Expansión del posible

Cuando cae el coste de intentar algo, no solo cambia la productividad. Cambia el conjunto de cosas que merece la pena intentar.

Esta isla reúne piezas que describen la entrada de la IA generativa en tareas de lenguaje, conocimiento, software y trabajo profesional.

ChatGPT convirtió una capacidad antes reservada a interfaces más técnicas en una herramienta masiva. GPT-4 mostró que los modelos generales podían alcanzar utilidad en tareas cognitivas más exigentes. Microsoft y GitHub llevaron esa capacidad a herramientas cotidianas y a programación. Los estudios de productividad empezaron a medir efectos concretos. McKinsey situó una parte importante del potencial económico en actividades de conocimiento y lenguaje.

Leídas juntas, las piezas no dicen solamente que «la IA hace tareas más rápido».

Dicen algo más importante: muchas barreras de entrada bajan a la vez.

Qué significa que se expanda el posible

Una persona puede preparar una primera versión de algo que antes necesitaba un equipo.

Un experto sectorial puede prototipar una herramienta sin esperar a disponer de una gran estructura de desarrollo.

Un programador puede producir y revisar más código en el mismo tiempo.

Un profesional puede explorar diez enfoques antes de escoger uno.

Una pyme puede acceder a capacidades de redacción, análisis o automatización que antes tenían una relación coste-beneficio difícil de justificar.

Nada de eso garantiza éxito. Pero modifica la frontera entre lo que era demasiado caro intentar y lo que empieza a ser razonable probar.

Ese desplazamiento es estructural porque afecta a la economía de la experimentación.

El cambio más profundo puede estar antes del resultado

Normalmente medimos una tecnología preguntando cuánto mejora una tarea existente. Es una pregunta necesaria, pero incompleta.

Si producir una primera versión cuesta mucho menos, también cambia:

• cuántas hipótesis pueden probarse;
• cuántos nichos pueden atenderse;
• qué proyectos pequeños se vuelven viables;
• cuánto puede personalizarse un resultado;
• qué conocimiento puede convertirse en herramienta;
• qué profesionales pueden combinar capacidades que antes vivían en departamentos separados;
• cuánto cuesta equivocarse pronto y volver a intentar.

Por eso la expansión del posible no puede reducirse a «más productividad».

La productividad mira cuánto obtenemos con los recursos actuales. La expansión del posible pregunta qué nuevos resultados entran ahora dentro del alcance.

El valor se desplaza hacia lo que la abundancia no resuelve

Cuando redactar un borrador era caro, redactar bien tenía una parte importante del valor.

Cuando producir código era caro, escribir código ocupaba una parte enorme del coste de crear software.

Cuando investigar alternativas requería días, producir un primer análisis era una capacidad diferenciadora.

A medida que esas operaciones se abaratan, no desaparece el valor. Se desplaza hacia otras partes:

• escoger un problema que merezca resolverse;
• formular bien la situación;
• aportar contexto específico;
• distinguir una respuesta plausible de una respuesta útil;
• integrar el resultado en un proceso;
• comprobarlo;
• asumir responsabilidad;
• convertir una prueba en una capacidad que pueda mantenerse.

Esto explica por qué muchas profesiones no tienen por qué desaparecer aunque cambie profundamente su trabajo. Algunas de sus tareas pierden escasez mientras otras se vuelven más importantes.

Qué ocurre si una organización no entiende esta expansión

Puede utilizar IA solo para abaratar lo que ya hacía y dejar escapar la parte más interesante del cambio.

Puede pedir a cada departamento que «sea un 20 % más productivo» sin preguntarse qué productos, decisiones o configuraciones serían posibles si ciertas capacidades costaran una fracción de lo anterior.

También puede cometer el error contrario: confundir posibilidad técnica con oportunidad real y abrir cientos de iniciativas sin criterio económico ni organizativo.

La expansión del posible aumenta las opciones. Precisamente por eso necesita más selección.

