Jorge Joel Reyes Méndez | 11-09-26 | 00:54 |

Para Viri, que nunca se cansa de aprender

Existe una narrativa profundamente arraigada en nuestra manera de entender la innovación: imaginamos que las grandes tecnologías aparecen cuando alguien tiene una idea genial, la patenta, la industria la reconoce inmediatamente y, finalmente, su inventor se hace rico. La historia real es mucho más compleja y, quizá por ello, mucho más interesante.

En numerosas ocasiones, la tecnología ha aparecido antes que el mercado que podía aprovecharla; antes que la infraestructura necesaria para desarrollarla; antes que los usuarios capaces de comprenderla o, incluso, antes de que la sociedad pudiera formular la pregunta para la cual aquella tecnología constituía una respuesta.

El código de barras fue patentado en 1952, pero tuvieron que pasar más de dos décadas para que la tecnología informática y los lectores ópticos permitieran utilizarlo de manera cotidiana. El ratón de computadora fue construido en la década de 1960, cuando la informática personal todavía parecía ciencia ficción. El vidrio químicamente reforzado de Corning fue desarrollado décadas antes de que apareciera el teléfono inteligente que convertiría ese conocimiento en un componente indispensable de la vida digital. En Xerox PARC, durante los años setenta, ya existían computadoras con ventanas, iconos, mouse, redes, correo electrónico y edición electrónica mucho antes de que la mayoría de las personas hubiera imaginado que una computadora pudiera funcionar de esa manera.

La historia de la innovación, por tanto, contiene una enseñanza que trasciende la tecnología: no siempre fracasa una idea porque sea mala; algunas ideas fracasan porque llegan demasiado pronto. Y esta afirmación tiene una enorme relevancia para la universidad contemporánea.

En un momento en que la Inteligencia Artificial generativa avanza con una velocidad extraordinaria, existe una tentación comprensible: actualizar rápidamente los programas educativos para enseñar a los estudiantes a utilizar las herramientas que hoy dominan el mercado. Aprender a formular prompts, generar imágenes, escribir código con asistentes de IA, resumir documentos o automatizar tareas parece, en efecto, indispensable.

Pero existe un riesgo: que la universidad termine formando excelentes usuarios de tecnologías que dentro de cinco o diez años serán completamente diferentes.

La pregunta que deberíamos hacernos no es únicamente qué herramienta debemos enseñar hoy, sino qué conocimientos permitirán a nuestros estudiantes comprender las herramientas que todavía no existen. La historia de algunos inventos adelantados a su época puede ayudarnos a responderla.

Uno de los ejemplos más extraordinarios es el de Spencer Silver, químico de 3M. De acuerdo con el sitio One scientist, good. Many scientists, even better, en 1968, Silver intentaba desarrollar un adhesivo extremadamente resistente. El resultado fue, desde la perspectiva del proyecto original, un fracaso: produjo un adhesivo relativamente débil, capaz de adherirse y desprenderse sin dejar residuos. Durante años, Silver explicó las propiedades de aquel material dentro de 3M, convencido de que algún día podría encontrar una aplicación útil, aunque no sabía exactamente cuál sería.

Sin embargo, la solución existía antes que el problema, ya que años después, el también científico de 3M Arthur Fry buscaba una manera de mantener separadores de papel en su libro de himnos sin que se cayeran ni dañaran las páginas. Recordó el adhesivo de Silver. Al aplicarlo sobre pequeñas hojas de papel apareció una aplicación que nadie había previsto originalmente: las notas adhesivas. Había nacido el Post-it.

La historia es importante porque demuestra que la innovación no siempre consiste en descubrir algo completamente nuevo. En ocasiones consiste en reconocer una nueva posibilidad en algo que ya existe. 3M señala actualmente que existen miles de productos Post-it comercializados en numerosos países.

La pregunta educativa es inmediata: ¿qué habría ocurrido si Silver hubiera considerado que su experimento era simplemente un fracaso y hubiera desechado el resultado? Quizá nunca habría existido el Post-it.

La ciencia, por tanto, no progresa únicamente mediante respuestas correctas. También progresa mediante anomalías, resultados inesperados y preguntas que todavía no tienen aplicación evidente.

