¿Qué ventajas competitivas siguen siendo sostenibles en la era de la inteligencia artificial?

Título original: Cómo pensar en un futuro incierto
Autor original: Estrategia sistemática de posiciones largas y cortas
Traducción: Peggy, BlockBeats

Nota del editor: A medida que la IA empieza a escribir código, a optimizarlo e incluso a hacerse cargo progresivamente del proceso de producción de software, se avecina un cambio estructural más profundo: la división del trabajo, la organización empresarial e incluso las barreras del conocimiento podrían verse redefinidas.

El autor de este artículo formó parte en su día de un equipo de casi veinte personas en un fondo de cobertura, pero decidió dejarlo para dedicarse al emprendimiento en un momento de su carrera profesional. En su opinión, la verdadera señal no es el estado de ánimo del mercado, sino el avance en las capacidades técnicas. Cuando los modelos sean capaces de generar código útil de forma sistemática y posean la capacidad de mejorarse a sí mismos de forma recursiva, la lógica del desarrollo de software y la producción de conocimiento ya habrá comenzado a cambiar.

El artículo, desde la perspectiva de las finanzas cuantitativas, analiza varios tipos de «ventajas competitivas» a corto plazo que podrían seguir existiendo en la era de la inteligencia artificial, entre ellas los datos propios, las barreras normativas, el respaldo de las autoridades y el desfase con el mundo físico. Además, plantea una idea fundamental: en una época marcada por una gran incertidumbre, es más importante identificar el rumbo a seguir y actuar antes de que se cierre la ventana de oportunidad que predecir el futuro con exactitud.

A continuación se muestra el artículo original:

Cuando los modelos empiezan a escribir código, el cambio se vuelve irreversible

La primera vez que me di cuenta de que el sector se acercaba a un punto de inflexión fue en mi anterior trabajo. Era como si la música de fondo se ralentizara mientras todos a mi alrededor seguían fingiendo que nada iba a cambiar.

En aquella época, dirigía un equipo de casi veinte personas en un fondo de cobertura, haciendo lo mismo que llevaba haciendo desde hacía muchos años. Visto desde fuera, parecía una trayectoria profesional en constante ascenso. Si me hubiera quedado allí, probablemente habría alcanzado un éxito aún mayor. Sin embargo, al final, decidí dejar ese puesto con el que tanta gente soñaba y emprender un nuevo proyecto desde cero con un equipo de apenas unas pocas personas. Esta decisión resultaba casi incomprensible en aquel momento e incluso se consideró una forma de «suicidio profesional».

Pero en los últimos meses se han producido despidos masivos, ha aumentado el emprendimiento voluntario tras dejar el empleo y cada vez son más las personas que trabajan durante el día y, por la noche, se dedican discretamente a programar y a trabajar en proyectos. Todo esto ha hecho que aquella decisión que en su momento parecía «una locura» resulte ahora menos descabellada.

Durante este tiempo, mucha gente me ha preguntado: ¿adónde nos llevará todo esto al final? Este artículo es la respuesta que puedo dar en este momento.

Sinceramente, no estoy seguro de cuán significativo será el cambio en última instancia. Pero hay algo que la finanzas cuantitativas me han enseñado: a menudo basta con ir por el buen camino.

Lo que realmente me hizo darme cuenta de que el cambio era irreversible fue el modelo ChatGPT o1.

Antes de eso, siempre me refería a estos sistemas como «LLM», no como «IA». No creía que tuvieran realmente ninguna capacidad parecida a la de los servicios de inteligencia. Pero cuando llegó o1, algo cambió: estos modelos podían, por primera vez, generar código de forma estable mediante indicaciones estructuradas.

El código aún era imperfecto y podía dar lugar a alucinaciones o malentendidos. Pero lo importante era esto: ahora podía escribir código útil.

Mi opinión era sencilla. Una vez que la IA fuera capaz de generar código útil, empezaría a mejorar su lógica de forma recursiva e impulsaría el desarrollo de software a una velocidad que apenas podemos imaginar.

