La IA en realidad no “piensa”. Más bien, recuerda cómo pensábamos juntos. Y estamos a punto de dejar de darle algo que valga la pena recordar.

Estamos al borde de la era de la redundancia humana. En 2023, el director ejecutivo de IBM le dijo a Bloomberg que pronto unos 7800 puestos podrían ser reemplazados por la IA. Al año siguiente, Duolingo redujo una décima parte de su fuerza laboral de contratistas; necesitaba liberar escritorios para la IA. Atlassian siguió el ejemplo . Klarna anunció que su asistente de IA estaba realizando un trabajo equivalente al de 700 empleados de atención al cliente y que reducir la fuerza laboral a menos de 2000 es ahora su estrella polar. Y Jack Dorsey ha sido franco al expresar su deseo de mantener la plantilla de Block sin cambios mientras la IA soporta el crecimiento .

Esta trayectoria tiene una lógica interna convincente. El trabajo cognitivo rutinario se automatiza; los puestos junior se reducen; las ganancias de productividad se acumulan año tras año. Para los consejos de administración que revisan las estructuras de costos, la propuesta de inversión es la más clara desde que el motor de combustión interna reemplazó al caballo, impulsada además por una especie de inercia moral. La idea es que quien duda se queda atrás.

Pero los resultados de una investigación realizada por un equipo del Reino Unido deberían hacernos reflexionar. En la primavera de 2024, pidieron a unos 300 escritores que redactaran relatos cortos. Algunos contaron con la ayuda de GPT-4 y otros trabajaron por su cuenta. Los investigadores querían saber qué historias serían más creativas. En promedio, los escritores que utilizaron IA produjeron historias que, según jueces independientes, fueron calificadas como más creativas que las escritas sin IA.

Hasta ahora, todo en orden: una historia familiar sobre la toma inevitable del poder por parte de las máquinas inteligentes. Pero cuando los investigadores examinaron el conjunto de historias en lugar de las individuales, el panorama se volvió confuso. Las historias con asistencia de IA eran más similares entre sí . Cada escritor había sido elevado individualmente; colectivamente, habían convergido. Anil R. Doshi y Oliver Hauser, quienes publicaron el estudio en Science Advances , recurrieron a una frase de la ecología para explicar esto: una tragedia de los bienes comunes .

Tengan presente este resultado: ganancia individual, pérdida colectiva. Describe algo mucho más trascendental que un simple experimento de escritura: la lógica oculta de nuestra relación con la inteligencia artificial. Y sugiere que las organizaciones más exitosas de la próxima década serán aquellas que hagan algo profundamente contraintuitivo: en lugar de usar la IA para eliminar la interacción humana despidiendo a multitudes de trabajadores, la usarán para crear más interacción humana. IBM ha dado marcha atrás en sus fantasías previas sobre la redundancia humana. Apuesto a que otras empresas harán lo mismo en el futuro.

I.

Imagina que pudieras viajar a Egipto en el año 3000 a. C. y copiar, en jeroglíficos impecables, el contenido de cada biblioteca de templo, cada plano arquitectónico, cada manual sacerdotal, cada libro de contabilidad comercial. Luego, imagina que viajas a Mesopotamia y haces lo mismo con la escritura cuneiforme. Consolida todo lo que encuentres sobre las lenguas de esa época y, a continuación, entrena un modelo lingüístico complejo con esa información. Arquitectura transformadora completa, autoatención, todo un éxito.

El resultado sería un sistema capaz de cierto tipo de inteligencia. Podría predecir inundaciones a partir de ciclos astronómicos. Podría redactar correspondencia administrativa. Podría generar comentarios religiosos plausibles. Pero no tendría capacidad para lo que los griegos llamarían más tarde silogismo . No conservaría rastro alguno de la abstracción jurídica romana , ni concebiría el método empírico que no surgiría hasta cuatro milenios después.

Ahora, ampliemos el experimento. Entrenemos un nuevo modelo con la producción escrita de la Atenas del año 300 a. C.: Aristóteles, Euclides, Hipócrates, los registros comerciales del Mediterráneo, etc. Otro con la Roma del año 300 d. C., otro con la Bagdad del año 1000 d. C., otro con la Florencia del año 1500 d. C. y, finalmente, uno con la producción textual a escala de internet del mundo moderno.

