algorithmChatGPTGeneralLarge Language Modelmachine learningtechnologyworkworkersworking

Modelos masivos de lenguaje y sustitución de puestos de trabajo

IMAGE: Gerd Altmann - Pixabay

A medida que los modelos de lenguaje masivos (LLMs) mejoran sus capacidades e incorporan nuevas funcionalidades, como la de poder analizar imágenes, incorporar «ojos» y «oídos», o incorporarse al desarrollo de todo tipo de tareas, se habla cada vez más uno de los fantasmas permanentes de la tecnología: la sustitución de puestos de trabajo.

Sin duda, ver a algoritmos como ChatGPT o Bard respondiendo a preguntas o llevando a cabo tareas como convertir ideas en código ejecutable, sintetizar una conversación, desarrollar una presentación, etc. tienden a hacernos pensar que muchos trabajos cuyos protagonistas llevan a cabo habitualmente esas tareas van a ser sustituidos, por un mero análisis de costes.

La realidad es que los LLMs son, como tales, una subdivisión muy limitada de un campo mucho más importante, y que como tales, se limitan a analizar documentos, establecer relaciones entre ellos, y extraer de ellos información en un formato conversacional. Eso, por impresionante que parezca y por mucho que lleve a algunos a pensar que el algoritmo es capaz de pensar, no tienen en realidad nada de sorprendente, y está aún muy lejos de representar algo mínimamente comparable a la complejidad y capacidades de la mente humana. En efecto, un LLM bien entrenado con la base de conocimientos de una compañía podría, hipotéticamente, responder a preguntas de clientes y resolver sus dudas con razonable solvencia, y seguramente, si la selección de materiales para su entrenamiento estuviese bien verticalizada y desarrollada, tendría menos tendencia a «alucinar» y a contestar cosas raras que la que tienen modelos de uso general.

Sin embargo, como decíamos, esa capacidad corresponde a un cierto tipo de trabajos, pero no a todos. La programación o la habilidad para la expresión escrita, por ejemplo, parecen más adecuados para plantear una hipotética sustitución que aquellos trabajos que precisan del uso de pensamiento crítico. Las tareas que pueden considerarse razonablemente repetitivas, lógicamente, son más propias de ser algoritmizadas que otras de naturaleza más imprevisible. Estamos hablando del machine learning como herramienta de automatización avanzada: cuando antes planteábamos la automatización como algo capaz de sustituir determinadas tareas sencillas, ahora hablamos de un nuevo tipo de automatización más sofisticado y que, consecuentemente, puede llevar a cabo tareas más complejas.

Si nos limitamos al análisis de los LLMs, por tanto, estaremos hablando de tareas más complejas, sí, pero cuyo resultado final o output es, esencialmente, un texto, unas líneas de código, una imagen o algo que tiene que ver con el uso del lenguaje, algo consecuente con su propio nombre, Large Language Models, y con el tipo de materiales con los que son entrenados. Si extrapolamos el razonamiento más allá, a todos los algoritmos que pueden desarrollarse mediante machine learning, estaremos hablando de posibilidades que van mucho más allá, desde manejar máquinas hasta tomar decisiones complejas en función de muchísimas variables.

En un trabajo estándar, por ejemplo, que una persona lleve a cabo en una oficina, hay una serie de tareas que, de un modo u otro, son automatizables. En el pasado, pudimos vivir ya esa automatización: las personas que utilizaban una máquina de escribir, una fotocopiadora, un papel carbón, una máquina calculadora o una impresora de transparencias, por ejemplo, vieron cómo sus herramientas cambiaban de manera rápida cuando llegaron los ordenadores y la ofimática con su correo electrónico, sus procesos de textos, sus hojas de cálculo y sus programas de presentaciones. Trabajar con esas herramientas requería nuevas habilidades, y eso generó, por un lado, una cierta sustitución de trabajadores, y por otro, la incorporación de otros nuevos capaces de manejar esas herramientas.

Si examinamos los primeros vídeos creados por Microsoft o por Google tras la primera fase de la incorporación de algoritmos de tipo LLM a sus herramientas ofimáticas o suites, resulta llamativo ver hasta qué punto se confunde la parte más «mecánica» o automatizable, con la de desarrrollo de pensamiento crítico. ¿Puede un LLM resumir una larga cadena de correos electrónicos? Probablemente. ¿Puede generar un memorándum con ideas para el lanzamiento de un producto? Podrá generar algo probablemente muy convincente, muy bien escrito y capaz de pasar por un documento hecho por un ser humano, pero la capacidad de utilizar el pensamiento crítico, comparar con otras situaciones o contextos y extraer conclusiones mínimamente innovadoras no estará presente. Eso corresponde al pensamiento crítico, no a la mecanización más o menos sofisticada de una tarea. ¿Irías a una reunión con una presentación generada por un algoritmo? Puedes hacerlo, pero seguramente, el resultado, más allá de la mera presentación, será bastante mediocre.

¿Qué va a pasar? Pues básicamente, lo que llevamos mucho tiempo diciendo: que los algoritmos no sustituirán a los trabajadores, pero que los trabajadores que sepan utilizar algoritmos sustituirán a los que no sepan. En muy poco tiempo, si eres capaz de incorporar, por ejemplo, a tus competencias ofimáticas la posibilidad de que una serie de algoritmos te asistan para hacer las cosas mejor o más rápido, seguramente lo tendrás mejor que si no eres capaz de hacerlo, es decir, de si te quedaste en la generación anterior de este tipo de herramientas. Se pueden tardar varios minutos en hacer un condicional complejo con anidaciones múltiples en una hoja de cálculo: contarle a un algoritmo lo que quieres que haga y ver cómo se lo saca de la manga va a ser indudablemente más rápido y, posiblemente, más fiable. Muchas partes de la escritura de muchos documentos son perfectamente automatizables: si lo haces, ahorrarás tiempo y, seguramente, tendrás menos typos. Pero si piensas que tu trabajo consistía en eso, en la parte puramente automatizable, o si efectivamente consistía en eso, tienes un problema, porque sí serás prescindible.

Llevamos muchos años trabajando en la automatización avanzada de tareas mediante machine learning. Ahora, de la noche a la mañana, el machine learning salta a la fama porque la tarea automatizada es el lenguaje, que parecía un reducto muy propio del ser humano. Pero no nos confundamos: hablamos de una herramienta, y como tal hay que plantearla. Si tu trabajo era solo eso, manejar una herramienta, serás sustituido. Si por el contrario, consistía en la aplicación del sentido crítico, será bastante más complicado.

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button