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 se promocionan a menudo como ahorradoras de tiempo y potenciadoras de la productividad. Pueden ayudar a ejecutar código o generar informes rápidamente, pero hay un inconveniente. El trabajo detrás de escena necesario para desarrollar y mantener modelos de lenguaje grandes (LLMs) podría requerir más esfuerzo humano que el tiempo inicialmente ahorrado. Además, muchas tareas podrían manejarse eficientemente con métodos de automatización más simples, sin necesidad del armamento pesado de la IA.

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

La exageración frente a la realidad de la IA

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

Las grandes visiones de transformación impulsada por la tecnología a menudo tropiezan con desafíos prácticos. Los defensores de los vehículos autónomos se enfocaron en lo que estos vehículos podrían hacer, en lugar de abordar las autorizaciones regulatorias necesarias, los problemas de seguros y las 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 las operaciones comerciales. Cappelli destacó que los programadores dedican una parte significativa de su tiempo a actividades no relacionadas con la codificación, como la comunicación y las negociaciones presupuestarias. "Incluso en el lado de la programación, no todo es realmente programar", dijo.

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

Nuevo trabajo generado por la IA

Tanto la IA generativa como la operativa introducen nuevas tareas, según Cappelli. "Las personas tienen que gestionar bases de datos, organizar materiales, resolver problemas de informes contradictorios, validez y ese tipo de cosas. Esto va a generar muchas tareas nuevas, alguien tendrá que hacerlas".

Incluso la IA operativa, que existe desde hace tiempo, sigue evolucionando. Cappelli señaló que el aprendizaje automático con datos numéricos ha sido subutilizado, en parte debido a los desafíos en la gestión de bases de datos. "Se requiere mucho esfuerzo solo para reunir los datos para poder analizarlos. Los datos a menudo están en silos diferentes en distintas organizaciones, lo que es políticamente difícil y técnicamente complicado de combinar".

Desafíos en la adopción de la IA generativa y los LLMs

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

• Exceso para muchas tareas: "Hay muchas cosas que los modelos de lenguaje grandes pueden hacer que probablemente no necesitan hacerse", dijo. Por ejemplo, mientras que la correspondencia comercial es un caso de uso potencial, gran parte ya se maneja con cartas tipo y automatización básica. "Una carta tipo ya ha sido aprobada por abogados, y cualquier cosa escrita por modelos de lenguaje grandes probablemente tenga que ser revisada 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 costoso. "No está tan claro que los modelos de lenguaje grandes vayan a ser tan baratos como ahora. A medida que más personas los usen, el espacio informático debe aumentar, las demandas de electricidad por sí solas son grandes. Alguien tendrá que pagar por ello".
• Necesidad de validación: Los resultados de la IA generativa pueden ser adecuados 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 sabrás si es correcto? Bueno, ayuda tener un experto; alguien que pueda validar independientemente y sepa algo sobre el tema. Para buscar alucinaciones o resultados extraños, y que esté actualizado".
• Sobrecarga de información: La facilidad para generar informes y resultados puede llevar a una cantidad abrumadora de información, a veces contradictoria. "Porque es bastante fácil generar informes y resultados, vas a obtener más respuestas", dijo Cappelli. También señaló que los LLMs podrían producir respuestas diferentes para el mismo prompt, lo que plantea preocupaciones de fiabilidad. "Este es un problema de confiabilidad: ¿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: Las personas a menudo prefieren tomar decisiones basadas en instintos o preferencias personales, lo que puede ser difícil para las máquinas influir. Cappelli señaló que incluso cuando la IA podría ayudar en la toma de decisiones, como en la contratación, las personas tienden a seguir sus instintos. "El aprendizaje automático ya podría hacer eso por nosotros. Si construyes el modelo, encontrarías que los 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 el uso de la IA generativa para filtrar datos y apoyar procesos de toma de decisiones. "Estamos limpiando datos ahora que no hemos podido analizar nosotros mismos", dijo. "Va a ser mucho mejor en eso que nosotros". Junto con esto, gestionar bases de datos y abordar problemas de contaminación de datos seguirán siendo tareas críticas.