Cada modelo de esta cadena sería, cualitativamente, más inteligente que el anterior. Pero no sería más inteligente porque se habría cambiado la arquitectura de la tecnología subyacente (cosa que no se hizo). La razón sería que la civilización que impulsaba la tecnología había cambiado. El modelo del 300 a. C. demostraría una inferencia lógica a la que su predecesor egipcio no podía aspirar. El modelo del 1500 d. C. Manejaría la probabilidad y el cálculo de navegación. Y el modelo de 2025 exhibiría la densidad argumentativa, el razonamiento interdisciplinario y la sofisticación multiperspectiva que caracterizan a los sistemas de vanguardia actuales.

Lo que revela esta cadena es una dependencia que la industria de la IA se ha negado, en gran medida, a examinar. La inteligencia subyacente de un modelo de lenguaje complejo no depende de su arquitectura, del número de parámetros ni del volumen de cómputo empleado en su entrenamiento. Ni siquiera depende de los datos de entrenamiento. Depende de la complejidad social de la civilización cuyo lenguaje procesó .

Cada época impulsó el avance cognitivo mediante algo mucho más rico y complejo que el genio aislado de un gurú o de una máquina. Lo hizo mediante nuevas formas de resolución colectiva de problemas. Pensemos en las nuevas instituciones (el ágora griega, la lex romana, la universidad medieval, la sociedad científica, la corporación moderna e internet) que exigían y recompensaban usos cada vez más sofisticados del lenguaje.

El antropólogo cognitivo Edwin Hutchins estudió cómo piensan realmente los equipos de navegación de la Armada. En su libro de 1995, Cognición en la naturaleza , escribió algo que hoy suena como una profecía accidental. El sistema de símbolos físicos, observó, es «un modelo del funcionamiento del sistema sociocultural del que se ha excluido al individuo».

Es decir, con una precisión asombrosa, una descripción de lo que realmente es un modelo de lenguaje a gran escala (LLM), despojada de toda la jerga inaccesible y de la magia matemática. Un LLM como ChatGPT es un modelo del razonamiento social humano, sin la intervención humana. Y la pregunta que nadie en Silicon Valley se plantea con la suficiente urgencia es: ¿Qué sucede con el modelo cuando el razonamiento social que generó sus datos de entrenamiento comienza a debilitarse?

II.

En 2024, Ilia Shumailov y sus colegas publicaron un artículo en Nature con un título directo: « Los modelos de IA colapsan al entrenarse con datos generados recursivamente» . Demostraron, con alarmante precisión matemática, que los modelos de lenguaje entrenados con texto generado por otros modelos de lenguaje comienzan a degenerar, en parte porque la distribución de la salida se estrecha con cada generación sucesiva. Los puntos de vista minoritarios, el conocimiento poco común, las formulaciones inusuales y las perspectivas de casos extremos desaparecen gradualmente. El modelo converge en una especie de promedio estadístico: fluido, plausible y vacío. Las colas de la distribución desaparecen primero.

Consideremos qué representan esas colas. Son las huellas del desacuerdo intelectual, del conocimiento minoritario, de las advertencias de Casandra , de la fricción institucional y del hecho incómodo pero valioso de que distintas personas saben cosas distintas y las expresan de manera diferente. Son, en otras palabras, la impronta de la complejidad social. El colapso del modelo es la compresión de la mente social presentada como un fenómeno técnico.

Casi al mismo tiempo, el investigador de IA Andrew Peterson analizó lo que denominó « colapso del conocimiento »: el efecto perjudicial sobre el conocimiento público debido a la dependencia generalizada del contenido generado por IA. Incluso con un descuento moderado en la información proveniente de la IA, las creencias públicas se desviaron 2,3 veces más de la verdad. Cuando las personas y las organizaciones recurren a resúmenes de IA en lugar de consultar fuentes primarias, la diversidad de perspectivas disponibles se reduce.

De forma similar, sugiero que existe una variante del efecto Dunning-Krueger en quienes interactúan con chatbots de servicio que les evitan las dificultades sociales de las conversaciones difíciles. Cuando las personas recurren a Grok para resolver debates complicados en Twitter/X, propagan este síndrome de exceso de confianza en su propia comprensión de temas complejos. Es más fácil inflar el conocimiento y la comprensión cuando no se tiene que lidiar con la retroalimentación socialmente reguladora de un desacuerdo que pueda herir el ego. Los puntos ciegos se acentúan cuando uno se encuentra inmerso en un harén de bots complacientes. Lo que emerge con el tiempo es más sutil que la ignorancia radical de las redes sociales pre-IA. Se trata de una forma segura, fluida y notablemente homogénea de conocimiento superficial.

