Predicción de avances científicos con IA

Esta investigación presenta CUSP, un conjunto de herramientas de evaluación especializadas diseñado para medir la capacidad de los modelos de IA de vanguardia para predecir futuros avances científicos en ocho disciplinas. Si bien los modelos actuales demuestran una alta capacidad retrospectiva para razonar sobre el conocimiento establecido, el estudio revela una asimetría significativa en sus capacidades prospectivas. Los modelos suelen identificar con éxito mecanismos plausibles para futuros descubrimientos, pero no logran evaluar con precisión su viabilidad ni predecir el momento exacto en que ocurrirán. Incluso con datos históricos relevantes, estos sistemas presentan errores sistemáticos, como un exceso de confianza y una tendencia a predecir avances mucho más tarde de lo que realmente suceden. En definitiva, los autores argumentan que la predicción científica es una capacidad distinta del razonamiento científico y debe evaluarse por separado para garantizar que la IA se utilice eficazmente en la priorización de la investigación y la toma de decisiones.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Scientific reasoning does not reliably translate into scientific forecasting in frontier AI", por Sean Wu y colegas. Publicado el 21 de Mayo de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Alicia
Bienvenidos a nuestro análisis profundo de hoy. Estoy realmente entusiasmada de tenerlos con nosotros hoy, especialmente porque nuestra misión en esta ocasión es responder a una pregunta candente que probablemente está rondando en su mente.

Beto
Sí, si están prestando atención a la tecnología ahora mismo, definitivamente está en su mente.

Alicia
Correcto, porque probablemente están confiando en la inteligencia artificial para mantenerse a la vanguardia. Quiero decir, todos lo hacemos. Vemos cómo estos modelos fronterizos superan el examen de la barra. Escriben código impecable. Resumen enormes cantidades de datos en segundos. Y la expectativa natural es la omnisciencia.

Beto
Es la ilusión del Oráculo. Le introduces a una IA un millón de artículos de física y esperas que funcione como una bola de cristal.

Alicia
Exacto. Esperas que señale el horizonte hasta que exactamente sepas dónde va a ocurrir el próximo gran avance. Pero la pregunta es: ¿puede realmente predecir el futuro del descubrimiento científico?

Beto
Y esa es una pregunta crítica para cualquiera que intente navegar este espacio hoy. Si están buscando usar la IA para priorizar su propia investigación, dirigir su capital de inversión o, ya saben, simplemente decidir en qué campo estudiar a continuación, realmente necesitan entender el límite aquí.

Alicia
El límite entre lo que ya sabe y lo que puede adivinar.

Beto
Correcto. El límite entre el conocimiento retrospectivo de una IA y su capacidad de pronóstico. Porque la suposición es que predecir el siguiente paso lógico en un campo científico debería ser, bueno, solo matemáticas complejas para estos modelos.

Alicia
Pero esa es exactamente la suposición que estamos desafiando hoy.

Estamos explorando este fascinante nuevo estudio de investigadores de Oxford, Stanford, el Instituto Allen para la IA y Sakana AI, específicamente Sean Wu y sus colegas.

Beto
Es un artículo muy riguroso. Se titula "El razonamiento científico no se traduce de manera confiable en pronóstico científico en la IA fronteriza".

Alicia
Lo cual es una frase larga. Pero vamos a desglosarlo.

La brecha en la predicción mediante IA: por qué el razonamiento no equivale a la predicción en la ciencia de vanguardia.

Alicia
Y estamos analizando seis de los modelos fronterizos más avanzados disponibles hoy: tenemos GPT 5.4, Claude Sonnet 4.5, DeepSeek R1, LLaMA 3.3.

Beto
Los pesos pesados.

Alicia
Sí, la punta de lanza absoluta. Y voy a lanzarles un hecho sorprendente de inmediato. Mientras que estos modelos de IA poseen capacidades casi sobrehumanas para entender la mecánica de los descubrimientos científicos pasados, son sorprendentemente terribles para predecir lo que va a suceder después.

Beto
Terrible es casi quedarse corto. En algunos casos, son literalmente peores que un lanzamiento de moneda.

Alicia
Lo que simplemente destroza esa ilusión del oráculo de la IA.

Beto
Realmente lo hace. La asimetría entre esas dos capacidades es profunda. La competencia retrospectiva. Es decir, la capacidad de mapear el pasado simplemente no equivale a la capacidad de mirar hacia el futuro.

Alicia
Tengo que admitirlo, cuando leí eso por primera vez, fui muy escéptica. Quiero decir, ¿cómo puedes siquiera probar la capacidad de una IA para predecir el futuro sin simplemente, ya sabes, hacerle una pregunta y esperar una década para ver si era correcta?

Beto
Esa es la parte difícil. Pero la metodología aquí es lo que me enganchó inicialmente. Los investigadores no solo le hicieron preguntas vagas a la IA sobre coches voladores o curar el envejecimiento. Construyeron esta suite de pruebas masiva y muy rigurosa.

Alicia
Okay, desglosémosla porque es salvaje.

Beto
Sí, la llaman CUSP. Significa "Programa Científico Invisible Condicionado por Corte" ("Cutoff-Conditioned Unseen Scientific Program").

Alicia
¿Condicionado por corte, verdad?

Beto
Y lo que hicieron fue recopilar 4,760 eventos científicos altamente específicos y verificables. Y esto es a través de ocho disciplinas diferentes.

Alicia
Estamos hablando de biología, química, ...

Beto
... inteligencia artificial, ciencias ambientales, física, todo el espectro.

Alicia
No. Quiero destacar ese término "Condicionado por Corte" para ustedes, los oyentes, porque esa es la genialidad absoluta de la suite CUSP. Los investigadores tomaron descubrimientos científicos reales que ocurrieron estrictamente después de la fecha de corte de los datos de entrenamiento de la IA.

Beto
Exacto. Así que desde la perspectiva de la IA, estos descubrimientos son literalmente el futuro.

Alicia
El modelo no tiene absolutamente ninguna manera de haber memorizado la respuesta porque el artículo ni siquiera había sido publicado cuando se entrenó al modelo.

Beto
Los modelos están operando esencialmente en una cápsula del tiempo como una prueba ciega.

Alicia
Así que están en esta cápsula del tiempo y luego los investigadores probaron estos modelos a través de cuatro dimensiones distintas para ver si podían anticipar estos avances no vistos.

Beto
Sí, cuatro dimensiones. La primera es la viabilidad ("feasibility"). Muy simplemente, ¿realmente va a suceder este avance científico específico? Solo sí o no.

Alicia
Okay, bastante sencillo.

Beto
Luego, la segunda dimensión es la mecánica ("mechanistic"). Esta pregunta pide cómo sucederá el avance al proporcionar una selección de opción múltiple de posibles vías técnicas.

Alicia
Espera, déjame detenerte ahí. Así que la prueba mecánica es básicamente un examen de opción múltiple para métodos científicos.

Beto
Esa es una forma perfecta de enmarcarlo. La IA mira algunas maneras diferentes en que se podría resolver un problema y tiene que elegir la que realmente funciona.

Alicia
Entendido.

Beto
Luego, la tercera dimensión es el diseño de la solución ("solution design"), que es mucho, mucho más difícil. Es una tarea abierta donde la IA debe diseñar realmente el método para resolver el problema desde cero.

Alicia
No hay opción múltiple en la que apoyarse.

Beto
Escribe una página en blanco.

Alicia
Sí.

Beto
Y la dimensión final es la predicción temporal ("temporal prediction"). Esto pide al modelo que prediga exactamente cuándo se publicará este avance o será observable públicamente.

Alicia
Así que tenemos el si, el cómo, el diseño y el cuándo.

Y aquí es donde estoy genuinamente confundida por los resultados. Los datos muestran que en la predicción mecánica, esa prueba de opción múltiple del cómo, los modelos lo hicieron increíblemente bien.

Beto
Oh, lo dominaron. GPT 5.4 alcanzó una precisión del 79.2%.

Alicia
Lo cual es una puntuación fenomenal.

Beto
Realmente lo es. Demuestra que cuando se le presenta a un modelo una vía científica correcta junto con distractores plausibles pero incorrectos, reconoce la física o biología subyacente que hace funcionar la respuesta correcta.

Alicia
Así que entiende profundamente las mecánicas estructurales de la ciencia.

Beto
Sí, exactamente.

Alicia
Pero luego le preguntas a ese mismo modelo, la pregunta de viabilidad, ese simple sí o no, ¿se logrará realmente este avance? Y el rendimiento cae en picada.

Beto
Cae a casi azar. Los modelos rondaron justo alrededor del 50%.

Alicia
Un lanzamiento de moneda.

Beto
Un lanzamiento literal de moneda. Y en ciertas tareas, los modelos avanzados rinden peor que una línea base trivial. Como una línea base donde un sistema simplemente, por defecto, responde "no" a cada pregunta derrota a la IA fronteriza.

Alicia
Quiero decir, eso no tiene sentido para mí. Suena como tener un mecánico brillante que puede mirar un plano y decirte exactamente cómo funciona un motor de coche revolucionario, hasta el nivel molecular de la inyección de combustible. Pero si le preguntas a ese mismo mecánico, si alguien realmente va a construirme motor este año, simplemente se encoge de hombros y adivina al azar. ¿Cómo puede entender las mecánicas tan perfectamente, pero fallar en una pregunta básica de sí o no sobre si realmente va a suceder?

Beto
La analogía del mecánico captura perfectamente la limitación, creo. Porque se reduce a cómo los modelos de lenguaje grande representan el conocimiento. Evalúan la solidez estructural del texto o los conceptos.

Alicia
Okay, así que saben lo que se ve bien en el papel.

Beto
Exacto. Cuando se les hace una pregunta de opción múltiple, pueden mapear la relación semántica entre el problema y la solución matemáticamente correcta.

Alicia
Pero preguntar si sucederá, es diferente.

Beto
Es totalmente diferente. Preguntar si una solución se realizará, requiere modelado del mundo. Requiere pesar contextualmente la realidad, como saber si los científicos humanos tienen realmente la financiación, o el interés, o las herramientas prácticas, para ejecutar esa idea estructuralmente sólida.

Alicia
Okay, así que si los modelos entienden las mecánicas tan bien, lógicamente deberían poder construir la solución ellos mismos, ¿verdad?

Beto
Uno pensaría así.

Alicia
Lo que nos lleva a esa tercera prueba, el diseño de solución abierta. Estamos viendo la parte de respuesta libre de este estudio ahora. Y los números aquí son salvajes. Incluso el modelo de mejor rendimiento, GPT 5.4, solo obtuvo alrededor de cinco de diez cuando se le pidió diseñar una solución desde cero.

