El desafío de crear algo que todavía no existe con inteligencia artificial
La IA es extraordinaria con lo que ya conoce. El problema aparece cuando intentamos salir de todo eso.
En este artículo
Hay algo particularmente difícil de hacer con inteligencia artificial: pensar algo nuevo.
No me refiero a desarrollar una aplicación, escribir código, diseñar una arquitectura o resolver un problema técnico conocido. Para todo eso, la IA puede ser extraordinariamente buena. Tiene conocimiento, patrones, experiencias documentadas y una capacidad de relacionar conceptos que resulta tremendamente útil.
El problema aparece cuando intentamos salir de todo eso.
Cuando queremos construir algo para lo que todavía no existe una solución conocida. Cuando exploramos un problema que no tiene una definición clara, cuando queremos llevar una idea a una escala que todavía no fue probada o cuando intentamos encontrar un camino que nadie documentó.
Ahí la conversación cambia.
La IA siempre intenta llevarte a lo que conoce
Por su propia naturaleza, los modelos de inteligencia artificial trabajan a partir de patrones y relaciones aprendidas. Cuando les presentamos un problema, intentan encontrar conexiones con aquello que ya conocen.
Nos proponen arquitecturas establecidas, frameworks existentes, patrones de diseño, metodologías conocidas y soluciones que funcionaron en otros contextos.
Y muchas veces funcionan.
Pero ¿qué pasa cuando ninguna de esas soluciones alcanza?
Podemos pasar horas conversando, refinando prompts, cambiando el enfoque y pidiendo nuevas alternativas. La IA nos va a devolver propuestas cada vez más elaboradas, pero eso no significa necesariamente que estemos más cerca de encontrar una solución.
Seamos sinceros: no nos está dando la solución. Nos está dando pistas.
El valor está en lo que nos hace pensar
Y acá aparece algo que considero mucho más interesante.
Aunque no tenga la solución, la IA puede ser una herramienta extraordinaria para encontrarla.
Nos permite explorar caminos que quizás no habíamos considerado, conectar disciplinas, cuestionar decisiones, identificar contradicciones y poner a prueba nuestras propias hipótesis.
Incluso una respuesta equivocada puede tener muchísimo valor si nos obliga a revisar el problema desde otra perspectiva.
La clave está en entender que no estamos delegando el descubrimiento. Estamos utilizando una herramienta que amplía nuestra capacidad de exploración.
Hay una diferencia importante entre pedirle a una IA que resuelva un problema y utilizarla para descubrir cómo resolverlo.
Pedirle que resuelva el problema
- Esperamos una respuesta final
- Nos devuelve lo que ya conoce
- Refinamos prompts sin acercarnos
- Delegamos el criterio
Usarla para descubrir cómo resolverlo
- Exploramos caminos no considerados
- Conectamos disciplinas
- Detectamos contradicciones y ponemos a prueba hipótesis
- El criterio sigue siendo nuestro
Cuando el conocimiento existente deja de ser suficiente
En el desarrollo de software estamos acostumbrados a trabajar sobre conocimiento acumulado.
Tenemos documentación, patrones, estándares, frameworks, arquitecturas de referencia y miles de implementaciones disponibles para consultar.
La inteligencia artificial lleva esa capacidad de acceso y combinación del conocimiento a otro nivel.
Pero crear algo nuevo implica enfrentarse a situaciones donde ese conocimiento deja de ser suficiente.
No siempre tenemos una definición precisa del problema. No sabemos cuál es el resultado esperado. No contamos con una implementación de referencia y, muchas veces, ni siquiera sabemos si estamos haciendo las preguntas correctas.
En esos escenarios, el proceso cambia.
Recorre, paso a paso, el proceso que exige un problema sin solución conocida.
- Formular hipótesis sobre un problema que todavía no tiene una definición clara.
- Experimentar y construir pruebas de concepto.
- Analizar resultados y reconocer cuándo una respuesta convincente no resuelve el problema.
- Descartar caminos que no llevan a ningún lado.
- Volver a empezar, con un mejor entendimiento del problema.
Hay que formular hipótesis, experimentar, construir pruebas de concepto, analizar resultados, descartar caminos y volver a empezar.
Y, sobre todo, hay que tener criterio para reconocer cuándo una respuesta aparentemente convincente no resuelve realmente el problema.
El developer como explorador
Creo que este es uno de los cambios más interesantes que estamos atravesando como profesionales del software.
A medida que la generación de código se automatiza, nuestra capacidad de producir implementaciones deja de ser el único diferenciador.
El valor está cada vez más en entender los problemas, identificar oportunidades, diseñar experimentos, evaluar alternativas y tomar decisiones cuando no existe una respuesta evidente.
La IA puede acelerar enormemente cada una de esas actividades. Puede ayudarnos a explorar más posibilidades en menos tiempo y reducir el costo de experimentar.
Pero acelerar la exploración no es lo mismo que descubrir.
Y mucho menos significa que podamos delegar el criterio necesario para decidir qué camino seguir.
El mapa termina en algún momento
No creo que debamos subestimar lo que la inteligencia artificial puede hacer. Todo lo contrario. Es una de las herramientas más potentes que incorporamos a nuestro trabajo.
Pero tampoco deberíamos confundir su capacidad para reproducir, combinar y transformar conocimiento existente con la capacidad de encontrar respuestas a problemas que todavía no tienen solución conocida.
La IA nos puede acompañar muchísimo más lejos de lo que podríamos llegar trabajando solos.
Pero cuando el mapa termina, todavía necesitamos a alguien dispuesto a seguir explorando.
Y quizás ahí esté uno de los mayores desafíos —y oportunidades— para quienes desarrollamos software en esta nueva etapa.
