A well-known principle in engineering is that one of the most powerful ways to control a system is by building a model of it
Jara-Ettinger and Dunham
Deming rechaza la tesis que se ha extendido entre algunos expertos en IA según la cual los consumidores quieren relacionarse con personas, no con máquinas y estarán dispuestos a pagar por ello. No hay nada como que el que está detrás de la barra de nuestro bar o cafetería favoritos, según entramos, sepa lo que queremos. Deming concede que si esa es la ventaja de los humanos, los ricos, simplemente, tendrán más criados y "asistentes personales".
Su punto es otro. Es el de la ventaja comparativa (ya saben, la única idea valiosa que habrían formulado los economistas según Samuelson respondió a Ulam): incluso aunque Michael Jordan sea mejor cortando el cesped que su jardinero, hará bien en dedicar sus recursos al baloncesto y dejar que su jardinero le siga cortando el cesped (cambien a Jordan y al jardinero por Inglaterra y Portugal respectivamente y manufacturas y vino en el siglo XIX).
¿En qué tienen los humanos ventaja comparativa según Deming? Los humanos aprenden de manera mucho más eficiente que la IA, y las relaciones sociales son el ejemplo por excelencia de tareas densas en contexto, con información incompleta, cambiante y difícil de verificar.
Incluso en procesos productivos dominados por la IA, las habilidades humanas indicadas son complementarias.
En cuanto a la eficiencia del aprendizaje: los humanos somos muy buenos identificando patrones a partir de muestras pequeñas y comprimiendo la información de forma que pueda almacenarse eficazmente en la memoria. De hecho, creo que estas dos habilidades son dos buenos indicadores de la inteligencia de un individuo: capacidad para identificar patrones y capacidad para comprimir la información. Ambas habilidades permiten aprender más rápidamente. Deming cita a Dwarkesh Patel, quien estima que el aprendizaje humano puede ser entre varios miles y un millón de veces más eficiente en muestras que el de los modelos de IA. La IA nos aventaja en almacenamiento y distribución del conocimiento: una vez aprende una tarea, puede replicarla casi sin coste marginal. Puede compensar su ineficiencia inicial mediante escala extrema: gastar muchísimos más tokens para aprender algo y después realizarlo millones de veces. Pero esa ventaja se debilita en tareas que exigen aprendizaje continuo de contexto nuevo, porque ahí el coste de actualización no desaparece.
Deming llama tareas de alto contexto a aquellas en que la respuesta correcta depende mucho del entorno: trabajar bien en equipo, descubrir qué quieren las personas, construir confianza a través de interacciones repetidas o influir en creencias y actitudes. La interacción social humana es compleja, dinámica y dependiente de señales cuya interpretación cambia con la relación y el contexto. Hay que comprender talentos, motivaciones, expectativas, información disponible, creencias de segundo orden y estados internos latentes de otras personas, de modo que sea posible trabajar con ellas, ganarse su confianza e influir en su conducta o mentalidad: qué quiere alguien, qué sabe, qué cree que los demás pensarán de él, qué revelan sus actos sobre sus motivos, y cuáles son los costes y beneficios de revelar esos estados. Además, ese aprendizaje es muy específico de cada individuo: conocer bien a la persona A no se traslada fácilmente a la persona B.
Deming se remite a un artículo suyo publicado en Econometrica (Ben Weidmann y David J. Deming, “Team Players: How Social Skills Improve Team Performance”, Econometrica 89 (2021), pp. 2637-2657) donde los autores tratan de responder a la pregunta de si existen personas que mejoran el rendimiento de los equipos de los que forman parte más allá de sus propias habilidades técnicas o cognitivas. Para averiguarlo, miden estas habilidades por separado a los participantes en el experimento y luego los asignan sucesivamente a distintos grupos para observar el rendimiento de esos grupos en tareas equivalentes a las que han desempeñado previamente de modo individual. Así, pueden comparar los resultados de los grupos con la suma de los resultados obtenidos individualmente por cada uno de los miembros. Lo que observaron es que determinados individuos hacen que los grupos a los que son asignados rindan sistemáticamente por encima de lo esperado. O sea, un "team player" es alguien que hace que el grupo al que pertenece rinda más que lo que cabría esperar sumando las capacidades individuales de los miembros del grupo. Lo más interesante es que, entre las cualidades medidas, los autores evaluaron la inteligencia social de los participantes mediante el Reading the Mind in the Eyes Test (RMET), una prueba para medir la capacidad de reconocer y comprender el estado mental de otra persona inferir estados mentales y emociones a partir de imágenes que muestran únicamente los ojos de una persona.
El primer resultado es que los team players existen. Los autores encuentran una variación significativa entre individuos en su capacidad para mejorar el rendimiento colectivo. La magnitud equivale al 65 % del efecto asociado a las habilidades específicas directamente relacionadas con las tareas.
La segunda conclusión es que
la inteligencia social predice quién será un buen team player.
Pero lo fascinante es que el índice de team player está positivamente correlacionado con los resultados en el RMET. Las personas con mayor capacidad para interpretar estados mentales y emocionales de otros individuos son, en promedio, mejores mejorando el rendimiento colectivo.