Cada vez que planteo este argumento, siempre hay alguien que replica: «Este código todavía tiene errores y está lejos de cumplir con los estándares de producción». Pero esto pasa por alto un hecho: el código escrito por personas también tiene errores. No necesitamos que la IA escriba código perfecto para dejar de escribir código nosotros mismos.

El verdadero punto de inflexión se producirá cuando la tasa de errores del código escrito por la IA sea inferior a la de los humanos, al tiempo que se genera mucho más rápido. En ese momento, la tarea de escribir código se habrá externalizado por completo a las máquinas.

Después de haber comprobado de primera mano las capacidades de o1, estoy casi seguro de que en el futuro se producirán cambios muy drásticos.

La brecha que aún persiste en la era de la IA

Al principio, pensaba que la inteligencia artificial acabaría minando poco a poco el sector de las finanzas cuantitativas, pero que este proceso sería relativamente lento. La razón es sencilla: el código a nivel institucional casi no cuenta con datos disponibles públicamente para el entrenamiento.

En aquel momento, me imaginaba la ingeniería de software como una pirámide: en la base se encontraba el trabajo básico de programación; un poco más arriba estaban los ingenieros sénior con conocimientos de arquitectura; y aún más arriba se situaban los desarrolladores profesionales, como los científicos de datos, los desarrolladores cuantitativos y diversos expertos del sector. En teoría, cuanto mayor es la especialización, más segura es la profesión.

Mi valoración inicial era que, en un plazo de dos años, los programadores básicos serían los primeros en desaparecer; les seguirían los ingenieros sénior; y, a medida que los modelos fueran incorporando progresivamente conocimientos especializados, los puestos de mayor nivel también se verían afectados.

Pero pronto me di cuenta de otra cosa: las empresas de modelos más innovadoras acabarían contratando directamente a expertos del sector para que aportaran conocimientos especializados a los modelos. En otras palabras, los conocimientos especializados constituirían, sin duda, una ventaja competitiva a corto plazo, pero a largo plazo también acabarían siendo absorbidos gradualmente por los modelos.

Según mi valoración en aquel momento, había varios tipos de negocios que probablemente no se verían afectados fácilmente en los próximos cinco años.

Categoría uno: Datos propios

Las empresas que cuentan con una gran cantidad de datos propios son más difíciles de sustituir.

Por ejemplo, los grandes fondos de cobertura multistrategia (pod shop), como instituciones del tipo de Millennium, generan cada día enormes cantidades de datos: informes de analistas, recomendaciones de inversión, análisis de mercado y resultados reales de las operaciones.

Estos datos pueden utilizarse para perfeccionar continuamente los modelos, lo que genera una ventaja competitiva difícil de imitar desde fuera. Mientras las fuentes de datos de una empresa no estén fácilmente a disposición del modelo, esta seguirá conservando una cierta ventaja competitiva basada en el tiempo.

Categoría dos: Obstáculos normativos

Cualquier sector que requiera una intervención humana significativa no se ve afectado fácilmente por los cambios disruptivos. Por ejemplo, los mercados financieros tradicionales.

Para acceder a estos mercados, es necesario: abrir una cuenta de corretaje, obtener las licencias pertinentes y firmar los documentos legales transfronterizos. Operar con criptoactivos es fácil, pero para una empresa extranjera que quiera comerciar con mineral de hierro en China, la cosa no es nada sencilla.

Mientras un sector siga necesitando firmas humanas para la aprobación, su ritmo de desarrollo se verá limitado por los procesos de aprobación.

Categoría tres: Autoridad como servicio

Hoy en día, encargar a la IA la redacción de un dictamen jurídico ya no supone ningún reto. Pero la realidad es que la gente sigue dispuesta a pagar decenas de miles de dólares para que un abogado les preste asesoramiento jurídico. La razón es sencilla: Las opiniones de la IA carecen actualmente de autoridad.

