Aprender a trabajar con máquinas inteligentes

Resumen.

Aunque las empresas gastan miles de millones en formación formal para sus empleados, la mayoría de las habilidades necesarias para desempeñar un trabajo específico solo se pueden aprender haciéndolo. Este aprendizaje en el trabajo (OJL) ha dependido durante mucho tiempo de la tutoría, con expertos que entrenan a aprendices. Pero hoy OJL se ve amenazada por la introducción verticiosa de análisis sofisticados, IA y robótica en muchos aspectos del trabajo. Estas tecnologías alejan a los alumnos de las oportunidades de aprendizaje y alejan a los expertos de la acción. El autor describe las soluciones alternativas «desviadas» que rompen las reglas (el «aprendizaje en la sombra») que los cirujanos en formación, los agentes de policía, los analistas de fusiones y adquisiciones y otras personas están descubriendo por sí solos para superar estos obstáculos y sugiere cómo pueden beneficiarse las empresas al estudiarlos.

Idea en resumen

El problema

La avalancha de máquinas inteligentes y análisis sofisticados en muchos aspectos del trabajo significa que los alumnos están perdiendo oportunidades de adquirir habilidades a través del aprendizaje en el trabajo (OJL).

El resultado

En medicina, policía y otros campos, la gente está encontrando formas de romper las reglas para adquirir la experiencia necesaria fuera del foco de atención. Este «aprendizaje en la sombra» se tolera por los resultados que produce, pero puede causar un costo personal y organizativo.

La solución

En respuesta, las organizaciones deben descubrir y estudiar cuidadosamente el aprendizaje en la sombra; adaptar las prácticas que desarrollan diseños organizativos, tecnológicos y de trabajo que mejoren el OJL; y hacer que las máquinas inteligentes formen parte de la solución.

Son las 6:30 de la mañana, y Kristen está llevando a su paciente de próstata al hospital. Es residente de último año, cirujana en formación. Hoy espera hacer algo de la delicada disección del procedimiento que ahorra nervios ella misma. El médico tratante está a su lado, y sus cuatro manos están principalmente en el paciente, con Kristen liderando el camino bajo su atenta guía. El trabajo transcurre sin problemas, la asistente se aleja, y Kristen cierra a la paciente a las 8:15, con un residente junior mirando por encima de su hombro. Le deja hacer la última línea de suturas. Se siente muy bien: La paciente va a estar bien, y es mejor cirujana de lo que era a las 6:30.

Avance rápido seis meses. Son las 6:30 SOY de nuevo, y Kristen lleva a otro paciente al quirófano, pero esta vez para una cirugía robótica de próstata. El asistente dirige la configuración de un robot de mil libras, uniendo cada uno de sus cuatro brazos al paciente. Luego él y Kristen toman su lugar en una consola de control a 15 pies de distancia. Sus espaldas están al paciente, y Kristen solo observa cómo el asistente manipula remotamente los brazos del robot, retrayendo y disecando delicadamente el tejido. Usando el robot, puede hacer todo el procedimiento él mismo, y en gran medida lo hace. Sabe que Kristen necesita práctica, pero también sabe que sería más lenta y cometería más errores. Así que tendrá suerte si opera más de 15 minutos durante la cirugía de cuatro horas. Y ella sabe que si se desliza, tocará una pantalla táctil y reanudará el control, desterrándola muy públicamente para que mire desde el margen.

La cirugía puede ser un trabajo extremo, pero hasta hace poco los cirujanos en formación aprendían su profesión de la misma manera que la mayoría de nosotros aprendíamos a hacer nuestro trabajo: observábamos a un experto, primero nos involucrábamos en el trabajo más fácil y luego avanzábamos a tareas más difíciles, a menudo más riesgosos bajo una estrecha supervisión hasta que nos convertimos en expertos nosotros mismos. Este proceso tiene muchos nombres: aprendizaje, tutoría, aprendizaje en el trabajo (OJL). En cirugía se llama Mira uno, haz uno, enseña uno.

