La Velocidad Exponencial del Cambio Tecnológico, con Azeem Azhar

Matt Honan, Editor en Jefe de MIT Technology Review entrevistó a Azeem Azhar, fundador de Exponential View y autor de "The Exponential Age", durante el evento EmTech AI 2025 en la sede del MIT Media Lab. Aquí ofrecemos una visión integral de esa entrevista ante un auditorio al completo, sobre el estado actual y las implicaciones futuras de esta tecnología revolucionaria.

Por Frank Escandell

Quienes le hemos seguido desde que producía la serie Exponentially en Bloomberg Originals, encontramos en Azeem Azhar a un experto de primer nivel. En la sesión en el auditorio, en la que no se podían tomar fotos, ni audio, ni video, fue refrescante escuchar sin estar atento a hacer clicks.

En esa sesión de apertura, Azhar identificó la velocidad y aceleración como las características fundamentales que definen el panorama actual de la inteligencia artificial. Esta velocidad no se limita únicamente al desarrollo de nuevos modelos, sino que abarca también la rapidez con la que consumidores y empresas adoptan estas tecnologías. 

Como señala Azhar, "la velocidad con la que las tecnologías subyacentes están mejorando, junto con la velocidad con la que están siendo utilizadas por consumidores y empresas, es como nada que hayamos visto antes".

Esta aceleración se manifiesta de manera tangible en la producción de modelos de IA. Mientras que hasta noviembre de 2022 la industria tecnológica producía un nuevo modelo cada seis meses, desde el lanzamiento de ChatGPT se genera un nuevo modelo cada dos semanas. Esta transformación representa un cambio paradigmático que supera incluso la revolución de Internet de los años 90, haciendo que aquel período parezca "un pequeño paseo junto al río Charles" en comparación.

Los Tres Niveles de Implementación de la IA

Azhar propone un marco conceptual de tres niveles para entender cómo las organizaciones pueden abordar la implementación de la inteligencia artificial como tecnología de propósito general:

Nivel 1: Hacer lo mismo a menor costo. En esta fase inicial, las organizaciones implementan modelos de lenguaje grandes (LLM) como ChatGPT, Copilot, Llama o Gemini para realizar las mismas tareas que antes ejecutaban los humanos, pero de manera más económica. La principal limitación en este nivel es el costo de uso, que impide el acceso universal a estas herramientas.

Nivel 2: Hacer lo mismo, pero mejor. Este nivel implica la creación de "agentes generativos" que pueden comunicarse entre sí, desarrollando personalidades y especialidades específicas para convertirse en "gemelos digitales" de personas concretas. Estas entidades pueden representar a los usuarios en reuniones y otras actividades profesionales.

Nivel 3: Hacer cosas completamente nuevas. El nivel más avanzado contempla la co-inteligencia entre personas y máquinas, creando una "inteligencia colectiva aumentada" o súper mente que permite capacidades antes impensables.

La mayoría de las empresas están estancadas en el nivel 1 o el nivel 2, usando IA para reducir costos o mejorar procesos de manera incremental, perdiendo la oportunidad de repensar estratégicamente cómo podría ser su negocio 

Azeem Azhar

El Desafío de la Adaptación Organizacional

Matt Honan destacó una realidad preocupante sobre el estado de preparación organizacional. Durante una mesa redonda de liderazgo – al inicio de la jornada del lunes 5 de mayo- cuando se preguntó a los participantes si sentían que tenían los recursos necesarios dentro de sus organizaciones para estar preparados para el cambio que se avecina, "ni una sola persona levantó la mano". Es cierto, ninguno de las casi 200 personas lo hicimos. Esta revelación subraya la brecha significativa entre el ritmo de desarrollo tecnológico y la capacidad de adaptación institucional.

Azhar propone una solución estructural que denomina el modelo del "croissant". En este enfoque, el CEO debe creer genuinamente en el potencial transformador de la IA, no sólo racionalizarlo, porque esta tecnología afectará todos los aspectos del negocio: proveedores, procesos, canales de marketing, talento necesario, velocidad operacional, desarrollo de recursos internos y el equilibrio entre inversión de capital y contratación humana.