La misma lógica se aplica a las auditorías de contratos inteligentes. Técnicamente, es posible que la IA ya haya alcanzado o incluso superado el nivel de los mejores auditores. Pero el mercado sigue prefiriendo contar con el «sello» de una firma de auditoría de renombre.

Porque lo que los clientes compran realmente no es la opinión en sí, sino la autoridad que hay detrás de ella.

Categoría cuatro: Mundo físico

El avance del hardware es mucho más lento que el del software, y los problemas de hardware también son más difíciles de solucionar.

Por lo tanto, es poco probable que los sectores que interactúan directamente con el mundo físico se vean afectados de forma repentina por la IA a corto plazo. Sin embargo, una vez que las capacidades del hardware alcancen ese nivel, seguirá aplicándose la misma lógica: los puestos de menor nivel desaparecerán primero, seguidos de los de mayor nivel.

Esos fosos existen de verdad. Pero hay que reconocer que, en lugar de detener el cambio, solo lo retrasan.

Actúa basándote en las señales, sin esperar a tener certeza

Cuando el futuro es muy incierto y el ritmo de los cambios es vertiginoso, la gente suele cometer dos errores.

Lo primero es esperar a tener certeza antes de actuar. La segunda consiste simplemente en aplicar analogías históricas, como por ejemplo: «Esto es como la burbuja de las puntocom».

Ambos enfoques pueden dar lugar a errores de juicio.

En situaciones en las que la información es incompleta, un enfoque más razonable consiste en razonar partiendo de los principios básicos.

No hace falta que conozcas todos los detalles del futuro. Solo tienes que evaluar a grandes rasgos la tendencia y diseñar apuestas asimétricas, lo que significa que, si te equivocas, la pérdida es asumible; si aciertas, la ganancia es enorme.

En un futuro incierto, la asimetría lo es todo.

Un método práctico consiste en preguntarse primero: «¿Cuáles son las condiciones necesarias para que se produzca un determinado resultado?», y luego preguntarse si esas condiciones ya se han dado.

En retrospectiva, este punto de inflexión en el ámbito de la IA no era difícil de prever. Porque los elementos clave ya existían: código capaz de escribirse a sí mismo, modelos capaces de mejorarse de forma recursiva y conocimientos institucionales que se pueden adquirir en lugar de cultivarse.

Siempre que observes atentamente estas señales, podrás hacer una valoración aproximada de la dirección futura.

Incluso se puede seguir extrapolando.

Quizá aún no hayamos visto realmente las siguientes situaciones: Una IA capaz de entrenarse a sí misma, una IA capaz de replicarse a sí misma, una IA que funciona de forma totalmente autónoma.

Si una IA puede mejorar sus propias capacidades en un 0,1 % mediante una serie de acciones, puede parecer insignificante. Pero mientras este número no sea 0, seguirá amplificándose. Se trata de un efecto típico de la ley de potencias.

En los mercados financieros, cuando una señal se hace evidente, suele ser ya demasiado tarde para entrar en el mercado.

En el mundo de la inversión, se cambia la incertidumbre por la confianza en una idea en fase inicial. Tanto en el ámbito profesional como en el empresarial, el principio es básicamente el mismo.

Así que la verdadera pregunta no es «¿qué pasará en el futuro?», sino más bien «¿qué es lo que ya sé?». ¿Hacia dónde apuntan estos datos? ¿Cuál es la diferencia de coste entre actuar ahora y esperar?

Hay también un hecho que a menudo se pasa por alto: la acción en sí misma genera información.

Las acciones no se producen en el vacío. Cuando actúas en el mundo, el mundo te da una respuesta. Esta información nos aporta nuevos datos. La información impulsa la iteración. La iteración conduce a mejores acciones. Este es el mecanismo básico del progreso.

Permanecer en la incertidumbre es una forma de decadencia lenta. La acción, por otro lado, implica exploración.