Esto debería hacernos reflexionar sobre ciertos modelos educativos obsesionados con la respuesta correcta, la eficiencia y la rapidez. Si educamos exclusivamente para resolver problemas conocidos, tendremos estudiantes eficientes para el presente, pero quizá incapaces de reconocer las posibilidades del futuro.

En 1948, un empresario de supermercados planteó un problema aparentemente sencillo: ¿cómo acelerar el proceso de cobro y mejorar el control del inventario?

El joven investigador Bernard Silver escuchó la pregunta y la comentó con Norman Woodland. En 1949, Woodland tuvo la idea de utilizar un sistema de líneas que pudiera ser leído ópticamente. La patente fue presentada ese mismo año y concedida en 1952. El concepto era correcto. La tecnología disponible, no.

En el sitio de la Smithsonian magazine, donde se describe la historia del código de barras, se señala que el prototipo de Woodland y Silver utilizaba una lámpara de gran potencia y un osciloscopio. Era enorme, costoso y poco práctico. Una evaluación posterior consideró que el sistema estaba aproximadamente veinte años adelantado a su tiempo: faltaban computadoras pequeñas, lectores adecuados y capacidad tecnológica para procesar la información de manera económica.

Finalmente, el 26 de junio de 1974, en un supermercado de Troy, Ohio, un paquete de goma de mascar Wrigley se convirtió en el primer producto escaneado mediante el sistema UPC o Código Universal de Producto, en una operación comercial.

El código de barras no había sido una mala idea en 1952. Había sido una buena idea demasiado pronto. Esta distinción resulta esencial. En educación solemos evaluar los resultados en función de su utilidad inmediata. Preguntamos: ¿para qué sirve esto?, ¿dónde lo aplicará el estudiante?, ¿qué beneficio laboral produce?

Pero algunas de las capacidades más importantes de la educación superior tienen precisamente la característica contraria: su valor futuro puede ser mayor que su utilidad inmediata.

La matemática, la estadística, la lógica, la filosofía de la ciencia o la comprensión de los algoritmos pueden parecer menos rentables que aprender a utilizar una determinada plataforma de IA. Sin embargo, cuando esa plataforma desaparezca o sea sustituida por otra, los principios permanecerán. Las herramientas tienen fecha de caducidad; los fundamentos intelectuales pueden sobrevivir a generaciones de herramientas.

El caso de Robert Kearns introduce una dimensión diferente: la resistencia de las grandes industrias ante una innovación procedente de un inventor independiente. Kearns desarrolló un sistema de limpiaparabrisas intermitente. La patente estadounidense US 3,351,836 fue concedida en 1967 y describía un sistema capaz de introducir pausas entre los movimientos del limpiaparabrisas.

Kearns presentó su tecnología a Ford y posteriormente sostuvo que diversos fabricantes habían utilizado su invención sin reconocer sus derechos. Comenzó entonces una larga batalla judicial.

En 1990, después de doce años de litigio, Ford acordó pagarle aproximadamente 10.2 millones de dólares. En 1992, un jurado determinó que Chrysler había infringido sus patentes y posteriormente fue fijada una compensación de aproximadamente 11.3 millones de dólares. La historia se convirtió incluso en materia cinematográfica con Flash of Genius.

Pero detrás del relato del inventor que ganó millones existe una historia menos romántica: Kearns gastó enormes cantidades en abogados y dedicó décadas a defender su patente. El dinero no fue simplemente una recompensa por haber tenido una buena idea; fue el resultado de una prolongada lucha por el reconocimiento de la propiedad intelectual. Kearns nos recuerda que la innovación necesita también instituciones capaces de protegerla.

Pero su caso plantea otra cuestión educativa: ¿qué ocurre cuando las instituciones son incapaces de reconocer una innovación porque no encaja en sus modelos existentes? La universidad debería ser precisamente lo contrario. Debe ser uno de los pocos lugares de la sociedad donde una idea pueda ser explorada antes de que tenga una utilidad comercial inmediata.

Aquí llegamos a la historia que suele contarse de manera simplificada como la del “vidrio irrompible” que terminó en las pantallas de los teléfonos inteligentes. La historia real es incluso más interesante.