Por muy crítico que sea, las empresas tienden a dar por sentado el aprendizaje en el trabajo; casi nunca se financia ni se administra formalmente, y poco se estima en 366 mil millones de dólares las empresas dedicadas a la formación formal a nivel mundial en 2018 lo abordaron directamente. Sin embargo décadas de investigación muestran que, aunque la formación impartida por el empleador es importante, la mayor parte de las habilidades necesarias para realizar un trabajo específico de forma fiable solo se puede aprender haciéndolo. La mayoría de las organizaciones dependen en gran medida de OJL: A 2011 Encuesta de Accenture, el más reciente de su tipo y escala, reveló que sólo uno de cada cinco trabajadores había adquirido nuevas aptitudes laborales mediante formación formal en los últimos cinco años.

Hoy OJL está amenazada. La introducción verticiosa de análisis sofisticados, IA y robótica en muchos aspectos del trabajo está alterando fundamentalmente este enfoque eficaz y tradicional. Decenas de miles de personas perderán o ganarán puestos de trabajo cada año a medida que esas tecnologías automatizan el trabajo, y cientos de millones tendrán que aprender nuevas aptitudes y formas de trabajar. Sin embargo, una amplia evidencia demuestra que el despliegue de máquinas inteligentes por parte de las empresas a menudo bloquea esta ruta de aprendizaje fundamental: Mis colegas y yo hemos descubierto que aleja a los alumnos de las oportunidades de aprendizaje y a los expertos de la acción, y sobrecarga a ambos con el mandato de dominar métodos antiguos y nuevos simultáneamente.

John W. Tomac

Entonces, ¿cómo aprenderán los empleados a trabajar junto a estas máquinas? Las primeras indicaciones provienen de observar a los alumnos que participan en prácticas que desafían las normas que se persiguen fuera del centro de atención y se toleran por los resultados que producen. Llamo a este proceso generalizado e informal aprendizaje de sombras.

Obstáculos para aprender

Mi descubrimiento del aprendizaje en la sombra vino de dos años de observar a cirujanos y residentes quirúrgicos en 18 hospitales docentes de primera categoría en los Estados Unidos. Estudié aprendizaje y formación en dos entornos: cirugía tradicional («abierta») y cirugía robótica. Recopilé datos sobre los desafíos que la cirugía robótica presenta a los cirujanos senior, residentes, enfermeras y técnicos de fregado (que preparan a los pacientes, ayudan a los cirujanos con guantes y batas, pasan instrumentos, etc.), centrándome especialmente en los pocos residentes que encontraron nuevas formas de aprender que rompen las reglas. Aunque esta investigación se centró en la cirugía, mi propósito más amplio era identificar las dinámicas de aprendizaje y entrenamiento que aparecerían en muchos tipos de trabajo con máquinas inteligentes.

Con este fin, me conecté con un grupo pequeño pero creciente de investigadores de campo que están estudiando cómo trabajan las personas con máquinas inteligentes en entornos como start-ups de Internet, organizaciones policiales, banca de inversión y educación en línea. Su trabajo revela dinámicas como las que observé en la formación quirúrgica. Basándome en sus diferentes líneas de investigación, he identificado cuatro obstáculos generalizados para adquirir las habilidades necesarias. Esos obstáculos impulsan el aprendizaje en la sombra

1. Los alumnos se están alejando de su «ventaja de aprendizaje».

La formación de personas en cualquier tipo de trabajo puede incurrir en costos y disminuir la calidad, porque los novatos se mueven lentamente y cometen errores. A medida que las organizaciones introducen máquinas inteligentes, a menudo lo logran reduciendo la participación de los alumnos en las partes arriesgadas y complejas del trabajo, como descubrió Kristen. Por lo tanto, los alumnos se ven alejados de situaciones en las que luchan cerca de los límites de sus capacidades y se recuperan de los errores con ayuda limitada, un requisito para aprender nuevas habilidades.

