La IA está descubriendo cosas que nadie le enseñó

Hace unos días, cientos de agentes de Claude analizaron más de 200.000 secuencias biológicas y encontraron una estructura aparentemente desconocida, denominada ART, que ahora está siendo investigada por científicos de Anthropic.

Su importancia está todavía por determinar, pero hay algo más relevante que el descubrimiento concreto. Claude encontró una relación que aparentemente nadie había identificado antes. No recuperó conocimiento existente, exploró información, detectó una anomalía, relacionó elementos y generó una nueva hipótesis. Por tanto, estamos empezando a pasar de utilizar la IA para acceder al conocimiento que ya existe a utilizarla para producir conocimiento nuevo. ¡Ostras! Por ejemplo, una empresa sabe mucho más de lo que sabe.

Una compañía que lleve diez, veinte o treinta años funcionando. Durante todo ese tiempo ha generado una enorme cantidad de conocimiento, miles de clientes, millones de interacciones, reuniones comerciales, ofertas ganadas y perdidas, cambios de precios, correos, incidencias, decisiones erradas, todo eso contiene conocimiento. El problema es que la empresa no sabe necesariamente que lo tiene, ya que está fragmentado entre bases de datos, CRM, documentos, correos, conversaciones, departamentos y, sobre todo, personas.

Un director comercial conoce una parte, marketing conoce otra, atención al cliente otra, y cada empleado acumula durante años relaciones, experiencias e intuiciones que difícilmente llegan a convertirse en conocimiento de toda la organización. Bien hasta ahora hemos intentado resolverlo integrando datos, construyendo cuadros de mando y contratando analistas, pero, desde mi punto de vista, seguimos haciendo fundamentalmente lo mismo, que es decir primero qué queremos saber y después buscamos los datos que pueden responder.

La IA puede invertir esa lógica, explorar primero y preguntarnos después: “He encontrado esto. ¿Sabíais qué ocurría?”.

Y ahí aparece una capacidad empresarial completamente diferente, descubrir relaciones que nadie estaba buscando Imaginemos una compañía con 50.000 clientes. Puede preguntarle a la IA cuáles tienen mayor riesgo de abandonar, cuáles compran más o qué productos funcionan mejor. Eso ya lo hacemos.

Pero ahora imaginemos agentes analizando continuamente CRM, conversaciones comerciales, atención al cliente, facturación, productos, campañas y comportamiento y que descubren que los clientes que empiezan a realizar más consultas técnicas, pero reducen simultáneamente sus contactos comerciales tienen una probabilidad significativamente mayor de abandonar seis meses después. Nadie había formulado esa hipótesis, pero la relación estaba ahí, el conocimiento no.

O imaginemos que descubre que determinados clientes que compran productos aparentemente diferentes comparten un patrón de comportamiento que revela una necesidad que la empresa nunca había identificado. Quizás, ahí, podría estar naciendo un producto nuevo.

Analiza miles de ofertas comerciales y descubre que la variable que mejor explica por qué se gana una operación no es el precio, el sector o el tamaño del cliente, sino una determinada combinación entre el momento del contacto, el perfil del interlocutor y el tipo de propuesta. Quizá llevamos años creyendo que sabemos por qué vendemos cuando la verdadera explicación estaba escondida en relaciones que nunca habíamos observado.

Y no hablamos solamente de datos, esto me parece especialmente importante. Cuando hablamos de IA empresarial tendemos inmediatamente a pensar en bases de datos, pero una organización está llena de conocimiento no estructurado. Conversaciones, correos, presentaciones, reuniones, comentarios de clientes, incluso desacuerdos. Pues imaginemos una IA capaz de observar durante años ese enorme entramado y descubrir que determinadas palabras empiezan a aparecer cada vez con mayor frecuencia en las conversaciones con clientes meses antes de que aparezca una nueva tendencia de mercado.

Que identifica necesidades que aparecen simultáneamente en departamentos distintos, pero que nadie había relacionado porque esas personas nunca hablan entre sí, o que detecta que los mejores profesionales de una compañía hacen algo diferente al resto que ni siquiera ellos mismos son capaces de explicar.

Ese conocimiento existe, está, pero todavía no ha sido formulado. La IA puede empezar a hacerlo visible, y, por tanto, una organización podría aprender de sí misma. Aquí aparece, para mí, una de las consecuencias más profundas.

Las empresas generan experiencia continuamente, pero aprenden mucho menos de lo que experimentan, una gran parte desaparece en cuanto termina el proceso. Las personas recuerdan una parte, los sistemas almacenan otra, los informes recogen otra todavía menor, pero una IA que pudiera observar de manera permanente la actividad de la organización permitiría convertir esa experiencia dispersa en aprendizaje acumulativo.

