Hay algo llamativo en la historia de la inteligencia artificial: para llegar a máquinas capaces de realizar tareas intelectuales, pasamos décadas convirtiendo el trabajo, el conocimiento y la actividad humana en información digital.

Durante años digitalizamos procesos, documentamos procedimientos, registramos operaciones y construimos sistemas para almacenar y procesar cantidades crecientes de información.

Lo hicimos por razones muy distintas: reducir costos, mejorar la comunicación, organizar empresas, acelerar investigaciones o competir en nuevos mercados.

En su momento, cada avance tenía una explicación propia. Sin embargo, si miramos el proceso en perspectiva, aparece una conexión que merece atención: mientras digitalizábamos el mundo para hacer más eficientes nuestras actividades, también estábamos generando una representación cada vez más extensa de cómo trabajamos, qué sabemos y cómo resolvemos problemas.

Hoy, esa representación puede utilizarse para entrenar sistemas capaces de realizar algunas de esas mismas tareas.

¿Cómo llegamos a ese punto? ¿Fue una consecuencia que nadie anticipó o hubo actores que empezaron a comprender mucho antes hacia dónde podía conducir esta transformación?

No creo que sea necesario elegir entre dos extremos: que todo haya sido producto del azar o que haya existido un plan único detrás de décadas de desarrollo tecnológico.

Entre ambas posibilidades hay una pregunta bastante más interesante: qué ocurre cuando un proceso construido a partir de millones de decisiones independientes empieza a revelar un potencial que algunos actores reconocen antes que los demás.

Mucho antes de que existieran los modelos de lenguaje, ya existía un incentivo económico para hacer que el trabajo fuera más previsible, medible y reproducible.

La industrialización permitió mecanizar tareas físicas y estandarizar procesos.

La administración moderna buscó organizar el conocimiento necesario para producir a mayor escala. La informática extendió esas posibilidades al tratamiento de información, la gestión empresarial y la coordinación de actividades cada vez más complejas.

No fueron etapas de un proyecto único, ni sería razonable interpretar toda la historia de la organización del trabajo como una preparación deliberada para la inteligencia artificial. Pero sí podemos reconocer una continuidad: las organizaciones tienen incentivos para registrar cómo funcionan, formalizar procedimientos y reducir la dependencia de conocimientos que solo existen en la experiencia de determinadas personas.

La digitalización llevó esa lógica mucho más lejos.

Una empresa que registra sus operaciones produce información sobre su funcionamiento. Un profesional que documenta cómo resuelve un problema deja un procedimiento que otros pueden reutilizar. Un programador que publica código contribuye a una colección de soluciones que pueden estudiarse, copiarse y modificarse.

Cada uno de esos ejemplos responde a necesidades concretas. La cuestión aparece cuando dejamos de observarlos individualmente y miramos lo que sucede después de décadas de acumulación.

Internet multiplicó la escala de ese proceso. Una parte creciente de lo que escribimos, diseñamos, programamos, investigamos y compartimos empezó a quedar almacenada en formatos digitales.

Esa información no se produjo, en general, con el propósito específico de entrenar sistemas de inteligencia artificial. Se generó para trabajar, comunicarse, vender, investigar, entretenerse y resolver problemas. Sin embargo, una vez acumulada, también podía adquirir otros usos.

Los modelos de lenguaje ofrecen un ejemplo concreto. El desarrollo de GPT-3, publicado en 2020, mostró cómo un modelo entrenado con grandes cantidades de texto podía aprender patrones lingüísticos y realizar distintas tareas a partir de instrucciones y ejemplos. En programación, los modelos entrenados con código disponible digitalmente siguieron una lógica similar.

Lo que me interesa de estos casos no es solamente el avance de los algoritmos. Es la relación entre esos avances y todo lo que tuvo que existir antes para hacerlos posibles.

