IA Generativa Aumenta la Carga de Trabajo en Lugar de Ahorrar Tiempo

La Espada de Doble Filo de la IA Generativa

Las herramientas de inteligencia artificial (IA) generativa suelen ser elogiadas como ahorradoras de tiempo y potenciadoras de la productividad. De hecho, pueden ayudarte a ejecutar código o generar informes en un instante, pero hay un inconveniente. El trabajo detrás de escena necesario para desarrollar y mantener los modelos de lenguaje grandes (LLM) podría requerir más esfuerzo humano que el tiempo inicial ahorrado. Además, muchas tareas podrían manejarse de manera eficiente con métodos de automatización más simples, sin necesidad de la artillería pesada de la IA.

Peter Cappelli, profesor de gestión de la Wharton School de la Universidad de Pensilvania, compartió estos puntos de vista en un reciente evento del MIT. Argumenta que, a gran escala, la IA generativa y los LLM podrían generar más trabajo del que alivian. Estos modelos son complejos de implementar, y Cappelli señaló que "resulta que hay muchas cosas que la IA generativa podría hacer que realmente no necesitamos hacer".

El Hype vs. la Realidad de la IA

Aunque la IA es a menudo celebrada como una tecnología revolucionaria, Cappelli advierte que las proyecciones de la industria tecnológica pueden ser demasiado optimistas. "De hecho, la mayoría de las previsiones tecnológicas sobre el trabajo han sido incorrectas con el tiempo", declaró. Citó el ejemplo de los camiones y autos sin conductor, que se suponía que serían comunes para 2018 pero que aún no se han materializado completamente.

Las grandes visiones de la transformación impulsada por la tecnología a menudo tropiezan con desafíos prácticos. Los defensores de los vehículos autónomos se centraron en lo que estos vehículos podrían hacer, en lugar de abordar las necesarias autorizaciones regulatorias, problemas de seguros y complejidades del software. Cappelli también señaló que los conductores de camiones realizan una variedad de tareas más allá de solo conducir, lo que complica la transición a vehículos autónomos.

IA Generativa en el Desarrollo de Software y Negocios

Una complejidad similar surge al aplicar la IA generativa al desarrollo de software y operaciones empresariales. Cappelli destacó que los programadores pasan una parte significativa de su tiempo en actividades no relacionadas con la programación, como la comunicación y las negociaciones presupuestarias. "Incluso en el lado de la programación, no todo es programación", dijo.

La promesa de la innovación impulsada por la IA es emocionante, pero su implementación a menudo enfrenta obstáculos en el mundo real. Los beneficios de ahorro de mano de obra y productividad de la IA generativa podrían verse eclipsados por el extenso trabajo de backend necesario para soportar los LLM y algoritmos.

Nuevo Trabajo Generado por la IA

Tanto la IA generativa como la operacional introducen nuevas tareas, según Cappelli. "La gente tiene que gestionar bases de datos, tienen que organizar materiales, tienen que resolver estos problemas de informes contradictorios, validez y esas cosas. Va a generar muchas nuevas tareas, alguien tendrá que hacerlas".

Incluso la IA operacional, que lleva un tiempo existiendo, continúa evolucionando. Cappelli observó que el aprendizaje automático con datos numéricos ha sido subutilizado, en parte debido a los desafíos en la gestión de bases de datos. "Se necesita mucho esfuerzo solo para juntar los datos para poder analizarlos. Los datos a menudo están en diferentes silos en diferentes organizaciones, lo cual es políticamente difícil y técnicamente difícil de juntar".

Desafíos en la Adopción de la IA Generativa y LLM

Cappelli identificó varios obstáculos en la adopción de la IA generativa y los LLM:

• Exceso de Capacidad para Muchas Tareas: "Hay muchas cosas que los modelos de lenguaje grandes pueden hacer que probablemente no necesitan hacerse", dijo. Por ejemplo, aunque la correspondencia empresarial es un caso de uso potencial, gran parte de ella ya se maneja con cartas formales y automatización básica. "Una carta formal ya ha sido revisada por abogados, y cualquier cosa escrita por modelos de lenguaje grandes probablemente tendrá que ser vista por un abogado. Y eso no va a ahorrar tiempo".
• Aumento de Costos: Cappelli advirtió que reemplazar la automatización rutinaria con IA podría volverse más caro. "No está tan claro que los modelos de lenguaje grandes vayan a ser tan baratos como lo son ahora. A medida que más personas los usen, el espacio de computación tiene que aumentar, solo las demandas de electricidad son grandes. Alguien tiene que pagar por ello".
• Necesidad de Validación: Las salidas de la IA generativa pueden ser adecuadas para tareas simples como correos electrónicos, pero para informes más complejos, la validación es crucial. "Si vas a usarlo para algo importante, más vale que estés seguro de que es correcto. Y ¿cómo vas a saber si es correcto? Bueno, ayuda tener un experto; alguien que pueda validar de manera independiente y que sepa algo sobre el tema. Para buscar alucinaciones o resultados extraños, y que esté actualizado".
• Sobrecarga de Información: La facilidad de generar informes y salidas puede llevar a una cantidad abrumadora de información, a veces contradictoria. "Porque es bastante fácil generar informes y salidas, vas a obtener más respuestas", dijo Cappelli. También señaló que los LLM podrían producir respuestas diferentes al mismo estímulo, lo que genera preocupaciones sobre la fiabilidad. "Este es un problema de fiabilidad -- ¿qué harías con tu informe? Generas uno que hace que tu división se vea mejor, y se lo das al jefe".
• Toma de Decisiones Humanas: La gente a menudo prefiere tomar decisiones basadas en intuiciones o preferencias personales, lo cual puede ser desafiante para que las máquinas influyan. Cappelli señaló que incluso cuando la IA podría asistir en la toma de decisiones, como en la contratación, la gente tiende a seguir sus instintos. "El aprendizaje automático ya podría hacer eso por nosotros. Si construyes el modelo, descubrirías que tus gerentes de línea que ya están tomando las decisiones no quieren usarlo".

Aplicaciones Potenciales a Corto Plazo

A pesar de estos desafíos, Cappelli ve potencial en usar la IA generativa para filtrar datos y apoyar procesos de toma de decisiones. "Estamos limpiando datos ahora mismo que no hemos podido analizar nosotros mismos", dijo. "Va a ser mucho mejor en eso de lo que nosotros somos". Junto a esto, gestionar bases de datos y abordar problemas de contaminación de datos seguirán siendo tareas críticas.