Anthropic, creadora de Claude, otra plataforma de maestría en derecho (LLM), presenta resultados de investigación que muestran que solo en el 8,7 % de las interacciones de los usuarios con su plataforma se detienen a verificar la información que proporcionan los bots. Esta cifra refuerza una idea más profunda que la mera descarga y delegación de tareas cognitivas : fomenta una sobreconfianza sistémica que, a su vez, disminuye la curiosidad y la exploración de nuevas fronteras del conocimiento.

Mientras tanto, un equipo de Epoch AI estimó que el stock total de texto humano de calidad ajustada disponible para entrenamiento es de aproximadamente 300 billones de tokens, y se prevé que se agote entre 2026 y 2032. Esto suele plantearse como un problema de agotamiento de recursos, como si nos estuviéramos quedando sin datos de la misma manera que nos quedaríamos sin agua. Pero este planteamiento no capta la esencia del problema. El depósito no solo se está vaciando, sino que las fuentes que lo alimentan también están empezando a secarse.

III.

A principios de 2025, investigadores de Microsoft y Carnegie Mellon estudiaron a 319 trabajadores del conocimiento en 936 tareas reales que requerían asistencia de IA. Lo que descubrieron no se correspondía con lo que prometía el discurso sobre la productividad.

En el 40 % de las tareas asistidas por IA, los participantes informaron que no habían ejercido ningún pensamiento crítico . Cuanto mayor era su confianza en el resultado de la IA, menor era el esfuerzo cognitivo que invertían. Los investigadores no usaron esta frase, pero yo sí: documentaron la automatización del pensamiento, en la que se eliminan las fricciones de la exploración y los resultados mentales surgen como en una cadena de montaje.

La tecnología es interesante, pero el comportamiento humano lo es aún más. Durante décadas, hemos observado que las personas delegan tareas cognitivas incluso cuando no están sobrecargadas, y lo hacen de forma preventiva , en cuanto tienen a su disposición un asistente que parece fiable. Lisanne Bainbridge identificó este patrón en 1983 , en un artículo cuyo título se ha convertido en una especie de proverbio macabro entre los investigadores de la automatización: «Ironías de la automatización». Según Bainbridge, cuanto más fiable es la automatización, menos experimentados son sus operadores humanos. Es una profunda paradoja con la que he lidiado en otras ocasiones: cuanto más complejos son los sistemas automatizados, mayor es el nivel de habilidad necesario para intervenir cuando (no si) fallan.

Nicholas Carr es famoso por sus críticas a los efectos de la automatización en la era digital. En la misma línea de investigación, Sparrow, Liu y Wegner demostraron experimentalmente que cuando las personas saben que la información está disponible en Google, invierten menos esfuerzo en memorizarla. Ahora imaginemos ese efecto amplificado por un sistema que no solo recupera información, sino que también genera análisis, redacta argumentos y produce razonamientos plausibles a demanda. El resultado es un mundo en el que la productividad individual aumenta mientras que el ritmo colectivo del pensamiento humano comienza a disminuir. El jinete galopa con más fuerza, pero la caballería cubre menos terreno.

IV.

Podemos precisar aún más el argumento.

Si la capacidad de la IA depende de la complejidad social de la producción del lenguaje humano —y si su implementación reduce sistemáticamente dicha complejidad mediante la descarga cognitiva, la homogeneización de la producción creativa y la eliminación del trabajo que requiere mucha interacción—, entonces la tecnología está socavando gradualmente las condiciones para su propio avance. Sus éxitos, en lugar de fracasos, crean una espiral: una lenta atenuación del sustrato del que se nutre, lo que augura su perdición.

Esta es la paradoja de la ventaja social , y la tradición intelectual de la que se nutre es más antigua y más interdisciplinaria de lo que reconoce la mayoría de los comentarios sobre IA.

La investigación evolutiva de Michael Tomasello establece que la cognición humana divergió de la de otros primates mediante un proceso distinto a la superioridad de la capacidad de procesamiento individual. El verdadero impulso provino de la capacidad para la actividad colaborativa con objetivos compartidos y roles complementarios. Sostiene que incluso el pensamiento privado es fundamentalmente dialógico y social en su estructura: una internalización de patrones de interacción. La capacidad neuronal autónoma dista mucho de ser suficiente para explicar las habilidades del pensamiento humano.