Capacidades que empiezan a hacer falta

Las piezas sugieren varias:

• descubrir tareas cuyo coste ha cambiado de forma material;
• convertir conocimiento experto en instrucciones, herramientas y criterios reutilizables;
• prototipar con rapidez sin rebajar la comprobación;
• combinar expertos de dominio con capacidad técnica aumentada;
• medir cuándo una mejora local permite un producto o modelo nuevo;
• formar a profesionales para supervisar resultados que ya no necesitan producir manualmente de principio a fin;
• preservar aprendizaje cuando la herramienta hace más fácil generar otra versión y olvidar por qué se descartó la anterior.

Oportunidades que aparecen

Una oportunidad evidente está en la democratización parcial de capacidades.

Profesionales y organizaciones pequeños pueden construir cosas que antes requerían más capital, más personal o intermediarios especializados. Eso puede abrir productos verticales, automatizaciones sectoriales, microservicios profesionales, nuevas formas de investigación o herramientas internas construidas cerca del problema.

Otra oportunidad está en transformar expertise en capacidad reproducible. Un experto que antes resolvía un caso cada vez puede diseñar sistemas, guías, evaluadores o asistentes que extiendan una parte de su criterio.

Y otra aparece en el propio acto de experimentar: cuando probar cuesta menos, se vuelve valiosa la capacidad de diseñar buenas pruebas, saber qué aprender de ellas y matar pronto lo que no funciona.

Profesionales que pueden aprovecharla

Desarrolladores e ingenieros pueden dedicar menos energía a producción mecánica y más a arquitectura, especificación, integración, pruebas y seguridad.

Abogados, consultores, analistas y otros expertos de dominio pueden ampliar su capacidad de investigación, comparación y prototipado, siempre que conserven control sobre criterio y responsabilidad.

Product managers, diseñadores y emprendedores pueden explorar nichos con un coste inicial menor.

Formadores y responsables de conocimiento pueden convertir experiencia acumulada en sistemas de apoyo que aceleren aprendizaje sin sustituir la práctica necesaria para adquirir juicio.

Profesionales independientes y microequipos pueden competir en trabajos que antes exigían estructuras mayores si saben componer conocimiento, herramientas y relaciones externas.

Para quién crea valor

Para pymes que nunca pudieron mantener ciertos especialistas a tiempo completo.

Para departamentos que necesitan prototipos antes de comprometer una gran inversión.

Para expertos que quieren convertir conocimiento en una capacidad escalable.

Para organizaciones que trabajan en nichos demasiado pequeños para soluciones generalistas.

Y para cualquier actor que descubra que el coste de intentar algo ha caído lo suficiente como para cambiar la decisión de hacerlo o no hacerlo.

Qué piezas sostienen esta lectura

• ChatGPT · El acceso masivo cambia quién puede usar IA generativa
• GPT-4 · Cuando un modelo general cruza umbrales de utilidad profesional
• Microsoft Copilot · La IA entra en el trabajo cotidiano
• GitHub Copilot · Producir código deja de ocupar la misma parte del trabajo
• Generative AI at Work · Productividad y distribución de conocimiento experto
• McKinsey · El potencial económico de la IA generativa
• Impacto sobre trabajo profesional cualificado
• Inversión en coding agents · Cuando producir software cuesta menos, cambia el coste de probar una idea

La afinidad se organiza en IA generativa y ampliación del trabajo cognitivo y Productividad y trabajo profesional.

Qué no demuestra esta isla

No demuestra que cualquier persona pueda hacer cualquier trabajo con IA.

No demuestra que una primera versión barata sea una solución mantenible.

No demuestra que más experimentos produzcan más innovación.

No demuestra que el conocimiento profundo haya dejado de importar. En muchos casos ocurre lo contrario: cuando la producción superficial se abarata, el conocimiento que permite evaluar y orientar gana peso.

Conexiones

Esta isla conecta con Atención, relevancia y decisión: más alternativas exigen mejor selección.

Con Organización reconfigurable: una posibilidad técnica solo se convierte en capacidad cuando puede integrarse en una organización.

Con Adopción superficial y pérdida de capacidad: disponer de una herramienta no garantiza capturar su potencial.

Y con Mercado de capacidades: cuando el coste de crear, combinar y ofrecer capacidades cae, empiezan a aparecer nuevas formas de mercado alrededor de ellas.

La señal central de esta isla puede formularse así:

la IA no solo abarata respuestas. Abarata intentos. Y cuando cambia el coste de intentar, cambia también qué puede llegar a existir.