Mobile OS share of market 2007La mensajería multiplataforma por excelencia, WhatsApp, anuncia el fin del soporte para sus versiones en BlackBerry OS y Windows Phone el próximo día 31 de diciembre, haciendo oficial lo que todos sabemos desde hace ya mucho tiempo: que las plataformas móviles se han convertido en un duopolio absoluto en el que Android posee una cuota de mercado estabilizada en torno al 80-90%, iOS entre el 10-20%, y el resto son simples errores de redondeo, completamente insignificantes.

¿Cómo hemos llegado a esta situación? En octubre de 2007, Google adquirió Android, una compañía fundada por un Andy Rubin elevado a la categoría de visionario, y la convirtió en la mejor adquisición llevada a cabo por la compañía en toda su historia. La operación era una forma de posicionar a la compañía en un ecosistema smartphone cada vez más pujante, que con el lanzamiento del iPhone en enero de 2007 había redefinido los terminales para dejar de considerarlos simplemente “teléfonos móviles” y convertirlos en auténticos ordenadores de bolsillo con una gama cada vez más amplia de prestaciones.

El lanzamiento de la App Store en julio de 2008, con un total entonces de quinientas aplicaciones, seguida por el Android Market (hoy Google Play) en octubre del mismo año, nos dio una de las claves fundamentales del entonces naciente segmento: las apps. Si no tenías suficiente base de terminales instalada, los desarrolladores no encontrarían interesante crear aplicaciones para ellos, y los usuarios pasarían a ver con envidia a terminales de otras marcas capaces de utilizarlas. El movimiento pilló a BlackBerry completamente perdida y aún convencida de que el mercado de consumo era tan solo una distracción frente a un mercado corporativo que creían mucho más importante, y los tardíos intentos de Microsoft, tras el lanzamiento de Windows Phone a finales de 2010, de crear una Windows Phone Store y convencer a los desarrolladores para que creasen versiones de sus aplicaciones para ella resultaron completamente fallidos. Sin un suministro adecuado de aplicaciones, ambos sistemas operativos languidecieron, hasta anunciarse su cierre: BlackBerry anunció el fin de su BlackBerry OS en enero de 2013 y del soporte para el mismo en diciembre de ese mismo año, y se convirtió en un fabricante insignificante de dispositivos con sistema operativo Android, y Microsoft anunció el final de Windows Phone en enero de 2016 y terminó su soporte el 11 de julio de 2017, abandonando una línea que también se llevó por delante a la vieja Nokia y a la que aún no ha dado continuidad.

¿Qué cabe esperar en el futuro? Android ya es el sistema operativo más importante del mundo por delante de Windows, mientras iOS se mantiene razonablemente estable con una participación de mercado que marca un pico cada vez que la compañía lanza un nuevo modelo. La situación recuerda poderosamente lo ocurrido con el mundo de los ordenadores, que terminó por ser prácticamente un monocultivo con escasa contestación alternativa: hoy, Windows domina el mercado de ordenadores de sobremesa y portátiles con un 90.7% frente a un 5.9% de Mac OS y un 3.4% de Linux, una situación que lleva manteniéndose relativamente estable bastante tiempo. El dominio del mercado que ofrece el control de un sistema operativo y una tienda de aplicaciones se ha convertido en prácticamente insuperable, en una receta segura para la consolidación de un monopolio de facto, con todo lo que ello conlleva. Y mientras el mercado Android se convierte en una pelea continua entre fabricantes chinos y surcoreanos, Apple ha sabido consolidarse, a pesar de su relativamente escasa penetración de mercado, como la compañía con mayores márgenes y rentabilidad, hasappta el punto de convertirse en la empresa más valiosa del mercado bursátil y, en algunos sentidos, en la que marca las tendencias de adopción.