La hipótesis del cerebro social de Robin Dunbar cuantifica esta relación: las proporciones del neocórtex predicen el tamaño de los grupos sociales en los primates; el lenguaje evolucionó como un mecanismo para gestionar las relaciones a escalas demasiado grandes para el acicalamiento. Dos tercios de la conversación son sociales, relacionales y reputacionales. A menudo se confunde el lenguaje con un simple canal de información, pero en realidad es una tecnología de coordinación social.

En mi opinión, la ingeniería de la intención colectiva , presente en formas tan familiares como la lluvia de ideas, explica la mayor parte de la expansión cognitiva de vanguardia. Los algoritmos inteligentes actuales no se han diseñado teniendo en cuenta esta función crucial.

Coincido con la caracterización de Lev Vygotsky de que el pensamiento surge de las palabras, en contraposición a la idea de que las palabras son un mero vehículo para transmitir el pensamiento. También comparto los argumentos de Andy Clark y David Chalmers sobre cómo la cognición se extiende constitutivamente a los entornos sociales y materiales. Pero mi afirmación es más contundente: es la especificación de la intención colectiva la que genera la carga cognitiva más formidable al realizar cualquier cosa que valga la pena. Lograr que mentes inteligentes se sincronicen en torno a un problema y trabajen por una causa común siempre ha sido el sello distintivo del esfuerzo mental humano, ya sea para levantar pirámides gigantes o para llegar a la Luna. Una visión compleja debe irradiar hacia la mente colectiva para generar una conciencia interconectada que nos lleve desde el genio solitario de las manzanas que caen sobre las cabezas de los científicos hasta desafiar finalmente la gravedad terrestre en ruta a Marte.

Una convención constitucional, por ejemplo, no es simplemente un grupo de personas que intercambian opiniones; es un proceso de pensamiento muy definido que ningún individuo podría replicar por sí solo y que la IA actual puede socavar si se aparta de la mentalidad colectiva.

Lo que todo esto implica para la IA es sencillo. Cada token en un corpus de entrenamiento es un fósil de la interacción social: una huella de negociación, argumentación, construcción de significado institucional o transmisión cultural. La inteligencia que exhiben los sistemas de IA nunca fue individual desde el principio. Se forjó en los espacios entre las personas.

Y si permitimos que esos espacios se reduzcan debido a una excesiva dependencia de la interacción humano-máquina, tendremos problemas. Si las interacciones que generan un lenguaje rico se vuelven más raras, superficiales u homogéneas, la inteligencia que depende de ellas se degradará gradualmente. No oiremos explosiones, es cierto, pero notaremos una reducción gradual, casi imperceptible, con el tiempo. Las máquinas en las que confiamos para el futuro del descubrimiento se ralentizarán cuando más se necesite.

V.

Dario Amodei, director ejecutivo de Anthropic, publicó en octubre de 2024 un extenso ensayo titulado « Máquinas de la Gracia Amorosa ». En él, imaginaba lo que una IA superinteligente podría lograr en los ámbitos de la ciencia, la gobernanza y el bienestar humano. Su artículo refuerza la idea de Leopold Aschenbrenner, antiguo investigador de OpenAI (al igual que el propio Amodei). En su artículo « Conciencia Situacional », escrito unos meses antes, Aschenbrenner argumenta con gran convicción que aumentar la capacidad de procesamiento y el volumen de datos sería suficiente para generar inteligencia artificial general en cuestión de años.

Sin embargo, estos artículos presentan importantes puntos ciegos estratégicos a pesar de su elocuencia y la eminencia técnica de sus autores. Amodei identifica factores limitantes —seguridad, alineación, preparación institucional—, pero no considera la posibilidad de que la calidad de los datos de capacitación futuros esté determinada socialmente y pueda degradarse. El marco de Aschenbrenner parte de la premisa de que la escalabilidad es la principal limitación, sin abordar en absoluto el origen social de los datos que se procesan.

El ensayo de Sam Altman, « La era de la inteligencia », es el que más se acerca a reconocer el aspecto social de la IA, al afirmar que «la sociedad misma es una forma de inteligencia avanzada». Sin embargo, no queda claro cuál es su verdadero compromiso con las consecuencias de esta afirmación. Sospecho que se trata de una mera figura retórica. Ni siquiera se pregunta si el despliegue de la IA podría erosionar los procesos sociales que constituyen esta inteligencia.

El Marco de Ventaja Social aquí descrito constituye una contraposición directa a Amodei, Aschenbrenner y Altman. Se trata de un programa de acción para contrarrestar la fantasía de la redundancia humana. Desafía las espirales autodestructivas creadas por la reasignación prematura de recursos materiales a una visión de la IA. Me refiero a la filosofía que subestima la enorme cantidad de preparación humana necesaria para respaldar la Gran Recodificación de la infraestructura heredada, antes de que nuestra civilización actual pueda siquiera beneficiarse de forma sustancial de los avances de la IA.