Para entrenar sistemas que escriban, necesitamos grandes cantidades de texto. Para desarrollar sistemas que ayuden a programar, el código disponible constituye un recurso valioso. Para reconocer patrones en imágenes, necesitamos imágenes y métodos para procesarlas. En cada caso, el desarrollo de nuevas capacidades depende, entre otras cosas, de la existencia de información que pueda utilizarse para construirlas.

Esto no significa que digitalizar una actividad alcance para automatizarla. Tampoco significa que los modelos reproduzcan todo el conocimiento, el juicio o la experiencia de una persona. Pero sí plantea algo importante: cuanto más de nuestra actividad queda representada en formatos procesables por máquinas, más posibilidades aparecen de desarrollar sistemas que puedan ejecutar algunas de las tareas involucradas.

La digitalización no solo cambió la forma en que trabajamos. También contribuyó a crear las condiciones para que una parte de ese trabajo pudiera ser realizada por máquinas.

Quizás esta sea una de las conexiones más importantes para entender la transformación actual. La inteligencia artificial generativa no apareció sobre un terreno vacío: encontró décadas de infraestructura, conocimiento acumulado y actividad humana convertida en información. A eso se sumaron avances en computación, algoritmos e inversión que permitieron aprovechar esos recursos de maneras que antes no eran viables.

Pero entender cómo se construyeron esas condiciones todavía no responde una pregunta: ¿alguien comprendió antes que los demás lo que podían llegar a habilitar?

Es perfectamente posible que gran parte de esta historia haya sido una convergencia no planificada. Las empresas querían mejorar su productividad, los investigadores buscaban resolver problemas, los usuarios adoptaban nuevas herramientas y los gobiernos perseguían objetivos económicos o estratégicos. Las decisiones se acumulaban y, con ellas, aparecían oportunidades que ninguno de los participantes necesitaba haber previsto en su totalidad.

Pero de ahí no se desprende que todos hayan avanzado a ciegas.

Los gobiernos y las empresas también identifican oportunidades, anticipan escenarios y coordinan inversiones para desarrollar capacidades que consideran estratégicas. La historia de la inteligencia artificial tiene ejemplos explícitos de ello. En 1983, Estados Unidos puso en marcha el programa Strategic Computing de DARPA, orientado a acelerar el desarrollo de inteligencia artificial y computación para aplicaciones de defensa.

Ese programa no demuestra que existiera una estrategia de largo plazo para automatizar masivamente el trabajo humano. Sí muestra que el desarrollo de máquinas inteligentes era objeto de planificación e inversión deliberadas mucho antes de que la IA generativa se convirtiera en un fenómeno de alcance masivo.

Y acá aparece una distinción que me parece fundamental.

Una cosa es que nadie haya diseñado el resultado final desde el principio. Otra es que, en algún momento, determinados actores hayan empezado a reconocer las conexiones entre digitalización, datos, capacidad de cómputo y automatización, y hayan decidido invertir para acelerar algunas de ellas.

Un proceso puede surgir de decisiones descentralizadas y adquirir dirección estratégica con el tiempo. No hace falta que alguien controle todas sus partes. Alcanza con que ciertos actores comprendan las oportunidades que se están abriendo y tengan los recursos para aprovecharlas e influir en su desarrollo.

La pregunta, entonces, no es necesariamente quién planeó todo esto. Es cuándo empezó a ser posible reconocer el potencial del conjunto, quiénes pudieron hacerlo y qué decisiones tomaron a partir de esa comprensión.

Los incentivos económicos ayudan a entender por qué estas capacidades se desarrollan y se expanden.

Si una tecnología permite realizar una tarea con menor costo, mayor velocidad o más escala, aparecen razones para invertir en ella. Esa inversión mejora la tecnología, habilita nuevos usos y vuelve rentable automatizar actividades que antes no podían delegarse a una máquina. Las nuevas oportunidades, a su vez, atraen más inversión.