¿Es la concentración del mercado en torno a una opción una tendencia propia de la tecnología, o un patrón general común a todas las industrias? Todo indica que las externalidades de red tienden a jugar un papel más fuerte en los mercados tecnológicos que en otras industrias, pero dada la característica de la tecnología de extenderse a todo el resto de las industrias para formar una parte integrante cada vez más importante de prácticamente todos ellos, la cuestión no deja de tener su importancia, y de merecer una cierta reflexión. Visto con perspectiva, la adquisición de Android por unos estimados cincuenta millones de dólares fue, posiblemente, el movimiento más importante de la historia reciente de la tecnología, el que ha jugado un papel más importante en la definición del ecosistema que hoy conocemos, y el que más influencia puede llegar a tener en muchas cosas. A veces, son pequeñas decisiones, como la de IBM de otorgar a Microsoft el desarrollo del sistema operativo de sus PCs o esa conversación entre Andy Rubin y Larry Page que terminó con la adquisición de Android, las que de verdad definen el panorama tecnológico que conocemos. El resto, como suele decirse… es historia.

 

TensorFlowTodo indica que Google está comenzando a promocionar activamente en el mercado chino su plataforma de machine learning, TensorFlow, en un mercado del que salió huyendo hace algún tiempo con su motor de búsqueda, pero que cumple todas las características para ser uno de los entornos más decisivos del futuro. Varios eventos privados, trabajo en universidades y con líderes de opinión en ese entorno parecen destinados a convertir TensorFlow en la plataforma de desarrollo elegida por más y más estudiantes, académicos y trabajadores, en un entorno en el que el desarrollo de todo lo relacionado con machine learning parece haberse convertido en una prioridad nacional, y en el que la generación de datos parece contar con muchos menos límites en términos de privacidad que los existentes en otros entornos.

La atención dedicada por Google deja clara la importancia del mercado que está comenzando a desarrollarse en torno a las plataformas de machine learning, en un mercado que está comenzando a definirse según hablamos. La importancia que Google otorga al tema es elevadísima: la compañía insiste en que se trata del próximo gran factor competitivo, en que está redefiniendo la totalidad de sus actividades en torno al tema, y en que está dotando de competencia y habilidades en machine learning a todo su personal, a prácticamente todos los niveles. Adquisiciones, plataformas, presencia en plataformas de terceros, y una labor de constante apostolado para una herramienta que muchos desarrolladores que utilizan de forma habitual critican fuertemente, pero que parece constituir la apuesta de la compañía por obtener un liderazgo en el desarrollo de soluciones basadas en machine learning. Para los desarrolladores, es muy posible que TensorFlow suponga una opción importante, con la posible ventaja de contar con una compañía puntera detrás, y con la posibilidad de mejorar rápidamente sus problemas principales, pero ahora mismo, tiene claramente sus detractores.

¿Dónde radica la importancia de estos movimientos? Una parte muy importante del futuro de la disciplina podría venir determinado por la elección de los desarrolladores, de las personas que trabajan en la adaptación de sus aplicaciones de todo tipo para hacer uso del machine learning. Compañías como Facebook y otras han reaccionado liberando sus plataformas en open source para obtener una popularidad mayor, otras como IBM aplican su fuerza comercial para multiplicar su llegada al mercado corporativo tradicional, mientras otras más pequeñas como BigML – de la que soy asesor estratégico – presumen de una gran usabilidad, una amplia gama de soluciones, una gran preferencia entre los desarrolladores que lo utilizan, y una creciente cantidad de instalaciones en compañías de todas las industrias. En ese escenario, el mercado chino representa posiblemente el de mayor crecimiento en número de desarrolladores, el que más compañías parecen estar afrontando con un mayor nivel de prioridad, y un entorno en el que muchos conceptos difíciles de plantear en otros países podrían convertirse en realidad.

Machine learning ya es mucho más que un concepto o una tendencia: está definiendo los entornos del futuro, y las compañías lo saben. Si aprender o entender machine learning no está en tu agenda como directivo, sin duda hay algo que te estás perdiendo, y es muy relevante: que las decisiones que en gran medida contribuyan a dar forma a tus productos y servicios en el futuro no las vas a tomar tú ni directivos como tú, sino tus desarrolladores, un talento escaso que en muchas compañías ya ocupa los puestos mejor pagados, y al que se llega con argumentos completamente distintos a los que se plantean para convencer al directivo tradicional. La batalla por la hegemonía en las herramientas del futuro se juega en otros terrenos.