El mismo fenómeno se puede ver en banca de inversión Callen Anthony, de la Universidad de Nueva York, descubrió que los analistas junior de una empresa se separaban cada vez más de sus socios sénior, ya que esos socios interpretaban las valoraciones de empresas asistidas por algoritmos en las fusiones y adquisiciones. A los analistas junior se les encomendó simplemente extraer informes sin procesar de sistemas que buscaban datos financieros de empresas de interés en la web y transmitirlos a los socios principales para su análisis. ¿La razón implícita de esta división del trabajo? En primer lugar, reducir el riesgo de que los jóvenes cometan errores al realizar un trabajo sofisticado cerca del cliente; y segundo, maximizar la eficiencia de los socios sénior: cuanto menos tiempo necesiten para explicar el trabajo a los empleados junior, más podrían concentrarse en su análisis de nivel superior. Esto proporcionó algunas mejoras de eficiencia a corto plazo, pero alejó a los analistas junior del trabajo complejo y desafiante, lo que les dificultó aprender todo el proceso de valoración y disminuyó la capacidad futura de la empresa.

2. Los expertos están distanciados del trabajo.

A veces, las máquinas inteligentes se interponen entre los alumnos y el trabajo, y otras veces se implementan de forma que los expertos no puedan realizar un trabajo práctico importante. En la cirugía robótica, los cirujanos no ven el cuerpo del paciente ni el robot durante la mayor parte del procedimiento, por lo que no pueden evaluar ni manejar directamente las partes críticas del mismo. Por ejemplo, en la cirugía tradicional, el cirujano sería muy consciente de cómo los dispositivos e instrumentos impactan en el cuerpo del paciente y se ajustaría en consecuencia; pero en la cirugía robótica, si el brazo de un robot golpea la cabeza de un paciente o si un exfoliante está a punto de cambiar un instrumento robótico, el cirujano no lo sabrá a menos que alguien le dice. Esto tiene dos implicaciones de aprendizaje: los cirujanos no pueden practicar las habilidades necesarias para dar sentido holístico al trabajo por sí mismos, y deben desarrollar nuevas habilidades relacionadas con dar sentido al trabajo a través de otros.

Benjamin Shestakofsky, actualmente en la Universidad de Pensilvania, describió un fenómeno similar en una start-up previa a la OPI que utilizaba el aprendizaje automático para emparejar a los trabajadores locales con los puestos de trabajo y que proporcionaba una plataforma para que los trabajadores y quienes los contrataban negociaran las condiciones. Al principio, los algoritmos no estaban haciendo buenas coincidencias, por lo que los gerentes de San Francisco contrataron a personas en Filipinas para crear manualmente cada partido. Y cuando los trabajadores tenían dificultades con la plataforma, por ejemplo, al utilizarla para emitir cotizaciones de precios a quienes contrataban o para estructurar los pagos, los gerentes de las start-up subcontrataron el apoyo necesario a otro grupo distribuido de empleados, en Las Vegas. Dados sus limitados recursos, los gerentes se enfrentaron a estos problemas para ganar tiempo mientras buscaban el dinero y los ingenieros adicionales necesarios para perfeccionar el producto. La delegación permitió que los gerentes e ingenieros se centraran en el desarrollo empresarial y en la redacción de código, pero les privó de oportunidades críticas de aprendizaje: los separó de las aportaciones directas y regulares de los clientes (los trabajadores y los contratistas contratantes) sobre los problemas que experimentaban y las características querían.

El despliegue de IA por parte de una empresa puede alejar a los alumnos de las oportunidades de aprendizaje.

3. Se espera que los alumnos dominen tanto los métodos antiguos como los nuevos.

La cirugía robótica comprende un conjunto radicalmente nuevo de técnicas y tecnologías para lograr los mismos fines que la cirugía tradicional busca alcanzar. Prometiendo mayor precisión y ergonomía, simplemente se añadió al plan de estudios y se esperaba que los residentes aprendieran métodos robóticos y abiertos. Pero el plan de estudios no incluía tiempo suficiente para aprender ambos a fondo, lo que a menudo condujo a un resultado en el peor de los casos: los residentes no dominaban ninguno de los dos. A esto lo llamo problema sobrecarga metodológica.