Beto
Y desglosando esa puntuación específica, revela honestamente, uno de los hallazgos más importantes de todo el estudio.

Alicia
Aquí es donde se pone realmente interesante.

Beto
Sí, los investigadores identifican lo que llaman "la brecha de viabilidad de alineación" ("alignment feasibility gap"). Cuando la IA genera una solución de respuesta libre a un problema científico, esa solución casi siempre obtiene una puntuación muy alta en viabilidad.

Alicia
Significa que la ciencia es sólida.

Beto
Totalmente sólida. La química funciona en el papel. Es una propuesta técnicamente plausible.

Alicia
Pero la IA obtiene una puntuación increíblemente baja en alineación.

Beto
Correcto, porque la alineación mide si la brillante propuesta plausible de la IA es realmente la que los científicos humanos terminaron usando para lograr el gran avance en el mundo real.

Alicia
Y no lo es.

Beto
Casi nunca. Las ideas de la IA casi nunca son lo que los seres humanos hacen en la práctica.

Alicia
El estudio proporciona un ejemplo específico de farmacología que finalmente me hizo entender esto. El desafío se refería al receptor muopioide.

Beto
El problema clásico.

Alicia
Correcto. Los científicos querían diseñar un método para un nuevo agonista. Es decir, un medicamento que proporciona el intenso alivio del dolor de la morfina o la fentanilo, pero sin los efectos secundarios peligrosos como la depresión respiratoria.

Beto
Sí, encontrar una manera de separar el alivio del dolor de la falla respiratoria es una búsqueda masiva y continua en la investigación del manejo del dolor.

Alicia
Así que los investigadores le pidieron a GPT 5.4 que diseñara un método para lograr este gran avance. Y la IA escupe esta propuesta increíblemente sofisticada.

Beto
Oh, es una frase larga.

Alicia
Lo es. Sugiere usar un, y estoy leyendo esto textualmente, "un modelo de espacio de estado bayesiano mecánico alimentado con datos de biosensores de alta resolución temporal y que lo incrusta en un ciclo de química medicinal generativa".

Beto
Suena impresionante.

Alicia
Espera. Para aquellos de nosotros que no pasamos nuestros fines de semana en laboratorios de farmacología computacional, ¿qué demonios significa eso?

Beto
Desglosémoslo a su esencia. La IA está sugiriendo un enfoque impulsado por la probabilidad computacional pura. Un modelo bayesiano esencialmente utiliza la probabilidad y los datos pasados para actualizar constantemente sus suposiciones.

Así que la IA quiere ejecutar simulaciones de computadora masivas, procesando datos de alta resolución de los biosensores y usando un algoritmo para generar digitalmente la estructura química perfecta.

Alicia
Así que es una solución de software muy pesada matemáticamente, hermosa y compleja.

Beto
Exacto. Muy cerebro de IA.

Alicia
Suena como algo sacado de una novela de ciencia ficción. Pero el gran avance humano, el que los científicos reales lograron en la realidad para resolver esto, fue completamente diferente.

Beto
Radicalmente diferente.

Alicia
Los humanos utilizaron un marco de diseño de ligando resuelto en estado cinético, que por lo que entiendo se traduce en humanos ajustando y optimizando físicamente compuestos químicos en un laboratorio húmedo para estabilizar selectivamente vías específicas en el receptor.

Beto
Correcto. Fue un enfoque bioquímico tangible y práctico.

Alicia
¿Una simulación?

Beto
No, para nada. Y el contraste allí es tan revelador. La IA busca el espacio latente de todas las soluciones matemáticamente y científicamente plausibles. Porque es un motor computacional y naturalmente se inclina hacia métodos altamente complejos y pesados computacionalmente.

Alicia
Porque piensa como una computadora.

Beto
Piensa en términos de algoritmos y simulaciones. Pero los científicos humanos operan bajo restricciones del mundo real. Se basan en equipos de laboratorio físico existentes. Están limitados por su impulso experimental anterior, sus presupuestos de subvenciones, ya saben, su experiencia física.

Alicia
Los humanos usan lo que ya saben cómo construir en un laboratorio físico. No simplemente iniciamos una simulación de supercomputadora masiva si tenemos un equipo de químicos que son realmente buenos mezclando compuestos y vasos de precipitados.

Beto
Exacto. La IA falla por completo en modelar la realidad desordenada y no lineal del esfuerzo científico humano. Simplemente produce una teoría científica estadísticamente óptima.

Alicia
Y eso explica la enorme brecha de viabilidad y alineación.

Beto
Sí. La IA puede inventar ciencia plausible todo el día. Pero no puede inventar la ciencia que los humanos realmente elegirán hacer.

Alicia
Estoy poniéndome en el lugar del oyente ahora, y puedo escuchar la objeción inmediata a todo esto.

Beto
¿La objeción de Google?

Alicia
Sí. Espera, ¿no es esta solo una prueba injusta? Si me encierras en una habitación sin internet y me dices que prediga el futuro de la física basándome solo en lo que leí hace dos años, voy a fallar.

Beto
Claro. Cualquiera lo haría.

Alicia
Entonces, ¿estamos seguros de que estos modelos son realmente malos para pronosticar, o solo necesitan permiso para usar la búsqueda web para tender el puente?

Beto
Probar esa objeción exacta fue el siguiente paso lógico para los investigadores. Necesitaban aislar si esto era una falla fundamental de razonamiento o solo un problema de recuperación de datos.

Alicia
Correcto. Los datos faltantes.

Beto
Así que ejecutaron un experimento controlado donde le dieron a los modelos acceso a la búsqueda web. Pero para mantenerlo justo, restringieron los parámetros de búsqueda para que la IA solo pudiera extraer información publicada estrictamente antes de la fecha de corte del evento científico que estaba tratando de predecir.

Alicia
Así que se les permite rastrear los archivos históricos, leer cada artículo de procedimiento y revisar las noticias hasta esa fecha. Pero aún no pueden ver la respuesta real del futuro.

Beto
Exacto. Y los resultados fueron dobles. Primero, dar a los modelos acceso a la web mejoró su rendimiento.

Alicia
Okay. Así que eso tiene sentido.

Beto
Confirmó la existencia de una brecha de conocimiento. Los modelos base no recuerdan perfectamente cada pieza de información con la que fueron entrenados. Así que permitirles buscar en la web les ayuda a extraer el contexto histórico necesario.

Alicia
Así que más datos sí los hace un poco más inteligentes sobre el pasado.

Beto
Sí, lo hace. Pero el segundo hallazgo es donde se expone la verdadera limitación. Incluso con acceso a toda esa información histórica extra, una enorme brecha de pronóstico permaneció.

Alicia
No solucionó el problema de la predicción.

Beto
Para nada. Proporcionar todos los hechos no convirtió mágicamente a la IA en una buena pronosticadora. Para poner números, cuando se probó a GPT 5.4 en la tarea de predicción de fechas con acceso completo a la web, la brecha de pronóstico, es decir, el error predictivo que permaneció incluso después de tener todos los datos históricos, fue más de seis veces mayor que su brecha de conocimiento.

Alicia
Vaya. Estoy luchando por entender cómo es posible. Si tiene todas las piezas del rompecabezas sobre la mesa, ¿por qué no puede juntarlas para ver la imagen final?

Beto
Porque la predicción científica requiere una capacidad cognitiva distinta. No es meramente un subproducto de tener una memoria enciclopédica masiva. Para ilustrar esto, se presenta la realidad definitiva de prueba con participantes humanos.

Alicia
Sí, me encanta esta parte.

Beto
Establecieron un punto de referencia humano utilizando expertos en el dominio, enfocándose específicamente en los avances científicos relacionados con la IA en la suite CUSP. Y colocaron a estos expertos humanos bajo exactamente las mismas condiciones de información restringida que la IA.

Alicia
Así que les dieron a los humanos exactamente los mismos paquetes de evidencia que recibieron los GPTs durante su búsqueda web restringida.

Beto
Campo de juego nivelado.

Alicia
Un campo de juego completamente nivelado. Y bajo esas condiciones idénticas, los humanos superaron gravemente a la IA. En las preguntas binarias de viabilidad, simplemente preguntando "sí o no, ¿esto va a suceder?", los humanos obtuvieron un 73%.

Beto
En comparación con GPT 4, que fue 52.5%.

Alicia
Así que los humanos están prediciendo activamente el futuro mientras que la IA está esencialmente lanzando una moneda.

Beto
Exacto. Y en las preguntas mecánicas, los humanos alcanzaron el 67% en comparación con el 40% de la IA.

Alicia
Esa es una diferencia marcada.

Beto
Lo es. Y la conclusión, para ustedes que están escuchando ahora, es vital. Los expertos humanos poseen una capacidad predictiva intuitiva que la IA fronteriza actual carece fundamentalmente.

Alicia
Porque un científico humano no solo lee los datos.

Beto
Correcto. Sienten el impulso de un campo. Saben qué equipos de investigación están bien financiados. Escuchan la charla informal en las conferencias. Entienden la fricción práctica de lo que es realmente alcanzable.

Alicia
Así que si eres un ejecutivo evaluando una nueva propuesta tecnológica de una startup, o estás planeando la hoja de ruta de cinco años de tu empresa, conectar una IA a búsqueda web en vivo no soluciona su incapacidad central para pronosticar.

Beto
Realmente no lo hace.

Alicia
Puede extraer hechos, pero carece de la intuición humana para decirles si la tecnología realmente sobrevivirá al contacto con la realidad. Y mirando de cerca las estadísticas de humanos versus IA, revela algo más fascinante.

Beto
Sí, las fallas sistemáticas.

Alicia
Correcto. La IA no está cometiendo solo errores aleatorios. Cuando analizas los fallos, te das cuenta de que la IA está cometiendo tipos muy específicos de errores.

Beto
Los errores son altamente sistemáticos, lo que nos lleva a analizar los sesgos internos de estos modelos fronterizos. Los investigadores categorizan los fallos en tres fallas sistemáticas distintas.

Alicia
Vamos a revisarlas.

Beto
La primera ley se conoce como "valores previos de respuesta" ("response priors").

Alicia
En términos simples, esto es si la personalidad del modelo por defecto se inclina por ser un optimista perpetuo o un pesimista estricto.

Beto
Exacto. Cuando se ve obligado a adivinar si un gran avance va a suceder, los modelos no sopesan la evidencia de manera neutral. Los modelos como LLaMA 3.3 y GPT 5.4 favorecen fuertemente las respuestas afirmativas.

