Vivimos un momento fascinante. Probablemente el más apasionante desde la aparición de Internet. La Inteligencia Artificial está transformando la forma en que trabajamos, aprendemos, nos comunicamos y creamos.
Cada semana aparecen nuevos modelos, nuevos agentes y nuevas capacidades que hace apenas unos años parecían ciencia ficción.
Pero entre tanta euforia conviene detenerse un instante y hacer una pregunta menos cómoda.
No sobre la tecnología.
Sino sobre nosotros.
Y sobre algo que damos por sabido y casi nunca examinamos: cómo llegamos a ser inteligentes.
Porque la inteligencia humana nunca fue el logro de un cerebro que lo supiera todo. Fue lo contrario: muchos cerebros incompletos en sintonía, cada uno con un fragmento que los demás no tenían. Todo lo que sigue cuelga de esa idea.
¿Qué es realmente el conocimiento?
En muchas conferencias sobre IA se habla de unificar los datos. De crear enormes repositorios centralizados, lagos de datos gigantescos, bases de conocimiento de petabytes o exabytes.
La idea parece lógica.
Si reunimos todos los datos en un único lugar, obtendremos una inteligencia superior.
Pero ¿es eso el conocimiento?
Creo que no.
Y la propia evolución de nuestra especie parece demostrarlo.
La inteligencia humana no apareció cuando alguien aprendió todo. Apareció cuando aprendimos a repartir el conocimiento y a integrarlo.
Nadie sabe construir un avión completo.
Nadie sabe fabricar un teléfono móvil desde el mineral extraído de la mina hasta el software que ejecuta.
Y sin embargo, la humanidad sabe hacerlo.
Porque el conocimiento está distribuido.
Y, sobre todo, porque las piezas encajan.
La mesa, el carpintero y el leñador
Tomemos un objeto tan simple como una mesa.
Una familia sabe qué es una mesa, para qué sirve y si le gusta. Pero no sabría fabricarla. El carpintero sí: conoce las herramientas, las técnicas, los materiales. Y aun así tampoco posee todo el conocimiento. El leñador sabe qué madera elegir, cómo prepararla, cómo secarla, cosas que el carpintero da por hechas. Y antes que él están el botánico, el ingeniero que diseñó la sierra, el transportista, y muchos otros.
Ninguno de ellos guarda la misma versión, más completa o más pobre, del mismo saber.
Cada uno guarda una pieza distinta.
Una pieza que, por sí sola, no construye nada.
La mesa, el conocimiento completo de la mesa, no vive en la cabeza de ninguno de ellos. Vive en la integración de todos. No es que cada uno tenga “una parte de la verdad”, como si bastara con sumarlas. Es que las piezas son incompletas por naturaleza y solo significan algo cuando se ensamblan. El carpintero sabe cosas que no sabría explicarte, ligadas a su mano y a años de oficio. El leñador, también. Ese saber no es transferible como un dato: es complementario, no intercambiable.
Y aquí está lo que importa.
Así es como la inteligencia humana funcionó siempre.
Nunca hubo un cerebro primigenio que lo supiera todo. Hubo muchos cerebros incompletos en sintonía, cada uno sosteniendo un fragmento que los demás no tenían, integrándose en un resultado que ninguno habría alcanzado solo. La civilización no es un gran saber centralizado. Es un mecanismo que compone fragmentos parciales.
Esa es la pieza que conviene no romper.
Redundancia, diversidad y complementariedad
Conviene no confundir tres cosas que suelen ir juntas.
En informática perseguimos eliminar la redundancia. La naturaleza hace lo contrario: tenemos dos ojos, dos pulmones, dos riñones. Internet es redundante. Los sistemas críticos son redundantes. La redundancia es copia: si falla una pieza, otra cumple la misma función. Aporta resiliencia.
La diversidad es otra cosa. Dos personas leen el mismo libro y extraen conclusiones distintas. Dos ingenieros salen de la misma conferencia con ideas opuestas. La diversidad no es copia: es variación. Aporta creatividad.
Y la complementariedad es una tercera cosa, y es la que sostiene el ejemplo de la mesa. No son copias ni variaciones del mismo saber: son piezas distintas e incompletas que solo significan algo al unirse. Aporta el resultado mismo.
El conocimiento humano tiene las tres.
