Escribí un artículo sobre Hacia la ciencia de datos: “Rango sobre profundidad: el valor de un generalista en su equipo de datos”. 1
Mi argumento en aquel entonces era simple: mientras que los especialistas destacan en la resolución de problemas complejos y bien definidos, los generalistas suelen ser más valiosos porque definen el problema en primer lugar y sólo después recurren a especialistas cuando es necesario.
Debido al aumento de la IA en nuestra vida diaria, tenía curiosidad por ver cuánto resonaban esos pensamientos en mí, así que volví a leer ese artículo. Mi intención era reescribirlo, pero para mi sorpresa, me encontré de acuerdo con casi todo lo que mi yo un poco más joven escribió. Sólo ha cambiado una cosa sutil pero muy importante.
El cambio: la IA como nuevo especialista
En los últimos cinco años, la IA ha evolucionado hasta el punto de que puede manejar muchas de las tareas para las que tradicionalmente confiábamos en especialistas. El tipo de trabajo que requería una gran experiencia, instrucciones claras, breves y bien definidas es ahora exactamente donde la IA prospera. Y a diferencia de los humanos, lo hace más rápido y sin fatiga.
Así que decidí seguir escribiendo sobre ello, pero en lugar de reescribirlo, una mera reflexión sobre mis pensamientos anteriores, destacando dónde eran necesarios algunos ajustes.
1. Seguimos operando en entornos de aprendizaje perversos
No operamos en sistemas ordenados y cerrados. Operamos en lo que David Epstein llama entornos de aprendizaje perversos2: entornos donde las reglas no son claras, la retroalimentación se retrasa o es engañosa y los patrones no se repiten de manera consistente. En estos entornos, puedes hacer lo “correcto” y aun así obtener el resultado equivocado, o hacer lo incorrecto y parecer exitoso. Eso es lo que los hace peligrosos.
El verdadero desafío no es resolver los problemas. No lo fue hace cinco años y definitivamente no lo es hoy. El desafío es saber qué problemas vale la pena resolver y si se puede confiar en las señales que estás utilizando para guiarte.
La IA no elimina esta ambigüedad. En todo caso, lo amplifica. Cuando las respuestas llegan más rápido y parecen más convincentes, el riesgo de resolver con confianza el problema equivocado sólo aumenta.
2. La necesidad de hiperespecialización se está reduciendo (pero aún no ha desaparecido)
En aquel entonces sostuve que el acceso a la información reducía la necesidad de una especialización profunda. Stack Overflow, blogs y documentación significaban que un generalista capaz podía resolver las cosas lo suficientemente rápido como para seguir adelante.
Hoy, esa dinámica ha cambiado significativamente.
La información ya no sólo está disponible. Está seleccionado, sintetizado, comparado y presentado… en un instante, la IA no solo te ayuda a encontrar la respuesta. Te da una respuesta funcional.
Y eso nos empuja más allá:
La necesidad de hiperespecialización no está desapareciendo, pero se está acercando al borde (algunos dirían que al abismo). Los generalistas ahora pueden ir mucho más lejos antes de necesitar la opinión de especialistas.
3. El esfuerzo de coordinación sigue siendo el verdadero asesino
El generalista reduce el esfuerzo de coordinación eliminando esencialmente las relaciones innecesarias, porque abarcan todas ellas. Es necesario darles el mandato de tomar decisiones y así eliminar la gestión de relaciones adicionales.
Este fue uno de mis puntos fuertes en aquel entonces y lo es aún más hoy. El coste de la coordinación en las organizaciones suele subestimarse y eso no ha cambiado.
Jeff Bezos popularizó la regla del “equipo de dos pizzas”3: los equipos deben ser lo suficientemente pequeños como para poder alimentarlos con dos pizzas. En el mundo actual, se podría argumentar que nos dirigimos hacia equipos de una sola pizza. No porque el trabajo sea más simple, sino porque los generalistas son más capaces y la IA llena muchos vacíos de especialistas, lo que resulta en menos transferencias necesarias.
4. El problema empresarial no ha cambiado
Si quitamos todo, las preguntas centrales siguen siendo exactamente las mismas:
¿Cómo aumentamos los ingresos? ¿Cómo retenemos a los clientes? ¿Cómo operamos de manera más eficiente?
Las herramientas han evolucionado (significativamente). Los métodos se han vuelto aún más sofisticados. Pero los problemas subyacentes no han cambiado.
Y al igual que hace cinco años, a las empresas todavía no les importa si la solución implica un modelo agente de vanguardia o una consulta SQL bien ubicada. Podrían decir que sí en las reuniones ejecutivas, pero en realidad no están mirando cómo se logró, solo si se resolvió.
Entonces, en resumen, ¿qué cambió?
No la importancia de los generalistas. En todo caso, su valor ha aumentado.
El cambio clave es este:
Los generalistas ya no son sólo conectores entre especialistas. Ellos son los que navegan en entornos donde el problema no está claro, las señales son ruidosas y el camino a seguir no es obvio.
Conectan no solo a las personas, sino también a las capacidades, y deciden cuándo confiar en la intuición, cuándo confiar en la experiencia y cuándo recurrir a un especialista bajo demanda, ya sea humano o de IA.
Su alcance ahora está amplificado y son capaces de ejecutar ellos mismos un trabajo mucho más profundo. No porque el mundo se haya vuelto más simple, sino porque todavía funcionan bien en complejidad, con la IA como su capa especializada siempre disponible.
Espero con ansias que mi asistente personal de IA haga otra reflexión dentro de cinco años.
[1] Potgieter, C. (2021). Rango sobre profundidad: el valor de un generalista en su equipo de datos. Hacia la ciencia de datos.https://towardsdatascience.com/range-over- Depth-the-value-of-a-generalist-in-your-data-team-174d4650869d/
[2] Epstein, D. (2023). Ambientes de aprendizaje amables y malvados.
https://davidepstein.substack.com/p/kind-and-wicked-learning-environments
[3] Equipos de dos pizzas: la ciencia detrás de la regla de Jeff Bezos | Dentro de Nuclino. Blog.nuclino.com. https://blog.nuclino.com/two-pizza-teams-the-science-behind-jeff-bezos-rule. Publicado 2019.