Desde el surgimiento de la inteligencia artificial (IA) en el siglo XX, los investigadores han notado una curiosa discrepancia: las tareas difíciles para los humanos no siempre lo son para los sistemas de IA, y viceversa. Por ejemplo, para una persona es complejo realizar mentalmente la multiplicación de números de diez cifras, pero es sencillo identificar y dibujar cuadros alrededor de cada gato en una fotografía. En contraste, para los sistemas de IA, la dificultad está invertida, ya que desde la década de 1950 han logrado realizar cálculos matemáticos complejos con relativa facilidad, pero sólo hasta la década de 2010 las técnicas de segmentación visual alcanzaron una precisión comparable a la humana. Esta observación se conoce como la paradoja de Moravec y ofrece una perspectiva interesante sobre las limitaciones y avances de la IA. La paradoja de Moravec, llamada así por Hans Moravec, uno de los pioneros en robótica, destaca que tareas intelectuales complejas y formales como las matemáticas o el razonamiento lógico, que los humanos consideran difíciles, son relativamente sencillas para las máquinas.
En cambio, las habilidades de percepción sensorial y el control motor, que para nosotros son tareas cotidianas y naturales, son extremadamente difíciles de replicar para las inteligencias artificiales. Moravec atribuyó esta paradoja a un fundamento evolutivo: las capacidades cognitivas que tienen una larga historia evolutiva son más difíciles de imitar en sistemas artificiales porque la evolución ha aplicado una gran presión de optimización sobre ellas durante millones de años. Para entender esta dinámica, es esencial considerar cómo funciona el cerebro humano a nivel abstracto. El cerebro consiste en una red neuronal compleja conformada por aproximadamente 100 mil millones de neuronas y cerca de 100 billones de sinapsis. Cada sinapsis puede compararse en términos de capacidad computacional a una operación matemática básica, y en conjunto, el cerebro realiza un procesamiento equivalente a entre 10^14 y 10^16 operaciones por segundo, comparable a la potencia de ciertas unidades de procesamiento gráfico modernas.
Sin embargo, a pesar del enorme volumen de procesamiento, la información codificada en el genoma humano que define el cerebro es sorprendentemente limitada, mucho menor a la cantidad necesaria para especificar directamente las conexiones neuronales. Este fenómeno, conocido como el cuello de botella de la información del genoma, señala que la evolución no codifica explícitamente cada peso o vínculo neuronal, sino que optimiza los procesos de entrenamiento y la arquitectura general del cerebro, así como instintos básicos compartidos entre humanos. En esencia, la evolución actúa como un proceso de optimización para diseñar y entrenar redes neuronales biológicas, pero no para crear orientaciones detalladas sobre cada nodo y conexión específica. Esta idea implica que gran parte del aprendizaje y adquisición de habilidades ocurre dentro de la vida de cada individuo, a través de la interacción con el entorno, lo que explica la enorme capacidad adaptativa y plástica del cerebro humano. La comparación entre la eficiencia y capacidad del cerebro humano y los sistemas actuales de inteligencia artificial permite identificar qué aspectos impulsan las diferencias de desempeño.
Actualmente, los sistemas de IA modernos igualan o superan el cerebro humano en términos de potencia computacional y acceso a datos, incluso usando más recursos en cómputo para entrenamiento e inferencia. A pesar de ello, los humanos continúan mostrando ventajas notables en habilidades perceptivas y motoras básicas, lo que sugiere que el cerebro posee algoritmos y estructuras especializadas que aún no se han replicado completamente en la IA. Al mismo tiempo, no todas las funciones cerebrales son superiores en humanos frente a la IA. Por ejemplo, muchos modelos de lenguaje masivos pueden procesar grandes volúmenes de texto en muy poco tiempo y responder preguntas complejas con un nivel razonable de exactitud, habilidades que sobrepasan considerablemente las capacidades humanas. Esta mixtura de fortalezas y debilidades en ambas formas de inteligencia refleja cuán diversificadas y especializadas son las funciones cognitivas y cómo evolucionaron a lo largo de millones de años.