Con «Gran Recodificación», rindo homenaje al hecho simple pero ampliamente ignorado de que la gran cantidad de herramientas y servicios que los modelos avanzados de IA aún necesitan para producir resultados útiles para los usuarios no son, en sí mismos, IA, y la mayoría se crearon antes de que comenzara la era de la computación de alta intensidad con la IA. En el campo poco atractivo pero crucial del análisis de PDF —una de las formas en que la IA consume grandes cantidades de datos históricos para aprender— los estudios muestran que solo una proporción muy pequeña de las herramientas se creó utilizando técnicas como el aprendizaje profundo, que caracterizan la era de la IA. Y en algunos casos importantes, las herramientas más antiguas siguen siendo indispensables. Por lo tanto, se requieren enormes inversiones para actualizar todas o la mayoría de estas herramientas —desde analizadores de PDF hasta esquemas de bases de datos— para alinearlas con el ritmo de la computación de alta intensidad impulsada por la sed de poder de la IA. Sin embargo, todavía no hemos llegado al punto en que la IA pueda simplemente crear sus propias dependencias.

De hecho, la llamada “ deuda tecnológica heredada ”, que supuestamente obstaculiza la adopción más rápida de la IA, se ha revelado, en muchos casos, como un problema de mediación y traducción. Las empresas de IA están aprendiendo que necesitan contratar personas que comprendan profundamente los sistemas heredados para guiar este esfuerzo de recodificación . Está surgiendo un nuevo campo de “arqueología digital” donde se implementan herramientas de vanguardia como ArgonSense para intentar desenterrar la inteligencia latente en los sistemas y el código heredados, a menudo después de que los esfuerzos de modernización apresurados hayan fracasado. En muchos casos, los audaces aventureros de la nueva era de la IA han descubierto que los especialistas en mainframes de épocas pasadas siguen siendo fundamentales, y que los diálogos y debates multidisciplinarios son esenciales para avanzar en la frontera. De ahí el extraño fenómeno del auge de la contratación de programadores de COBOL . El nuevo conocimiento debe seguir nutriéndose del antiguo.

El marco de trabajo Social Edge afirma que la escalabilidad, la arquitectura y la capacidad de procesamiento son importantes. Sin embargo, ninguna de estas capacidades seguirá siendo efectiva si se permite que el sustrato social —el complejo entramado de interacción humana, rico en perspectivas, argumentativo y con gran diversidad institucional— se debilite. Y este debilitamiento es muy posible.

VI.

Ahora viene la parte que a muchos les resultará paradójica.

La opinión generalizada es que la IA permite a las organizaciones hacer más con menos: automatizar tareas rutinarias, reducir la plantilla y redirigir los ahorros hacia la estrategia. El marco de trabajo Social Edge sugiere que este cálculo puede resultar contraproducente de maneras que se acumulan lentamente pero inexorablemente.

Analicemos la evidencia. Brynjolfsson, Chandar y Chen siguieron los resultados laborales de trabajadores jóvenes de entre 22 y 25 años en campos expuestos a la IA. Desde 2022, este grupo ha experimentado una disminución relativa del 13 % en el empleo. Parece que la IA reemplaza el conocimiento codificado (el principal activo de los trabajadores jóvenes) a la vez que complementa el conocimiento tácito (el activo adquirido con esfuerzo por los profesionales experimentados). El problema es que el conocimiento tácito no surge de la nada. Proviene de la práctica : absorber las normas institucionales, desarrollar el criterio mediante la práctica supervisada y cometer errores costosos a una escala manejable. Los puestos de nivel inicial pueden parecer simplemente un gasto. Pero en realidad funcionan como la puerta de entrada a través de la cual se produce la próxima generación de expertos en el dominio. En ese sentido, forman parte de las inversiones estratégicas centrales de la organización. Eliminar esta puerta de entrada supone un ahorro inmediato, pero también priva de la fuente de conocimiento específico del dominio, socialmente arraigado, del que dependerán los futuros sistemas de IA.

Dell’Acqua y sus colegas de la Harvard Business School descubrieron que los consultores de gestión que utilizaban GPT-4 mejoraron la calidad en un 40 % en el ámbito de competencia de la IA. Fuera de ese ámbito —en problemas que requerían un juicio contextual que la IA no podía ofrecer—, su rendimiento disminuyó en un 19 %. La tecnología les había generado un exceso de confianza precisamente donde menos se justificaba, un patrón que debería hacer reflexionar a cualquier consejo de administración que considere la adopción de la IA como una mera sustitución.