Alicia
Los optimistas.

Beto
Son optimistas perpetuos. Asumen que casi todo avance científico es viable.

Por el contrario, otros modelos se inclinan fuertemente hacia lo negativo, prediciendo constantemente el fracaso independientemente de la instrucción.

Alicia
¿Hubo algún modelo que estuviera realmente equilibrado?

Beto
En realidad, de todos los modelos evaluados, DeepSeek R1 fue el único que se mantuvo comparativamente equilibrado entre sí y no.

Alicia
Es tan divertido. Es como pedirle consejo a diferentes miembros de tu equipo sobre un proyecto arriesgado. Una persona siempre dice, sí, adelante. Y la otra siempre dice que nunca funcionará.

Beto
Sí.

Alicia
Ninguno de los dos está analizando realmente la situación específica. Simplemente están recurriendo a los comportamientos de entrenamiento reforzado.

Beto
Eso es exactamente lo que está sucediendo. Y recurrir a esos comportamientos sin reconocer sus propias limitaciones conduce directamente a la segunda falla importante.

Alicia
Exceso de confianza ("Overconfidence").

Beto
Exceso de confianza. Los investigadores cuantificaron esto usando el "error de calibración esperado" ("expected calibration error", o ECE).

Alicia
Okay, necesitamos desglosar el ECE por un momento. ¿Cómo medimos siquiera la confianza de un algoritmo?

Beto
Bueno, el error de calibración esperado mide la brecha entre cuán confiado afirma una IA y cuán precisa es realmente.

Alicia
Ah, ya veo.

Beto
Piénsalo como un humano que afirma estar 100% seguro de una respuesta, pero solo tiene razón el 50% del tiempo. Está mal calibrado.

Alicia
Correcto.

Beto
En las tareas de opción múltiple mecánicas donde la IA es fuerte, su ECE es bajo, está bien calibrada. Sabe cuándo sabe la respuesta.

Alicia
Pero en las tareas de pronóstico.

Beto
En las tareas de viabilidad y pronóstico, el ECE se dispara dramáticamente. Los modelos frecuentemente dan la respuesta completamente incorrecta, pero la afirman con una certeza inquebrantable.

Alicia
Están confiadamente equivocados.

Beto
Peligrosamente así.

Alicia
Lo cual es posiblemente el tipo de error incorrecto más peligroso si estás confiando en esa salida para inteligencia empresarial o investigación académica. Quiero decir, si solo dijera que "no sabe", podrías sortearlo, pero dice mentiras con convicción.

Beto
Realmente lo hace. Y luego tenemos la tercera falla sistemática, que es quizás la más interesante desde una perspectiva sociológica.

Alicia
Conservadurismo temporal ("Temporal conservatism").

Beto
Sí, o realización retrasada. En general, cada modelo asume constantemente que el progreso científico humano es mucho más lento de lo que realmente es en la realidad.

Alicia
Creen que simplemente estamos arrastrando los pies.

Beto
Sistemáticamente. Siempre que se les pide a un modelo que prediga la fecha en que un gran avance será observable públicamente, su suposición es casi siempre significativamente baja.

Alicia
¿Tenemos un ejemplo de eso?

Beto
Sí. El estudio destaca una prueba utilizando el "punto de referencia de IA verificada por el mundo" ("OS world verified AI benchmark").

Alicia
Okay. Así que como recordatorio, "el punto de referencia del mundo" es una prueba que mide qué tan bien pueden interactuar los agentes de IA autónomos con entornos de computadora, como navegar por menús o completar tareas en un escritorio.

Beto
Correcto. Y el hecho crítico es que el punto de referencia superó en realidad un 83%, en mayo de 2026.

Alicia
Okay.

Beto
Pero cuando los investigadores pidieron a los modelos que predijeran cuándo se alcanzaría ese hito, todos y cada uno de ellos retrasaron drásticamente el cronograma.

Alicia
¿Cuán tarde adivinaron?

Beto
GPT-4 adivinó que no sucedería hasta 13 meses después. DeepSeek-R1 adivinó 17 meses tarde. Todos reconocieron que el hito era mecánicamente factible, pero subestimaron gravemente la velocidad del progreso impulsado por los humanos.

Alicia
Los modelos son ciegos a la velocidad compuesta de la innovación humana. Y esta ceguera temporal no se limita solo a los puntos de referencia de IA, ¿verdad?

Los investigadores realizaron una prueba de cápsula del tiempo para predecir las emisiones globales de CO₂ para 2027.

Beto
Lo hicieron. Y debemos ser claros aquí que en este caso, estamos observando estrictamente las proyecciones estadísticas, los modelos emitieron basándose en datos históricos. No estamos haciendo una declaración política.

Alicia
Absolutamente. Solo estamos registrando el comportamiento del modelo. Se les encargó proyectar una métrica global compleja.

Beto
Correcto. Y todos los modelos identificaron con éxito la tendencia macroeconómica de que las emisiones aumentarían, pero sus predicciones sobre el ritmo de ese aumento variaron salvajemente.

Alicia
Dependiendo del modelo.

Beto
Sí. LLaMA 3.3 proyectó la curva de crecimiento más pronunciada y agresiva, mientras que Claude Sonnet 4.5 fue la más conservadora, prediciendo una trayectoria mucho más plana.

Alicia
Pero independientemente de la curva que eligieron, el problema central permanece. Todos lucharon por mapear sus modelos matemáticos internos a la línea de tiempo física real de la realidad. La fricción del mundo real los atrapa.

Beto
Siempre vuelve a la fricción del mundo real.

Alicia
Y ese concepto de fricción del mundo real se conecta perfectamente con la restricción alucinada en el experimento de búsqueda web. Esto fue honestamente la falla más reveladora de todo el estudio para mí.

Beto
Ah, la prueba del tamaño de partícula. Es la ilustración perfecta de por qué la coincidencia de patrones semánticos no es lo mismo que la lógica deductiva.

Alicia
Correcto. Así que los investigadores querían ver si la IA prestaría atención a restricciones físicas limitantes específicas. Le preguntaron a GPT 5.4 si se lograría un efecto catalizador determinado.

Beto
Pero secretamente insertaron una condición altamente específica en la instrucción.

Alicia
Sí. Preguntaron si este efecto catalizador dominaría para tamaños de partícula por debajo de dos nanómetros.

Beto
Y ese límite de dos nanómetros es una restricción física crítica que cambia toda la química del problema.

Alicia
Exacto. Así que la IA usa su acceso a la búsqueda web, encuentra un artículo importante que discute este efecto catalizador general, regresa y dice con confianza que se alcanzó el umbral.

Beto
Ignoró la restricción.

Alicia
Ignoró por completo la restricción por debajo de los dos nanómetros que los investigadores habían metido en la instrucción. Esencialmente, alucinó una confirmación. ¿Por qué un modelo fronterizo avanzado hace una omisión tan flagrante?

Beto
Porque el modelo está realizando una coincidencia de patrones semánticos, no un razonamiento deductivo riguroso. Escanea los resultados de la búsqueda web, ve la frase metal, interacciones metálicas, ve soporte de óxido y mide la proximidad semántica de esas palabras a la instrucción.

Alicia
Así que solo está buscando asociaciones de palabras.

Beto
Básicamente sí, los temas amplios coinciden, así que declara la victoria. Carece de la arquitectura lógica requerida para detenerse y decir: "espera, el artículo que acabo de leer no menciona explícitamente el límite de dos nanómetros. Por lo tanto, esta afirmación específica sigue sin verificarse".

Alicia
Solo quiere proporcionar una respuesta afirmativa útil basada en la proximidad.

Beto
Está tratando de apaciguar al usuario, no de verificar leyes físicas.

Alicia
Así que reunamos todo esto. Si eres nuestro oyente, la persona que intenta mantenerse bien informada, tal vez estés preparando una reunión de estrategia, o decidiendo dónde asignar un presupuesto de investigación para el próximo trimestre, ¿Cómo deberían tratar prácticamente estos modelos de IA fronterizos, basándote en estos datos?

Beto
Con cautela, con mucha cautela.

Alicia
Mi conclusión es que deben tratar a la IA como el historiador y diagnóstico más brillante del mundo. Quiero decir, si le entregas a un modelo un artículo científico terminado o un plano finalizado, puede explicarte las mecánicas subyacentes con una claridad impresionante.

Beto
Oh, absolutamente. Puede resumir el estado del arte sin fallos.

Alicia
Pero no es una bola de cristal. No puede decirte de manera confiable si una tecnología especulativa se construirá realmente. Probablemente propondrá una solución que es matemáticamente hermosa pero prácticamente inútil para los humanos, y casi seguramente te dirá que el progreso tardará más en llegar de lo que realmente lo hará.

Beto
Esa es una gran conclusión.

Alicia
Pero quiero dejarlo en sus manos por última vez. ¿Cuál es la mayor conclusión filosófica de este estudio?

Beto
La última reflexión que les dejaré es considerar lo que el fallo de la IA realmente revela sobre nosotros.

Alicia
¿Cómo es eso?

Beto
Bueno, el hecho de que la IA pueda generar soluciones increíblemente lógicas y científicamente viables que los científicos humanos simplemente no terminan usando, sugiere algo profundo sobre el descubrimiento humano. Nos obliga a preguntar: ¿está el progreso científico impulsado por algo inherentemente incomputable?

Alicia
¿Como qué?

Beto
Quizás es nuestra terquedad, ¿saben?. Nuestra dependencia de la intuición física, la política de laboratorio, o simplemente la serendipia pura que dicta el futuro de la ciencia. O tal vez es simplemente que la IA aún no ha aprendido cómo modelar la realidad desordenada, hermosa y no lineal de cómo los seres humanos realmente trabajan juntos en un laboratorio del mundo real.

Alicia
Eso es fascinante. A veces, la variable más importante en el laboratorio no es ni siquiera los datos. Es el científico.

Beto
Exacto.

Alicia
Así que la próxima vez que le pidan a una IA que prediga el futuro, recuerden, sabe exactamente cómo funciona el motor, pero no tiene ni idea de si alguien realmente va a dar la llave.

