra ahora en un estado en el que se puede formar conocimiento reutilizable, incluso si se aumenta el número de IAs generativas o se cambian las versiones.
Esto resuelve los problemas del trabajo de iteración humano, permitiendo un trabajo flexible similar al de los humanos.
Aquí, me refiero a la capacidad de la IA generativa para cambiar de roles y conocimiento durante una sola ejecución como inteligencia virtual. Esto es análogo a la máquina virtual de una computadora.
Así como la tecnología de máquinas virtuales simula computadoras completamente diferentes ejecutándose en un solo hardware, una única IA generativa procesa tareas alternando entre múltiples roles.
La IA generativa actual ya ha adquirido naturalmente esta capacidad de inteligencia virtual. Por esta razón, la IA generativa puede simular discusiones entre varias personas y generar novelas con múltiples personajes.
Si esta capacidad de inteligencia virtual mejora y se le proporciona suficiente conocimiento, será posible realizar trabajo de iteración.
Orquestación Inteligente
Además, me refiero a la capacidad de combinar libremente múltiples roles y conocimiento para realizar tareas de esta manera como orquestación inteligente.
Esto es similar a la tecnología de orquestación que gestiona múltiples máquinas virtuales.
Así como la tecnología de orquestación opera sistemas de manera eficiente iniciando las máquinas virtuales necesarias cuando se requieren, una IA generativa con habilidades de orquestación inteligente mejoradas —una capacidad de la inteligencia virtual— será capaz de realizar trabajo de iteración de manera flexible, gestionando apropiadamente numerosos roles y conocimientos, y manteniendo la eficiencia y la precisión.
Inteligencia Sinfónica
La IA generativa que alcanza esta etapa puede denominarse Inteligencia Sinfónica.
Así como una orquesta, experta en tocar cada instrumento, interpreta una sola pieza musical cumpliendo sus respectivos roles, la Inteligencia Sinfónica puede interpretar una sinfonía de tareas intelectuales.
Esta Inteligencia Sinfónica es un concepto nuevo, que representa uno de los puntos culminantes para la IA generativa.
Sin embargo, la Inteligencia Sinfónica misma ya existe.
Es nuestra inteligencia humana.
Es precisamente porque poseemos Inteligencia Sinfónica que podemos realizar de manera inconsciente y flexible múltiples tareas intelectuales complejas a través del trabajo de iteración, aprovechando una gran cantidad de know-how.
Finalmente: La Forma de la IAG
Al dotar a la IA generativa, capaz de simular la Inteligencia Sinfónica, con trabajo en flujo y bases de conocimiento para otras tareas, esta será capaz de manejar múltiples tareas de iteración.
Una vez que pueda manejar numerosas y diversas tareas de iteración, será capaz de captar reglas comunes entre esas tareas y patrones estructurales dentro del conocimiento.
En ese momento, para tareas de iteración completamente desconocidas, con solo una breve explicación de un humano, la IA podrá aprender el know-how de esa tarea simplemente observando cómo la realiza un humano.
Esto es la verdadera Inteligencia Sinfónica. Una vez alcanzada esta etapa, los humanos ya no necesitarán esforzarse en convertir el trabajo en procesos de flujo o en cristalizar el know-how en conocimiento.
Además, el conocimiento así acumulado automáticamente por la IA generativa podrá ser compartido entre otras IAs generativas.
Si esto sucede, la capacidad de aprendizaje de la IA generativa superará con creces la de los humanos.
Esto puede considerarse una forma de IAG.