|
|
“Si los datos son el petróleo del siglo XXI, el
recurso más valioso es el conocimiento”
Así
comienza este artículo de Cesar Alierta, ex
presidente de Telefónica. Con esa tajante afirmación del máximo responsable
de una empresa que lidera el negocio de los datos, el resto del newsletter sobraría… Pero merece la pena explicarlo.
Aunque los
datos son importantes, el conocimiento es la clave. Es cierto que, sin
datos, el análisis es mucho más pobre. Por eso, contar con datos no puede
ser el objetivo sino el medio. Si dispones de datos, pero no tienes
conocimiento del proceso para analizarlos, los datos no te sirven. El mes pasado sostuve
que crear el modelo de Inteligencia Artificial (IA) de su negocio será la
principal ventaja competitiva de cualquier empresa. Y dado que los modelos de lenguaje LLM serán un commodity, la diferencia estará en el conocimiento, y
no los datos, con que se entrenen. Si les transmitimos más conocimiento nos
ayudarán mucho mejor. Mi hipótesis es que hoy estamos “alimentando” la IA
con nutrientes de “baja calidad” (datos) y que cuando seamos capaces de
entrenarla con el conocimiento crítico de la empresa, los resultados se
dispararán. El desafío por tanto no son los datos sino cómo convertir el
conocimiento que tienen las personas en un lenguaje que entienda la IA.
Mientras que siempre hemos tratado de transformar datos en conocimiento, el
reto ahora es el contrario: Convertir conocimiento en datos. Las
organizaciones hacen tareas repetitivas lo que significa que van a
reutilizar conocimiento luego merece la pena sistematizarlo. Sin
conocimiento no existen los datos. Los datos en una empresa son
consecuencia de acciones o decisiones. Todo dato es el resultado de aplicar
conocimiento, es decir de una acción o decisión (voluntaria o no,
consciente o no) y representa la huella de lo que se ha hecho.
Tampoco la IA será la nueva electricidad. Será mucho más que eso por una simple razón.
Todo lo que existe en el mundo que no es obra de la naturaleza, es el
resultado de la inteligencia humana: la ropa que vistes, el suelo que
pisas, el teléfono que usas, los alimentos que comes…. La inteligencia
mejora cualquier proceso, producto, organización o persona. La
electricidad es fundamental, pero es uno de los muchos frutos de nuestra
inteligencia. Absolutamente todo lo derivado de la inteligencia humana se
verá directamente impactado por la IA (incluyendo la electricidad).
El objetivo de la IA tiene que ser hacernos a
nosotros más inteligentes. Lo que la IA nos ofrece es conocimiento agregado colectivo.
La IA somos todos nosotros. La IA necesita conocimiento como
input y entrega conocimiento como output. La IA es conocimiento empaquetado
y para ello aprende de nosotros, se nutre de nuestro conocimiento. La IA promete un escenario irresistible: Un
médico por paciente, un profesor por alumno… Por primera vez, la IA
cuenta con los elementos que necesita para hacer esa magia. Tenemos
algoritmos que mejoran cada día. Existe capacidad de cómputo que sigue
creciendo (a un coste ambiental y energético insostenible). Contamos con
datos e incluso generamos datos sintéticos. La IA ya nos permite aprender
de la información que recogemos. Eso sí, los datos no traen respuestas. Los
datos te informan de tu desempeño, son el resultado de tu plan, un
indicador de cuán lejos o cerca te quedaste de lo que habías planeado. Aunque
acudes a los datos buscando una solución, debiésemos enfocarlo al revés: La
respuesta está en los datos, pero solo la encontrarás con las preguntas adecuadas. Y eso es un asunto de conocimiento. Muchas
empresas se cuestionan la calidad, dispersión y pertinencia de los datos
que tienen.
Empecemos con un ejemplo (*aviso: usaré Datos e Información indistintamente).
Imagina que te entrego estos Datos acerca
de un individuo: FC = 95; PS = 110 / 40; Temp =
39,5; Edad = 20; Sexo: Masculino; Tiritones helados; Mareos; Aumento en
respiración.
La interpretación que puedes hacer de ellos
(excepto si eres médico) sería: “esta persona tiene fiebre, el pulso
acelerado y la presión sanguínea baja”. Ante esos mismos datos, un médico
interpreta lo siguiente “Sospecha de septicemia, se requiere cultivo
sanguíneo para determinar el tipo de infección bacteriana. Tomar examen de
sangre, ordenar suero, prescribir antibióticos”.