Shreeharsh Kelkar, de la Universidad de California en Berkeley, descubrió que algo similar les sucedió a muchos profesores que utilizaban una nueva plataforma tecnológica llamada edX para desarrollar cursos masivos en línea abiertos (MOOC). edX les proporcionó un conjunto de herramientas de diseño de cursos y consejos instructivos basados en un análisis algorítmico detallado de la interacción de los alumnos con la plataforma (clics, publicaciones, pausas en la reproducción de vídeo, etc.). Aquellos que querían desarrollar y mejorar los cursos en línea tenían que aprender una serie de nuevas habilidades: cómo navegar por la interfaz de usuario de edX, interpretar los análisis del comportamiento de los alumnos, componer y administrar el equipo del proyecto del curso, y mucho más, a la vez que mantenían las habilidades «de la vieja escuela» para enseñar sus clases tradicionales. Lidiar con esta tensión era difícil para todos, especialmente porque los enfoques estaban en constante cambio: casi a diario llegaban nuevas herramientas, métricas y expectativas, y los instructores tenían que evaluarlas y dominarlas rápidamente. Las únicas personas que manejaban bien tanto los métodos antiguos como los nuevos eran aquellos que ya eran técnicamente sofisticados y tenían recursos organizativos significativos.

4. Se presume que los métodos de aprendizaje estándar son eficaces.

Décadas de investigación y tradición llevan a los alumnos de medicina a la Mira uno, haz uno, enseña uno , pero como hemos visto, no se adapta bien a la cirugía robótica. Sin embargo, la presión para confiar en métodos de aprendizaje aprobados es tan fuerte que la desviación es rara: la investigación de capacitación quirúrgica, las rutinas estándar, las políticas y los cirujanos sénior continúan enfatizando los enfoques tradicionales del aprendizaje, a pesar de que el método claramente necesita actualizarse para la cirugía robótica.

Sarah Brayne, de la Universidad de Texas, encontró un desajuste similar entre los métodos de aprendizaje y las necesidades de los jefes y oficiales de policía de Los Ángeles cuando trataban de aplicar los enfoques policiales tradicionales para superar las tareas generadas por un algoritmo. Aunque la eficacia de esta «vigilancia predictiva» no está clara y su ética es controvertida, docenas de fuerzas policiales dependen profundamente de ella. La policía de Los Ángeles PredPOL divide la ciudad en cuadrados de 500 pies, o «cajas», asigna una probabilidad de delito a cada una y dirige a los oficiales a esas casillas en consecuencia. Brayne descubrió que no siempre era obvio para los oficiales, ni para los jefes de policía, cuándo y cómo los primeros deberían seguir sus asignaciones impulsadas por la IA. En la policía, el modelo tradicional y respetado para adquirir nuevas técnicas ha sido combinar un poco de instrucción formal con mucho aprendizaje anticuado en el ritmo. Por lo tanto, muchos jefes presumieron que los oficiales aprenderían principalmente a incorporar pronósticos de delitos en el trabajo. Esta dependencia del OJL tradicional contribuyó a crear confusión y resistencia a la herramienta y a su orientación. Los jefes no querían decirles a los oficiales qué hacer una vez «en la caja», porque querían que confiaran en su conocimiento experiencial y su discreción. Tampoco querían irritar a los oficiales reduciendo abiertamente su autonomía y apareciendo como microgestores. Pero al confiar en el enfoque tradicional de OJL, sabotearon inadvertidamente el aprendizaje: muchos oficiales nunca entendieron cómo usar PredPol o sus beneficios potenciales, por lo que lo descartaron por completo, sin embargo, seguían siendo responsables de seguir sus asignaciones. Esto perdió tiempo, disminuyó la confianza y provocó falta de comunicación y entrada de datos defectuosa, todo lo cual socavó su vigilancia policial.

Respuestas de aprendizaje sombra

Frente a tales barreras, los alumnos en la sombra están doblando o rompiendo las reglas fuera de vista para obtener la instrucción y la experiencia que necesitan. No debería sorprendernos. Hace casi cien años, el sociólogo Robert Merton demostró que cuando los medios legítimos ya no son efectivos para lograr un objetivo valioso, se produce una desviación. La experiencia, tal vez el objetivo ocupacional final, no es una excepción: dadas las barreras que he descrito, deberíamos esperar que las personas encuentren formas desviadas de aprender habilidades clave. Sus enfoques suelen ser ingeniosos y eficaces, pero pueden tener un costo personal y organizativo: los alumnos en la sombra pueden ser castigados (por ejemplo, perdiendo oportunidades de práctica y estatus) o causar desperdicio e incluso daño. Sin embargo, las personas asumen esos riesgos repetidamente, porque sus métodos de aprendizaje funcionan bien cuando los medios aprobados fallan. Casi siempre es mala idea copiar de forma acrítica estas prácticas desviadas, pero las organizaciones necesitan aprender de ellas.

