Por Javier Martínez Aldanondo, socio cultura de Aprendizaje en Knowledge Works.- «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.
Por tanto, el desafío 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 y 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 dos 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 dos 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, 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 dos 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 XXV 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.