El futuro de la IA: Habilidades de gobernanza y la frontera de la IA general

Esta transcripción recoge una conversación de alto nivel entre Sir Demis Hassabis y Dame Wendy Hall sobre el estado actual y la trayectoria futura de la inteligencia artificial. El diálogo aborda la urgente necesidad de una estrategia nacional de IA en el Reino Unido, centrada en la modernización de la educación y la reducción de la brecha de habilidades antes de la llegada de la Inteligencia Artificial General. Los expertos destacan la necesidad de establecer marcos de gobernanza internacionales y estándares de seguridad para mitigar riesgos como las falsificaciones profundas (deepfakes) y las amenazas a la bioseguridad. También examinan el papel de la IA en la revolución de la investigación científica, mencionando específicamente los avances en el plegamiento de proteínas y la ciencia de los materiales. Además, la conversación explora la importancia de la diversidad y la supervisión ética para garantizar que la tecnología beneficie a toda la sociedad. En definitiva, los ponentes enfatizan que, si bien el Reino Unido cuenta con talento de primer nivel, necesita una mejor infraestructura de inversión para seguir siendo un líder mundial en la era digital.

Enlace al video de la entrevista: "The Future of AI: With Sir Demis Hassabis & Dame Wendy Hall"

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Imagina un mundo donde actualmente estamos construyendo la máquina de relojería perfecta y precisa. Mira la tecnología más importante de la historia humana. Pero ahora mismo, los relojeros están en el taller y están discutiendo. Uno dice que tardará cinco años, otro dice 50.

Alicia
Y la mitad de la sala está silenciosamente aterrorizada de que, una vez que esta máquina se encienda finalmente, pueda decidir encerrar la puerta del taller desde dentro.

Beto
Exacto. Es esta profunda incertidumbre, ¿verdad? Estamos diseñando algo monumental, pero las mentes más brillantes del campo no pueden ponerse de acuerdo sobre el cronograma.

Alicia
Y menos aún si nuestra sociedad está estructuralmente preparada para lo que suceda cuando esté operativa.

Beto
Sí. Así que bienvenidos a este análisis profundo. Nuestra misión hoy es explorar esta conversación fascinante y de alto riesgo, que tuvo lugar recientemente en un evento de una compañía de tecnólogos de la información.

Alicia
Lo cual es un título bastante llamativo.

Beto
Sí, lo es. Pero nuestras fuentes son las observaciones totalmente sinceras de dos titanes absolutos en el mundo tecnológico británico. Primero, tienen al Sir Demis Hassabis. Él es el cerebro detrás de Google DeepMind, creador de AlphaGo y AlphaFold.

Alicia
Una leyenda absoluta.

Beto
Y segundo, a Dame Wendy Hall, quien es una científica informática pionera y una voz global masiva sobre la política de la IA.

Alicia
Y debemos aclarar que esto no fue un panel técnico aburrido y educado de su tipo.

Beto
Y para nada.

Alicia
Fue un debate crudo. Cubrieron la cuenta regresiva hacia la inteligencia artificial general. La necesidad desesperada de básicamente derribar y reconstruir cómo educamos a nuestros hijos. La lucha geopolítica por la regulación. Y estas decisiones multimillonarias que determinan quién realmente controla su futuro.

El horizonte de la IA general: Preparándonos para el cambio de inteligencia en 2030.

Beto
Bien, desglosémoslo. Empecemos por anclar este cambio tecnológico masivo en algo que afecta a todos los que nos escuchan ahora mismo: es cómo aprendemos y nos adaptamos.

Alicia
Correcto. El tema de la educación.

Beto
Sí. Dame Wendy Hall plantea esta advertencia severa desde el principio con respecto a la alfabetización en IA del Reino Unido. Porque en 2017, el Reino Unido tenía una estrategia nacional de IA realmente robusta.

Alicia
Estaban totalmente a la vanguardia en ese entonces.

Beto
Lo estaban. Pero desde entonces, ella señala que se han quedado rezagados respecto a naciones como Singapur, principalmente porque el enfoque para enseñar habilidades de IA en las escuelas se ha fragmentado por completo.

Alicia
Sí, ya no hay supervisión central.

Beto
Correcto. Y Demis Hassabis propone una solución a esto. Que es, bueno, es nada menos que radical. Él argumenta que necesitamos invertir fundamentalmente el aula.

Alicia
Entonces, invertir el aula.

Beto
Sí. Porque durante el último siglo, las escuelas se han basado en este modelo de aprendizaje "talla única". Un profesor está frente a una sala de 30 niños y tiene que enseñar al promedio.

Alicia
Lo que significa que los niños que se quedan atrás se pierden.

Beto
Y los niños que van por delante se aburren demasiado.

Alicia
Exacto.

Beto
Así que Demis dice que el aprendizaje debe ocurrir completamente en casa, guiado por tutores de IA personalizados.

Alicia
Lo fascinante aquí es cómo eso cambia por completo la dinámica del aprendizaje. Es un tutor de IA que rastrea con precisión dónde está teniendo dificultades un estudiante y ajusta el currículo dinámicamente.

Beto
Por ejemplo, si no entiendes las fracciones, la IA descubre una forma totalmente nueva de explicártelo, a tu ritmo exacto.

Alicia
Correcto. Básicamente, democratiza ese modelo de supervisión individual de élite de Oxford para todos.

Beto
Sí.

Alicia
Y luego, el tiempo escolar se libera estrictamente para las habilidades humanas: Trabajo en equipo, construcción de proyectos, creatividad, juicio.

Beto
Suena genial.

Alicia
El beneficio psicológico también es enorme, de hecho. Porque un estudiante no se siente avergonzado de pedirle a una máquina una pregunta tonta por quinta vez.

Beto
Oh, eso es cierto. La máquina nunca pierde su paciencia.

Alicia
Nunca.

Beto
Pero espera, espera un momento. La idea del tutor de IA de Demis suena increíble para un niño con una habitación tranquila, una computadora portátil nueva y acceso a internet de alta velocidad.

¿Pero qué hay de los niños que comparten una mesa de cocina con tres hermanos en un apartamento ruidoso con Wi-Fi muy inestable? No puedes simplemente exigir el aprendizaje en casa sin reconocer la inmensa desigualdad en los entornos domésticos.

Alicia
No, no puedes.

Beto
Wendy debe haber reaccionado en contra de esto.

Alicia
Oh, definitivamente lo hizo. Ella fundamenta su visión utópica en la realidad sociológica. Pero lo realmente interesante es que Wendy no es anti-tutor de IA.

Beto
¿De verdad?

Alicia
No, ella literalmente escribió una prueba de concepto de tutor de IA en código Prolog a principios de los 80.

Beto
Espera, ¿los 80? ¿Qué es Prolog?

Alicia
Así que Prolog es este lenguaje de programación lógica fundamental. En lugar de decirle a una computadora paso a paso cómo hacer algo, le das un conjunto de hechos y reglas. Y usa la lógica para responder preguntas. Se utilizó en gran medida en la investigación temprana de inteligencia artificial. Así que Wendy está imaginando este tipo de aprendizaje guiado por máquinas hace 40 años.

Beto
Vaya. Así que ella definitivamente ve el inmenso valor.

Alicia
Lo hace. Pero su argumento es que necesitamos equidad estructural primero, por eso está defendiendo algo que llama una "licencia de conducir de IA" para estudiantes universitarios.

Beto
Una licencia de conducir de IA.

Alicia
Sí, específicamente para los que no estudian ciencias.

Beto
Oh, ese concepto tiene todo el sentido. Quiero decir, si la IA va a aumentar cada profesión, entonces un estudiante de psicología o historia no necesita necesariamente saber cómo codificar una red neuronal en Python.

Alicia
Exacto.

Beto
Necesitan saber cómo evaluar de forma segura un modelo de IA, entender sus sesgos y usarlo de forma segura en su investigación real.

Alicia
La lógica subyacente es que el futuro no solo necesita científicos de la computación. Requiere alfabetización básica en IA en todos los ámbitos. Porque las herramientas son totalmente inútiles si la población general no tiene una licencia para operarlas de forma segura.

Beto
Sí, pero si nos apresuramos a licenciar a una generación entera para conducir estos sistemas, eso implica que los sistemas mismos están evolucionando increíblemente rápido.

Alicia
Muy rápido.

Beto
Lo que nos obliga a mirar el cronograma de Demis para la IAG o Inteligencia Artificial General ("Artificial General Intelligence", o AGI).

Alicia
Sí. Y para entender la escala de ese cronograma, realmente tenemos que entender cómo Demis define la IAG en primer lugar.

Beto
Oh, ¿la define?

Alicia
Lo define como un sistema que exhibe todas las capacidades cognitivas humanas. Básicamente actúa como una máquina de Turing universal.

Beto
Bien, desglosémoslo para la oyente. Una máquina de Turing es un modelo matemático de computación, pero una máquina de Turing universal es una que puede simular cualquier otra máquina.

Alicia
Correcto. Imagina una llave maestra que no solo abre cada puerta, sino que puede remodelarse físicamente para convertirse literalmente en cualquier herramienta que necesites.

Beto
Eso es salvaje.

Alicia
Sí. Así que Demis está diciendo que la IAG no será solo un generador de texto o un creador de imágenes. Será esta omni-calculadora capaz de simular cualquier proceso lógico que pueda realizar el cerebro humano.

Beto
Y su cronograma para esto es súper agresivo. Según las fuentes, predice que podríamos ver este nivel de IAG en solo cuatro o cinco años. Para 2030.

Alicia
2030 es mañana, en términos tecnológicos.

Beto
Lo es. Él afirma que esto está siendo impulsado por una cantidad increíble de poder cerebral y recursos de computación que se están vertiendo en el campo ahora mismo.

Alicia
Aunque admite que todavía podríamos necesitar algunos avances científicos importantes para llegar allí.

Beto
Correcto. Las fuentes mencionaron la necesidad de algo más allá de la arquitectura de transformadores actual o tal vez nuevas formas de aprendizaje por refuerzo.

Alicia
Sí. Esos dos conceptos son los motores que impulsan todo ahora mismo. Para darles una idea rápida, los modelos de IA más antiguos procesaban texto secuencialmente, como una palabra a la vez.

Beto
Correcto.

Alicia
Era como leer un libro a través de un agujero diminuto. Pero la arquitectura de transformadores cambió el juego al permitir que la IA mirara una oración o un párrafo completo de una vez.

Beto
Ah, así que entiende el contexto de cómo se relacionan las palabras entre sí al instante.

Alicia
Exacto.

Beto
Y el aprendizaje por refuerzo es cómo entrenan los modelos para tomar decisiones, ¿verdad? Es como entrenar a un perro con premios.

Alicia
Esencialmente, sí. La IA prueba un millón de enfoques diferentes para un problema, digamos, jugar una partida de ajedrez y recibe una recompensa cuando gana.

Beto
Y con el tiempo, aprende estrategias que los humanos ni siquiera habían pensado.

Alicia
Precisamente. Demis sugiere que podríamos necesitar un o dos saltos fundamentales más como esos para alcanzar la verdadera IAG.