 

IBM "mechanical excavators vs. teaspoons" ad (Saatchi & Saatchi, early '80s)El pasado día 15, un tweet me recordó este anuncio de IBM que aparece en la ilustración, creado por Saatchi & Saatchi a principios de los años ’80: dos personas viendo trabajar una excavadora, el primero lamentándose por las doce personas con palas que podrían estar trabajando ahí, y el segundo recordándole que si se trata de dar trabajo a más personas, ese mismo trabajo podrían hacerlo doscientas personas equipadas con cucharillas de té.

La investigación de la cita nos remite primero al economista norteamericano Milton Friedman en los ’60 y, anteriormente, al político canadiense William Aberhart, que la utilizaron para hacer ver el absurdo de priorizar la generación de puestos de trabajo a la eficiencia. Por supuesto que podemos emplear más personas si lo que les proporcionamos son herramientas inadecuadas, pero en realidad, la finalidad de emplear personas es hacer un trabajo, y todo lo que contribuya a que ese trabajo se haga de manera menos eficiente es, como tal, negativo.

Vivimos tiempos en los que la discusión sobre las máquinas, los algoritmos, los robots o cualquier otra tecnología desplazando a los humanos de sus puestos de trabajo se generaliza cada vez más. ¿Qué van a hacer los pobres taxistas y camioneros cuando los vehículos conduzcan solos? ¿Y los operadores de bolsa cuando sean algoritmos los que compren y vendan acciones? ¡Oh, dios mío, los planificadores de publicidad, ahora que la gran mayoría de la misma es negociada por máquinas en tiempo real! ¡Por no hablar de los operadores de call-center, de servicio al cliente o de las líneas de caja de los supermercados!

Si lo que queremos es mantener puestos de trabajo por encima de todo, demos a estas personas herramientas ineficientes, protejamos su trabajo prohibiendo la entrada de tecnologías, y sigamos trabajando de manera ineficiente. Si alguno se pregunta por qué tiene que pasarse tantas horas haciendo algo que una máquina podría hacer mucho mejor y con menos errores, no nos preocupemos: con una sola pregunta, “¿prefieres estar aquí haciendo un trabajo absurdo, o prefieres estar muerto de hambre en tu casa?” ya le desarmaremos completamente.

Priorizar la generación o el mantenimiento de puestos de trabajo es absurdo una vez que se demuestra que un trabajo puede ser hecho por una máquina con mayor calidad y eficiencia. Simplemente, no tiene ningún sentido. Durante mucho tiempo, hemos ido viendo desaparecer infinidad de puestos de trabajo, simplemente porque una tecnología los convertía en redundantes, en innecesarios, o les hacía perder su sentido. Ahora, el paso de la tecnología se ha acelerado, el número de tareas que una máquina es capaz de hacer mejor que un hombre crece rápidamente, y todos tenemos miedo de ser los siguientes.

Sí, es un problema. Pero su solución nunca estará en impedir el uso de la tecnología o en tasarla con impuestos que la hagan menos competitiva. La solución estará en mejorar la flexibilidad de la preparación de las personas para que puedan hacer otras cosas, en mejorar la educación para que permita que sean más versátiles o se readapten a otras tareas, para que se reinventen profesionalmente, para que busquen otras tareas que sean susceptibles de generar un valor, o, en último término, que tengan una red de seguridad social que les permita no caer bajo el umbral de la pobreza. Soluciones sociales, políticas o educacionales que tienden hacia una redefinición del concepto de trabajo, hacia un trabajo convertido en algo que alguien quiere hacer porque le encuentra sentido y genera un valor para alguien, y que en todo caso resultarán mucho más interesantes que la alternativa absurda de tratar de impedir que la tecnología lo haga. Entre otras cosas, porque en la estructura económica actual, impedir el uso de una tecnología que aporta eficiencia es completamente imposible: siempre habrá una compañía en un país que tenga interés y posibilidad de utilizarla, que adquiera con ello una ventaja competitiva, y que desplace a otras en el mercado.

