El efecto mariposa de ChatGPT

El efecto mariposa suele explicarse con una imagen simple: el aleteo de una mariposa en un punto del planeta puede desencadenar, tiempo después, un caos en otro lugar. No porque la mariposa sea la causa directa, sino porque en los sistemas complejos una pequeña variación inicial puede amplificarse hasta producir consecuencias difíciles de anticipar.

Tomada como metáfora, pocas imágenes podrían describir mejor lo que ocurrió con la inteligencia artificial generativa.

Durante años, la inteligencia artificial fue un tema propio de científicos, expertos o personas “atrevidas” que decidieron apostar por la innovación. Estaba en universidades, laboratorios y empresas tecnológicas, pero mayormente lejos de la experiencia directa de las personas comunes. 

Sabíamos que existía, la conocíamos a través de libros o la veíamos en películas, pero no interactuábamos con ella. No le pedíamos que escribiera por nosotros, que nos encontrara información, que hiciera una imagen o un video, nada.

Cuando una máquina empieza a imitar con precisión nuestras formas de argumentar, razonar y decidir, no nos muestra lo que puede hacer"

Eso cambió con la llegada de la inteligencia artificial generativa. Concretamente, con la aparición de ChatGPT. No porque haya sido la primera expresión de esta tecnología, ni la mejor, ni porque agote el fenómeno, sino porque convirtió el uso de grandes modelos de lenguaje en una experiencia accesible. Gracias a esta plataforma, la IA dejó de ser una tecnología de pocos y pasó a ser una herramienta de muchos. Ese fue el aleteo.

¿Cuánto de nuestro razonamiento puede ser automatismo disfrazado de reflexión?"

Una plataforma de conversación accesible, sin tecnicismos, donde bastaba tener algo que pedirle. Y en ese uso cotidiano se desencadenó algo que todavía no terminamos de procesar.

Ahí apareció el efecto mariposa de ChatGPT. O, mejor dicho, de la inteligencia artificial generativa que ChatGPT volvió cotidiana.
Porque cuando una máquina empieza a imitar con precisión nuestras formas de argumentar, razonar y decidir, no nos muestra lo que puede hacer. 

Nos muestra lo poco que habíamos reflexionado sobre lo que hacemos nosotros. Cuánto de nuestro razonamiento puede ser automatismo disfrazado de reflexión. Cuánto de lo que llamamos criterio es, en realidad, repetición de patrones aprendidos. Cuánto de la autoridad que le asignamos a ciertas decisiones descansa en la opacidad de un proceso.

Ese es el caos. Es su capacidad para hacer visible algo que no teníamos presente.

En la justicia, por ejemplo, la pregunta no es solo si un algoritmo puede dictar una sentencia. Es por qué durante tanto tiempo no habíamos cuestionado que una decisión que afecta derechos pudiera ser sumamente predecible o difícil de auditar. La IA no creó ese problema, solo lo expuso.
En educación, la pregunta no es si los estudiantes van a usar IA para hacer sus tareas. 

Es qué significa que gran parte de lo que evaluábamos como aprendizaje fuera, en realidad, reproducción. Que el valor que le asignábamos a ciertos procesos educativos descansara en la dificultad de acceso a la información y no en el desarrollo de capacidades cognitivas.

En el trabajo, la pregunta no es cuántos empleos va a afectar, sino cuántos de esos trabajos ya eran, en buena medida, una ejecución mecánica de tareas que nunca debatimos porque nadie las había automatizado todavía.

Pero también aparecieron preguntas más sensibles ¿qué es la inteligencia? ¿qué tan reemplazables somos? ¿cuánto de nuestras decisiones responde a argumentos y cuánto a prejuicios, intuiciones o automatismos que no veíamos?

Estas no son preguntas sobre la tecnología. Son preguntas sobre nosotros que la tecnología hoy, por primera vez, hace difícil esquivar.

Porque la IA generativa no llegó para decirnos que somos prescindibles. Llegó para hacer, con bastante precisión, cosas que creíamos que nadie más podría realizar. Y a partir de ese momento, vimos que no era tan irrefutable todo lo que dábamos por sentado.

Ese es el verdadero efecto mariposa. No el caos de herramientas nuevas, ni el debate sobre regulación, ni la ansiedad por los empleos, sino la exigencia de examinarnos con una profundidad que, hasta ahora, no nos habíamos exigido.

Por eso, lo más valioso que nos dejó el aleteo no fue una tecnología accesible. Fue esa exigencia.

* Funcionario de la Suprema Corte de Justicia de la Provincia de Buenos Aires; docente de posgrado en la Universidad de Buenos Aires, Lomas de Zamora, Salamanca, Collège de París; autor de “Prompt Engineering. Teoría y práctica para el uso adecuado, estratégico y responsable de la IA generativa”; Máster en Legaltech y Gestión Digital (Universidad de Salamanca), Máster en Inteligencia Artificial ( Centro Europeo de Postgrado); Director del Laboratorio de Innovación Tecnológica de la Facultad de Derecho de la Universidad Nacional de Lomas de Zamora; Director del Área de IA y Justicia en el Laboratorio de Innovación e Inteligencia Artificial de la Facultad de Derecho de la Universidad de Buenos Aires.