¿Cuál es la diferencia? El médico cuenta con
conocimiento que le permite decidir y actuar. Sin datos es más difícil
tomar decisiones. Pero por sí mismos, los datos no te permiten actuar hasta
que no se cuenta con el conocimiento. Los datos son siempre una foto del
pasado. La información surge al interpretarlos y darles significado a esos
datos. Pero solo el conocimiento nos permite decidir y actuar. El
conocimiento decide qué información es importante y cómo usarla. Y la clave
de una empresa, y del trabajo de cualquier profesional, consiste en tomar
las decisiones adecuadas para alcanzar los objetivos ¿Por qué el
conocimiento es el tesoro? Porque es la materia prima de las decisiones. Yo
no puedo decidir sobre cáncer o sobre energía nuclear (por muchos
datos que tenga) porque carezco de conocimiento. Y por ahora, el
conocimiento lo tienen las personas. Debiésemos hablar más de Big Knowledge
que de Big Data.
El conocimiento en una organización está
básicamente en 2 lugares: en la cabeza de las personas (conocimiento
tácito) y plasmado en documentos o sistemas (conocimiento explícito).
Evidentemente, el conocimiento documentado surgió antes de un cerebro
humano que lo pensó. Todo lo digital ya fue convertido a ceros y unos. Por
eso mismo, el flujo del conocimiento ocurre a través de 2 vías simultaneas:
hay un flujo directo y sincrónico que se produce de persona a
persona, entre quien sabe y quién necesita y que ocurre mediante procesos
planificados para compartir conocimiento. Y hay un flujo indirecto y
asincrónico cuando no es posible el intercambio directo porque las
personas no pueden coincidir en tiempo y lugar, en cuyo caso se procede a
capturar el conocimiento y documentarlo en artefactos o activos que
permitan su difusión y reutilización posterior. La mayoría del conocimiento
de una empresa, y desde luego el más importante, es tácito y radica en las
mentes de sus colaboradores. Eso significa que la vía directa es la
predominante y también que la IA no puede aprovechar ese conocimiento
porque se encuentra en las conexiones neuronales ¿Qué está cambiando? Por
un lado, cada vez existe más conciencia y mejores técnicas y tecnologías
para capturar el conocimiento tácito. Y al mismo tiempo, el enorme stock de
conocimiento explicito (los datos y la información expresada en documentos)
tiene una posibilidad real de ser aprovechado. Por fin la eterna promesa de
reutilizar conocimiento se vuelve realidad.
Las personas no queremos equivocarnos. Cada vez
que haces algo, puedes recoger datos y conocimiento (lo que has aprendido)
para hacerlo mejor la próxima vez. Y cada vez que repites esa tarea,
incrementas la cantidad de datos y por tanto la posibilidad de anticipar lo que vendrá. Los datos nos permiten ver más y, sobre todo,
ver mejor. Por eso yo prefiero tener más datos que menos. Cuando cuentas
con 90 mil mamografías de 9.000 pacientes, puedes empezar a establecer
patrones, comparar diagnósticos, priorizar tratamientos que de otra manera
resulta imposible. Ahora bien, los datos son un punto de partida y nunca
una garantía, sobre todo en entornos impredecibles y donde inciden multitud
de variables que no se pueden controlar. En el mundo
del futbol hay muchos ejemplos: Toni Kross,
jugador emblemático del Real Madrid, acaba de jugar su último partido sin
que los datos hayan podido representar su indudable influencia en el
desempeño del equipo. Un entrenador conocido por no tomar sus decisiones en base a
datos acaba de
ganar una competición europea por segundo año consecutivo con 2 equipos distintos. Los
datos solamente representan una parte de la realidad y el riesgo es
considerar que el dato contiene todo.
La semana pasada hablaba con dos jóvenes de 22
años que abandonaron la carrera de ingeniería en la Universidad para crear
una empresa de IA. Me contaban que están planeando colocar micrófonos en la
oficina para capturar todas las conversaciones e interacciones y que su IA
pueda aprender de todo ello ¿Un nuevo gran hermano? Todo lo que sucede es
susceptible de dejar rastro, potencialmente “atrapable” (con mayor o
menos esfuerzo) y convertible en datos para alimentar una IA: cada
pensamiento, acción, decisión, idea, conversación, error, acierto,
historia, ejemplo, recomendación, sueño, sugerencia, prueba… Pero para que
así sea, primero hay que capturarlo y después sistematizarlo. Durante
siglos, ese proceso de capturar, almacenar y recuperar era difícil, artesanal,
engorroso, lento y desagradecido. Nadie quería hacerlo, pero nadie tampoco exigía hacerlo. Cuando se
termina un proyecto, tienes que rendir los gastos, pero nadie te pide
entregar el conocimiento generado. El peaje que pagamos es que, sin datos
perdemos trazabilidad y nos quedamos sin historia lo que hace más probable
que repitamos errores o reinventemos ruedas.