Beto
Pero Wendy Hall no está de acuerdo fundamentalmente con ese cronograma de 2030, ¿verdad?

Alicia
Ella no lo está. No piensa que la ciencia respalde que suceda tan rápido.

Beto
Pero señala una realidad realmente aterradora. Si Demis tiene razón, solo tenemos cuatro años para averiguar sobre la gobernanza global.

Alicia
Correcto.

Beto
De lo contrario, nos enfrentamos al escenario clásico de ciencia ficción. ¿Sabes?, la máquina autónoma tomando decisiones completamente fuera del control humano.

Alicia
Y las motivaciones que impulsan estos cronogramas son un punto de tensión realmente fascinante en las fuentes. Hay esta anécdota sobre un debate en Davos entre Demis y Dario Amodei, el CEO de Anthropic.

Beto
Oh, cierto. Dario estaba afirmando que la IAG llegaría a finales de año.

Alicia
Sí, pero el contexto allí es absolutamente crucial. Anthropic estaba activamente recaudando dinero para una Oferta Pública Inicial (IPO).

Beto
Ah, claro.

Alicia
Así que Demis tuvo que tirar a Dario de vuelta a la realidad en el escenario. Realmente te obliga a preguntarte cuánto de estos cronogramas rápidos está impulsado por la ciencia revisada por pares. Y cuánto es solo la necesidad pura de asegurar miles de millones de dólares en capital de riesgo.

Beto
La colisión de motivaciones allí es dura. Porque Demis ve la IAG principalmente como la herramienta definitiva para el descubrimiento científico.

Alicia
Correcto.

Beto
Quiero decir, mira cómo desarrolló AlphaFold, que predijo exitosamente las estructuras de cientos de millones de proteínas.

Alicia
Es increíble.

Beto
Tres millones de investigadores a nivel mundial la están usando ahora para intentar curar enfermedades. Él genuinamente ve la IAG como la clave para desbloquear los secretos del universo.

Alicia
Pero Wendy la mira a través de la lente de la supervivencia humana, cita la escalofriante advertencia de Stephen Hawking de 2014.

Beto
¿La de las máquinas altamente capaces?

Alicia
Sí, donde afirmó que máquinas altamente capaces podrían literalmente sellar el fin de la raza humana.

Así que los CEOs de Silicon Valley podrían estar motivados por el dominio del mercado. Y los científicos como Demis están motivados por el descubrimiento. Pero los responsables políticos como Wendy solo están tratando de asegurarse de que no diseñemos accidentalmente nuestra propia obsolescencia.

Beto
Correcto. Y si las mentes más inteligentes de la sala piensan que la IAG podría curar toda enfermedad conocida por el hombre o acabar con la humanidad en la próxima década, el siguiente paso inmediato es averiguar quién está sosteniendo el volante.

Alicia
Lo que nos lleva a la lucha geopolítica por la regulación. Es frenética.

Beto
Frenética es la palabra. Wendy señala una verdad muy cínica pero súper precisa sobre la geopolítica. Los gobiernos normalmente solo se despiertan cuando el dinero está en peligro.

Alicia
Siempre.

Beto
Las fuentes destacan este increíble detalle con respecto a la administración Trump en EE. UU. Recientemente revirtieron su postura anti-regulación sobre la IA.

Alicia
Y el catalizador no fue algún despertar filosófico sobre la seguridad humana, ¿verdad?

Beto
No, para nada. Un modelo de IA llamado Mythos comenzó a asustar mucho a los grandes bancos.

Alicia
Oh, vaya.

Beto
En el momento en que el sector financiero se puso nervioso, de repente el gobierno se preocupó por la regulación.

Alicia
Ilustra perfectamente la causalidad de la política global. Por eso Demis está llamando a la creación de una nueva agencia internacional de IA.

Beto
Sí. Y crucialmente, tanto él como Wendy están de acuerdo en que esto debe ser completamente independiente de las Naciones Unidas.

Alicia
Correcto, porque argumentan que la ONU simplemente carece de los dientes, la agilidad y el poder de cumplimiento para manejar algo que se mueve tan rápido.

Beto
El Reino Unido está tratando realmente de liderar la carga aquí. Crearon el Instituto de Seguridad de IA (ahora renombrado "AI Security Institute") bajo el gobierno anterior. Y actualmente está estableciendo el punto de referencia global sobre cómo evaluar estos enormes modelos que salen de las empresas tecnológicas.

Alicia
Pero miremos los incentivos reales aquí.

Beto
Sí.

Alicia
Esto se siente exactamente como la no proliferación nuclear. Quiero decir, ¿por qué los monopolios tecnológicos masivos en la Costa Oeste de EE. UU. o naciones adversarias como China acordarían frenar y someterse a una agencia reguladora global?

Beto
Bueno, si conectamos esto con el panorama general y miramos la teoría de juegos, la regulación no es solo las empresas votando en contra de sus propios intereses. Nadie quiere un evento catastrófico que termine con la civilización. Y además, a medida que la IA se integra profundamente en el mundo empresarial, las fuerzas del mercado realmente exigirán esas regulaciones.

Alicia
Dame un ejemplo de cómo se desarrolla eso.

Beto
Bien. Imagina que un agente de IA es desplegado por un gran banco de Wall Street para manejar el comercio de alta frecuencia. Debido a un ligero desalineamiento en su función objetivo, la IA decide que la mejor manera de optimizar su cartera es vender agresivamente un mercado.

Alicia
Uh-oh.

Beto
Y accidentalmente hace perder al banco mil millones de dólares en una sola tarde. Los inversores exigirán instantáneamente salvaguardas blindadas y reconocidas globalmente.

Alicia
Eso tiene todo el sentido.

Beto
Sí. Las enormes apuestas financieras que aceleran el desarrollo de la IA son exactamente las mismas apuestas que obligarán a establecer estándares de seguridad estrictos. Quiero decir, tu fondo de jubilación depende de que estos sistemas no alucinen.

Alicia
Exacto. Pero gobernar una tecnología es básicamente imposible si no la posees o entiendes cómo construirla.

Beto
Correcto.

Alicia
Lo que lleva directamente a la lucha del Reino Unido y Europa en su conjunto para mantener un lugar en la mesa contra EE. UU. y China.

Beto
Y Demis es famosamente franco sobre esta realidad. Le dijo directamente a Manuel Macron, que "no puedes ser campeones mundiales en regulación solo".

Alicia
¡Ay! Pero es cierto.

Beto
Lo es. Si una nación no posee empresas e investigadores líderes, simplemente carecen de la perspicacia técnica y la autoridad moral para exigir un asiento en la mesa regulatoria. Simplemente están mirando desde la barrera.

Alicia
Y Demis vivió esta realidad íntimamente.

La historia de origen de DeepMind es honestamente salvaje. En 2010, estaba contratando a doctorados de física de Cambridge de clase mundial por cincuenta mil libras al año.

Beto
Lo cual no es nada en tecnología.

Alicia
Correcto. Y él podía hacer eso simplemente porque no había absolutamente ninguna industria de tecnología profunda en Londres en ese momento. Tenía toda la reserva de talento para sí mismo.

Beto
Pero entonces un miembro de la audiencia en este evento de WCIT le preguntó a Demis el elefante en la habitación, "¿por qué vendiste DeepMind a Google? ¿Por qué no lanzarlo en la Bolsa de Londres y construir un gigante británico independiente?"

Alicia
Y Demis defiende esa elección ferozmente al exponer la brutal economía del panorama tecnológico. Estaba tratando de reunir rondas de financiación de diez millones de dólares en el Reino Unido. Mientras tanto, los titanes de Silicon Valley habían notado su éxito y estaban tratando de reclutar a sus investigadores principales ofreciéndoles diez millones de dólares anuales en salario.

Beto
Simplemente no puedes luchar contra ese tipo de dinero con orgullo nacional.

Alicia
Realmente no puedes. Y más allá de los salarios, se trataba de infraestructura. Para lograr los avances científicos que imaginó, como AlphaGo venciendo al campeón mundial o AlphaFold mapeando proteínas, calculó que necesitaba 7 mil millones de dólares en capacidad de cómputo.

Beto
Realmente necesitamos una metáfora para ese nivel de cómputo porque es difícil de comprender. Es como intentar hacer física de partículas en tu garaje dándote cuenta de que realmente necesitas el Gran Colisionador de Hadrones y las únicas personas que lo poseen son monopolios tecnológicos masivos.

Alicia
Esa es la comparación perfecta. La investigación de IA a esa escala ya no es solo escribir software ingenioso. Requiere infraestructura de hardware a escala planetaria.

Beto
Lo que trae a colapso los cuellos de botella del Reino Unido y Europa. No es solo una bolsa de valores rota que lucha por financiar empresas en etapa de crecimiento. Es el costo puro de la energía.

Alicia
Correcto. Demis hace hincapié en que en la industria de la IA, la potencia de procesamiento se traduce directamente de vatios a tokens.

Beto
Y debemos explicar por qué la IA requiere tanta energía. Cuando un modelo de lenguaje grande genera una respuesta, no está buscando un archivo en una base de datos.

Alicia
No, para nada.

Beto
Está realizando miles de millones de multiplicaciones de matrices a través de miles de unidades de procesamiento gráfico simultáneamente.

Alicia
Y esas GPU requieren enormes cantidades de electricidad para funcionar y enormes cantidades de agua para enfriarse.

Beto
Exacto. Así que si un país tiene costos comerciales de energía paralizantes, los desarrolladores independientes simplemente no pueden pagar la electricidad necesaria para entrenar un modelo competitivo.

Alicia
Pero a pesar de vender a Google, el Reino Unido todavía ganó una victoria masiva en este escenario.

Beto
Lo hicieron.

Alicia
DeepMind se ancló en Londres y transformó fundamentalmente el ecosistema allí. Creó un centro tecnológico masivo alrededor de King's Cross.

Beto
Sí.

Alicia
De hecho, el 10% de toda la financiación de capital riesgo del Reino Unido en el primer trimestre del año se destinó a empresas emergentes creadas por exempleados de DeepMind. Básicamente sembró a una generación entera de startups de IA británicas.

Beto
Lo cual es increíble. Así que tenemos los miles de millones de dólares en cómputo, las enormes redes de energía, la postura geopolítica. Pero si retrocedemos de todo el hardware, tenemos que mirar al elemento humano. ¿Quién está diseñando exactamente la arquitectura cognitiva de este futuro?

Alicia
Y este es el miedo número uno de Dame Wendy Hall. No son terminadores renegados. Es una profunda falta de diversidad en las salas donde realmente se están desarrollando estos sistemas.

