WickrLos sucesivos escándalos en los que se ha visto envuelta Uber, que recorren ya un continuo que va desde el acoso sexual hasta el pago a hackers para evitar que difundan datos robados a la compañía, y que no dejan de ser la consecuencia de una cultura de “el fin justifica los medios” que está detrás de su rapidísimo crecimiento, se encuentra ahora con un interesante dilema: la compañía había optado, para muchas de sus comunicaciones internas, por el uso de una plataforma, Wickr Pro, que establece como uno de sus puntos fuertes no solo un fuerte cifrado, sino además, la disponibilidad de mensajes efímeros que desaparecen al cabo de un tiempo establecido, una circunstancia que dificulta notablemente cualquier investigación posterior sobre el tema.

¿Hasta qué punto tienen las compañías obligación de almacenar la información de sus procesos de negocio? Tengamos en cuenta de que no hablamos de un uso “oscuro” o intrínsecamente malintencionado, sino de una aplicación que precisamente viene a explicar en su argumentación comercial que no tiene sentido preservar toda la información de una compañía; más aún: que hacerlo implica un riesgo. Así, del mismo modo que no preservamos grabaciones de las reuniones corporativas y del “quién dijo qué” en cada momento que potencialmente llevó a una decisión determinada, ¿deberíamos almacenar todas las comunicaciones, tales como mensajería instantánea, que como tales no tienen una naturaleza muy distinta de la de una conversación? ¿Qué ocurre si esas conversaciones tienen lugar en plataformas como WhatsApp, Telegram, Signal u otras que se caracterizan por un elevado nivel de cifrado y que, por tanto, serían inaccesibles ante una hipotética investigación posterior?

El argumentario comercial de Wickr Pro no deja de tener su sentido:

El canal, bien por decisión del usuario o por política corporativa, pude designar un tiempo de eliminación de los mensajes intercambiados. Y una vez eliminados, no pueden ser recuperados, ni siquiera de los servidores de Wickr. Frente a unos correos electrónicos o unos documentos que pueden conllevar una obligación legal de almacenamiento para una posible inspección posterior, las conversaciones mediante mensajería instantánea, cada vez más habituales en entornos corporativos y más a medida que se rejuvenece la base de trabajadores, tienen más la naturaleza de una conversación, pero pueden ser, en muchas ocasiones, el canal por el que se comunican determinadas decisiones que podrían generar consecuencias legales. A partir de este principio, podría ser razonable encontrarse compañías que, ante una hipotética responsabilidad por una toma de decisiones, prefiriesen activamente comunicar esa decisión a través de un canal efímero, con el fin de eludir una posterior investigación. Y si bien el uso de un dispositivo o canal intencionadamente diseñado para ocultar información en una hipotética investigación podría ser seguramente visto como un incumplimiento de la obligación de preservar registros que puedan razonablemente ser vistos como relevantes en una investigación, el uso de ese mismo canal por motivos de seguridad y para evitar robos de información difícilmente lo sería.

¿Qué papel van a tener este tipo de canales de comunicación que dificultan la trazabilidad en los procesos de toma de decisiones de las empresas en el futuro? Prohibir su uso parece imposible porque son razonablemente equiparables a una conversación en un pasillo, que nadie en su sano juicio pretendería obligar a grabar y almacenar, pero de ahí a la construcción de canales “clandestinos” para obtener una impunidad en determinadas tomas de decisiones va un trecho muy corto y de muy difícil demostración. ¿Hasta qué punto tienen que ser transparentes las compañías? ¿Puede la disponibilidad de este tipo de herramientas modificar los patrones de comunicación en el entornos corporativos?

 

IMAGE: Sira Anamwong - 123RFEl fundador del hedge fund más grande del mundo, Ray Dalio, lleva tiempo trabajando en el desarrollo de una inteligencia artificial que lleve a cabo la gestión integral de la compañía, incluyendo la tanto la toma de decisiones de inversión como el reclutamiento o el despido de trabajadores, o incluso las llamadas telefónicas que se hacen a clientes en cada momento.