Si solo quiero seguir disfrutando de las ventajas del sistema actual, quizá pueda aguantar unos años más. Pero siempre he querido hacer algo que sea realmente mío, y siento que esa oportunidad se me está escapando rápidamente.

Por supuesto, los fondos de cobertura más grandes del mundo seguirán obteniendo buenos resultados, ya que disponen de datos propios que son difíciles de replicar. Los mercados financieros tradicionales siguen estando limitados por la normativa y los procesos manuales.

Pero creo que, con el tiempo, estas instituciones utilizarán la inteligencia artificial para sustituir a la mayoría de sus empleados, incluidos los gestores de carteras.

No va a pasar de la noche a la mañana, pero tarde o temprano sucederá.

Mi estimación en aquel momento era que disponía de un margen de tiempo de unos cuatro o cinco años. Una vez que las empresas pioneras en inteligencia artificial hayan captado suficiente talento del sector, a las nuevas empresas emergentes les resultará difícil entrar en este ámbito. En algunos mercados, como el bursátil estadounidense, esta tendencia ya es muy evidente. El nivel de eficiencia que se alcanzará dentro de unos años será casi inimaginable.

Pronto, ya no habrá sitio para un «segundo puesto» en este mundo. Podría seguir trabajando para instituciones de primer nivel, pero prefiero dar un giro hacia un campo en el que todavía tengo ventaja.

Así que dejé el trabajo y me lancé de lleno al mundo del emprendimiento. Más tarde, esa empresa pasó a llamarse OpenForage.

Ahora, el margen se está reduciendo rápidamente. El ritmo del cambio ya no es gradual. Lo que antes tardaba meses en avanzar, ahora solo lleva unas semanas.

No creo que los puestos de trabajo vayan a desaparecer por completo en los próximos años. Los seres humanos seguimos necesitando a otros seres humanos. Somos seres sociales y, a día de hoy, los seres humanos aún no confían en la IA. La validación de la autoridad sigue dependiendo de las personas.

En los próximos años, es posible que incluso veamos directores generales de IA, pero es probable que siga siendo necesario que un director general humano apruebe las decisiones de la IA. Esta «validación humana» se irá extendiendo por toda la estructura organizativa. Los responsables humanos supervisarán a un grupo de agentes de IA.

Sin embargo, la lógica de la contratación cambiará. Si al director general le resulta más fácil dar órdenes a la IA que a ti, es poco probable que te contraten, y cada vez será más difícil encontrar trabajos básicos de programación.

Si quieres convertirte en alguien insustituible, tienes que conseguir dos cosas. En primer lugar, hay que superar a la IA en el tiempo. Por ejemplo, la planificación estratégica a largo plazo, la toma de decisiones complejas y la gestión de ciclos plurianuales. En segundo lugar, ampliar la IA a una escala sistémica. El alcance de la IA sigue siendo limitado; conoce muchos datos, pero le cuesta comprender las repercusiones de los sistemas complejos.

Si eres capaz de pensar a largo plazo, asimilar información rápidamente, tomar decisiones estratégicas y colaborar de forma eficaz, en un futuro próximo seguirás teniendo trabajo.

El punto de inflexión se puede ver venir antes de que llegue. Sin embargo, la mayoría de la gente o bien no se da cuenta, o bien se da cuenta pero no hace nada al respecto, o solo reacciona cuando las señales se vuelven insoportables. Para entonces, el mercado suele haber descontado ya esas oportunidades.

No ignores los cambios en el terreno, no te quedes estancado en una posición en la que estás perdiendo ventaja, mientras te dices a ti mismo que debes esperar a un mejor momento para actuar. Las verdaderas oportunidades rara vez se anuncian con antelación. Para cuando todo el mundo se da cuenta, a menudo ya es demasiado tarde.

Vi la señal y hice la apuesta. Ahora vivo con las consecuencias de esa apuesta, para bien o para mal.

[Enlace al artículo original]