Las aplicaciones de inteligencia artificial más conocidas son las basadas en “grandes modelos de lenguaje”, o LLM por su sigla en inglés. ChatGPT y sus competidores han acaparado la atención. Al principio hemos jugado con ellos, y luego en muchos casos hemos aprendido a utilizarlos como asistentes en varias tareas. Pero existen otras aplicaciones que están logrando resultados muy interesantes.

Hace pocos días se publicó el estudio “Artificial Intelligence, Scientific Discovery, and Product Innovation” (es largo y está en inglés) escrito por Aidan Toner-Rodgers del MIT (Instituto de Tecnología de Massachusetts) que investiga la influencia de la IA en la investigación y la innovación.

El estudio analiza el papel de la IA en la automatización del descubrimiento de nuevos materiales mediante la introducción de una herramienta basada en aprendizaje profundo. Está siendo utilizada por más de mil investigadores en el área de I+D de una corporación.

La herramienta utilizada es una Red Neuronal Gráfica (Graph Neural Network, GNN), no un LLM. Fue entrenada en las estructuras de materiales conocidos. Los científicos ingresan un conjunto de características deseadas (como refracción, resistencia a la tracción, etc.), y la GNN genera estructuras candidatas. Estas estructuras luego son probadas en la vida real.

El estudio presenta varios hallazgos, que van desde el incremento en la productividad a un impacto en la insatisfacción laboral.

Incremento en la innovación

La herramienta generó un aumento del 44% en el descubrimiento de nuevos materiales, con un incremento del 39% en las solicitudes de patentes.

Se lograron estructuras químicas novedosas, contribuyendo significativamente al desarrollo de nuevos productos.

Desigualdades en la productividad:

La herramienta tuvo impactos desiguales. Los científicos más productivos prácticamente duplicaron su rendimiento, aprovechando la IA para enfocarse en descubrimientos de alto potencial. Por el contrario, los científicos con menor desempeño tuvieron dificultades para obtener beneficios similares, en parte debido a ineficiencias al identificar y priorizar las mejores sugerencias generadas por la IA.

Reasignación de tareas

La IA automatizó el 57% de las tareas relacionadas con la “generación de ideas”, trasladando la labor de los científicos hacia la evaluación y prueba de los compuestos sugeridos por la IA. Los investigadores más destacados utilizaron su experiencia para identificar las propuestas más prometedoras, mientras que otros desperdiciaron recursos evaluando falsos positivos.

Impacto en la satisfacción laboral

A pesar de los aumentos en productividad, la integración de la IA redujo la satisfacción de los investigadores. Cerca del 82% de los encuestados consideraron que su trabajo se volvió menos creativo y que sus habilidades estaban subutilizadas. Este resultado señala la necesidad de buscar alternativas que permitan incrementar la productividad sin comprometer la satisfacción laboral.

Complementariedad entre la IA y la experiencia humana

El estudio demuestra cómo las herramientas de IA y las habilidades humanas pueden complementarse. Sin embargo, la disparidad en los impactos y beneficios destaca la importancia de implementar programas de capacitación en el uso de herramientas de IA.

Los hallazgos subrayan que, aunque la IA puede mejorar significativamente la velocidad y calidad de la innovación, sus beneficios no se distribuyen equitativamente y pueden generarse impactos negativos en el clima laboral y el compromiso de los usuarios.

Siempre la introducción de herramientas basadas en una nueva tecnología origina procesos de adopción desiguales. Las curvas de aprendizaje son diferentes para cada usuario, y las herramientas de IA no escapan a esta realidad que ya vivimos con otras herramientas.

Las organizaciones que adopten IA para la investigación deben enfocarse en fortalecer las habilidades de su fuerza laboral y fomentar entornos colaborativos donde la IA complemente la creatividad humana y no sea considerada una amenaza.

También queda en evidencia, por lo menos en el sector de nuevos materiales, que el salto en productividad puede ser muy grande, dejando por el camino a las organizaciones que no adopten IA o que no sean capaces de integrarla en sus procesos.

Es un estudio profundo, que destaca el carácter dual de la IA en la innovación. Por un lado, un motor de productividad excepcional, y, por otro, una herramienta que puede alienar a los investigadores de los procesos creativos tradicionales.

Al igual que en el caso de los LLM es necesario desarrollar estrategias de integración que aprovechen las fortalezas de la IA sin reducir la satisfacción o creatividad humanas.