¿Por qué capturamos datos? Porque si dedicamos
tiempo a analizarlos, nos ayudan a explicarnos y entender mejor lo qué pasó
y por qué. Necesito
entender la causalidad para poder predecir y por eso los procesos de
captura vienen precedidos de rutinas de
reflexión. Más datos
nos permiten representar mejor la realidad y de esa manera tener muchas más
posibilidades de anticipar futuros escenarios e incluso provocar que pasen
ciertas cosas que nos interesan e impedir que pasen otras. Los datos son valiosos, no hay duda. Toda la floreciente industria de
la IA se sostiene sobre ellos. Es más: Sin datos no hay IA. La mayor parte de los gigantescos presupuestos
dedicados a crear los modelos que usamos (GPT, Gemini, LLAMA, etc) se han
invertido en entrenarlos con todos los datos disponibles. Un algoritmo sin
datos no sirve de nada. Si no alimentas la IA con datos, no te podrá
responder o entregar nada cuando le preguntes. De hecho, hoy la IA no puede
ingerir otro alimento que no sean datos.
Reconociendo esa realidad, los datos no son el
principal tesoro. Son lo que tenemos más a mano y por tanto representan el
paso más sencillo. Es lo que los anglosajones llaman “low
hanging fruit”, la
fruta que cuelga más abajo en el árbol y es la más fácil de cosechar. Y es
lógico, tendemos a empezar siempre por lo que nos cuesta menos trabajo. La eterna promesa que siempre hizo la gestión
del conocimiento acerca de que sería posible sacar partido de los recursos
invertidos en documentar y crear bases de conocimiento, parece cada vez más
cerca. La IA nos permite reutilizar todo aquello que se ha documentado. En
lugar de que la persona tenga que hacer el esfuerzo de buscar, encontrar
(si es que tiene suerte), procesar (si es que la información está
actualizada) y aplicar (si es que cuenta con el conocimiento), ahora la IA
nos hace todo ese “trabajo sucio”. El modelo Aprender Antes, Durante y Después se hace posible con GPT. Antes de hacer una
tarea, le puedo pedir que me entregue el conocimiento disponible o que la
haga por mí. Durante la tarea, le pido que vaya capturando lo que hago y
Después de la tarea, le pido que lo consolide y lo haga disponible para
cualquiera que lo necesite. El secreto radica en que trabajar y capturar el
conocimiento ocurran al mismo tiempo. Mientras trabajo, la propia tarea
recoge el conocimiento para que documentar no sea una tarea posterior. Cada
vez que participo en una reunión virtual, una IA la graba, la transcribe y
me envía el documento. Hay dispositivos de IA, como este botón, que registran cada conversación que tienes a
lo largo del día. Hay apps para grabar al operador de una máquina, transcribir
el audio a texto y generar clips de video que se pueden emplear como
material de formación, de consulta, para mantenimiento, reparación de
errores, etc. Capturar debe ser parte del hacer.
Hasta ahora, esa fruta que se encuentra más
arriba está quedando sin cosechar. Muy poco del conocimiento en una empresa
se encuentra reflejado en documentos. Por supuesto, existen procedimientos,
procesos, informes, propuestas, planos, mails… que generalmente contienen
una descripción no siempre feliz de lo que se ha hecho y que son lo primero
que debiésemos recopilar para entrenar los modelos de IA. Pero lo más
valioso lo mantienen los integrantes de la empresa en sus cerebros y en las
interacciones entre ellos. Se trata de cómo se hizo (prácticas, errores,
ejemplos, historias…), por qué se hizo de esa manera y, sobre todo, qué
haríamos distinto si tuviésemos que hacerlo de nuevo (aprendizajes y
recomendaciones). Es decir, el contexto, las intenciones y los infinitos
detalles que el cerebro capta sin dificultad, que el lenguaje no alcanza a
describir y que siendo posible digitalizarlos, requieren de un esfuerzo
mucho más profundo
El conocimiento es la empresa. Si mañana se
marchan todos los colaboradores de la organización ¿qué crees que
queda? Muy poco. Y no es un asunto de personas porque a tu empresa no
le sirve cualquier persona sino aquellas que tienen el conocimiento que se
requiere ¿Qué crees que te compra un cliente? Te compra tu conocimiento en
forma de producto o servicio. El conocimiento, como experiencia que permite
decidir y actuar, es un intangible que después se materializa en un coche o
