La IA y el territorio de lo que no sabemos que no sabemos

Durante muchos años ha habido una idea que me persigue.

La conocí durante mi formación en coaching ontológico y, desde entonces, nunca dejó de llamarme la atención.

Podemos dividir nuestro conocimiento, de manera muy sencilla, en cuatro territorios:

• Lo que sé que sé.
• Lo que sé que no sé.
• Lo que no sé que sé.
• Y el más fascinante de todos: lo que no sé que no sé.

Este último siempre me produjo una mezcla de curiosidad y vértigo.

Porque si no sé que algo existe, tampoco puedo buscarlo. No puedo estudiarlo. No puedo preguntar por ello. Ni siquiera puedo formular correctamente el problema.

Y, sin embargo, sospecho que en ese territorio están escondidas algunas de las mayores oportunidades que tenemos para innovar, crear y encontrar soluciones que hoy ni siquiera imaginamos.

La llegada de la inteligencia artificial hace que ese territorio sea todavía más interesante.

El cuadrante más incómodo

Cuando sabemos que no sabemos algo, tenemos un problema relativamente sencillo.

No sé física cuántica. Perfecto. Puedo estudiar física cuántica.

No sé cómo funciona determinado mercado. Puedo investigarlo.

No sé por qué disminuyeron las ventas este trimestre. Puedo pedir un análisis.

La dificultad verdadera aparece cuando no sabemos que existe algo que deberíamos estar observando. Ese es otro problema.

¿Cómo investigas algo que no sabes que debes investigar?

¿Cómo formulas una pregunta sobre algo cuya existencia desconoces?

¿Cómo buscas una relación que nunca imaginaste que podía existir?

Durante mucho tiempo nuestra capacidad para explorar ese territorio dependió de una combinación extraordinariamente humana: curiosidad, experiencia, observación, intuición, conversación y, muchas veces, casualidad.

Y entonces llegó la inteligencia artificial.

Quizás estamos utilizando la IA al revés

Gran parte de la conversación actual sobre inteligencia artificial gira alrededor de respuestas.

Le preguntamos:

• Resume este documento.
• Analiza estas ventas.
• Escribe este correo.
• Compara estos competidores.
• Diseña esta presentación.
• Automatiza este proceso.

Todo eso tiene valor.

Pero casi siempre estamos utilizando una tecnología extraordinariamente poderosa para trabajar sobre cosas que ya sabemos que existen. Sabemos que existe el documento. Sabemos que existen las ventas. Sabemos quiénes son los competidores. Sabemos cuál es el proceso. Sabemos cuál es la pregunta.

¿Y si una de las grandes oportunidades de la IA estuviera precisamente en lo contrario?

No en ayudarnos solamente a responder mejor nuestras preguntas. Sino en ayudarnos a descubrir qué preguntas todavía no sabemos que debemos hacernos.

No está necesariamente en los datos. Puede estar entre los datos.

Imaginemos una empresa. Ventas tiene sus datos. Finanzas tiene los suyos. Recursos Humanos observa otras variables. Atención al cliente recibe reclamos. Marketing mide campañas. Operaciones controla tiempos.

Cada departamento observa una parte de la realidad.

El problema es que la realidad no está dividida en departamentos. La realidad ocurre toda junta.

Y posiblemente existan relaciones entre esas variables que nadie está buscando porque pertenecen a áreas diferentes, sistemas diferentes o incluso conversaciones diferentes.

Ahí la IA puede desempeñar un papel extraordinariamente interesante. No preguntarle únicamente: ¿Qué está pasando? Sino: ¿Qué relaciones, contradicciones o patrones encuentras entre estas fuentes que probablemente yo no esté viendo?

La diferencia parece pequeña. No lo es. Estamos cambiando la función de la IA. De máquina de respuestas a instrumento de exploración.

Un restaurante que cree tener un problema de comida

Imaginemos un restaurante cuyas calificaciones están cayendo.

La primera hipótesis parece evidente: la comida empeoró. Entonces analizamos recetas, proveedores, chefs, tiempos de preparación y comentarios sobre los platos.

Pero cruzamos otra información: temperatura del salón + ubicación de las mesas + duración de la visita + calificación del cliente.

Y aparece algo extraño. Las peores evaluaciones se concentran en determinadas mesas durante ciertas horas de la tarde. La comida es exactamente la misma.

¿Qué cambió?

El sol entra directamente por una ventana y aumenta varios grados la temperatura en esa zona. El restaurante llevaba meses intentando mejorar sus platos.

Quizás necesitaba una cortina.

Eso es interesante porque nadie estaba preguntando por cortinas.

Una empresa con un supuesto problema de productividad

Ahora imaginemos una compañía preocupada porque determinados equipos están produciendo menos. Recursos Humanos estudia desempeño. Operaciones estudia procesos. Tecnología analiza herramientas.

Pero cruzamos: calendario de reuniones + interrupciones en Slack + horario de trabajo profundo + errores + retrabajo.

Y descubrimos que los equipos con mayor cantidad de reuniones tienen también más errores y más trabajo fuera de horario.

Quizás el problema nunca fue: ¿Cómo hacemos que nuestros empleados produzcan más?