Las siguientes son las prácticas de aprendizaje en la sombra que yo y otros hemos observado:

En busca de lucha.

Recuerde que los aprendices de cirugía robótica suelen tener poco tiempo para realizar tareas. Los alumnos en la sombra evitan esto buscando oportunidades para operar cerca del límite de su capacidad y con una supervisión limitada. Saben que deben tener dificultades para aprender y que es poco probable que muchos médicos asistentes les permitan hacerlo. El subconjunto de residentes que estudié que se convirtieron en expertos encontraron formas de dedicar tiempo a los robots que necesitaban. Una estrategia consistía en buscar colaboración con los asistentes que no eran expertos experimentados. Los residentes de urología, la especialidad con mayor experiencia con robots, rotarían a departamentos cuyos asistentes eran menos competentes en cirugía robótica, lo que les permitía aprovechar el efecto halo de su entrenamiento de élite (aunque limitado). Los asistentes fueron menos capaces de detectar desviaciones de calidad en su trabajo quirúrgico robótico y sabían que los residentes de urología estaban siendo capacitados por verdaderos expertos en la práctica; por lo tanto, estaban más inclinados a dejar que los residentes operaran e incluso a pedirles consejo. Sin embargo, pocos dirían que este es un enfoque de aprendizaje óptimo.

Cuando los medios legítimos ya no pueden lograr un objetivo, se produce una desviación.

¿Qué hay de esos analistas junior que fueron excluídos de valoraciones complejas? Los miembros junior y senior de un grupo participaron en el aprendizaje en la sombra al ignorar la práctica estándar emergente de la empresa y trabajar juntos. Los analistas junior continuaron sacando informes sin procesar para producir los aportes necesarios, pero trabajaron junto a los socios sénior en el análisis que siguió.

En cierto modo, esto suena como un movimiento empresarial arriesgado. De hecho, ralentizó el proceso y, como requería que los analistas jóvenes manejaran una gama más amplia de métodos de valoración y cálculos a un ritmo vertiginoso, introdujo errores difíciles de detectar. Sin embargo, los analistas junior desarrollaron un conocimiento más profundo de las múltiples empresas y otras partes interesadas involucradas en una fusiones y adquisiciones y de la industria relevante, y aprendieron a gestionar todo el proceso de valoración. En lugar de funcionar como una pieza en un sistema que no entendían, se dedicaron a un trabajo que los posicionó para asumir roles de mayor jerarquía. Otro beneficio fue el descubrimiento de que, lejos de ser intercambiables, los paquetes de software que habían estado utilizando para crear insumos para el análisis a veces producían valoraciones de una empresa determinada con miles de millones de dólares de diferencia. Si los analistas hubieran permanecido en silos, eso nunca habría salido a la luz.

Apuntar los conocimientos técnicos de primera línea.

Como se ha comentado, los cirujanos robóticos están aislados del paciente y, por lo tanto, carecen de un sentido holístico del trabajo, lo que dificulta que los residentes adquieran las habilidades que necesitan. Para comprender el panorama general, los residentes recurren a veces a los técnicos de limpieza, que ven el procedimiento en su totalidad: todo el cuerpo del paciente; la posición y el movimiento de los brazos del robot; las actividades del anestesiólogo, la enfermera y otras personas alrededor del paciente; y todos los instrumentos y suministros de de principio a fin. Los mejores exfoliantes han prestado mucha atención durante miles de procedimientos. Por lo tanto, cuando los residentes pasan de la consola a la cabecera, algunos pasan por alto al asistente y van directamente a estos «supermatorrales» con preguntas técnicas, como si la presión intraabdominal es inusual o cuándo despejar el campo de líquido o humo de la cauterización. Lo hacen a pesar de las normas y, a menudo, sin que los asistentes lo sepan.