Sí, los chatbots eliminan puestos de trabajo. Pero también crean otros, y mientras los primeros eran profundamente alienantes, desesperantes, mal pagados y de elevada rotación, los segundos ofrecen posibilidades mucho más interesantes. Y como los chatbots, cualquier otra tecnología que genere eficiencia. Cada vez que nos enfrentemos a una tecnología con el potencial de eliminar puestos de trabajo, preguntémonos cuáles son nuestros grados de libertad ante ello, y sobre todo, de qué lado queremos estar. Solo uno de los dos lados será sostenible.

 

IMAGE: amasterpics123 - 123RFRecientemente, IBM, una de las compañías que más se ha preciado de ofrecer un entorno de trabajo flexible y basado en la libertad para trabajar desde donde uno estime oportuno, anunció que iba a obligar a sus trabajadores con este tipo de acuerdos a regresar a la oficina. El movimiento, similar al planteado por Yahoo! tras la llegada a la dirección general de Marissa Mayer en febrero de 2013 y que muchos calificaron como “propio de otra era“, sigue a veinte trimestres consecutivos de ingresos descendentes, una circunstancia de resultados negativos similar a la que ocurría en su momento en Yahoo! En el caso de la decisión de Marissa Mayer, la idea era volver a reunir a los trabajadores para intentar reforzar unos elementos culturales que parecían haberse perdido y que formaban parte del plan de la nueva CEO para salvar la compañía, una estrategia que, como es obvio, nunca llegó a funcionar. Intentar reforzar tu cultura obligando a tus trabajadores a hacer cosas que no quieren hacer o que consideran un paso atrás no parece un buen comienzo para nada.

Cambiar los términos del contrato con tus trabajadores cuando las cosas vienen mal dadas tiene dos problemas: el primero, es que es muy posible que a esa medida siga, de manera inmediata, un fuerte drenaje de talento, personas valiosas para la compañía que consideraban su libertad para trabajar desde su casa una parte importante de los términos de su contrato, y que ahora prefieran, simplemente, irse a trabajar a otro sitio. El segundo problema es que medidas de este tipo acusan de manera directa a estos trabajadores de tener alguna responsabilidad sobre las pérdidas de la compañía, una correlación que no tiene por qué ser en absoluto cierta.

El movimiento de IBM es un error, y si alguien pretende verlo de alguna manera como una tendencia a volver a llevar a los trabajadores a las oficinas o como un problema derivado de los sistemas de trabajo flexible, se equivocará también. La flexibilidad de los sistemas de trabajo, sencillamente, es algo que no admite ningún tipo de vuelta atrás. Las compañías que se empeñen en encerrar a sus empleados en sus oficinas de nueve a cinco como si fuesen hamsters en una jaula verán de manera invariable cómo su capacidad de atraer y retener talento se resiente, y cómo terminan siendo esos sitios donde solo se quedan aquellos que no son capaces de encontrar trabajo en otro sitio.

La tecnología no se detiene, y trabajar hoy desde casa no tiene nada que ver con lo que significaba hacerlo hace cinco o diez años. Nada. Actualmente, la tecnología permite que el problema fundamental que existía entonces, el desarraigo o detachment, la erosión progresiva del vínculo entre trabajador y compañía, no se produzca. Dicho esto, todo indica que los acuerdos que llevan a que una persona lleve a cabo su trabajo íntegramente desde su casa y no aparezca por la sede corporativa es, seguramente, un tipo de acuerdo que solo resulta conveniente en determinados casos, y que la realidad es que la mayoría de las compañías se están inclinando por acuerdos de tipo parcial, en los que el trabajador tiene total libertad para trabajar desde su casa o desde la oficina de la compañía, y que esta oficina se configure cada vez más como un lugar que aporte algo, que posibilite y fomente un intercambio de experiencias, un roce, una serie de oportunidades que den lugar a la colaboración, a la innovación.