El otro extremo del "croissant" requiere que los empleados de primera línea tengan la capacidad de construir sus propios casos de uso, desarrollar proyectos y implementar herramientas de IA. Esta democratización de la innovación, basada en los principios de innovación centrada en el usuario desarrollados por el profesor Eric von Hippel del MIT, permite que los equipos de primera línea identifiquen problemas y desarrollen soluciones de manera autónoma.

Regulación y Marcos Normativos Globales

La perspectiva regulatoria presenta diferencias significativas entre Europa y Estados Unidos. Melissa Heikkilä, periodista senior de IA de MIT Technology Review, explica que la Ley de IA europea establece requisitos vinculantes para las empresas que desarrollan sistemas de IA con mayor potencial de daño a los humanos, particularmente en sectores como educación, salud y empleo.

Esta legislación europea exige mayor transparencia a los proveedores de IA, requiriendo que compartan información sobre el entrenamiento de sus modelos, los datos utilizados y cómo se relacionan con las leyes de derechos de autor. Los modelos más potentes, como Gemini o GPT-4, enfrentan requisitos adicionales relacionados con la seguridad y eficiencia energética de sus sistemas.

En contraste, la orden ejecutiva estadounidense sobre IA representa, según Heikkilä, "una promesa de dedo meñique" comparada con la legislación europea vinculante, que requiere que las empresas tecnológicas demuestren efectivamente a las autoridades y reguladores cómo están recopilando y utilizando sus datos.

Desafíos Técnicos y Limitaciones Actuales

A pesar de los avances significativos, la IA actual presenta limitaciones importantes que los expertos reconocen abiertamente. La tecnología sigue siendo vulnerable a ataques, no puede generalizarse efectivamente para adaptarse a entornos cambiantes y está plagada de sesgos. Estos desafíos dificultan la confianza en la tecnología y limitan su potencial para beneficiar a la sociedad.

Un ejemplo específico de estas limitaciones lo ilustra Azhar con su "prueba de viaje": planificar un itinerario complejo desde una ciudad cerca de Beijing hasta una ciudad cerca de Londres con restricciones temporales específicas. Mientras que modelos anteriores fallaban al no considerar factores como tiempos de llegada al aeropuerto, controles de inmigración y conexiones realistas, el modelo o3 de OpenAI fue el primero en realizar un análisis comprehensivo que incluía todas las rutas de conexión posibles, consideraciones de tráfico y incluso la opción de vuelos privados.

La Naturaleza No Determinística de los Modelos de IA

Una característica fundamental que distingue a los modelos de IA actuales de los sistemas de software tradicionales es su naturaleza no determinística. Como explicó Azhar, mientras que en los sistemas determinísticos tradicionales un dato específico permanece constante cada vez que se accede a la base de datos, los modelos de lenguaje grandes pueden producir variaciones en sus respuestas.

Esta característica requiere nuevas arquitecturas de sistemas que incluyan, por ejemplo, "agentes de verificación de hechos" que funcionen como sistemas de control de calidad automatizados. Azhar argumenta que, dado el bajo costo de operación de estos sistemas, "¿por qué no tener simplemente un verificador de hechos? Es como si pudieras permitirte tener 50 guardias de seguridad fuera de tu casa, podrías hacerlo sólo para sentirte seguro".

Transformación de los Procesos de Conocimiento

Azhar establece una distinción crucial entre datos y conocimiento, argumentando que no deben usarse indistintamente. Los datos representan la unidad más pequeña y básica, útil principalmente para identificar patrones a través de agregaciones. La IA generativa, sin embargo, permite sintetizar información en múltiples dominios, transformando datos en conocimiento accionable.

Esta capacidad de síntesis representa un cambio fundamental en cómo las organizaciones pueden procesar información. Como ejemplo, Azhar describe cómo su equipo puede tomar datos de analíticas web y solicitar a un LLM que identifique los cambios más importantes en el comportamiento del sitio web durante los últimos tres meses, obteniendo análisis de alto nivel que anteriormente requerían equipos especializados.