¿Y qué pasa con los gerentes de start-up que subcontrataban empleos a trabajadores en Filipinas y Las Vegas? Se esperaba que siguieran enfocados en recaudar capital y contratar ingenieros. Pero algunos pasaron tiempo con los trabajadores contratados de primera línea para aprender cómo y por qué hicieron las coincidencias que hicieron. Esto dio lugar a conocimientos que ayudaron a la empresa a perfeccionar sus procesos de adquisición y limpieza de datos, un paso esencial para crear una plataforma estable. Del mismo modo, algunos gerentes atentos pasaron tiempo con los representantes de servicio al cliente en Las Vegas mientras ayudaban a los trabajadores a lidiar con el sistema. Estos «caminos» llevaron a los gerentes a desviar algunos recursos para mejorar la interfaz de usuario, ayudando a mantener la start-up mientras seguía adquiriendo nuevos usuarios y contratando ingenieros que pudieran crear los sólidos sistemas de aprendizaje automático que necesitaban para tener éxito.

Rediseño de roles.

Los nuevos métodos de trabajo que creamos para desplegar máquinas inteligentes impulsan una variedad de tácticas de aprendizaje en la sombra que reestructuran el trabajo o alteran la forma en que se mide y recompensa el rendimiento. Una residente quirúrgica puede decidir desde el principio que no va a hacer cirugía robótica como médica senior y, por lo tanto, minimizará conscientemente su rotación robótica. Algunas enfermeras que estudié prefieren la solución de problemas técnicos que implica las tareas robóticas, por lo que evitan subrepticiamente el trabajo quirúrgico abierto. Las enfermeras que administran procedimientos quirúrgicos notan preferencias y habilidades emergentes y trabajan en torno a las políticas generales de personal para acomodarlas. Las personas reconocen tácitamente y desarrollan nuevas funciones que están mejor alineadas con el trabajo, independientemente de que la organización lo haga formalmente o no.

Considere cómo algunos jefes de policía reformularon las expectativas de los policías que estaban teniendo problemas para integrar el análisis predictivo en su trabajo. Brayne descubrió que muchos oficiales asignados para patrullar las «cajas» de PredPol parecían ser menos productivos con las medidas tradicionales como el número de arrestos, citaciones y las FIs (tarjetas de entrevistas de campo: registros hechos por los oficiales de sus contactos con ciudadanos, generalmente personas que parecen sospechosas). Las IF son particularmente importantes en la vigilancia policial asistida por IA, porque proporcionan datos de entrada cruciales para los sistemas predictivos incluso cuando no se producen arrestos. Cuando los policías iban a donde el sistema les dirigía, a menudo no hacían arrestos, no escribían multas ni creaban IF.

Reconociendo que estas medidas tradicionales disuadieron a los policías golpeados de seguir las recomendaciones de PredPol, algunos jefes dejaron de lado la práctica estándar y elogiaron pública y en privado a los oficiales no por hacer arrestos y entregar citaciones, sino por aprender a trabajar con las asignaciones algorítmicas. Como dijo un capitán: «Bien, bien, pero te estamos diciendo dónde está la probabilidad de un crimen, así que siéntate ahí, y si llegas con cero [sin crímenes], será un éxito». Estos jefes se arriesgaban al alentar lo que muchos consideraban una mala actuación policial, pero al hacerlo ayudaban a mover la cultura policial hacia un futuro en el que la policía colaborara cada vez más con máquinas inteligentes, permaneciera o no PredPOL en el kit de herramienta.

Soluciones de curaduría.

Los alumnos de cirugía robótica ocasionalmente se apartaban de sus responsabilidades formales para crear, anotar y compartir grabaciones jugadas por jugadas de procedimientos de expertos. Además de proporcionar un recurso para sí mismos y para los demás, hacer las grabaciones les ayudó a aprender, porque tenían que clasificar las fases del trabajo, las técnicas, los tipos de fracasos y las respuestas a las sorpresas.