Es redundante, y por eso es robusto.
Es diverso, y por eso es creativo.
Es complementario, y por eso existe.
Homogeneizar para compartir, no para pensar
Estandarizar datos es enormemente útil. Permite que los sistemas se comuniquen, que los procesos se automaticen, que la información se intercambie.
Pero una cosa es homogeneizar para compartir y otra muy distinta homogeneizar para pensar.
Cada ser humano almacena el conocimiento de una manera distinta, incompleta y propia. Esa es justamente la materia prima de la complementariedad: si todos guardáramos el saber de forma idéntica, no tendríamos piezas que ensamblar, tendríamos copias que apilar.
La creatividad nace de esa diferencia.
La innovación, también.
Homogeneizar la forma de pensar no nos haría más inteligentes.
Nos haría más uniformes.
Y la uniformidad no compone nada nuevo.
La memoria externa, y una vieja advertencia
Tenemos, simplificando, dos memorias. La interna, con todas sus imperfecciones. Y la externa: libros, apuntes, bibliotecas, ordenadores, Internet.
Externalizamos conocimiento desde hace miles de años, porque ningún cerebro individual puede con todo.
No es nuevo. Y la objeción tampoco.
Hace dos mil cuatrocientos años, en el Fedro de Platón, el rey Thamus rechaza la escritura que le ofrece el dios Theuth con un argumento que hoy suena conocido: dará a los hombres la apariencia del saber sin el saber, y atrofiará su memoria.
Se equivocó. Pero no del todo.
La escritura no mató el pensamiento. Lo desplazó. Dejamos de memorizar epopeyas enteras y empezamos a pensar cosas que una cultura puramente oral no podía sostener: filosofía sistemática, derecho codificado, ciencia que se acumula.
Cambió el qué y el cómo, no el hecho de pensar.
Por eso el planteamiento de este artículo no es que la IA nos haga dejar de pensar. Eso ya se dijo de la imprenta, de la calculadora y del buscador, y no ocurrió.
El planteamiento es otro.
En qué pensaremos.
Y cómo.
La trazabilidad: el camino importa tanto como el resultado
Usamos GPS gracias a las teorías de Einstein. Encendemos luces LED gracias a la mecánica cuántica. La inmensa mayoría de las personas, incluidos muchos ingenieros, no sabría explicar en detalle por qué funcionan. Y funcionan igual.
Esto tampoco es nuevo. Siempre operamos cajas negras. Pocos conductores entienden un motor de combustión, y conducen.
La civilización progresó precisamente así: reutilizando resultados sin reconstruirlos desde cero.
Pero hay una diferencia entre conservar el resultado y conservar el camino.
En matemáticas se ve con claridad. Los teoremas nos permiten avanzar. Pero los axiomas y las demostraciones nos permiten abrir caminos nuevos. El que solo tiene el teorema, aplica. El que tiene la demostración, crea.
Y aquí está el matiz que sí es nuevo.
Hasta ahora, cuando yo no entendía algo, el camino seguía existiendo. En algún sitio, en la cabeza de alguien, en un libro, recuperable. El conductor no entiende el motor, pero el ingeniero sí. La demostración estaba sostenida por alguien a quien podía ir a preguntar.
El riesgo de la IA no es que yo no comprenda.
Es que el camino deje de estar sostenido por ningún humano.
Que la demostración exista solo dentro del sistema, en una forma que ya no podemos recorrer.
Y entonces aparece algo distinto. El ser humano no solo dejará de comprender ciertos procesos: empezará a intuir sobre ellos. A operar a partir de lo que la IA aprende, sobre sistemas que quedan fuera de nuestra comprensión plena. Sé lo que es una mesa. Intuyo cómo se construye. No tengo por qué saber hacerla.
Funciona, mientras alguien, en algún punto de la cadena, siga sabiendo hacerla.
La pregunta incómoda es qué ocurre cuando ya no.
La IA que aprende de la IA
Hasta ahora la IA se entrenó sobre todo con conocimiento humano. Cada vez veremos más lo contrario.
La IA generará datos.
Esos datos entrenarán nuevas IAs.
Las nuevas IAs generarán más datos.
Y el ciclo se acelerará.