En 1960, Corning comenzó a experimentar con vidrio químicamente reforzado dentro de un proyecto denominado Project Muscle. En 1961 desarrolló un vidrio que comercializó bajo el nombre Chemcor, con propiedades excepcionales de resistencia. Se utilizó en diferentes aplicaciones, entre ellas productos de mesa, productos oftálmicos y sectores automotriz, aeronáutico y farmacéutico. Pero aquí es importante corregir una leyenda tecnológica: Chemcor no era Gorilla Glass.

Cuando Corning comenzó en 2006 a desarrollar una cubierta de vidrio resistente para dispositivos electrónicos, recurrió a décadas de experiencia acumulada en fortalecimiento químico. Sin embargo, Gorilla Glass fue una composición y un producto diferentes, adaptados específicamente a las necesidades de los dispositivos electrónicos modernos.

En 2007 apareció el nuevo desafío: fabricar un vidrio delgado, resistente y adecuado para dispositivos móviles con pantalla táctil. Corning desarrolló Gorilla Glass y comenzó su utilización en teléfonos inteligentes a partir de 2007–2008. Según la empresa, el material ha sido utilizado como cubierta en más de ocho mil millones de dispositivos móviles.

La historia es extraordinaria porque no hubo una patente milagrosamente guardada durante décadas que un inventor recuperara de un cajón. Hubo algo mucho más interesante: conocimiento acumulado.

La experiencia científica de los años sesenta se convirtió en un recurso estratégico cuando apareció un problema tecnológico completamente nuevo.

Esta es una de las grandes lecciones de la investigación científica: no siempre sabemos qué conocimiento será útil en el futuro.

Por eso la investigación básica resulta tan difícil de justificar exclusivamente mediante beneficios inmediatos. Un conocimiento puede parecer marginal durante décadas y convertirse posteriormente en el fundamento de una industria.

La historia de Lonnie Johnson es todavía más sorprendente. Ingeniero con experiencia en tecnologías relacionadas con sistemas espaciales y energía, Johnson desarrolló un dispositivo que utilizaba agua a presión. Lo que comenzó como un experimento técnico terminó convirtiéndose en un juguete.

En 1986 obtuvo la patente estadounidense 4,591,071 para su dispositivo de proyección de agua. El producto se convirtió posteriormente en Super Soaker.

La Oficina de Patentes y Marcas de Estados Unidos señala que el producto ha generado más de mil millones de dólares en ventas acumuladas y que fue el juguete más vendido en Estados Unidos apenas dos años después de que Johnson licenciara su invención a Larami.

La lección resulta fascinante: Johnson no necesitó descubrir una nueva ley física. Necesitó comprender un principio, construir un prototipo, proteger intelectualmente su desarrollo y reconocer una posible aplicación. El conocimiento científico fue la base. La creatividad encontró el producto. La propiedad intelectual protegió la oportunidad. Y el mercado terminó haciendo el resto.

La historia de Hedy Lamarr también suele convertirse en leyenda, por lo que merece una precisión. En 1941, Lamarr y el compositor George Antheil desarrollaron un sistema de comunicación mediante saltos de frecuencia. La idea buscaba evitar interferencias y dificultar la interceptación de señales destinadas a controlar torpedos. La patente estadounidense 2,292,387 fue concedida en 1942.

El sistema no se convirtió inmediatamente en la tecnología militar que sus inventores imaginaron. Décadas después, los principios del espectro ensanchado y técnicas relacionadas adquirieron enorme importancia en las comunicaciones inalámbricas.

Es incorrecto decir que Lamarr inventó directamente el Wi-Fi o el Bluetooth. Lo correcto es reconocer que su trabajo forma parte de la historia de las técnicas de comunicación de espectro ensanchado que posteriormente contribuyeron al desarrollo de sistemas inalámbricos modernos.

Lo verdaderamente interesante es que el potencial de una innovación puede ser invisible durante décadas. La sociedad de 1942 no disponía del ecosistema tecnológico que permitiría aprovechar plenamente aquella idea.