Moravec argumentó que las habilidades que representan un gasto energético bajo y que están profundamente enraizadas en la evolución pasan por una intensa optimización genética, y por lo tanto, son las más difíciles de replicar en IA. Estas habilidades incluyen la percepción visual, el control motor y la interpretación sensorial compleja. Por otro lado, habilidades más recientes en la evolución humana, como el razonamiento abstracto o el lenguaje avanzado, tienen menos presión de selección natural y, por ende, son más fáciles de replicar, o al menos, más accesibles a través de los métodos actuales de entrenamiento en inteligencia artificial. Esta perspectiva ayuda a explicar por qué la automatización de ciertas tareas ocurre a diferentes ritmos. Las labores que involucran creatividad, razonamiento complejo o manejo remoto de información están siendo automatizadas más rápidamente debido a que no han sido sometidas a un largo proceso evolutivo de optimización.
Por el contrario, las tareas que requieren destrezas sensoriomotoras finas, como la cirugía o la reparación mecánica, continúan siendo esquivas para la IA y los robots. El entendimiento de la paradoja de Moravec aporta valiosos insights para anticipar qué aspectos del trabajo humano serán automatizados en el corto y mediano plazo. Roles relacionados con las matemáticas abstractas, la investigación científica, y la ingeniería de software tienen altas posibilidades de ser asistidos o incluso reemplazados por sistemas basados en IA dado que representan habilidades evolutivamente recientes, con grandes brechas de rendimiento entre profesionales promedio y expertos, y considerable disponibilidad de datos para entrenamiento. Similarmente, el arte digital, la escritura de novelas o composición musical también son campos predispuestos a esta automatización debido a la relativa facilidad con la que los algoritmos pueden aprender patrones y estructuras en estas áreas sin requerir capacidades motoras sofisticadas. El impacto en áreas como el liderazgo y la gestión es más complejo.
Aunque internamente la gestión a gran escala sea una habilidad moderna con amplia variabilidad en desempeño humano, existen barreras sociales, legales y éticas para que las máquinas reemplazen completamente a los líderes humanos. Más probable es que la IA potencie la productividad de estos roles mediante análisis de datos y soporte en la toma de decisiones. La paradoja también desafía nuestras percepciones intuitivas sobre la dificultad de las tareas. Normalmente, juzgamos una tarea como difícil si vemos mucha variación en las habilidades de las personas para realizarla o si nosotros mismos experimentamos gran dificultad. Sin embargo, para las tareas muy optimizadas evolutivamente, como la coordinación motora o la percepción visual, la variación entre individuos es mínima, lo que nos lleva a subestimar su dificultad.
En contraste, la alta variación en habilidades cognitivas abstractas puede hacernos pensar que son más difíciles, aunque en realidad son más accesibles para la IA. La clave está en interpretar la cantidad de variación en el desempeño humano como una señal indirecta de la presión evolutiva aplicada a esa tarea. Altas diferencias entre profesionales promedio y élite indican poca optimización evolutiva y, por lo tanto, predicen una automatización más rápida por parte de sistemas inteligentes. Mientras que tareas con mínima variación humana probablemente requieran un progreso tecnológico y algorítmico mucho mayor antes de ser automatizadas eficazmente. En conclusión, la paradoja de Moravec continúa siendo una herramienta conceptual esencial para entender el desarrollo y las limitaciones actuales de la inteligencia artificial.
A través del análisis de la evolución, el funcionamiento del cerebro y la comparación de capacidades humanas y artificiales, podemos anticipar con mayor precisión hacia dónde se orientarán las innovaciones tecnológicas y cuáles sectores resistirán por más tiempo los avances en automatización. Reconocer que el cerebro es a la vez un sistema de alto rendimiento pero también un producto de millones de años de optimización evolutiva permite diseñar estrategias más efectivas para la creación de IA, priorizando áreas con menor presión evolutiva y utilizando las fortalezas humanas para complementar sus habilidades en tareas perceptivas y motoras. Entender estos principios no solo es relevante para investigadores y desarrolladores de tecnología, sino también para empresas, legisladores y toda la sociedad, que deberán adaptarse a los cambios económicos y laborales derivados de la automatización progresiva guiada por el conocimiento profundo de cómo y por qué ciertas capacidades humanas son más difíciles de emular que otras.