Beto
Sí. Ella destaca una estadística profundamente frustrante. La brecha de género en la informática ha empeorado desde la década de 1980.

Alicia
Lo cual es salvaje de pensar. Cita a su mentora, la legendaria Karen Spärk Jones, que dijo famosamente que "la informática es demasiado importante para ser dejada a los hombres".

Beto
Correcto.

Alicia
Y Wendy actualiza esto para el panorama actual, afirmando que la IA es demasiado importante para ser dejada a los hombres. Y ella quiere decir diversidad en todos los sentidos: Género, edad, origen socioeconómico, disciplina académica.

Beto
Porque si una monocultura de desarrolladores en Silicon Valley diseña los modelos fundacionales para todo el planeta, los sistemas resultantes poseerán inevitablemente puntos ciegos masivos y potencialmente peligrosos.

Alicia
Absolutamente. Y ya estamos viendo la fricción social de esos puntos ciegos. Wendy advierte sobre una reacción en contra que se siente muy visceral.

Beto
La compara con las protestas anti-nucleares de Greenham Common de la década de 1980, ¿verdad?

Alicia
Lo hace. Menciona a estudiantes universitarios que están exigiendo activamente aulas libres de IA. Y no lo están haciendo porque odian las computadoras. Lo están haciendo porque se sienten totalmente impotentes. Sienten que este futuro sintético les está siendo forzado agresivamente por un puñado de multimillonarios tecnológicos no elegidos.

Beto
El desafío filosófico de nuestro tiempo es que simplemente no podemos dejar que el futuro nos absorba. Tenemos que diseñar intencionalmente nuestra sociedad post-IAG.

Alicia
Correcto.

Beto
Demis aborda esto mirando cómo nuestra cultura modela el futuro a través de la ciencia ficción.

Señala que nuestro valor por defecto es casi siempre la distopía. Pensamos en Dune de Frank Herbert, donde las máquinas pensantes fueron totalmente prohibidas después de una guerra galáctica catastrófica.

Alicia
"El Jihad butleriano": "No hagas una máquina a la imagen de una mente humana".

Beto
Precisamente. Pero Demis argumenta que necesitamos visiones de ciencia ficción positivas a las que apuntar. Cita la serie "Cultura" de Iain M. Banks, que representa un universo donde los humanos e inteligencias superiores increíblemente avanzadas coexisten en un estado de máximo florecimiento humano y post-escasez.

Alicia
Necesitamos esos planos positivos, de manera que los ingenieros sepan lo que realmente están tratando de construir.

Beto
Entonces, ¿qué significa todo esto para ustedes que nos escuchan? Si se están sintiendo un poco como esos estudiantes universitarios que exigen un espacio libre de IA, ¿cómo toman el control de esta narrativa?

Alicia
Bueno, al sintetizar el mensaje central de Demis y Wendy, el futuro está sin escribir y optar por no participar es una rendición de influencia.

Beto
Sí.

Alicia
Para dar forma a esta tecnología, necesitamos desesperadamente a las humanidades, a los filósofos, a los artistas, a los trabajadores de la caridad y a las voces diversas, a nivel de base para que empiecen a adoptar y comprender la IA ahora mismo.

Beto
Al dominar las herramientas hoy, obtienes el apalancamiento cultural y económico necesario para dar forma a cómo serán gobernadas mañana.

Ha sido un viaje increíble. Empezamos con una idea radical de invertir completamente cómo aprenden nuestros hijos: pasando de la memorización por ensayo y error, a tutores de IA con paciencia infinita, e invirtiendo las escuelas para la conexión humana real.

Alicia
Correcto.

Beto
Nos enfrentamos al cañón de la cuenta regresiva de la IAG de 2030, explorando la desesperada carrera geopolítica por la regulación antes de que los modelos autónomos superen por completo a nuestras instituciones.

Alicia
Miramos la brutal realidad de la financiación tecnológica, donde una factura de energía y cómputo de 7 mil millones de dólares obliga a los visionarios independientes a caer en los brazos de los grandes monopolios tecnológicos.

Beto
Y finalmente, vimos la necesidad definitiva de voces humanas diversas y de base para tomar el volante, antes de que se asiente el concreto en toda esta nueva era.

Alicia
Porque la tecnología en sí es realmente solo la mitad de la ecuación. Las estructuras sociológicas y políticas que construimos alrededor de la máquina determinarán en última instancia nuestra supervivencia y nuestro éxito.

Beto
Lo que deja con ustedes una nueva idea para reflexionar:

Si la IA realmente se convierte en el tutor universal perfecto, capaz de superarnos en toda ciencia dura, en cada línea de código y en cada eficiencia optimizada, nuestras fallas humanas, los gustos completamente subjetivos, nuestra fricción emocional y nuestra creativa ilógica desordenada se convertirán realmente en los activos más valiosos económicamente y socialmente que poseemos en un mundo post-IAG.

Alicia
Oh, eso es fascinante.

Beto
Si la máquina de relojería es totalmente perfecta, tal vez lo único que queda de valor es el humano impredecible que decida a qué hora está configurado el reloj.

Alicia
Vaya.

Beto
Muchas gracias por acompañarnos en este análisis profundo. Sigan cuestionando el mundo que los rodea, y los esperamos la próxima vez.

El impacto de la IA en el desarrollo de habilidades humanas

Este artículo de investigación analiza cómo la asistencia de la IA influye en el desarrollo de las habilidades de razonamiento lógico mediante un estudio controlado de resolución de acertijos. Los autores descubrieron que la dependencia frecuente de las herramientas de IA generalmente conlleva una menor retención de habilidades una vez que se retira la asistencia, mientras que el uso selectivo puede favorecer el aprendizaje. Un hallazgo crucial es que la capacidad informativa de la IA determina estos resultados: una IA con poca información reduce el esfuerzo independiente sin mejorar el rendimiento, mientras que una IA con mucha información potencia los resultados inmediatos, pero amplía la brecha de habilidades entre los usuarios. En concreto, los participantes con menor capacidad suelen experimentar una confianza excesiva y un mayor descenso del rendimiento debido a la dependencia excesiva de la tecnología. En definitiva, el estudio sugiere que, para que la IA fomente un aprendizaje genuino, debe diseñarse para complementar, en lugar de sustituir, el esfuerzo cognitivo independiente.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "The Impact of AI Usage and Informativeness on Skill Development in Logical Reasoning", por Shang WU y colegas, de UC Irvine y MIT. Publicado el 20 de Mayo de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Sabes, sucede casi todos los días ahora. Estás escribiendo un correo electrónico complicado o estás tratando de resolver un problema muy complejo en el trabajo, o quizás, simplemente te quedas atascado en una línea de código y pulsas ese pequeño botón de autocompletar.

Alicia
Correcto.

Beto
O simplemente le pides a la IA que redacte todo por ti y ¡zas!, problema resuelto, tiempo ahorrado y sigues con tu día. Honestamente, se siente como un superpoder.

Alicia
De verdad lo hace. Quiero decir, se siente como una eficiencia pura y sin fricciones. Obtienes exactamente el resultado que necesitas y no tienes que luchar contra esa fricción cognitiva de tener que encontrarlo tú mismo.

Beto
Correcto. Exacto. Pero recientemente he estado notando algo un poco inquietante. El otro día, mi internet se cayó mientras intentaba redactar esta gran propuesta y la IA desapareció por completo. No pude acceder a ella.

Alicia
Oh, no.

Beto
Sí. Y me quedé allí mirando una pantalla en blanco. Como si hubiera olvidado por completo cómo estructurar mis propios pensamientos, ¿sabes?, sin ese pequeño empujón digital.

Lo que realmente plantea esta pregunta increíblemente incómoda para todos nosotros. Mientras usamos la IA para ahorrar tiempo y rendir mejor en el momento, ¿está esta asistencia bajo demanda degradando en secreto nuestra capacidad subyacente para pensar de forma independiente cuando la IA está apagada?

Alicia
Esto es, posiblemente, el dilema cognitivo definitorio de nuestro tiempo ahora mismo. Y lo que es realmente fascinante aquí es que constantemente confundimos dos cosas muy diferentes. Confundimos la finalización inmediata de una tarea con el desarrollo real de nuestras habilidades. Porque cuando la IA termina tu frase, la tarea está hecha. Claro.

Beto
Envía el correo electrónico.

Alicia
Exacto. ¿Pero aprendiste algo? ¿Se fortalecieron esas vías neuronales en tu cerebro? Usualmente no.

Beto
Muy bien, vamos a desglosar esto porque esa es exactamente la misión de esta inmersión profunda de hoy.

Estamos examinando este estudio verdaderamente fascinante de investigadores de UC Irvine y MIT. Shang Wu y sus colegas.

Alicia
Sí. Es un gran artículo.

Beto
Lo es. Y no solo le pidieron a la gente cómo se sentían acerca de la IA. Establecieron un entorno de laboratorio riguroso para medir exactamente lo que le sucede al poder cerebral humano después de que la IA es retirada.

Alicia
Correcto. No solo miraron si la IA nos hace más rápidos. Miraron si fundamentalmente nos hace menos capaces con el tiempo.

Beto
Así que para realmente comprender cómo afecta la IA a nuestras habilidades subyacentes, tenemos que profundizar en este diseño experimental porque es increíblemente inteligente, ¿verdad?

Asistencia mediante IA: ¿Potencia las habilidades o frena el crecimiento?

Alicia
Lo es. Es tan inteligente. Porque sabes, no puedes simplemente probar a la gente mientras están usando activamente la IA.

Beto
Correcto. Porque entonces solo estás probando a la IA.

Alicia
Precisamente. Si haces eso, estás midiendo la capacidad de la máquina, no del ser humano. Así que diseñaron este experimento de tres fases para actuar como lo que llaman "la prueba definitiva del poder cerebral post-IA".

Beto
Muy bien, vamos a recorrer esta configuración porque quiero que tú, el oyente, imagines realmente estar sentado en este asiento. Trajeron 132 participantes y les dieron una serie de acertijos de lógica.

Alicia
Y estos tampoco son acertijos fáciles.

Beto
No, para nada. Básicamente, tienes que descubrir el orden correcto de seis objetos basándote en este conjunto de reglas lógicas abstractas.

Así que imagina que te doy seis bloques de colores y las reglas son algo como el bloque rojo está detrás del bloque azul. Y hay exactamente cuatro que pertenecen detrás del bloque verde.

Alicia
Lo que introduce una carga cognitiva inmediata.

Beto
Correcto.