Y esto nos devuelve nuevamente a la universidad. No sabemos qué descubrimientos realizados hoy encontrarán su gran aplicación dentro de veinte, treinta o cincuenta años. Por eso una institución universitaria que solamente financia aquello que puede demostrar utilidad inmediata corre el riesgo de destruir precisamente la fuente de las innovaciones futuras.

En 1963, el ingeniero Douglas Engelbart concibió, junto con su equipo, un dispositivo de señalamiento que posteriormente se convertiría en el mouse de computadora. Bill English construyó el primer prototipo.

En 1968, Engelbart protagonizó una de las demostraciones tecnológicas más extraordinarias del siglo XX. Presentó sistemas de interacción gráfica, hipertexto, edición colaborativa, videoconferencia y el dispositivo que posteriormente conoceríamos como mouse.

El futuro estaba allí. Pero el mundo todavía no estaba preparado para él. No existía la computadora personal masiva. Los monitores eran costosos. La capacidad de procesamiento era limitada. Las interfaces gráficas no constituían el estándar. Años después, muchas de aquellas ideas serían incorporadas por Xerox PARC y posteriormente influirían en el desarrollo de productos de Apple y otras compañías.

Engelbart había demostrado algo que la sociedad tardaría décadas en convertir en cotidiano. El problema no era la imaginación del inventor. Era la madurez del ecosistema tecnológico.

Quizá ningún caso ilustra mejor este fenómeno que Xerox PARC. Durante la década de 1970, sus investigadores desarrollaron el Xerox Alto, una computadora que incorporaba una interfaz gráfica con ventanas e iconos, mouse, redes locales, correo electrónico, edición de documentos y otras funciones que hoy parecen completamente normales.

El Alto fue extraordinariamente influyente, pero no se convirtió en un producto masivo comparable con las computadoras personales que aparecerían posteriormente.

El Computer History Museum reconoce su enorme influencia sobre la industria informática y señala su inspiración en productos posteriores como Apple Lisa y Macintosh.

Aquí encontramos una de las paradojas más importantes de la historia tecnológica:

tener la tecnología no significa necesariamente saber qué hacer con ella. Una organización puede poseer investigadores brillantes, prototipos extraordinarios y conocimientos científicos de frontera y, sin embargo, fracasar en la comercialización. La innovación requiere algo más que tecnología. Requiere imaginación institucional.

La historia de Stephanie Kwolek, descubridora del Kevlar, es particularmente útil para desmontar otro mito. Kwolek, investigadora de DuPont, descubrió una familia de polímeros que conduciría al desarrollo del Kevlar, material extraordinariamente resistente utilizado posteriormente en chalecos antibalas, aeronaves, cables, embarcaciones y numerosas aplicaciones industriales.

La National Inventors Hall of Fame reconoce el enorme impacto de su descubrimiento y señala que Kevlar genera cientos de millones de dólares en ventas mundiales cada año. Pero Kwolek no se convirtió en una magnate de la industria.

¿Por qué es importante? Porque demuestra que el valor económico de una innovación no equivale automáticamente a la riqueza de quien la descubre.

El conocimiento científico se produce dentro de instituciones, laboratorios, universidades y empresas. Las patentes pueden pertenecer a organizaciones; los investigadores pueden recibir salarios, reconocimientos y premios sin capturar personalmente el valor económico generado posteriormente.

La historia de Kwolek permite introducir una discusión que la universidad mexicana necesita abordar con mayor profundidad: ¿cómo distribuimos los beneficios económicos de la innovación? No basta con pedir a las universidades que innoven. También debemos preguntarnos quién se beneficia de esa innovación.

Otro ejemplo clásico es el horno de microondas. Durante la investigación relacionada con magnetrones utilizados en sistemas de radar, el ingeniero Percy Spencer observó que la radiación electromagnética podía calentar alimentos. A partir de esa observación se desarrolló una tecnología que inicialmente produjo equipos enormes y costosos.

Con el tiempo, el principio fue convertido en un electrodoméstico de uso cotidiano.

Aquí encontramos nuevamente un patrón:

investigación científica → descubrimiento inesperado → aplicación militar → adaptación tecnológica → producto civil → transformación social.

El mismo fenómeno aparece repetidamente en la historia: tecnologías desarrolladas para un propósito terminan encontrando aplicaciones completamente distintas.