Por el contrario, el cociente intelectual no predice quién será un buen compañero de equipo. La inteligencia ayuda a que una persona resuelva problemas mejor, pero no parece explicar la capacidad de hacer que un equipo funcione mejor de lo esperado. Tampoco encuentran relación significativa con el sexo, edad, raza, origen étnico, años de educación ni a los rasgos de personalidad de amabilidad, responsabilidad o extraversión medidos mediante los Big Five. Esto convierte al RMET en el único predictor individual robusto. A la combinación del RMET y el índice de team player lo denominan social skill o habilidad social. Cuando combinan ambas medidas en un indicador compuesto, descubren que esta habilidad social predice el rendimiento grupal aproximadamente tan bien como el IQ. Es decir, las habilidades sociales tienen una importancia comparable a la inteligencia cognitiva para explicar el éxito de los equipos.
La evidencia más favorable apunta al esfuerzo y la motivación. Los grupos que incluyen buenos team players son menos propensos a terminar las tareas apresuradamente y más propensos a utilizar todo el tiempo disponible. Además, en la tarea de memoria, donde los miembros suelen repartirse subtareas y trabajar prácticamente por separado, la presencia de compañeros con altas puntuaciones en inteligencia social mejora el rendimiento individual de los demás miembros, incluso cuando éstos están memorizando materiales diferentes. Como esos compañeros no pueden ayudar directamente con el contenido de la tarea, el efecto parece deberse a que generan mayor esfuerzo, concentración o motivación entre los demás.
Deming cree que la IA podría ser un buen team player y equipararse a los humanos en RMET, incluso en predecir el comportamiento de un homo oeconomicus, es decir, en lo que haría una persona racional, neutral al riesgo y que maximice su utilidad.
En lo que no sería tan buena la IA según Deming es en capacidad para la “planificación inversa” o inverse planning:
inferir metas, preferencias y creencias a partir de acciones observadas.
Esta inferencia depende de lo que la persona cree, incluso si se equivoca, y de datos contextuales que no siempre están disponibles. La IA funciona bien en planificación inversa cuando la conducta es racional y predecible, pero tienen dificultades cuando deben predecir comportamientos irracionales.
El artículo resume un experimento en el que una persona busca su camión de venta de comida (food truck) favorito en un aparcamiento, ve sólo algunos de ellos, los que están cerca porque no todos los vendedores se pasan por el aparcamiento todos los días y no sabe cuáles están presentes ese día. De manera que un observador tendría que inferir qué comida - o qué puesto - prefiere una persona concreta a partir del recorrido de la persona por el aparcamiento, de lo que vio, de lo que descartó y de cuándo se detuvo. Pues bien, la IA era tan capaz como los humanos en la habilidad para predecir el camión favorito en una tarea sin ejemplos previos, pero fue mucho peor al inferir toda la estructura de preferencias, especialmente respecto de los camiones ausentes.
Más revelador es cómo actuamos los humanos para coordinarnos "informando" al compañero de tareas sobre nuestras preferencias o intenciones. Deming describe una tarea con dos restaurantes situados en una cuadrícula: un agente prefiere uno de ellos (el restaurante A) y debe comunicar esa preferencia indirectamente a otro (es decir, no pueden hablar entre sí sino que solo pueden elegir una ruta. La mejor señal puede ser sutil, por ejemplo, acercarse al restaurante B y, a continuación, cambiar de dirección y dirigirse a A para indicar al observador que se dirige a A porque prefiere A a B, no por cualquier otra razón (está más cerca o el letrero es más visible). El 60 % de los humanos eligió estrategias de este tipo de señalización, frente al 9 % de la IA que tendió a escoger la ruta directa. En estas pruebas, los ejemplos de un solo caso mejoraron mucho más el rendimiento humano que el de la IA, lo que encaja con la tesis general de la eficiencia de aprendizaje humana. Deming menciona además un trabajo de Microsoft Research sobre conversaciones humanas y conversaciones humano-IA que muestra que los LLM son significativamente peores que los humanos en conversational grounding, el proceso colaborativo por el cual los interlocutores construyen comprensión mutua hacia un objetivo común. Los fallos tempranos de grounding predicen rupturas posteriores de la comunicación. Esta observación es importante porque las relaciones no consisten sólo en acumular datos sobre otra persona; consisten en construir una historia compartida de entendimiento, referencias comunes, atajos conversacionales, chistes internos, expectativas y confianza.
Los humanos están “cableados” por la evolución genética y cultural para el razonamiento social eficiente.
Deming recuerda que bebés de diez meses ya realizan planificación inversa al inferir que alguien que elige una acción más costosa valora más el objetivo alcanzado. Menciona también la investigación sobre thin slices, popularizada por Malcolm Gladwell en Blink, según la cual los humanos pueden emitir juicios clínicamente precisos sobre otras personas a partir de observaciones muy breves. Esto no significa que el razonamiento social sea simple; significa que la evolución lo ha convertido en una operación que nos resulta relativamente fácil, de modo parecido a la paradoja de Moravec: subir escaleras parece trivial para los humanos porque ha sido moldeado por millones de años de evolución, pero es muy difícil para las máquinas.