La estrategia Social Edge propone que las organizaciones que contraten a más personas para desempeñar roles de alta interacción, de transmediación y enriquecidos con IA —donde la IA impulsa el aprendizaje en lugar de sustituirlo— obtendrán una mayor ventaja a largo plazo que aquellas que utilicen la tecnología como una herramienta para reducir personal. En un mundo donde la capacidad cognitiva bruta se ha mercantilizado, el valor reside en algo mucho más difícil de replicar: la capacidad de coordinar la intención humana con precisión, rapidez y verdadera profundidad. Esta ventaja radica en la transmediación y la alta interactividad humana.

VII.

La industria de la IA está contando una historia sobre el futuro del trabajo que, a grandes rasgos, es la siguiente: automatizar lo que se pueda automatizar, mejorar lo que quede y confiar en que las ganancias de productividad se acumularán hasta convertirse en un mundo más próspero y eficiente.

El marco de trabajo de Social Edge cuenta una historia diferente. Afirma que la inteligencia que estamos automatizando nunca fue solo nuestra. Se forjó en conversaciones, debates, fricciones institucionales y luchas colaborativas. Reside en los espacios entre las personas y se manifiesta en las capacidades de la IA únicamente porque esos espacios fueron lo suficientemente ricos como para dejar huellas lingüísticas de las que vale la pena aprender.

Cada vez que una empresa automatiza un puesto de nivel básico, ahorra un salario y pierde tiempo de aprendizaje, a menos que lo compense . Cada vez que un trabajador del conocimiento delega un borrador a una IA sin participar críticamente, el adelgazamiento estadístico del registro organizacional avanza en un incremento imperceptible. Cada vez que una organización confunde un resultado impecable con el progreso estratégico, consume recursos cognitivos sin generar nuevo conocimiento.

Ninguno de estos actos, por sí solo, es catastrófico. Sin embargo, su efecto combinado sí puede serlo.

Las organizaciones que prosperarán en la próxima década no serán aquellas con las tasas más altas de uso de IA, sino aquellas que comprendan algo que el experimento mental de la encadenación de épocas pone de manifiesto: que las capacidades de la IA son una herencia de la complejidad de la vida social humana. Y las herencias, si se consumen sin reinvertir, acaban agotándose. Esto es especialmente crucial a medida que la IA se adapta cada vez más a nuestra cultura organizacional.

Tomar las decisiones estratégicas correctas sobre la IA se convertirá en un rasgo distintivo del liderazgo. La investigación transnacional de Bloom et al. ha demostrado desde hace tiempo que la calidad de la gestión explica una parte sustancial de la variación en la productividad entre equipos y organizaciones, e incluso entre países.

En la era de la IA, pequeñas diferencias en la calidad del liderazgo pueden generar grandes diferencias en los resultados: una relación de beneficios no lineal que denomino liderazgo convexo. El término proviene de las matemáticas de opciones, donde un beneficio convexo es aquel cuyo potencial alcista aumenta más rápido que el potencial bajista. Los líderes convexos transforman la abundancia cognitiva en ambición estructural y, por lo tanto, evitan que sus procesos creativos y de descubrimiento se estanquen en el trabajo rutinario y pulcro. Por el contrario, en organizaciones lideradas por lo que podríamos llamar líderes cóncavos —cautelosos, centrados en los procedimientos y que priorizan la prevención de errores—, la IA tendería a generar más ruido que señal. Dado que el liderazgo es un factor determinante en nuestras vidas, nos interesa prestar atención seria a su evolución en esta nueva era.

La Ventaja Social es más que una metáfora. Es la frontera literal entre lo que la IA puede hacer bien y aquello con lo que seguirá teniendo dificultades debido a contradicciones internas fundamentales. Además, este marco nos invita a reflexionar sobre cómo la propia tesis de inversión en IA contiene las semillas de su propio fracaso. Y recuerda a los líderes que la frontera de la IA hoy en día está marcada por la riqueza del mundo social que generó los datos de los que aprendió.

Bright Simons es investigador, activista y escritor, cuyo trabajo se sitúa en la intersección de las cadenas de valor globales, la estrategia tecnológica y la gobernanza y el diseño institucional. Es el fundador de la Red mPedigree y está afiliado a IMANI y ODI Global, ambos centros de investigación.