<\/p>\n
Hoy todos los que trabajamos en innovaci\u00f3n estamos parados sobre una arena m\u00e1s o menos parecida. Los equipos tienen acceso a herramientas similares, todos pagamos los mismos modelos de LLM y accedemos a bibliotecas de prompts parecidas. Sin embargo, los resultados que se van obteniendo son muy diferentes. Mientras algunos equipos hablan de un renacimiento creativo; otros reciben una avalancha de ideas homogeneizadas y olvidables, como si todas hubieran salido de la misma persona. Y la raz\u00f3n no est\u00e1 en qu\u00e9 modelo se utiliza, sino en algo que es muy anterior al arribo de la IA generativa: los cuellos de botella humanos que existen dentro de los procesos en las organizaciones a los que la IA responde de maneras diferentes. <\/p>\n
Este es el argumento central de un nuevo working paper,<\/em> escrito por investigadores de Harvard, Wharton, Northwestern y Columbia reci\u00e9n publicado en el Harvard Business Review.<\/em> En lugar de preguntar qu\u00e9 puede hacer la IA generativa, los autores plantean una pregunta m\u00e1s duradera: \u00bfcu\u00e1les son las restricciones cognitivas, sociales y organizacionales que hist\u00f3ricamente han frenado la innovaci\u00f3n y c\u00f3mo interact\u00faa la IA con cada una de ellas? <\/strong><\/p>\n Para responderla, sintetizaron estudios emp\u00edricos recientes sobre IA generativa e innovaci\u00f3n (diversidad de ideas, consumidores simulados por IA, evaluaci\u00f3n algor\u00edtmica de ideas y an\u00e1lisis posterior al lanzamiento) junto con d\u00e9cadas de investigaci\u00f3n sobre creatividad, toma de decisiones bajo incertidumbre y comportamiento del consumidor. <\/p>\n Para cada una de las cuatro etapas analizadas se hicieron las mismas tres preguntas: \u00bfcu\u00e1l es la restricci\u00f3n humana subyacente?, \u00bfc\u00f3mo la afecta la IA generativa cuando se utiliza de manera ingenua?, \u00bfy c\u00f3mo habr\u00eda que redise\u00f1ar el proceso de forma deliberada? La conclusi\u00f3n es importante: algunos de estos obst\u00e1culos la IA puede realmente eliminarlos. Otros los empeora mientras parece estar ayudando. <\/strong><\/p>\n Y hay algunos que ning\u00fan modelo futuro podr\u00e1 resolver. En la ideaci\u00f3n, por ejemplo, un modelo entrenado para completar frases con las palabras m\u00e1s probables tiende, por dise\u00f1o, a la respuesta t\u00edpica. Una vez que la leemos, quedamos fijados en ella y dejamos de generar las ideas raras que habr\u00edamos producido solos. Y como todos los modelos \u201cbeben\u201d de datos parecidos, empresas distintas convergen en las mismas direcciones: sube la productividad individual, baja la diversidad del mercado. <\/strong><\/p>\n En la evaluaci\u00f3n hay otra gran trampa. Los comit\u00e9s siempre castigaron lo novedoso porque parece riesgoso, y lo que genera la IA es fluido por definici\u00f3n: esa fluidez (aunque est\u00e9 repleta de falacias) se confunde con calidad.<\/strong> Y con los clientes simulados pasa algo parecido. Un modelo no lee un aumento de precio como un experimento sino como pista de contexto: m\u00e1s caro puede significar \u201cm\u00e1s premium\u201d. Y los gemelos digitales eligen racionalmente mucho m\u00e1s seguido que las personas reales. Los autores no proponen frenar la adopci\u00f3n sino decidir qu\u00e9 partes del proceso siguen exigiendo \u201cpisar la calle\u201d: usuarios, trabajo de campo, alguien que responda con nombre y apellido. Porque la tecnolog\u00eda va a seguir cambiando, pero los cuellos de botella llevan d\u00e9cadas id\u00e9nticos y ah\u00ed est\u00e1 toda la informaci\u00f3n.<\/p>\n