No solamente responder: ¿Qué ocurrió?, ni siquiera ¿Qué puede ocurrir?

Si no, ¿qué estamos aprendiendo que todavía no nos hemos dado cuenta de que hemos aprendido?

Eso cambia bastante el papel de la IA dentro de una compañía, de herramienta a sistema de descubrimiento

Hasta ahora estamos incorporando IA principalmente para aumentar la productividad, automatizar procesos, analizar documentos, etc. Supongo que es lógico. Son beneficios inmediatos y fáciles de medir. Pero probablemente estemos utilizando una tecnología nueva para hacer mejor las cosas que ya hacíamos. El siguiente salto puede ser distinto, debe ser distinto. 

Construir organizaciones en las que personas, datos, IA y agentes formen un sistema permanente de aprendizaje y descubrimiento, con agentes explorando información interna y externa, buscando relaciones, contrastando hipótesis, relacionando comportamientos de clientes con movimientos del mercado, encontrando señales que ningún departamento estaba buscando.

Entonces la IA deja de ser solamente una herramienta que utilizamos cuando necesitamos algo, y se convierte en una capacidad permanente de la organización, una capacidad para descubrir el conocimiento nuevo como ventaja competitiva

Esto cambia también la forma de pensar sobre los datos. Durante años hemos dicho que los datos eran un activo, pero tener datos se está convirtiendo progresivamente en algo insuficiente.

Dos competidores pueden utilizar los mismos modelos de IA, pueden contratar tecnologías similares, incluso pueden disponer de información de mercado parecida.

La diferencia puede estar en qué conocimiento es capaz de generar cada uno a partir de todo ello. Una empresa puede descubrir antes una necesidad emergente, otra puede comprender una relación entre comportamientos que sus competidores todavía no han visto, una tercera puede detectar un cambio de mercado cuando todavía parece insignificante etc. La ventaja competitiva deja entonces de estar solamente en tener más información y comienzan a estar en aprender y descubrir más rápido que los demás. Por tanto, pasamos de empresas que almacenan conocimiento a empresas que lo producen. Y eso, lo mire como lo mire, es un salto.

Pero llevemos esta idea fuera de la empresa, porque probablemente sea todavía más interesante. ¿Qué ocurre si aplicamos esta misma capacidad de descubrimiento a las relaciones y al comportamiento humano?

Durante nuestra vida generamos miles de interacciones con otras personas. Conversaciones, mensajes, decisiones, reacciones, silencios, cambios de comportamiento. Nosotros interpretamos cada una dentro de un contexto determinado, pero somos incapaces de observar simultáneamente miles o millones de relaciones humanas y encontrar patrones comunes entre ellas.

Una IA sí podría hacerlo, y quizá descubrir relaciones que todavía no conocemos. Podría descubrir, por ejemplo, qué determinados cambios aparentemente insignificantes en la forma en que dos personas se comunican anticipan el deterioro de una relación mucho antes de que cualquiera de ellas sea consciente de ello, encontrar patrones de colaboración que expliquen por qué determinadas combinaciones de personas funcionan extraordinariamente bien mientras otras, con perfiles aparentemente mejores, fracasan.

En educación podría descubrir qué determinadas formas de preguntar, equivocarse o relacionar conceptos anticipan cómo aprende mejor una persona, aunque ni el profesor ni el propio alumno hayan identificado ese patrón. En salud pública, por ejemplo, podría encontrar relaciones entre comportamientos, entorno y hábitos que hasta ahora analizábamos por separado. No sé, en sociología, podría detectar cómo pequeñas modificaciones en el lenguaje empiezan a anticipar cambios sociales mucho antes de que aparezcan en encuestas o estadísticas.

Y aquí aparece algo que me parece todavía más profundo, una parte del conocimiento nuevo que puede generar la IA quizá no esté escondido en un documento, una base de datos o un laboratorio, quizás este escondido en las relaciones entre millones de comportamientos humanos que hasta ahora nunca habíamos tenido capacidad para observar conjuntamente.

Eso abre posibilidades extraordinarias, pero también preguntas incómodas. Descubrir patrones sobre materiales o moléculas es una cosa, descubrir patrones que expliquen o permitan anticipar nuestro comportamiento es otra muy distinta. Cuanto mayor sea esa capacidad, más importantes serán cuestiones como la privacidad, el consentimiento y, sobre todo, quién puede utilizar ese conocimiento y para qué.

Una cosa es que la IA descubra algo que nosotros no sabíamos sobre una proteína, otra bien distinta es que descubra algo que nosotros no sabíamos sobre nosotros mismos.