El caso de Google es paradigmático: sus oficinas no son en absoluto punteras y mantienen el espacio reservado a cada trabajador, lo que hace que en caso de trabajar desde caso, la dedicación de espacio a una persona que no está redunde en una ineficiencia total en el uso del espacio. La razón es que los ingenieros, el componente del talento más significativo de la compañía, prefieren configurar sus espacios de trabajo de manera personal, con sus máquinas, monitores y teclados elegidos por ellos mismos, o incluso los elementos de la decoración. Que esos espacios estén en cubículos en áreas compartidas y no en despachos cerrados es completamente anecdótico, y solo refleja un deseo de mejorar la interacción, de ofrecer oportunidades para que surja la chispa de la innovación. Pero en realidad, la oficina está diseñada para funcionar como un imán, como un sitio atractivo donde el trabajador quiera ir, porque la comida es muy buena, se puede llevar la ropa a lavar, o incluso tienes un masajista. El trabajador de Google puede perfectamente trabajar desde su casa y lo hace cuando la ocasión lo recomienda, pero esa posibilidad no se fomenta, y en realidad, se intenta que termine por preferir trabajar desde la oficina.

Lo que sí se revela como elemento común es el cambio en las infraestructuras de telecomunicaciones y de trabajo. Cada vez más, las empresas trabajan con más personas que no están en sus oficinas, además de un número creciente de freelancers y trabajadores itinerantes, y eso se refleja en sistemas de trabajo que permiten reunirse y ver a una persona independientemente de dónde esté físicamente, participar en una reunión con total normalidad desde una pantalla sin tener que pedir una infraestructura especial, y disponer de espacios para trabajo en grupo, reuniones o para hacer una llamada de teléfono o una reunión que requiera privacidad. Esa tendencia se superpone al trabajo desde casa, y determina espacios de trabajo cada vez más líquidos, más adecuados para la conciliación y, sencillamente, más acordes con el entorno tecnológico actual. Querer ir contra lo que se ha convertido en claro signo de los tiempos es una forma primaria de intentar vanamente retomar el control, y es un error. Lo haga IBM, Yahoo!, o quien lo haga. Si crees que de alguna manera, esas decisiones implican que el trabajo flexible está en retroceso, te equivocas. Hay tendencias que son imposibles de revertir.

 

Machine learning competitions

Mi columna de El Español de esta semana se titula “Las máquinas y los retos“, y habla sobre las distintas competiciones que algoritmos de machine learning han ido disputando contra los humanos a lo largo de la historia reciente, al hilo de la nueva partida de Go disputada entre el algoritmo de Google, AlphaGo, y el joven genio chino del Go, Ke Jie, con victoria del primero.

Las dos partidas de Go jugadas por Ke Jie contra AlphaGo se produjeron en un contexto extraño: no solo tenían lugar después de las derrotas sucesivas de Fan Hui y Lee Sedol, otros de los mejores jugadores del mundo, sino que además, su emisión fue censurada por el gobierno chino, en un extraño ejercicio de mala interpretación del orgullo nacional. Para Ke Jie, que ha reconocido que el algoritmo de Google es ya “demasiado fuerte para los humanos” y se ha convertido en una especie de “dios del Go”, la situación es tan curiosa como la de ser utilizado como prueba, como argumento final de la superioridad de la máquina en el juego, un papel experimentado anteriormente por otro escaso puñado de humanos en otros juegos.

La importancia de este tipo de desafíos es relativa. En realidad, hablamos de acciones de comunicación, destinadas a obtener repercusión pública de trabajos que, de no utilizar este tipo de competiciones, sería muy difícil que expusiesen sus avances a un nivel que llegase a todos los públicos. A lo largo del tiempo, hemos ido viendo cómo los algoritmos de machine learning se apropiaban del ajedrez, del Jeopardy, del Go y, recientemente, del póker, sin que muchos se hayan parado a pensar qué era exactamente lo que cada competición pretendía demostrar.

