Tecnología, intuición y futuro del trabajo

Mostrar animación original

Tabla de Contenidos

1. Cómo la erosión del conocimiento tácito redefine los límites entre humanos y máquinas
2. Interacción física y aprendizaje real
3. Conocimiento tácito vs. conocimiento explícito
4. LLMs, NLP y la erosión del conocimiento tácito
5. Automatización, complementariedad y polarización del empleo
6. Visualizaciones dinámicas
7. Reflexiones finales

Cómo la erosión del conocimiento tácito redefine los límites entre humanos y máquinas

En 1969, Isaac Asimov publicó un relato corto que, sin proponérselo, anticipó un dilema que hoy domina el debate sobre inteligencia artificial y empleo: ¿puede una máquina adquirir conocimiento tácito, ese saber que no está formalizado en reglas explícitas?

En Intuición Femenina, Asimov presenta a Jane, un robot diseñado no solo para procesar datos, sino también para desarrollar conocimiento tácito a partir de la interacción directa con su entorno. Jane no sigue instrucciones cerradas, aprende observando, viviendo situaciones reales en el mundo físico, en el observatorio astronómico de Flagstaff.

Más de medio siglo después, la ciencia y la economía retoman esa pregunta para entender los límites de la tecnología actual. Michael Polanyi, casi en paralelo a Asimov, enunció su famosa paradoja de Polanyi: “sabemos más de lo que podemos decir”. Esta intuición resulta clave para comprender por qué tantas tareas humanas aún resisten la automatización, a pesar de los avances espectaculares en inteligencia artificial y aprendizaje automático.

David Autor, uno de los principales economistas laborales contemporáneos, aplica esta idea al mundo real: la tecnología automatiza con facilidad tareas basadas en reglas explícitas, pero enfrenta enormes dificultades ante aquellas apoyadas en habilidades tácitas, como la adaptabilidad, el juicio contextual o el sentido común.

Inspirándonos en estos tres pensadores, Asimov, Polanyi y Autor, desarrollamos un modelo que busca capturar cómo la interacción física y la experiencia directa con el mundo pueden erosionar la frontera entre lo tácito y lo explícito, y con ello alterar el destino de millones de trabajadores.

Interacción física y aprendizaje real

El modelo parte de una premisa clara: existe una diferencia fundamental entre procesar datos estructurados y aprender interactuando físicamente con el entorno. Jane, el robot de Asimov, necesita ver, escuchar, convivir con contextos sociales reales para desarrollar conocimiento tácito. No basta con cargarle bases de datos.

En el mundo real, incluso los sistemas de inteligencia artificial más avanzados tropiezan con las sutilezas del comportamiento humano y con las variaciones impredecibles de entornos físicos complejos. La transferencia del conocimiento tácito sigue requiriendo una interacción directa, tangible.

Este proceso lo modelamos mediante un parámetro J, que mide la eficacia de un sistema para convertir experiencia vivida en conocimiento codificable. Cuando J aumenta, la capacidad de transformar habilidades tácitas en formas explícitas también crece.

En nuestros gráficos de simulación, observamos cómo, al incrementar J, se eleva la posibilidad de automatizar tareas que inicialmente parecían inalcanzables para las máquinas.

Conocimiento tácito vs. conocimiento explícito

La paradoja de Polanyi nos recuerda que no todo conocimiento es igual.

El conocimiento explícito puede escribirse, enseñarse paso a paso, codificarse en instrucciones claras. Es el tipo de saber que la automatización clásica puede replicar con eficiencia: reglas contables, cálculos matemáticos, ensamblaje repetitivo.

El conocimiento tácito, en cambio, reside en habilidades difíciles de formalizar: reconocer una emoción en un gesto sutil, improvisar ante una emergencia, interpretar un doble sentido en una conversación. El conocimiento tácito se aprende más que se enseña, se internaliza más que se explica.

Nuestro modelo mide inicialmente cuánto de una tarea es tácita, usando el parámetro T. A partir de ahí, simula cómo la eficacia J puede ir reduciendo la fracción tácita remanente y aumentando la porción explícita. Cuanta más parte de una tarea pueda volverse explícita, más probable será su automatización.

Este fenómeno se visualiza en nuestras superficies tridimensionales, donde el crecimiento de J impacta directamente en la dinámica de conocimiento de las tareas.

LLMs, NLP y la erosión del conocimiento tácito

A medida que los modelos de lenguaje (LLMs) y las técnicas de procesamiento del lenguaje natural (NLP) evolucionan, su impacto sobre el conocimiento tácito se vuelve cada vez más profundo. Estos sistemas, entrenados sobre cantidades masivas de texto, logran capturar patrones lingüísticos, contextos implícitos y estructuras semánticas que antes dependían exclusivamente de la experiencia humana directa.

Los LLMs non solo imitan respuestas predecibles, comienzan a modelar aspectos de la comprensión implícita. Cuando un modelo es capaz de inferir el significado de un enunciado ambiguo, interpretar ironías o sugerir estrategias a partir de descripciones incompletas, actúa en el borde mismo del conocimiento tácito.