El texto incorpora aquí a Joseph Henrich y su tesis sobre la evolución cultural: el éxito humano como especie se debe a nuestra dependencia de la información socialmente transmitida. Tenemos acceso a muchísimo más conocimiento del que podemos almacenar en nuestras propias mentes porque lo almacenamos en otros. Las sociedades con “cerebros sociales” más eficientes han sobrevivido y prosperado. De ahí que nuestras habilidades de aprendizaje social sean producto de una presión evolutiva intensa: aprender de otros fue esencial para la supervivencia humana.
Deming comenta un trabajo reciente titulado “Can Large Language Models Infer Human Actions and Motives?”. Los autores diseñan experimentos para mostrar que los LLM pueden adivinar qué harán las personas mediante reconocimiento de patrones o reglas de homo economicus, pero no aprenden sobre individuos de forma que se transfiera bien entre contextos. En un juego de predicción social, humanos y LLM observan a una persona jugar y predicen su comportamiento. Algunos jugadores tienen rasgos intuitivos, como “avaricioso” o “averso al riesgo”; otros son versiones “inversas” que hacen lo contrario de lo que recomendaría una regla intuitiva. Los LLM predicen muy bien, incluso algo mejor que los humanos, el comportamiento de los arquetipos intuitivos. Pero son mucho peores con jugadores “predeciblemente irracionales”, porque no están aprendiendo realmente sobre el individuo, sino aplicando expectativas generales adquiridas durante el entrenamiento sobre cómo se comportaría una persona razonable.
Dos hallazgos adicionales refuerzan la tesis. Primero, los humanos mejoran su precisión tras observar varias rondas, mientras que los LLM no lo hacen de forma comparable. Segundo, cuando se pide a humanos y LLM que jueguen un nuevo juego con el mismo jugador observado, y se les dice expresamente que ciertos rasgos, como ser avaricioso o averso al riesgo, se trasladan entre juegos, los humanos comprenden que un jugador avaricioso en un juego tenderá a serlo también en el otro. Los LLM no consiguen trasladar esa información individual de un contexto a otro. Para Deming, esto ilustra la diferencia de paradigma: las máquinas aprenden por reconocimiento sofisticado de patrones sobre cantidades masivas de datos; las personas construyen modelos, en cierto modo game-theoretic, unas de otras y razonan hacia atrás desde la conducta observada para actualizar sus creencias con información incompleta y escasa.
Esta diferencia importa especialmente porque el razonamiento social real es mucho más complejo que cualquier experimento de laboratorio. La complejidad de una red social escala exponencialmente con su tamaño: en una red de diez personas hay 35 billones de estructuras sociales posibles, según la nota del propio autor. Deming cita un artículo reciente en Nature Communications que muestra cómo las personas construyen representaciones causales de redes sociales a partir de datos escasos y las usan para hacer predicciones fuera de muestra. En el experimento, los participantes observan animaciones breves de seis a ocho interacciones sociales entre cinco personas y, pese a observar sólo una pequeña parte de la red, infieren correctamente jerarquías, amistades y relaciones de mentoría, y predicen interacciones no observadas. Las predicciones humanas se parecen a las de un modelo causal bayesiano que combina conducta observada con teorías sociales, como que las invitaciones son simétricas entre amigos o que las solicitudes de consejo suelen ir del discípulo al mentor, no al revés.
Deming subraya que incluso este experimento queda muy lejos de la complejidad real de las relaciones humanas. Con el tiempo, los amigos o compañeros desarrollan abreviaturas conversacionales, referencias, bromas privadas, expectativas, confianza y modelos compartidos de cómo interpretar gestos o frases. Además, este aprendizaje es multimodal: incluye lenguaje corporal, tono, contexto compartido y acumulación de experiencias. Y, sobre todo, no escala bien: construir una relación profunda con una persona no permite saltarse los pasos necesarios para construirla con otra.
La conclusión del artículo es que los LLM no pueden compensar su ineficiencia de aprendizaje mediante fuerza bruta y escala extrema en el ámbito de las relaciones sociales, porque éstas exigen aprendizaje continuo y cuidado sostenido. En muchas tareas de conocimiento, la IA puede gastar enormes recursos para aprender una vez y luego replicar la solución millones de veces. En las relaciones humanas, en cambio, cada vínculo exige información específica, actualización permanente y construcción de contexto común. Por eso Deming cree que las personas conservarán una ventaja comparativa en la interacción social, incluso cuando los modelos mejoren mucho y quizá alcancen o superen a los humanos en muchas pruebas concretas de cognición social.
David Deming, El aprendizaje social eficiente es la ventaja humana sobre la IA
Entradas relacionadas
El artículo de Julian Jara-Ettinger and Yarrow Dunham, The Institutional Stance, forthcoming, Behavioral and Brain Sciences 2025 que se resume en esta entrada: Las instituciones como sistemas de organización social basados en roles, Derecho Mercantil, 2025 encaja perfectamente en la exposición de Deming.


