Demasiadas IAs

La inteligencia artificial ya no es algo que necesariamente abrimos de manera deliberada. Está convirtiéndose en parte del entorno. WhatsApp tiene Meta AI, Facebook depende cada vez más de sistemas de recomendación impulsados por IA, LinkedIn ha incorporado asistencia basada en inteligencia artificial en distintas partes de la experiencia profesional, Mailchimp y MailerLite pueden ayudar a generar y optimizar contenido para campañas, y Gemini está integrado en Google Workspace, ofreciendo asistencia mientras escribimos y trabajamos en Docs.

El patrón se extiende mucho más allá. El software que antes esperaba nuestras instrucciones ahora empieza a sugerir, reescribir, resumir, predecir y recomendar. Esto crea un problema particular: pronto podríamos tener más asistentes de IA que aplicaciones que podamos administrar de forma consciente, y no todos hacen el mismo trabajo.

Hay un argumento muy sólido a favor de utilizar la IA integrada en cada plataforma. Una IA dentro de un sistema de email marketing sabe que está trabajando sobre una campaña. Conoce la estructura de la herramienta, los campos disponibles, las restricciones del entorno y, cada vez más, los patrones de rendimiento asociados a ese tipo de comunicación. Una IA dentro de una red profesional entiende ese entorno de otra manera. Una IA dentro de un editor de documentos puede trabajar directamente sobre el documento sin obligarnos a trasladar la información a otro lugar.

Ese es el atractivo de la IA integrada: el contexto ya está ahí. El asistente se encuentra cerca del objeto sobre el que estamos trabajando. Hay menos fricción, menos copiar y pegar, menos necesidad de explicar y, potencialmente, una mejor optimización. Un asistente especializado puede comprender detalles que un sistema generalista debe inferir o recibir explícitamente, como restricciones de formato, convenciones de la plataforma, datos disponibles, características de la audiencia o requisitos técnicos. Para tareas específicas, la especialización es poderosa.

Pero la especialización tiene un costo. Pasamos de una aplicación a otra y cambia también la inteligencia. El asistente que ayuda con una campaña de email puede no saber nada sobre una decisión de posicionamiento tomada unas horas antes. La IA dentro de una red social puede desconocer por qué cierto tono fue descartado la semana anterior. Otro asistente puede recomendar una solución perfectamente razonable que contradice una estrategia ya definida en otro lugar.

Cada sistema ve un fragmento. Desde su perspectiva, ese fragmento puede ser suficiente. Desde la nuestra, muchas veces no lo es. Esta es una de las paradojas de la abundancia de IA: cuanto más distribuimos inteligencia entre nuestras herramientas, más fragmentado puede quedar nuestro contexto de trabajo. La plataforma sabe qué estamos haciendo allí, pero no necesariamente sabe qué estamos tratando de conseguir en términos generales.

La alternativa consiste en desarrollar una relación principal con una única plataforma de IA de propósito general. En lugar de permitir que cada aplicación se convierta en una fuente independiente de recomendaciones, un asistente pasa a funcionar como una capa cognitiva persistente por encima de todas ellas. Las aplicaciones siguen siendo herramientas, mientras la IA ayuda a coordinar cómo utilizarlas.

Con el tiempo, un asistente principal puede acumular contexto de trabajo: terminología, tono preferido, proyectos recurrentes, decisiones anteriores, ideas descartadas, restricciones técnicas y formas habituales de resolver problemas. La diferencia puede ser sutil, pero importante. Una IA específica de una plataforma puede saber qué suele funcionar mejor. Una IA persistente puede saber por qué no queremos hacer aquello que suele funcionar mejor.

Una está optimizada alrededor de la tarea. La otra puede ir optimizándose alrededor de la persona.

Esa continuidad puede volverse más valiosa que la especialización, especialmente cuando el trabajo atraviesa distintas disciplinas. Una campaña puede incluir estrategia, escritura, diseño, análisis, distribución en redes y ejecución técnica. Ninguna aplicación individual ve toda la cadena, mientras que una IA generalista potencialmente sí.

Existe además otra diferencia. Un asistente integrado funciona dentro de un producto, y ese producto tiene objetivos. Una red social quiere que su red funcione bien. Una plataforma de email quiere campañas efectivas. Una suite de productividad quiere que hagamos más cosas dentro de su ecosistema. Esos objetivos pueden coincidir ampliamente con los nuestros, pero no necesariamente son idénticos.

Cuando una plataforma recomienda una acción, la pregunta útil no es solamente si la recomendación es inteligente, sino qué está optimizando. Más engagement, más clics, mejor entregabilidad, más actividad dentro de la plataforma o una ejecución más rápida de la tarea pueden ser objetivos deseables. Pero el objetivo del usuario puede ser otro. Puede ser consistencia, moderación, posicionamiento de largo plazo, originalidad, o simplemente evitar sonar como todos los demás que aceptaron la misma optimización.

Cuanto más cerca está la IA de la infraestructura, más importante se vuelve esta diferencia.

Afortunadamente, no tenemos que elegir de manera absoluta entre inteligencia local e inteligencia continua. El modelo más efectivo probablemente sea la orquestación: utilizar una IA principal para mantener la continuidad estratégica, recurrir a sistemas especializados cuando su conocimiento de la plataforma aporte una ventaja concreta, y luego evaluar esas recomendaciones dentro del contexto general.

Una plataforma de email puede sugerir distintas líneas de asunto. Una IA principal puede evaluar si esas opciones son coherentes con la estrategia general de comunicación. Un asistente integrado puede detectar una oportunidad de optimización. La IA central puede ayudar a determinar si optimizar esa métrica realmente sirve al proyecto. Ninguno de los dos sistemas necesita reemplazar al otro porque operan en capas diferentes.

El flujo de trabajo comienza a parecerse a la gestión de una pequeña organización. El especialista entiende el dominio. El generalista entiende el objetivo más amplio. El ser humano sigue siendo responsable de decidir qué recomendación importa.

Durante la primera etapa de la IA generativa, gran parte de la conversación estuvo centrada en los prompts: cómo hacer mejores preguntas, cómo describir el resultado deseado y cómo lograr que la máquina nos entienda. Esas habilidades siguen siendo importantes, pero otra está volviéndose igual de relevante: saber qué inteligencia debe resolver cada parte del problema.

Algunas tareas se benefician de un especialista que conoce íntimamente el entorno. Otras requieren un asistente que recuerde el objetivo general. Algunas necesitan ambas cosas.

Esto puede convertirse en una de las características centrales del uso maduro de la IA. No máxima automatización ni máxima adopción, sino coordinación. El espacio de trabajo del futuro cercano probablemente contenga decenas de sistemas inteligentes, muchos de ellos casi invisibles. La ventaja no necesariamente pertenecerá a quien utilice la mayor cantidad, sino a quien entienda qué sabe cada uno, qué no sabe, qué está optimizando y cuándo conviene preguntarle a otra máquina.

Pasamos los primeros años de la IA generativa aprendiendo a hablar con las máquinas. La próxima habilidad puede ser aprender con cuál de ellas hablar.