Bridgewater Associates es un fondo que gestiona 165,000 millones de dólares. Su fundador lleva tiempo buscando la manera de reducir el impacto de la variabilidad humana en la gestión, lo que implica considerar a los directivos como sistemas imperfectos influenciados por factores de muy difícil o imposible control – estado de ánimo, percepciones, etc. – que les llevan a tomar decisiones que podrían ser mejorables.  La idea en la que la compañía lleva tiempo trabajando consiste en algo tan ambicioso como una serie de algoritmos capaces de aprender de todas las decisiones tomadas en la compañía, examinarlas en función de los resultados obtenidos, y evaluar a todas las personas implicadas en ellas mediante un sistema que asigna a cada persona un rendimiento determinado.

La unidad, llamada Systematized Intelligence Lab, está dirigida por David Ferrucci, el investigador principal que dirigía el equipo que, en IBM, logró en 2011 que Watson venciese a los mejores jugadores de la historia en el concurso televisivo Jeopardy. Los algoritmos se alimentan de datos generados por una compañía que recoge absolutamente todo, incluyendo la grabación y procesamiento de todas las reuniones, y la evaluación permanente del rendimiento de cada persona por todas las que le rodean. Si todo va según los planes previstos, en un plazo de cinco años, tres cuartas partes de las decisiones corporativas serán tomadas de manera automatizada, teniendo en cuenta los principios generales y la visión que el fundador tiene para la compañía. Básicamente, como alguno de los artículos vinculados detalla, se trata de replicar el cerebro del fundador en una inteligencia artificial. 

Lo comentábamos hace alrededor de un mes: si alguien piensa que la automatización del trabajo solo afecta a trabajos mecánicos, repetitivos, o a las llamadas “tres D”, Dull (aburridos), Dirty (sucios) o Dangerous (peligrosos), que vaya pensándolo de nuevo. Aquí tenemos un ejemplo de una compañía importante, con directivos de los que toman decisiones de inversión en un entorno completamente “de cuello blanco“, invirtiendo dinero de verdad, contratando personas cualificadas y proporcionándoles los recursos suficientes como para que la compañía sea dirigida en la gran mayoría de sus decisiones por una inteligencia artificial, bajo las directrices y objetivos estratégicos que (todavía) marque una persona. 

¿Qué va a ocurrir si el rendimiento de esta compañía como hedge fund sobrepasa sistemáticamente el de compañías dirigidas de la manera tradicional, con seres humanos tomando decisiones en el día a día? ¿Cuánto tardaríamos, en un entorno como este en el que los diferentes competidores son comparados de manera constante en función de parámetros objetivos y bien establecidos, en ver una auténtica carrera por la adopción de este tipo de tecnologías?

Nos queda mucho por ver.

 

IMAGE: Валерий Качаев - 123RFA medida que la inteligencia artificial y el machine learning van mostrando sus posibilidades, no ya únicamente en términos de lo que pueden o no pueden hacer, sino también de las barreras de entrada que supone su uso al hilo del desarrollo de plataformas de MLaaS, Machine Learning as a Service, surgen también debates sobre la sustitución de trabajadores por máquinas o, mejor, por algoritmos, en ámbitos de todo tipo.

La primera aproximación a estos procesos de sustitución puede enfocarse de manera abiertamente optimista, como “esto ya lo vimos antes, y a la sustitución y pérdida de puestos de trabajo siguió una reinvención de tareas antes inexistentes que remodelarán el mercado laboral y costará asimilar, pero que generarán otras ocupaciones”, o de manera más pesimista, entendiendo que el surplus de productividad que generarán las máquinas convertirá en redundante e innecesario una parte significativa del trabajo de las personas.