En el ajedrez, la cosa era relativamente sencilla: hablamos de un juego de cálculo de escenarios. Cada movimiento genera un escenario nuevo, y los buenos jugadores son capaces de proyectar mentalmente las jugadas a las que puede dar lugar varios movimientos después. Cuando Kasparov pierde contra el Deep Blue de IBM en 1996, lo único que como humanos tuvimos que reconocer fue que una máquina era ya capaz de calcular escenarios probabilísticos mejor que el cerebro de una persona. Perfecto, cuestión de fuerza bruta computacional. Nada que nos ofenda cuando ya llevamos décadas utilizando calculadoras de mano u hojas de cálculo, y considerándolas no una amenaza, sino una bendición. Hasta aquí, todo bien.

Cuando, en 2011, otro producto de IBM, Watson, gana a los mejores jugadores de la historia en Jeopardy, la cuestión ya empieza a ser distinta. Aquí, una máquina está probando ser capaz de entender las muchas veces retóricas preguntas del Jeopardy expresadas en lenguaje natural, buscar sus posibles respuestas, escoger una de ellas, darle a un botón… y ganar. Después de Jeopardy, sabemos ya que un algoritmo va a ser mejor que las personas entendiendo el lenguaje que las propias personas han inventado, lo que abre paso a todo tipo de innovación en robots conversacionales, chatbots, abogados, médicos haciendo diagnósticos… lo que queramos.

En 2015, un algoritmo ya no de IBM, sino de Google, venció a dos de los mejores jugadores del mundo de Go, desafío que en estos días se acaba de completar con la tercera victoria. ¿De qué hablamos aquí? Este es el desafío que corona la importancia del deep learning. Tras mucho entrenamiento del algoritmo suministrándole todas las partidas de Go jugadas y registradas a lo lago de la historia, Google fue capaz de obtener un jugador muy bueno, pero que unas veces ganaba y otras no. Hasta ahí, había llegado a educar un algoritmo para jugar como los grandes maestros de Go, ni más, ni menos. Fue cuando pasó al deep learning cuando se produjo el diferencial: pusieron a la máquina a inventarse partidas que no se había jugado, a jugar contra sí misma, a explorar escenarios improbables. El resultado fue que en algunas de las partidas, AlphaGo empleó movimientos que jamás un humano había llevado a cabo en partida alguna, que tenían una probabilidad de uno entre diez mil, y logró vencer. Ahora, tenemos que vivir sabiendo que un algoritmo puede desarrollar su inteligencia para una tarea más allá de donde el ser humano ha sido capaz de hacerlo.

Finalmente, llegó 2017, y un algoritmo creado en la universidad de Carnegie Mellon, Libratus, fue capaz de vencer a algunos de los mejores jugadores del mundo de póker. El póker, un juego intrínsecamente humano, en el que varias cartas permanecen boca abajo y solo se puede especular sobre ellas, mientras tenemos como entradas de información el resto de cartas en la mesa y la información que los otros jugadores nos dan con sus apuestas, sean o no faroles. Tras 120,000 manos de póker jugadas a lo largo de veinte días, la victoria de Libratus fue absoluta e incondicional: los humanos no tuvieron ninguna posibilidad. ¿Qué significa esto? Sencillamente, que una máquina ya es capaz de analizar una situación de información imperfecta, sometida a incertidumbre, y puede tomar decisiones en ella con mejores resultados que los que podría obtener un humano. Eso mismo, tomar decisiones en entornos de información incompleta o imperfecta, incluida posiblemente información falsa, es lo que hace un directivo en una compañía, lo que yo llevo veintisiete años intentando que mis alumnos aprendan a hacer. Y el enfoque dado por Tuomas Sandholm, creador de Libratus, es precisamente ese: crear un algoritmo de propósito amplio. No está interesado en un algoritmo para jugar al póker, sino en uno capaz de llevar a cabo cuestiones como análisis de ciberseguridad, diagnósticos médicos o negociación empresarial.

Las competiciones y retos empresariales no hay que analizarlas simplemente como la estrategia de comunicación que representan para quien las hace, sino como lo que realmente significan en términos de logros, de demostración de posibilidades, de aplicaciones posibles. Si alguien aún duda de las posibilidades del machine learning, que venga y plantee el siguiente reto.