Aquí hay una trampa poco evidente. Solemos imaginar que tener muchas IAs garantiza diversidad, frente al peligro de una única. Pero si todas descienden de unos pocos modelos base y se entrenan unas con las salidas de otras, no divergen: convergen. La pluralidad es aparente. Por debajo, una creciente uniformidad.
Sería lo peor de los dos mundos: la apariencia de un ecosistema con la realidad de un único guardián.
No es cuestión de cuántas, sino de cómo
De ahí mi reparo ante la idea de la gran base única.
He escuchado defender que una empresa está mejor con una sola base de datos, ágil y versátil, que con múltiples fuentes. Y entiendo el argumento: una única fuente es más fácil de gobernar.
Pero más fácil de gobernar no es lo mismo que más inteligente.
El problema no era nunca “una IA frente a muchas”. Muchas IAs idénticas convergen igual que una sola. La distinción que importa no es la cantidad. Es la arquitectura.
Un lago de datos donde todo se vuelca y un único equipo lo gobierna aplana la complementariedad: convierte piezas distintas en una masa homogénea.
La alternativa no es el caos de mil fuentes inconexas. Es lo otro: datos bien organizados por algún criterio, cada dominio dueño de su parte, e inteligencias especializadas explotándolas. Distribución organizada, no centralización ni desorden.
Es, otra vez, el carpintero y el leñador. Cada uno dueño de su pieza. El resultado en la integración, no en un almacén único.
La historia respalda esto. El conocimiento europeo no floreció bajo un guardián único; floreció cuando la imprenta lo distribuyó. Florece distribuido. Se empobrece cuando depende de uno solo.
Por eso confío más en un ecosistema de inteligencias bien articuladas que en una única inteligencia, o una única base, que lo absorba todo.
No porque muchos sea mejor que uno.
Sino porque la complementariedad es mejor que la homogeneidad.
El riesgo de la parálisis cognitiva
Y aquí está mi verdadera duda.
No es que la IA nos haga dejar de pensar. Es que nos acostumbre a delegar el escalón sobre el que pensábamos.
Cada herramienta que externaliza una capacidad nos libera para subir un peldaño, siempre que sigamos sabiendo qué hay debajo. La calculadora me libera de la aritmética para hacer matemática más alta. Pero solo si entiendo qué estoy calculando.
El riesgo no es soltar el escalón de abajo.
Es soltarlo sin subir al de arriba.
Quedarnos usando tecnologías extraordinarias mientras perdemos, poco a poco, la capacidad de entenderlas, cuestionarlas y extenderlas.
No sería un colapso. Sería algo más sutil.
Una sociedad capaz de usar el conocimiento, pero cada vez menos capaz de generarlo.
La paradoja de la era de la información
Nunca tuvimos tanto acceso al conocimiento. Y, sin embargo, da la sensación de que cada vez más personas viven reaccionando a estímulos inmediatos.
Las redes premian la indignación, la pertenencia al grupo, la reacción instantánea, la respuesta simple.
Tenemos más información que nunca.
Y quizá menos tiempo para pensarla.
Nunca fue tan fácil aprender.
Y nunca fue tan fácil vivir al margen del conocimiento.
La gran pregunta de nuestro tiempo
No me preocupa especialmente que las máquinas lleguen a ser más inteligentes que nosotros.
Me preocupa algo distinto.
Que, por comodidad, dejemos de ejercitar aquello que nos hizo humanos: la curiosidad, el pensamiento crítico, la capacidad de cuestionar, el deseo de comprender, la creación de conocimiento nuevo.
Porque esas capacidades son como un músculo. No se pierden de golpe. Se atrofian por desuso.
La Inteligencia Artificial puede ser la mayor herramienta de democratización del conocimiento de la historia.
O puede acostumbrarnos a delegar el pensamiento hasta que ya no sepamos retomarlo.
La decisión no será tecnológica.
Será profundamente humana.
Porque una civilización no empieza a declinar cuando deja de almacenar conocimiento.
Empieza a declinar cuando deja de comprenderlo.
Y cuando rompe el mecanismo que mantenía sus fragmentos en sintonía.
Quizá la gran pregunta del siglo XXI no sea si la Inteligencia Artificial pensará por nosotros.
La verdadera pregunta es otra.
Cuando pueda hacerlo, ¿seguiremos queriendo, y sabiendo, pensar por nosotros mismos?