Sin embargo, este avance non ocurre por generación espontánea. Depende de dos fenómenos fundamentales. Primero, la amplificación del corpus: mediante la recolección masiva de interacciones humanas, textos, diálogos, escenarios reales, el modelo absorbe formas tácitas de razonamiento que, al volverse parte de su entrenamiento, se codifican indirectamente. Segundo, la emergencia de capacidades generalizadas: los LLMs non memorizan simplemente respuestas, sino que forman representaciones latentes capaces de inferir conexiones no explícitas.

Así, el proceso de reducir conocimiento tácito consiste en transformar experiencia distribuida y sutil en estructuras explícitas, internalizadas dentro de un modelo estadístico. Este fenómeno es análogo a nuestro parámetro J: los LLMs elevan el coeficiente de transferencia, convirtiendo fragmentos tácitos en nuevas formas explícitas de procesamiento automatizado.

Sin embargo, el alcance tiene límites. Aunque los LLMs modelan aspectos del conocimiento tácito, non experimentan el mundo. No tienen cuerpo, emociones ni percepción física directa. Su conocimiento es una proyección simbólica, non un saber vivido. Y es aquí donde la paradoja de Polanyi se mantiene vigente: aunque podamos codificar muchos aspectos de la experiencia humana, non toda comprensión puede ser encapsulada en patrones de datos.

Por eso, el desarrollo de LLMs y NLP puede entenderse como una fuerza de erosión parcial del conocimiento tácito, poderosa para ciertas tareas cognitivas, pero limitada en todo aquello que depende de vivir, sentir y decidir en mundos físicos y sociales inmediatos.

En este paisaje emergente, el verdadero desafío non será solo construir mejores modelos, sino comprender qué partes del saber humano deben preservarse fuera de los algoritmos.

Automatización, complementariedad y polarización del empleo

El corazón de este análisis es entender cómo la transformación del conocimiento tácito en explícito impacta en el empleo.

Cuando una tarea se vuelve explícita, abre la puerta a la automatización. Cuanto mayor sea el valor explícito de una tarea, mayor será su potencial de automatización, medido en nuestro modelo como A. Esto implica que ciertos trabajos, antes considerados seguros, pueden volverse replicables por máquinas si la transferencia de conocimiento tácito se vuelve eficiente.

Sin embargo, mientras subsista conocimiento tácito no transferible, existirá espacio para la complementariedad humana, representada en el modelo como C. La complementariedad ocurre cuando la presencia humana agrega valor a procesos que non pueden ser completamente descritos o previstos.

La tensión entre automatización y complementariedad define el desplazamiento neto de empleo, que en nuestro modelo depende de la diferencia ponderada entre A y C.

Lo que emerge es un fenómeno que ya observamos empíricamente en economías avanzadas: la polarización del empleo.

Los trabajos de alta cualificación, que requieren creatividad, flexibilidad y juicio, tienden a crecer. Algunos trabajos de baja cualificación, especialmente aquellos que exigen interacción física o adaptabilidad, también resisten o se transforman.

En cambio, los trabajos intermedios, basados en tareas rutinarias y estructuradas, tienden a desaparecer bajo la presión de la automatización.

Nuestros gráficos de desplazamiento neto ilustran esta dinámica: a medida que la transferencia de conocimiento tácito (vía J) se vuelve más efectiva, el riesgo de desplazamiento aumenta, aunque de manera non uniforme.

Visualizaciones dinámicas

Para ilustrar estas ideas, desarrollamos una serie de visualizaciones:

La primera muestra cómo el potencial de automatización crece a medida que el parámetro J aumenta, especialmente cuando el conocimiento inicial de las tareas es predominantemente explícito.

Mostrar animación original

La segunda visualización muestra cómo, a medida que la erosión del conocimiento tácito avanza, disminuye la posibilidad de complementariedad humana. Esto ocurre porque las tareas que requerían juicio, adaptabilidad o interpretación implícita se vuelven progresivamente codificables y predecibles.

Mostrar animación original

Una tercera visualización integra ambos efectos —automatización y complementariedad— para calcular el desplazamiento neto de empleo en diferentes escenarios de avance tecnológico. Esta superficie tridimensional permite observar cómo distintos sectores laborales se ven afectados de manera desigual.

Mostrar animación original

Finalmente, simulamos cómo evoluciona dinámicamente la estructura del conocimiento de las tareas bajo distintos valores de interacción física y aprendizaje real.

Con un valor de J moderado (0.5), observamos que la automatización progresa, pero aún existe un espacio considerable para la complementariedad humana.

Mostrar animación original

Con un valor de J elevado (0.9), en cambio, la automatización domina casi por completo, dejando un margen mínimo para la intervención humana.

Mostrar animación original

Estas visualizaciones permiten non solo entender la teoría, sino también visualizar de forma tangible cómo el conocimiento tácito y su erosión redefinen las fronteras entre humanos y máquinas.

Reflexiones finales

La tecnología non avanza en el vacío. Evoluciona interactuando con el conocimiento humano, adaptándolo y, a veces, transformándolo.

La paradoja de Polanyi sigue vigente: incluso en una era de máquinas que aprenden, existe un núcleo de saber que resiste la codificación.

La experiencia, el conocimiento tácito y el sentido común continúan siendo nuestro mayor diferencial.

El futuro del trabajo será cada vez más un equilibrio entre lo que las máquinas pueden automatizar y lo que los humanos aún pueden hacer mejor, non porque lo digamos, sino porque lo sabemos, de una manera que todavía non podemos programar.