Este mecanismo no implica que toda innovación esté destinada a reemplazar trabajadores. La tecnología también complementa capacidades humanas y crea nuevas tareas. De hecho, la investigación económica sobre automatización, como la de Daron Acemoglu y Pascual Restrepo, muestra que el desplazamiento de tareas y la creación de otras nuevas son fuerzas que pueden operar simultáneamente.

Pero hay algo que no deberíamos perder de vista: las posibilidades técnicas no determinan por sí solas qué tecnologías se desarrollan ni cómo se utilizan. También importan los incentivos, las decisiones de inversión y los intereses de quienes financian, construyen y controlan esas capacidades.

Cuando la automatización de una tarea promete una ventaja económica, existen razones para perseguirla. Cuando esa ventaja también tiene implicancias militares, políticas o geopolíticas, aparecen otros incentivos para acelerar el desarrollo.

Por eso, una transformación puede tener consecuencias que exceden ampliamente las intenciones originales de quienes contribuyeron a ella y, al mismo tiempo, convertirse en objeto de planificación deliberada por parte de quienes reconocen su potencial.

No hay contradicción entre ambas cosas.

Llegados a este punto, conviene distinguir lo que sabemos de lo que todavía necesitamos investigar.

Sabemos que los modelos actuales se entrenan con grandes cantidades de información digital.

Sabemos que gobiernos y empresas invierten deliberadamente en inteligencia artificial y que existen incentivos económicos para automatizar tareas. También podemos observar cómo décadas de digitalización ampliaron la disponibilidad de información que hoy sirve para desarrollar nuevas capacidades.

Lo que no podemos dar por demostrado es que todo ese proceso haya respondido, desde sus primeras etapas, a una estrategia coordinada para automatizar el trabajo intelectual. Para sostener esa afirmación necesitaríamos evidencia histórica concreta: documentos, decisiones de inversión y programas que permitan reconstruir quiénes anticiparon esa convergencia, cuándo lo hicieron y cuánto influyeron en su dirección.

Pero no hace falta resolver esa cuestión de antemano para reconocer que vale la pena formularla.

Tal vez la digitalización haya generado, en gran medida sin proponérselo, las condiciones para una transformación que después adquirió una dirección más definida. Tal vez algunos actores hayan reconocido antes que otros las posibilidades que estaban emergiendo. Y tal vez distintas partes de ese proceso han combinado, en proporciones diferentes, decisiones descentralizadas y planificación estratégica.

Lo interesante es que estas posibilidades no se excluyen necesariamente. Un sistema puede ser el resultado de miles de decisiones independientes y, una vez que ciertas conexiones se vuelven visibles, empezar a ser orientado por quienes tienen los recursos y la capacidad para hacerlo.

Cuando miramos la inteligencia artificial, solemos concentrarnos en lo que los modelos pueden hacer hoy y en lo que podrían hacer mañana. Pero quizás también deberíamos mirar hacia atrás y preguntarnos qué tuvo que ocurrir para que esas capacidades fueran posibles.

¿Qué parte de ese recorrido fue una consecuencia imprevista de decisiones tomadas con otros objetivos? ¿Cuándo empezaron algunos actores a reconocer el potencial de la convergencia? ¿Qué intentaron acelerar y qué resultados terminaron obteniendo, incluso aquellos que no habían previsto?

No tengo una respuesta cerrada para esas preguntas. Lo que me interesa es la posibilidad de que estemos mirando la inteligencia artificial como una revolución reciente, cuando en realidad estamos viendo una etapa nueva de una transformación mucho más larga.

Y si es así, hay algo que vale la pena pensar: quizás la pregunta no sea solamente qué vamos a hacer con la inteligencia artificial, sino desde cuándo se estaban construyendo las condiciones para que llegáramos hasta acá, quiénes alcanzaron a verlo antes y qué hicieron cuando lo entendieron.

• Brown et al. (2020), Language Models are Few-Shot Learners. NeurIPS.
• Roland y Shiman, Strategic Computing: DARPA and the Quest for Machine Intelligence, 1983–1993. MIT Press.
• Acemoglu y Restrepo (2019), Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives.