Cinco historias reales sobre lo que la IA ya es capaz de hacer - reseña crítica

Hay un problema antiguo en la biología que quedó sin respuesta durante cincuenta años. Las proteínas son moléculas que controlan casi todo en el cuerpo humano: la digestión, la inmunidad, la respuesta a los virus. Para entender cómo funcionan, los científicos necesitan conocer la forma exacta que adoptan en el espacio... y descubrirlo solía tomar meses, a veces años, para cada proteína individual. En dos mil veinte, un programa llamado AlphaFold, desarrollado por el laboratorio DeepMind de Google, resolvió ese problema en cuestión de minutos.

El logro fue tan extraordinario que, en octubre de dos mil veinticuatro, dos de sus creadores, Demis Hassabis y John Jumper, recibieron el Premio Nobel de Química. El sistema ha mapeado más de doscientas millones de estructuras proteicas y es de acceso libre para más de tres millones de investigadores en ciento noventa países. El treinta por ciento de las investigaciones realizadas con esos datos está orientado a enfermedades humanas. Es como si una herramienta hubiera abierto una biblioteca que llevaba medio siglo con llave.

Ese es el primer punto que vale entender sobre lo que la inteligencia artificial ya hace en el mundo de manera concreta: está resolviendo problemas científicos que el cerebro humano, trabajando solo, no podía resolver a escala. No como reemplazo del científico, sino como infraestructura. Como un microscopio que nadie había pensado en construir todavía.

La medicina avanza al mismo ritmo. En dos mil veinticuatro, investigadores de la University College London desarrollaron un examen de sangre capaz de predecir el Parkinson hasta siete años antes de que aparezcan los primeros síntomas. Utiliza inteligencia artificial para detectar patrones en biomarcadores que el ojo humano simplemente no puede distinguir. Otros estudios han extendido ese mismo enfoque a la detección temprana del cáncer de páncreas... uno de los tipos más letales precisamente porque suele diagnosticarse demasiado tarde. El trabajo continúa avanzando, pero la dirección es clara: la IA le está dando a los médicos un margen de tiempo mayor.

La segunda historia es más cercana a la vida cotidiana y considerablemente más compleja. La inteligencia artificial ya escribe, compone música, genera video e ilustra historias. Herramientas como Sora, Veo y Runway han hecho posible producir contenido audiovisual sincronizado sin necesidad de un equipo de producción completo. Los ilustradores usan programas como Midjourney para generar borradores iniciales. Los músicos combinan composiciones generadas por algoritmo con grabaciones reales. Esto ocurre todos los días.

Pero hay un lado difícil de ignorar. La mayoría de estos sistemas fue entrenada con obras creadas por artistas humanos, generalmente sin permiso y sin remuneración. En dos mil veinticuatro, más de diez mil creadores, entre ellos el novelista Kazuo Ishiguro, la actriz Julianne Moore y Thom Yorke, de Radiohead, firmaron una carta abierta en la que denunciaban el uso no autorizado de obras creativas para entrenar modelos de inteligencia artificial. El debate legal sigue abierto. Lo que sí es claro es que la creatividad humana y la creatividad automatizada ya compiten en el mismo mercado, y las reglas de ese juego todavía están escribiéndose.

La tercera historia es sobre dinero... y sobre lo que sucede cuando una tecnología cruza de una era a otra.

Jensen Huang fundó Nvidia en mil novecientos noventa y tres para fabricar chips gráficos para videojuegos. Ese fue el negocio durante décadas. Cuando la inteligencia artificial empezó a demandar un poder de procesamiento masivo, los chips de Nvidia resultaron ser exactamente lo que los laboratorios de investigación necesitaban. Huang lo vio antes que la mayoría. En julio de dos mil veinticinco, Nvidia superó los cuatro billones de dólares en valor de mercado, convirtiéndose en la primera empresa de la historia en alcanzar esa cifra. La fortuna personal de Huang llegó a ciento cincuenta y cuatro mil millones de dólares.

Alexandr Wang tiene una trayectoria distinta. Fundó Scale AI a los diecinueve años, en dos mil dieciséis, tras abandonar el MIT. La empresa hace un trabajo que desde afuera parece invisible: organiza y etiqueta datos para que los modelos de inteligencia artificial puedan aprender. Es como enseñarle a una máquina a distinguir un carro de una bicicleta... pero a escala de miles de millones de ejemplos. A los veintiocho años, Wang tiene un patrimonio estimado en tres punto dos mil millones de dólares y fue nombrado Chief AI Officer de Meta después de que Zuckerberg invirtiera catorce punto tres mil millones de dólares en Scale AI.

Pieter Levels es el más cercano de los tres. Un desarrollador holandés que, desde dos mil doce, prueba ideas en internet y descarta lo que no funciona. A partir de dos mil veintidós, empezó a usar inteligencia artificial generativa para construir productos digitales en ciclos de desarrollo mucho más cortos. Hoy factura alrededor de tres punto cinco millones de dólares al año, trabajando solo, con márgenes de ganancia superiores al noventa por ciento. Su estructura de costos se reduce a servidores y suscripciones de API.

Estos tres casos no son una fórmula. Son un retrato de cómo la misma ola impacta a personas en posiciones muy distintas: un ejecutivo con décadas de empresa, un fundador de startup de veintiocho años y un desarrollador independiente trabajando desde su computador.

La cuarta historia es sobre productividad... y no es exactamente lo que la mayoría imagina. Según el AI Jobs Barometer publicado por PwC en dos mil veinticuatro, los sectores que adoptaron inteligencia artificial registraron un crecimiento de productividad cuatro punto ocho veces superior a su tasa anterior. No se trata de trabajar más horas. Se trata de dedicar menos tiempo al procesamiento repetitivo y más tiempo a lo que requiere juicio humano: estrategia, relaciones, decisiones que dependen del contexto.

El lado difícil de esa ecuación también existe. Los empleos basados en reconocimiento de patrones están entre los más expuestos a la automatización: revisión de documentos, ingreso de datos, atención estandarizada al cliente. El informe Future Skills de Accenture estima que noventa y siete millones de nuevas funciones podrían surgir hacia dos mil veinticinco en la frontera entre personas y tecnología. Pero la transición no es automática. Requiere formación, adaptación y tiempo... recursos que no están distribuidos de manera equitativa.

La quinta historia es sobre la infraestructura del planeta. El sistema GNoME, también de DeepMind, identificó dos punto dos millones de nuevas estructuras químicas en dos mil veintitrés, muchas de ellas con aplicaciones potenciales en baterías más eficientes, paneles solares más económicos y materiales para electrónica de bajo consumo. Proyectos piloto en China y Alemania ya están probando algunos de estos materiales a escala. Al mismo tiempo, el modelo GraphCast de Google ha superado a los métodos tradicionales de pronóstico del tiempo en varias métricas clave. Eso tiene implicaciones directas para la gestión de energía, la logística y la respuesta a desastres climáticos.

El potencial es real. La pregunta que queda es si el ritmo del desarrollo superará la capacidad de regularlo y distribuir sus beneficios de manera amplia... o si la concentración de las ganancias en pocas manos llegará primero.

Qué hacer con esta información

Escenario uno: usted trabaja en cualquier sector que depende de datos, documentos o comunicación. Lo que el momento exige no es convertirse en programador. Es entender qué partes de su trabajo están más expuestas a la automatización y cuáles son más difíciles de reemplazar. Habilidades como la síntesis, el juicio y las relaciones interpersonales ganan valor cuando el procesamiento básico se vuelve barato.

Escenario dos: usted tiene una idea de producto o servicio pero suponía que necesitaría un equipo grande para hacerla realidad. El caso de Pieter Levels muestra que los ciclos de prueba más cortos y la infraestructura más económica ya existen. Eso no garantiza el éxito. Pero sí representa un cambio real en el costo de entrada.

Escenario tres: usted sigue los mercados financieros o está pensando dónde asignar capital. Nvidia es el caso más estudiado, pero la valorización de las empresas de infraestructura de inteligencia artificial vino acompañada de una volatilidad significativa. En enero de dos mil veinticinco, la empresa perdió cerca de seiscientos mil millones de dólares en valor de mercado en un solo día. La promesa es real. El riesgo también.

Escenario cuatro: usted es creador de cualquier tipo — artista, músico, escritor, diseñador. El debate legal sobre los derechos de autor y el uso de obras creativas para entrenar modelos de IA no tiene respuesta definitiva en ningún país todavía. Seguir de cerca la legislación internacional y entender los términos de uso de las herramientas que utiliza es, en este momento, tan importante como aprender a usarlas.

El mundo no está esperando consenso. Está avanzando. Y la pregunta más útil quizás no sea "¿qué va a hacer la inteligencia artificial?" sino "¿qué hago yo con lo que ya está haciendo?"