Esto debería modificar nuestra concepción de la educación científica. Si educamos a los estudiantes únicamente para reproducir aplicaciones conocidas, reducimos su capacidad de encontrar aplicaciones que todavía no conocemos.

Al revisar estos casos aparece un patrón. El Post-it surgió cuando alguien encontró una aplicación para una tecnología aparentemente inútil. El código de barras esperó a que existieran computadoras y lectores capaces de utilizarlo. El limpiaparabrisas de Kearns tuvo que superar la resistencia de una poderosa industria. Chemcor tuvo que esperar décadas para que surgiera el mercado del vidrio para dispositivos móviles. El Super Soaker convirtió un principio de ingeniería en un producto inesperado. El trabajo de Lamarr y Antheil encontró parte de su importancia tecnológica décadas después. Engelbart mostró en los años sesenta una forma de interactuar con computadoras que se convertiría en cotidiana mucho después.

Xerox PARC desarrolló elementos esenciales de la computación moderna antes de que la industria supiera convertirlos en productos masivos. El Kevlar demostró que una investigación científica puede tener consecuencias industriales extraordinarias sin que su descubridor se convierta necesariamente en millonario. No estamos ante historias idénticas. Y precisamente por eso son valiosas. Lo que las une no es una fórmula económica, sino una característica epistemológica: el futuro rara vez se presenta con una etiqueta que diga “esto será importante”.

Aquí aparece el vínculo con la Inteligencia Artificial. Actualmente existe una enorme presión para que las universidades incorporen rápidamente herramientas de IA generativa. La presión tiene fundamentos reales. Los estudiantes necesitan conocerlas. Los profesionales deberán trabajar con ellas. Negar su existencia sería absurdo. Pero existe una diferencia fundamental entre educar para utilizar una tecnología y educar para comprender la transformación tecnológica. Si enseñamos únicamente a utilizar una plataforma de inteligencia artificial, estaremos preparando estudiantes para una herramienta determinada.

Pero las plataformas cambian. Los modelos cambian. Las empresas cambian. Los algoritmos cambian. Las interfaces cambian. Incluso los nombres de las tecnologías cambian. Lo que permanece son las capacidades intelectuales que permiten comprenderlas.

Un estudiante que entiende estadística puede evaluar una predicción generada por IA aunque cambie la plataforma. Un estudiante que comprende probabilidad puede cuestionar una respuesta aparentemente convincente. Un estudiante que sabe modelar matemáticamente un fenómeno puede evaluar los supuestos detrás de un modelo. Un estudiante que comprende epistemología puede preguntar de dónde proviene una afirmación y qué evidencia la sustenta. Un estudiante con formación ética puede identificar cuándo una solución técnicamente posible resulta socialmente inaceptable. Y un estudiante con pensamiento crítico puede decir algo que ningún algoritmo debería impedirle decir: “No estoy convencido. Muéstreme la evidencia.”

Ésta es quizá la colofón más importante. La universidad no puede ganar una carrera de velocidad contra las empresas tecnológicas.

Cuando una institución educativa modifica un programa de estudios, aprueba una actualización curricular, capacita profesores y comienza a implementar una nueva herramienta, probablemente ya existen varias generaciones tecnológicas posteriores. Competir en velocidad es una estrategia perdida. La ventaja de la universidad debe ser otra: profundidad.

Mientras una plataforma puede enseñar a producir una respuesta en segundos, la universidad debe enseñar a determinar si esa respuesta tiene sentido. Puede ser que una IA puede generar una correlación, la universidad debe enseñar que correlación no significa causalidad. Cuando un modelo puede ofrecer una predicción clínica, la universidad debe enseñar a evaluar sensibilidad, especificidad, incertidumbre, población de referencia y posibles sesgos. Si un algoritmo puede generar un ensayo, la universidad debe enseñar a construir un argumento. Una máquina puede producir código, la universidad debe enseñar a comprender el problema que ese código pretende resolver.

La verdadera alfabetización en la era de la IA no consiste solamente en saber conversar con una máquina. Consiste en saber cuándo creerle, cuándo cuestionarla y cuándo rechazar su respuesta.