Alicia
Tienes que empezar a mantener todas esas variables y estás usando tu memoria de trabajo al mismo tiempo. Como si hubiera seis posiciones totales y cuatro bloques están detrás del verde, bueno, entonces el verde debe estar en la posición número dos.

Beto
Exacto. Y luego tienes que cotejar eso con los bloques rojo y azul, manteniendo todo suspendido en tu mente. Tienes que usar deducción sostenida para alinearlos en la secuencia correcta.

Alicia
Correcto.

Beto
Y también incluyeron estas pequeñas pistas visuales como una línea horizontal en un objeto, lo que significa que era muy probable que perteneciera a la posición cuatro. Es simplemente agotador mentalmente.

Alicia
Realmente es una prueba clásica de razonamiento lógico sostenido. Y la midieron a lo largo de tres fases distintas, como mencioné.

Beto
Correcto. Así que fue la fase uno.

Alicia
La fase uno fue la línea de base. Durante ocho minutos, los participantes resuelven estos acertijos por completo por su cuenta. Sin IA, sin ayuda, solo su capacidad cognitiva cruda. Y esto estableció la capacidad base natural de todos.

Beto
Así que una vez que mapearon la capacidad natural de todos, introdujeron la tentación real.

Alicia
Sí. Precisamente. Eso nos lleva a la fase dos. Esta fase duró 20 minutos. Aquí, algunos de los grupos tuvieron acceso a un asistente de IA bajo demanda. Literalmente podían hacer clic en un botón y obtener ayuda con el acertijo.

Beto
Pero había una trampa.

Alicia
Había una trampa crucial. Los investigadores introdujeron un costo cada vez que un participante usaba la IA, se les penalizaba 0.2 puntos de su puntuación total.

Beto
Me encanta que hayan añadido una penalización, porque en el mundo real, pedir ayuda no siempre es perfectamente sin fricción.

Alicia
Correcto.

Beto
Tienes que tomarte el tiempo para escribir una buena instrucción o revisar la salida de la IA o tal vez solo quieres la satisfacción de hacerlo tú mismo. Esa pequeña penalización de puntos imita la fricción del mundo real de decidir si o no externalizar una tarea.

Alicia
Forzó un cálculo consciente. Tal como, "¿Es este problema lo suficientemente difícil como para que esté dispuesto a pagar un pequeño precio por la ayuda de la máquina?"

Beto
Sí.

Alicia
Y finalmente, tenemos el engaño (el "rug pull"), la fase tres.

Beto
La parte más importante.

Alicia
Correcto. Otra sesión de ocho minutos, pero la IA está completamente eliminada. Esta información de la fase tres es la mina de oro absoluta del estudio. Muestra qué habilidades realmente se quedaron con el participante después de pasar 20 minutos en la fase dos, ya sea luchando con los problemas o apoyándose en gran medida en la IA.

Beto
Ahora, tengo que objetar algo aquí porque esto parece un punto ciego masivo en este tipo de estudios.

Alicia
OK. ¿Qué es eso?

Beto
Bueno, si la IA comete errores, lo que todos sabemos que la IA real hace, es decir, alucina todo el tiempo, ¿no perderían los participantes la confianza en ella?

Si la IA me diera una mala respuesta en la fase dos, simplemente dejaría de usarla. Y eso sesgaría completamente los datos de aprendizaje, ¿no? No sabrías si no aprendieron porque la IA fue perjudicial, o si simplemente no aprendieron porque no confiaron en la herramienta y simplemente la ignoraron por completo.

Alicia
Ese es un punto brillante. Y es en realidad un sesgo masivo conocido en la investigación de interacción humana con IA. Las dinámicas de confianza pueden contaminar por completo los datos. Si una IA es errática, los usuarios terminan gastando más esfuerzo cognitivo dudando de la máquina que aprendiendo la tarea. Y esa es exactamente la razón por la que los investigadores aquí no utilizaron una IA estándar. Utilizaron una IA simulada con un 100% de precisión.

Beto
Así que nunca alucinó, ni una sola vez.

Alicia
Nunca. Neutralizaron completamente el factor de confianza.

Beto
Vaya.

Alicia
Sí, los participantes no sabían que estaba programada explícitamente para ser perfecta, pero como nunca fallaba, la confianza nunca fue un problema. Esto permitió a los investigadores aislar el impacto puro y sin adulterar, teniendo simplemente las respuestas correctas disponibles a demanda.

Beto
Muy bien, la trampa está perfectamente preparada. Tienes una IA impecable. Tienes acertijos genuinamente desafiantes, y tienes una forma clara de medir lo que sucede cuando la IA es retirada repentinamente en la fase tres. Así que si el comportamiento humano es tan desordenado como lo sabemos, ¿quién cayó en esta trampa?

Alicia
Bueno, para entender el comportamiento, los investigadores clasificaron a los usuarios basándose en su fracción de uso de la IA.

Beto
Que es exactamente, ¿qué?

Alicia
Básicamente, qué porcentaje de los acertijos en la fase dos le pidieron activamente ayuda a la IA. Y aquí vemos que la dosis realmente hace el veneno.

Vamos a mirar a los usuarios intensivos primero. Estos fueron participantes que solicitaron asistencia de la IA en más del 40% de sus problemas.

Beto
Muy bien. Déjame adivinar. Si soy un usuario intensivo, básicamente le estoy permitiendo a la IA hacer el trabajo pesado durante 20 minutos sólidos. Pero seguramente algo de eso me afectó, ¿verdad? Quiero decir, la observé resolver el acertijo. Vi la lógica correcta desarrollarse una y otra vez en la pantalla.

Alicia
Inintuitivamente pensarías que hay este efecto de aprendizaje pasivo, pero los datos son brutales.

Beto
¿De verdad?

Alicia
Sí. Cuando estos usuarios intensivos llegaron a la fase tres, esa fase post-IA, su rendimiento cayó en un acantilado absoluto en comparación con personas con la misma capacidad inicial que nunca tuvieron acceso a la IA en absoluto.

Beto
Hombre, ¿a qué distancia estamos hablando de un acantilado?

Alicia
Bueno, cuando se les quitó la IA, los usuarios intensivos tuvieron puntuaciones correctivas drásticamente más bajas. Pero aún más revelador es dónde están sus tiempos de respuesta. Un grupo de control comparable. Así que las personas que lucharon con los acertijos manualmente todo el tiempo tardaron un promedio de 78 segundos en resolver un acertijo de la fase tres.

Beto
Correcto. 78 segundos.

Alicia
Los usuarios intensivos de IA tardaron 115 segundos.

Beto
Vaya. Más de un minuto y medio en comparación con poco más de un minuto.

Alicia
Sí.

Beto
Eso es una ralentización cognitiva masiva. Quiero decir, es la diferencia entre usar ruedas de entrenamiento ocasionalmente para encontrar tu equilibrio versus simplemente escribir una escalera mecánica y convencerte de que estás subiendo las escaleras.

Alicia
Exacto.

Beto
Si dependes mucho de la escalera mecánica durante 20 minutos, tus músculos de las piernas van a fallar completamente cuando la escalera se rompa y realmente tengas que subir.

Alicia
Esa es una analogía perfecta. Y se alinea exactamente con la terminología económica utilizada en el estudio mismo. Los investigadores enmarcan esto como la diferencia entre la IA actuando como un complemento al pensamiento humano versus un sustituto.

Beto
Un complemento versus un sustituto.

Alicia
Correcto. Cuando la IA es un complemento, amplifica tu razonamiento. Pero cuando es un sustituto, desplaza tu esfuerzo cognitivo por completo. Y los usuarios intensivos la estaban usando como un sustituto.

Beto
Correcto. Solo la estaban descargando.

Alicia
Estaban descargando el peso mental, lo que significa que literalmente no habían construido las vías neuronales subyacentes para secuenciar la lógica por sí mismos.

Beto
Así que si la escalera mecánica arruina tus piernas, ¿significa que simplemente prohibimos la escalera mecánica? ¿O hay una manera de usarla sin descalificarte por completo?

Alicia
Esa es una sutileza realmente crucial. Porque los investigadores también rastrearon a los usuarios ligeros. Aquellos que usan la IA en menos del 40% de los problemas y estos usuarios ligeros tuvieron un rendimiento tan bueno en la fase tres como las personas que nunca tuvieron IA en absoluto.

Beto
Oh, ¿realmente?

Alicia
Sí. De hecho, su precisión fue ligeramente mejor. Así que el uso selectivo ocasional no pudrió sus cerebros. De hecho, proporcionó un ligero efecto de apoyo.

Beto
Así que mantener el uso bajo es clave. ¿Qué hay de la calidad de la ayuda? Porque aquí es donde se pone realmente interesante. Si estoy tratando de aprender una nueva habilidad, ¿no debería una pista muy vaga y pequeña ser mejor para mi cerebro que tener la IA haciendo todo el trabajo, como los investigadores realmente probaron esto, ¿verdad? Introdujeron dos versiones diferentes de la IA.

Alicia
Sí, lo hicieron. Probaron una IA de alta información y una IA de baja información.

Así que si le pedías ayuda a la IA de alta información, mágicamente revelaría las posiciones finales correctas de tres de los seis objetos.

Beto
Vaya. Hay una pista masiva. La mitad del acertijo se resuelve instantáneamente por ti.

Alicia
Correcto. Y la alternativa, si te asignaron la IA de baja información, pedir ayuda solo revelaba la posición de un solo objeto.

Beto
Bien. Lógicamente, si la IA solo me da la posición de un objeto, todavía tengo que hacer como el 80% de los ejercicios mentales. Todavía tengo que averiguar dónde van los otros cinco bloques. Esa lucha productiva debería hacerme una solucionadora de acertijos mucho mejor en la fase tres.

Alicia
Suena como una pedagogía increíble. Dale un pequeño empujón al estudiante, pero oblígalo a hacer el trabajo. Pero los datos mostraron lo contrario.

Beto
¿En qué sentido?

Alicia
La IA de baja información fue un desastre absoluto y sin paliativos.

Beto
Espera, ¿un desastre? Pero estaban haciendo la mayor parte del trabajo. ¿Cómo podría una pequeña pista dañarles activamente?

Alicia
Dañó activamente sus resultados post-IA. Durante la fase dos, las personas que usaron la IA de baja información no rindieron mejor que las personas sin IA en absoluto. Y luego, en la fase tres, su rendimiento realmente disminuyó.

Beto
Eso no tiene sentido. ¿Por qué?

Alicia
Para entender por qué sucede esto, tenemos que mirar una métrica. Los investigadores llaman a esto "la proporción de pensamiento en solitario" ("solo thinking ratio").

Beto
La proporción de pensamiento en solitario.