En este sentido, resulta interesante presenciar cómo las líneas de pensamiento en este sentido tienden a asumir una sustitución más rápida de los trabajos que se encuadran dentro de las llamadas “tres D”, Dull (aburridos), Dirty (sucios) y Dangerous (peligrosos), que suelen identificarse con lo que se conoce como “trabajos de cuello azul“: tareas de montaje, ensamblaje, construcción o mantenimiento, ocupaciones como la minería, las cadenas de producción, la conducción u otras afines. Esta interpretación, en realidad, apunta a la idea de relevar a las personas de trabajo alienantes, desagradables o en general poco motivadores que, supuestamente, no deberían estar haciendo. Parece claro, viendo los avances en la conducción autónoma, que conducir, por ejemplo, será una actividad pronto relegada a las máquinas, aunque a aquellos que hoy viven de conducir – taxistas, camioneros, etc. – el tema tienda a hacerles entre muy poca y ninguna gracia.

De la sustitución de los llamados “trabajadores de cuello blanco” tiende a hablarse menos, quizá porque sus tareas se interpretan como menos necesitadas de sustitución, o más basadas en cualidades que tendemos a considerar inherentes y propias del raciocinio humano. El trabajo administrativo en oficinas o entornos corporativos, las funciones directivas en general, se suelen considerar como más “a salvo” de la intromisión de las máquinas, o más apropiados para planteamientos del tipo “ayuda” o “soporte” a la función: cómo hacer que los directivos puedan hacer mejor su trabajo gracias al machine learning, o cómo introducir el machine learning en los entornos corporativos un poco en modo “sin romper nada”.

Esa mentalidad conservadora, sin embargo, no se ve corroborada con la experiencia: un trabajo como la planificación de campañas publicitarias en distintos medios, por ejemplo, que en principio se consideraría claramente como de cuello blanco, está sufriendo el impacto de los modelos de publicidad programática, en los que una serie de algoritmos negocian en tiempo real precios de anuncios en un soporte determinado en función de las características sociodemográficas o conductuales de cada usuario que pasa. Donde antes un ejecutivo tomaba decisiones y asignaba impresiones a cada soporte en función de una serie de criterios de diversos tipos (y no todos ellos especialmente claros o transparentes), ahora una máquina lleva a cabo un trabajo mucho más certero, más profesional y sin duda, con resultados más ajustados… que viene a ser exactamente lo mismo que ocurre en el caso de la conducción: las máquinas conducirán no solo de manera más productiva, sin necesidad de tiempos de descanso y sin distracciones, sino que además, lo harán mucho mejor, con muchos menos accidentes.

¿Hasta qué punto es sustituible el trabajo directivo por una máquina o un algoritmo? En realidad, la mayor parte de las tareas directivas tienden a identificarse con la toma de decisiones en entornos complejos, con procesos de negociación, o con otras responsabilidades que, en la práctica, sí podrían caer dentro de lo que los procesos de deep learning pueden sistematizar. Y por “sistematizar” ya no entendemos “aplicar una receta” o “automatizar una decisión”, sino precisamente lo contrario: estudiar una situación compleja, y plantear un movimiento o decisión que maximice el retorno, bien de manera inmediata (a una jugada) o en el curso de una estrategia a largo plazo. En el momento en que hablamos de técnicas de machine learning, pasamos a identificar las tareas desarrolladas por una máquina no como la simple sustitución de un humano que las hacía antes, sino como la mejora de lo que el humano era capaz de hacer.

Que compañías como Google, Facebook o Microsoft, que no se caracterizan en absoluto por el predominio de tareas consideradas de cuello azul, estén remodelándose completamente en torno a la inteligencia artificial debería darnos alguna pista. En muchos casos, esos algoritmos mejorarán sus productos o servicios de maneras que muchos humanos de cuello blanco trabajando coordinadamente no podrían llegar a imaginar. Y en consecuencia, resultarán en la sustitución de personas que antes hacían trabajos considerados directivos, con todo lo que ello conlleva.

En el estado actual de la tecnología, con algoritmos capaces de analizar y comprender el lenguaje natural mejor que muchas personas, en múltiples idiomas y con contextos bien definidos y acotados por las redes sociales, la capacidad de un algoritmo de mantenerse completamente informado sobre una industria, una compañía o una actividad es ya muy superior a la que tiene una persona. Que sobre esas bases se desarrollen procesos de toma de decisiones basados en machine learning es simplemente una cuestión de tiempo, de propuesta de valor y de interés.