La IA ya puede hacer semanas de trabajo humano: ¿por qué no la usamos así?.

Hay un desfase que pocas veces nombramos con claridad: la capacidad real de los modelos de lenguaje actuales está muy por delante de cómo los usamos en el día a día. No hablamos de lo que vendrá. Hablamos de lo que ya existe.

El debate equivocado

Gran parte de la conversación pública sobre inteligencia artificial gira en torno al futuro: qué harán los próximos modelos, qué riesgos traerán, cómo regularlos. Es una conversación necesaria, pero tiene un punto ciego enorme.

Los modelos disponibles hoy ya son capaces de realizar tareas que, hace dos años, habrían requerido semanas de trabajo coordinado entre investigadores, programadores y diseñadores. Y sin embargo, la mayoría de organizaciones apenas rascan la superficie de esa capacidad.

Ethan Mollick, investigador de la Wharton School y autor del blog One Useful Thing, lo llama «the overhang»: el saliente, el excedente. Una acumulación de potencial que existe pero que nuestros procesos humanos todavía no han sabido absorber.

Dos ejemplos que ilustran el saliente

Mollick describe dos experimentos recientes que ayudan a entender de qué estamos hablando, no como demostraciones de laboratorio, sino como tareas reales con resultados concretos.

El primero: convertir Zork, un videojuego de aventura textual de 1977 sin ningún gráfico, en un juego de acción 3D completamente jugable. El modelo tuvo que decidir cómo luce la casa blanca del juego, cómo es un «grue» (el original solo advierte que probablemente te comerá en la oscuridad) y cómo traducir «lucha contra el troll» en una secuencia de acción visual. Lo hizo.

El segundo: reconstruir en tres dimensiones la biblioteca del escritor Umberto Eco en su apartamento de Milán, donde acumulaba decenas de miles de libros. Sin planos disponibles, el agente IA analizó una docena de vídeos, fotografías de cada estantería y dos catálogos de biblioteca. Leyó lomos fotograma a fotograma, infirió la disposición de las salas, ubicó los cerca de 5.000 libros que pudo identificar entre 27.000 huecos de estantería, marcó cada título como «seguro», «probable» o «desconocido», y dibujó con niebla las zonas que las cámaras nunca alcanzaron.

Ambas tareas habrían requerido semanas de trabajo humano especializado. Ninguna de las dos es un caso de uso trivial ni una demostración de juguete.

El verdadero cuello de botella

No es la tecnología lo que frena la adopción. Son nuestros sistemas, nuestros procesos y, en buena medida, nuestra comprensión de lo que estos modelos pueden hacer cuando se les guía con criterio.

Hemos visto esto repetidamente en proyectos con clientes: la herramienta está disponible, pero el equipo la usa para resumir correos o generar borradores simples. El saliente permanece intacto porque nadie ha definido qué trabajo de verdad podría delegarse, ni cómo estructurar esa delegación.

Mollick señala algo que compartimos: el ritmo al que evoluciona la IA supera con creces el ritmo al que evolucionan las organizaciones humanas. Las instituciones, los flujos de trabajo, los marcos regulatorios y hasta la formación de los equipos avanzan a una velocidad radicalmente distinta.

Qué implica esto para los equipos de comunicación y marketing

Si trabajas en comunicación digital, las implicaciones son directas:

• La brecha no es técnica. No necesitas ser programador para aprovechar lo que los modelos actuales ofrecen. Necesitas saber qué pedirles y cómo evaluar el resultado.
• El coste de no explorar es real. Cada semana que un equipo usa la IA solo para tareas menores es una semana en la que un competidor más curioso puede estar automatizando procesos enteros de investigación, producción o análisis.
• La supervisión humana sigue siendo imprescindible. Los ejemplos de Mollick no son de automatización ciega: en ambos casos hay criterio humano que define el objetivo, evalúa el proceso y valida el resultado. La IA ejecuta; la persona decide.

Una pregunta más útil que el debate sobre el futuro

En lugar de preguntarnos qué harán los próximos modelos, quizá la pregunta más productiva es: ¿qué trabajo de nuestro equipo podría estar haciendo ya un agente IA bien dirigido, y no lo está haciendo porque nadie se ha parado a comprobarlo?

El saliente existe. La capacidad está ahí. Lo que falta, en la mayoría de casos, es la voluntad de explorar con seriedad lo que ya tenemos encima de la mesa.

Fuente original

One Useful Thing: The Overhang