Las historias de los inventores adelantados a su época contienen una enseñanza extraordinariamente pertinente. Norman Woodland no podía prever el supermercado automatizado contemporáneo. Douglas Engelbart no podía imaginar el mouse conectado a una computadora personal de millones de usuarios.

Los científicos de Corning no podían prever que su experiencia con vidrio reforzado terminaría formando parte de la vida cotidiana de quienes deslizan un dedo sobre una pantalla.

Spencer Silver no podía saber que su adhesivo aparentemente fallido terminaría pegado en oficinas, hogares, escuelas y laboratorios de todo el mundo. Lonnie Johnson no podía saber que un principio de ingeniería terminaría generando más de mil millones de dólares en ventas.

Los científicos de Xerox PARC no podían saber hasta qué punto las ideas desarrolladas en sus laboratorios transformarían la informática. Ninguno tenía un mapa completo del futuro. Y ésta es justamente la razón por la que la universidad debe ser algo más que una fábrica de competencias laborales inmediatas. Su misión consiste en desarrollar personas capaces de moverse intelectualmente en territorios desconocidos. La educación superior debería formar estudiantes que puedan aprender una tecnología que todavía no existe. Eso no significa enseñarles a predecir el futuro. Significa proporcionarles herramientas intelectuales para interrogarlo.

Quizá ésta sea la paradoja definitiva. Mientras discutimos si debemos prohibir o permitir ChatGPT en las aulas, mientras diseñamos reglamentos sobre prompts, mientras intentamos detectar si un ensayo fue escrito por una máquina, podríamos estar formulando una pregunta demasiado sencilla.

La pregunta no debería ser: “¿Cómo hacemos para que nuestros estudiantes no dependan de la IA?” Tampoco debería ser únicamente: “¿Cómo hacemos para que nuestros estudiantes sepan utilizarla?” La pregunta fundamental es: ¿Cómo formamos estudiantes capaces de pensar cuando la respuesta de la máquina parece correcta, pero podría estar equivocada? Ahí se encuentra el verdadero desafío.

Porque una sociedad dominada por algoritmos no necesitará solamente usuarios competentes. Necesitará médicos capaces de cuestionar predicciones clínicas, economistas capaces de detectar modelos deficientes, sociólogos capaces de identificar sesgos en los datos, científicos capaces de reproducir resultados, profesores capaces de evaluar evidencias y ciudadanos capaces de preguntar quién diseñó el algoritmo, con qué datos fue entrenado y a quién beneficia su funcionamiento. Necesitará, en definitiva, pensadores críticos.

Las matemáticas, la estadística, la filosofía, la ética, las ciencias sociales, las ciencias naturales y las humanidades no son obstáculos frente a la Inteligencia Artificial. Son precisamente aquello que puede impedir que la IA se convierta en una autoridad incuestionable.

La universidad no necesita vencer a la máquina. Necesita evitar que los seres humanos renuncien a pensar porque una máquina puede responder más rápido.

La historia de la innovación nos recuerda que las tecnologías más importantes no siempre fueron las que llegaron primero al mercado. Algunas tuvieron que esperar años o décadas para encontrar su momento. Otras fueron rechazadas. Algunas fueron consideradas inútiles. Algunas produjeron fortunas para empresas mientras sus inventores recibían poco. Algunas transformaron el mundo sin que sus creadores pudieran siquiera imaginar su futuro alcance.

Por ello, educar para el futuro no significa adivinar qué tecnología dominará el mundo. Significa formar personas capaces de reconocer oportunidades cuando aparezcan, cuestionar las respuestas cuando sean insuficientes y construir conocimiento cuando todavía no exista una respuesta.

El futuro no pertenece necesariamente a quienes dominan la herramienta de moda. Pertenece a quienes poseen los fundamentos para comprender la siguiente herramienta cuando la actual haya quedado obsoleta.

Ésa debería ser una de las grandes misiones de la universidad en la era de la Inteligencia Artificial. No formar usuarios dependientes de la tecnología. Formar seres humanos capaces de pensar con ella, contra ella y más allá de ella.

Universidad Autónoma Metropolitana-Xochimilco.

jojoel.reyes@gmail.com

TEMAS RELACIONADOS