una máquina. Por tanto, si estás pensando en aprovechar la potencia de la
IA, no puedes permitirte no alimentarla con el conocimiento crítico de tu
organización. Sabemos que “recolectar” conocimiento es mucho más complejo
que recoger datos. Hemos pasado bruscamente y en muy poco tiempo de la
escasez de información a la sobredosis. La información pasó de ser algo
estático a un flujo continuo. Es habitual escuchar quejas sobre
el exceso de información, pero nadie protesta por tener demasiado
conocimiento. Sistematizar conocimiento consiste en tratar de capturar la
realidad para poder gestionarla ¿Cómo cosechar un intangible? ¿Cómo extraer
el conocimiento del cerebro de una persona? ¿Cómo reconocer cuál es el
conocimiento que sustenta un producto o un servicio? ¿Cómo convertirlo en
datos para que los algoritmos lo entiendan? ¿O cómo desarrollar modelos que
sean capaces de entender el conocimiento? ¿Todo el conocimiento es capturable? ¿A qué coste? ¿Cómo lo reutilizamos? Todo
pensamiento, para ser compartido o concretarse en un producto o servicio,
tiene que salir de la cabeza de su dueño y a partir de ese momento es
“computable”. Capturar y sistematizar conocimiento es complejo porque
plasmar acciones o decisiones con palabras no es sencillo. Afortunadamente,
existen procesos que permiten transformar el conocimiento en un input para
la IA como vimos recientemente en esta sesión de Cadabra.
Conclusiones
Solo hay un bien: el conocimiento. Solo hay un
mal: la ignorancia (Sócrates)
Con la IA generativa tenemos la sensación de que
el siglo 25 ha llegado de golpe. Por primera vez, lo que
imaginamos se puede hacer realidad e incluso, lo que es posible todavía no
somos capaces de imaginarlo. Estas nuevas posibilidades nos demandan nuevas
capacidades. La esencia de la IA consiste en delegar: que lo
que hasta ahora solo podíamos hacer las personas, lo hagan las máquinas.
Eso implica un enorme nivel de responsabilidad que comienza por no delegar
las decisiones importantes.
Todos tratamos de lograr que nuestra
organización sea más inteligente cada día. Pero tu empresa no podrá ser más
inteligente sin IA. Si tiene sentido crear el modelo de IA de tu empresa,
un cerebro corporativo inteligente, entonces la pregunta es ¿Qué tienes
para construirlo, datos o conocimiento? La IA todavía se alimenta de datos
e información de la empresa, pero apenas con el conocimiento crítico porque
este se encuentra mayoritariamente en el cerebro de las personas.
Metafóricamente, es como un bebé al que estamos dando de comer papillas,
pero para hacer el triatlón va a necesitar comida energética. El siguiente
paso consiste en rentabilizar el conocimiento. Si hemos llegado hasta aquí
con los datos, imagina lo que ocurrirá cuando aprovechemos el conocimiento.
Creo que IA nos hará más inteligentes y la
mediocridad será remplazada por máquinas. Y cada vez que la IA se hace más
inteligente, nosotros nos debiésemos hacer más inteligentes también.
Desde Abra Laboratorio de Aprendizaje, inauguramos el Club de Pensamiento Crítico. La sesión de lanzamiento es el miércoles 5 de junio
y te puedes inscribir aquí y el grupo de linkedin
que hemos creado para interactuar lo tienes aquí.
El 11 y 25 de junio en Cadabra la magia de aprender, abordaremos la segunda parte de la sesión
“Cómo capturar y sistematizar conocimiento” con Francisco Espinosa, socio de Knowledge Works y “Como
una organización inteligente gestiona la complejidad” con Alberto Arrizabalaga Director de Gestión de la Complejidad en Tknika.
El 6 de junio impartiremos la conferencia
virtual “La IA es la nueva Gestión del Conocimiento” para los clientes de Cirion Technologies.
El 7 junio en Barcelona impartiremos
la sesión "Diseño de mapas de conocimiento crítico para el relevo
generacional" para la Diputación de Barcelona
El 13 de junio en Bilbao impartiremos el curso “Organizaciones inteligentes:
Conocimiento crítico e inteligencia artificial, claves para generar
ventajas competitivas” organizado por Innobasque.
El 21 de junio en San Sebastian impartiremos la
conferencia "Tu empresa no puede ser estúpida en el mundo de la
inteligencia (artificial)" organizado por Ingenieriak Colegio de Ingenieros Industriales de
Gipuzkoa.
|
|
|