La pregunta que nadie estaba haciendo era: ¿Cuánto trabajo estamos destruyendo nosotros mismos mediante interrupciones?

Ahora llevémoslo a nuestra vida

Aquí la idea se vuelve todavía más interesante.

Supongamos que alguien dice: "Últimamente estoy agotado."

Podría preguntarle a una IA: "¿Qué puedo hacer para tener más energía?" Y recibirá probablemente recomendaciones razonables.

Pero imaginemos que durante varios meses esa IA conoce, con autorización de la persona: agenda, sueño, ejercicio, decisiones pendientes, compromisos, conversaciones, proyectos y estados de ánimo registrados.

Entonces podríamos preguntarle algo diferente: "Cruza estas variables y dime qué relaciones debería investigar que yo probablemente no estoy viendo."

Quizás descubra que el agotamiento no coincide con los días de mayor trabajo. Coincide con los días anteriores a determinadas reuniones.

Entonces quizá no tenemos un problema de energía. Tenemos un problema que todavía no habíamos nombrado.

Un ejemplo más divertido

Imaginemos que alguien lleva meses diciendo: "Necesito vacaciones."

La IA cruza: los días que dice sentirse agotado, sus reuniones, personas con las que interactúa, horas de sueño y calendario.

Y encuentra una correlación curiosa: el agotamiento aparece sistemáticamente los miércoles después de una reunión determinada.

La IA podría devolver una hipótesis incómoda: "Antes de comprar un boleto para irte quince días al Caribe, quizá deberíamos investigar qué ocurre los miércoles a las 10:00 de la mañana."

Eso me parece fascinante. Porque la IA no habría respondido la pregunta. Habría cuestionado la pregunta.

Pero cuidado: encontrar una correlación no significa descubrir una verdad

Aquí necesitamos criterio.

Que dos variables aparezcan relacionadas no significa que una cause la otra. La IA puede encontrar patrones absurdos, coincidencias y correlaciones sin significado.

Precisamente por eso el papel humano no desaparece. Se vuelve más importante.

La máquina puede decir: "Mira aquí."

El humano todavía necesita preguntar: "¿Por qué?" "¿Tiene sentido?" "¿Qué evidencia necesito?" "¿Qué otra explicación podría existir?" "¿Cómo podría comprobarlo?"

La IA amplía el territorio observable. El criterio decide qué merece ser explorado.

Una nueva forma de conversar con la IA

Quizás tengamos que empezar a cambiar algunas de nuestras preguntas.

En lugar de: "Resume estos documentos." Probar: "Encuentra contradicciones entre estos documentos."

En lugar de: "¿Qué dicen mis clientes?" Preguntar: "Cruza lo que dicen mis clientes con su comportamiento y dime dónde ambas cosas se contradicen."

En lugar de: "Analiza mis resultados." Preguntar: "¿Qué variable que normalmente no relacionaría con estos resultados podría estar influyendo?"

En lugar de: "Dame cinco conclusiones." Pedir: "Dame cinco hipótesis que podrían explicar esto. Para cada una dime qué evidencia la confirmaría y qué evidencia demostraría que estamos equivocados."

Y hay una que particularmente me gusta: "Con toda esta información, ¿qué pregunta importante todavía no te he hecho?"

La IA como ampliación de nuestra capacidad de observar

Durante años pensé que el territorio de lo que no sabemos que no sabemos era uno de los espacios más fértiles de la creatividad humana.

Lo sigo pensando.

Pero ahora tenemos algo nuevo. Una tecnología capaz de procesar simultáneamente cantidades de información que nosotros difícilmente podemos mantener activas en nuestra mente, contrastarlas y ayudarnos a detectar relaciones inesperadas.

Eso no significa que la IA conozca automáticamente aquello que nosotros ignoramos. Sería una exageración.

Significa algo más interesante: puede ayudarnos a aumentar la superficie sobre la que buscamos nuestra propia ignorancia.

Y eso cambia bastante las cosas. Porque quizás uno de los usos más poderosos de la inteligencia artificial no sea ayudarnos a saber más.

Quizás sea ayudarnos a descubrir dónde todavía no sabemos mirar.

Un ejercicio

Busca una situación que lleves tiempo intentando comprender. Puede ser de tu empresa, tu profesión, un proyecto o tu propia vida.

Reúne varias fuentes de información que normalmente analizarías por separado y pregúntale a tu IA favorita:

"Cruza esta información. No quiero que me la resumas. Busca contradicciones, relaciones inesperadas y patrones que podrían estar pasando inadvertidos. Luego propón cinco hipótesis sobre algo importante que podría no estar viendo. Para cada hipótesis, dime qué evidencia necesitaríamos para confirmarla o descartarla."

Y finalmente hazle una última pregunta:

"¿Qué pregunta importante no estoy haciendo porque todavía estoy mirando este problema desde mis supuestos actuales?"

No aceptes automáticamente las respuestas. Cuestionalas. Contrástalas. Usa tu experiencia. Usa tu criterio.

Porque el objetivo no es entregarle nuestro pensamiento a la inteligencia artificial. Es utilizarla para llegar a lugares a los que nuestro pensamiento, por sí solo, quizás nunca habría decidido mirar.

La próxima gran pregunta puede estar escondida precisamente en aquello que todavía no sabemos que no sabemos.