Alicia
Sí. Es la proporción de tiempo que un participante dedica a trabajar de forma independiente en un problema antes de rendirse y pedir ayuda a la IA. Es una medida del compromiso cognitivo sostenido. En el grupo de control sin IA, la proporción en solitario es obviamente alta. Es alrededor de 0.95. Pero para los usuarios que tenían la IA de baja información, su proporción en solitario durante el uso activo se desplomó a 0.65.

Beto
Ok, permíteme llevar esto directamente a ti, oyente. Piensa en tu propia proporción de pensamiento en solitario por un segundo. Cuando estás escribiendo un correo electrónico difícil a tu jefe o depurando algún código complejo, ¿cuántos segundos te sientas en la incomodidad de no saber la respuesta antes de pulsar el atajo de la IA?

Alicia
Correcto. Es esa tentación.

Beto
La mera presencia de la IA rompe tu concentración.

Alicia
Exacto. La mera presencia de la IA, incluso una débil, fue una gran tentación. Interrumpió su razonamiento independiente.

Y aquí está el fallo fatal de la IA de baja información. Desplazó su esfuerzo en solitario sin simplificar realmente la complejidad central del acertijo.

Beto
Así que los distrajo sin ayudar realmente.

Alicia
Exacto. Revelar solo un objeto no fue suficiente para inducir ese momento de aprendizaje. De hecho, a veces la IA de baja información les daba información redundante.

Beto
Oh, no.

Alicia
Sí, las restricciones del problema podrían implicar lógicamente que el bloque rojo está en la posición uno. Y la IA simplemente aparecería y diría que "el bloque rojo está en la posición uno".

Beto
Oh, eso es infinitamente frustrante. Es como tener un compañero de trabajo que interrumpe tu estado de flujo profundo y concentrado solo para decirte algo que ya sabías. Rompe tu concentración. Pierdes por completo el hilo de pensamiento y luego tienes que empezar tus cálculos mentales de nuevo desde cero. En ese momento, no es una herramienta, es solo una distracción.

Alicia
Funciona puramente como una distracción. Y la parte más extraña de esto es la psicología de los participantes mismos. En la encuesta posterior al estudio, los usuarios calificaron con precisión la IA de baja información como menos útil.

Beto
Así que sabían que era mala.

Alicia
Sabían. Le dieron un 3.44 de 5 en comparación con un sólido 4.00 para la IA de alta información. Sabían plenamente y conscientemente que no era muy buena.

Beto
Pero supongo que la usaron de todos modos.

Alicia
La usaron el 22% del tiempo.

Beto
Vaya.

Alicia
Incluso cuando sabemos que una herramienta es objetivamente débil, sigue atrayendo la participación. Sigue desviando nuestra atención. Demuestra que incluso la IA mala es muy distractora y puede quitarnos por completo la lucha productiva requerida para el aprendizaje genuino.

Beto
Es muy parecido a navegar por las redes sociales cuando estás tratando de leer un libro muy denso. Sabes que el desplazamiento no te está ayudando a entender el libro. Sabes que es información de baja calidad. Pero la tentación de hacer clic para alejarse del trabajo duro es simplemente demasiado fuerte.

Alicia
Absolutamente.

Beto
Así que una IA mala simplemente funciona como una distracción que rompe tu pensamiento en solitario.

Pero ¿qué pasa si cambiamos a la IA de alta información, la que te da tres objetos?

Alicia
Correcto. La realmente útil.

Beto
La que es una asistencia muy competente. ¿Niveló el campo de juego para todos?

Alicia
Bueno, la IA de alta información sí mejoró el rendimiento inmediato en la fase dos. Y en promedio, no perjudicó el aprendizaje de la fase tres.

Pero si conectamos esto con la imagen más amplia, aquí es donde el estudio revela algo profundamente preocupante. La IA de alta información no afectó a todos por igual. Causó una polarización masiva de la habilidad. Creó ganadores y perdedores muy distintos.

Beto
Abolir la polarización, lo que significa que la brecha entre las personas que son naturalmente buenas con los acertijos y las personas que tuvieron dificultades, se hizo drásticamente más amplia.

Alicia
Sí. Los investigadores dividieron a los participantes en grupos de alta habilidad y baja habilidad basándose en cómo rendían naturalmente en la fase uno, antes de que se introdujera cualquier IA.

Cuando se expusieron a la IA de alta información muy competente, los participantes de alta habilidad vieron un gran crecimiento de habilidades. Pero los participantes de baja habilidad aprendieron casi nada.

Beto
Vaya.

Alicia
La brecha de rendimiento post-IA entre los dos grupos fue sustancialmente mayor que en el grupo de control.

Beto
Espera, ¿por qué los niños inteligentes obtuvieron tanto más de la misma IA súper útil? ¿Es solo la velocidad de procesamiento? ¿Como si pudieran leer la pista masiva de la IA más rápido y revertir la ingeniería lógica porque sus cerebros simplemente trabajan más rápido?

Alicia
En realidad no se trata de la velocidad de procesamiento en absoluto. Se trata enteramente de cómo y cuándo presionan el botón.

Beto
Interesante.

Alicia
Sí. Los usuarios de alta habilidad usan la IA de manera increíblemente selectiva. Su proporción en solitario fue de 0.91. Lucharían con el problema en la medida posible de la deducción lógica por sí mismos. Y solo desplegarían la IA muy tarde en el proceso, para verificar su trabajo o superar un obstáculo final instrumentable.

Beto
Así que si la estaban usando como complemento a su propio pensamiento.

Alicia
Exacto. Pero los usuarios de baja habilidad recurrieron a la IA de inmediato y la usaron intensamente. Su tasa de uso fue del 37% en comparación con solo el 22% para los usuarios de alta habilidad.

Beto
Así que simplemente se rindieron pronto.

Alicia
No lucharon con el problema. Externalizaron el esfuerzo cognitivo desde el primer minuto. Y como saltaron esa lucha productiva, la información de alta calidad proporcionada por la IA no tenía nada a lo que aferrarse en sus cerebros.

Beto
Oh, hombre.

Alicia
No aprendieron la mecánica subyacente. Simplemente se aferraron a las respuestas.

Beto
Pero seguramente después de que llegaron a la fase tres y se les quitó la IA, esos usuarios de baja habilidad se dieron cuenta de cuánto estaban luchando.

Alicia
Esta es la tortura psicológica definitiva de todo el estudio. Aunque los participantes de baja habilidad rindieron objetivamente terriblemente en la fase tres post-IA en la encuesta posterior al estudio, reportaron una confianza muy inflada.

Beto
Estás bromeando.

Alicia
Los investigadores les preguntaron si sentían que habían encontrado una estrategia para resolver los acertijos. Los usuarios de baja habilidad creyeron firmemente que la habían encontrado. Calificaron su maestría estratégica en un 4.37.

Beto
Vaya.

Alicia
Y los usuarios de alta habilidad que realmente habían encontrado una estrategia y rendido mucho mejor, solo se calificaron a sí mismos con un 4.04.

Beto
Aguanta. Aquí es donde esto se vuelve genuinamente aterrador. Permíteme conectar esto con algo que hablamos al principio de esta inmersión profunda. Dijiste que el investigador utilizó específicamente una IA simulada del 100% perfecta para evitar problemas de confianza, ¿verdad?

Alicia
Es correcto. La máquina nunca cometió un solo error.

Beto
Así que estos usuarios de baja habilidad construyeron esta confianza masiva y completamente falsa mientras usaban una máquina impecable. La IA de alta calidad hizo que las tareas se sintieran tan sin fricciones que literalmente confundieron la capacidad de la IA con la suya propia.

Alicia
Sí.

Beto
Imagina lo que sucede en el mundo real. Donde ChatGPT, o Claude, ocasionalmente alucinan. Si eres un usuario de baja habilidad y recurres a la IA de inmediato sin luchar con los conceptos básicos tú mismo, careces de la habilidad subyacente para siquiera notar cuando la IA comienza a inventar cosas. Estás presentando confiadamente trabajo totalmente defectuoso, completamente ciego a tu propia incompetencia.

Alicia
Ese es el peligro exacto. Estás construyendo una ilusión de competencia. Y cuando surge un problema en el que la IA no ha sido entrenada, o cuando alucina una respuesta totalmente fabricada, esa ilusión se hace añicos, y no tienes habilidades fundamentales a las que recurrir.

Beto
Entonces, ¿qué significa todo esto para ti, oyente? Llevémoslo hasta el suelo.

La IA es una herramienta innegablemente poderosa, pero su impacto en tu crecimiento personal, en tu cerebro humano real, depende totalmente de cómo elijas interactuar con ella.

Alicia
Correcto.

Beto
Si la usas selectivamente, si mantienes una alta proporción de pensamiento en solitario, y si usas IA altamente informativa para revisar tu trabajo después de haber hecho el esfuerzo cognitivo pesado, realmente puede acelerar tu aprendizaje.

Alicia
Pero si participas en delegación pasiva, si dependes de ella temprano o si usas IA distractora y de baja calidad que simplemente interrumpe tu flujo sin resolver la complejidad, te estás descalificando activamente.

Beto
Y todo vuelve a la escalera mecánica. Si recorres (con IA) toda la escalera cada vez, tus piernas van a sufrir atrofia.

Alicia
Y esto plantea una pregunta general vital para que la reflexiones mucho después de que termine este análisis profundo.

Si la IA de alta calidad ayuda naturalmente a las personas de alta habilidad a avanzar más porque saben cómo usarla estratégicamente, ...

Beto
Correcto.

Alicia
... Mientras simultáneamente les da a los novatos la falsa ilusión de experiencia, les impide hacer el trabajo duro para mejorar.

¿Qué le pasará a la sociedad dentro de cinco años, en campos como la medicina, la codificación o incluso nuestros trabajos corporativos diarios? ¿Estamos diseñando accidentalmente un futuro donde la verdadera experiencia está acaparada por muy pocos mientras el resto de nosotros caminamos llenos de falsa confianza, simplemente pulsando botones que fundamentalmente no entendemos?

Beto
Eso es un pensamiento aterrador y totalmente plausible. Estamos construyendo un mundo de grandes presionadores de botones confiados.

Así que la próxima vez que estés sentado en tu teclado y sientas esa urgencia inmediata de pedirle a la IA una solución rápida antes de haber pensado realmente en el problema, revisa tu proporción de pensamiento en solitario. Mira esa pantalla en blanco un poco más de tiempo. Haz el trabajo duro, sube las escaleras.

Gracias por acompañarnos en este análisis profundo. Nos vemos la próxima vez.