Agentes de IA y Productividad Personal

La implementación práctica de agentes de IA en el trabajo diario ilustra el potencial transformador de esta tecnología. Azhar describe su uso de un sistema de cuatro agentes de IA que funcionan como un "brain trust" para revisar y mejorar su trabajo. Designa uno como moderador y asigna a las otras diferentes perspectivas demográficas, como un gerente de marketing de 45 años o un early adopter de 37 años.

Este sistema permite que los agentes compartan perspectivas y críticas entre sí hasta alcanzar un consenso, proporcionando posteriormente orientación sobre cómo refinar el pensamiento o la redacción. Además, Azhar utiliza una técnica de productividad donde dicta pensamientos aleatorios sobre tareas del día a un LLM durante su trayecto matutino, solicitando luego que reorganice esa "ensalada de palabras" en puntos estructurados y priorizados.

El Futuro del Trabajo y la Complementariedad Humano-Máquina

Contrario a las visiones catastrofistas sobre el desplazamiento laboral, David Autor, profesor de Economía del MIT, ofreció una perspectiva más optimista durante la conferencia MIT AI 2025 – un evento diferente al mencionado. Autor argumenta que "existen dos visiones opuestas de la IA. Una es que las máquinas nos hacen irrelevantes. Otra es que las máquinas nos hacen más útiles. Creo que esta última tiene mucho que ofrecer".

Esta perspectiva se basa en evidencia histórica: durante los últimos 200 años, la automatización ha eliminado trabajos físicos y repetitivos, pero también ha creado nuevas oportunidades laborales, aumentando la productividad y los salarios. Sin embargo, encuestas recientes indican que el 54% de los trabajadores considera que la IA representa un gran riesgo para los empleos, con mayor preocupación entre trabajadores tecnológicos y administrativos (58%) comparado con sectores como educación y salud.

Al respecto, esto fue un motivo de diferentes conversaciones con otros asistentes pertinente al trabajo que llevan a cabo especialmente subgrupos del Grupo 2 de nuestro Proyecto OdiseIA cAIre – Google.org Digital Futures Project.

Implicaciones Éticas y Sociales

Las consideraciones éticas emergen como un tema central en el desarrollo de la IA. La necesidad de "alineamiento" - asegurar que la IA se utilice con fines útiles y no perjudiciales - representa uno de los desafíos más significativos del campo. Esta preocupación se extiende a cuestiones de transparencia, sesgo algorítmico y la necesidad de marcos normativos inclusivos que representen voces diversas.

La verificación de datos se convierte en una competencia esencial en la era de la IA. Los profesionales y estudiantes deben desarrollar habilidades para identificar información errónea, resultados sesgados y respuestas que carecen de coherencia con la realidad y el contexto específico de quien solicita la información.

Perspectivas a Futuro

El análisis conjunto de las perspectivas de Honan y Azhar reveló a los asistentes un panorama complejo donde la velocidad exponencial del cambio tecnológico coexiste con desafíos significativos de adaptación organizacional, regulación y consideraciones éticas. La IA no representa simplemente una herramienta más en el arsenal tecnológico, sino una tecnología de propósito general que requiere repensar fundamentalmente los procesos, estructuras organizacionales y marcos de toma de decisiones.

La brecha entre el ritmo del desarrollo tecnológico y la capacidad de adaptación humana e institucional constituye el desafío central de nuestra época. Como observa Azhar, "contender con esa velocidad es extremadamente difícil de hacer psicológicamente, tanto para individuos como para organizaciones, y crea una tensión, una división, una brecha que es realmente difícil de cerrar".

El futuro de la IA no está predeterminado, sino que será moldeado por las decisiones que tomemos hoy sobre cómo desarrollar, regular e implementar estas tecnologías. La clave radica en encontrar el equilibrio entre aprovechar el potencial transformador de la IA mientras se abordan proactivamente sus riesgos y limitaciones, asegurando que sirva para amplificar las capacidades humanas en lugar de reemplazarlas.

En este contexto de transformación exponencial, la preparación organizacional, la educación continua y el desarrollo de marcos éticos robustos no son opcionales, sino imperativos para navegar exitosamente hacia un futuro donde la inteligencia artificial y la inteligencia humana coexistan de manera productiva y beneficiosa para la sociedad.