Los profesores que tenían dificultades para crear cursos en línea manteniendo sus habilidades de la vieja escuela utilizaron técnicas similares para dominar la nueva tecnología. edX proporcionó herramientas, plantillas y materiales de formación para facilitar las cosas a los instructores, pero eso no fue suficiente. Especialmente al principio, los instructores lejanos de instituciones con escasos recursos se tomaron el tiempo de experimentar con la plataforma, tomar notas y videos sobre sus fracasos y éxitos, y compartirlos informalmente entre sí en línea. Establecer estas conexiones fue difícil, especialmente cuando las instituciones de los instructores eran ambivalentes a la hora de poner en línea el contenido y la pedagogía.

El aprendizaje en la sombra de un tipo diferente se produjo entre los usuarios originales de EDX: profesores bien financiados y bien apoyados en instituciones de primer nivel que habían aportado información desde el principio durante el desarrollo de la plataforma. Para obtener el apoyo y los recursos que necesitaban de edX, compartieron subrepticiamente técnicas para lanzar los cambios deseados en la plataforma, asegurar la financiación y el apoyo del personal, etc.

Aprender de los alumnos en la sombra.

Obviamente, el aprendizaje en la sombra no es la solución ideal a los problemas que aborda. Nadie debería arriesgarse a ser despedido solo por dominar un trabajo. Sin embargo, estas prácticas son caminos probados y ganados con dificultad en un mundo en el que adquirir experiencia es cada vez más difícil e importante.

Las cuatro clases de comportamiento que exhiben los alumnos en la sombra (buscar lucha, aprovechar los conocimientos de primera línea, rediseñar roles y curar soluciones) sugieren respuestas tácticas correspondientes. Para aprovechar las lecciones que ofrecen los alumnos en la sombra, los tecnólogos, los gerentes, los expertos y los propios trabajadores deben:

• garantizar que los alumnos tengan oportunidades de luchar cerca del límite de su capacidad en el trabajo real (no simulado) para que puedan cometer errores y recuperarse de ellos
• fomentar canales claros a través de los cuales los mejores trabajadores de primera línea puedan servir como instructores y entrenadores
• reestructurar las funciones y los incentivos para ayudar a los alumnos a dominar nuevas formas de trabajar con máquinas inteligentes
• crear «repositorios de habilidades» con búsqueda, anotados y de colaboración colectiva que contengan herramientas y orientación de expertos que los alumnos puedan aprovechar y a los que contribuyan según sea necesario

El enfoque específico de estas actividades depende de la estructura organizativa, la cultura, los recursos, las opciones tecnológicas, las competencias existentes y, por supuesto, la naturaleza del trabajo en sí. No se aplicará ninguna mejor práctica única en todas las circunstancias. Sin embargo, una gran cantidad de literatura gerencial explora cada una de ellas, y la consultoría externa está disponible fácilmente.

En términos más generales, mi investigación y la de mis colegas sugieren tres estrategias organizativas que pueden ayudar a aprovechar las lecciones del aprendizaje en la sombra:

1. Sigue estudiándolo.

El aprendizaje en la sombra está evolucionando rápidamente a medida que las tecnologías inteligentes se vuelven más capaces. Con el tiempo surgirán nuevas formas que ofrecerán nuevas lecciones. Un enfoque cauteloso es fundamental. Los alumnos en la sombra a menudo se dan cuenta de que sus prácticas son desviadas y que podrían ser penalizados por seguirlas. (Imagínese si un residente quirúrgico le diera a conocer que buscaba a los asistentes menos calificados con los que trabajar). Y los mandos intermedios suelen hacer la vista gorda ante estas prácticas debido a los resultados que producen, siempre y cuando no se reconozca abiertamente el aprendizaje en la sombra. Por lo tanto, los alumnos y sus gerentes pueden ser menos comunicados cuando un observador, en particular un alto directivo, declara que quiere estudiar cómo los empleados están infringiendo las reglas para desarrollar habilidades. Una buena solución es traer a un tercero neutral que pueda garantizar un anonimato estricto al tiempo que compara prácticas en diversos casos. Mis informantes llegaron a conocerme y a confiar en mí, y eran conscientes de que estaba observando el trabajo en numerosos grupos de trabajo e instalaciones, por lo que se sentían seguros de que sus identidades estarían protegidas. Eso resultó esencial para que se abrieran.

2. Adapta las prácticas de aprendizaje en la sombra que encuentres para diseñar organizaciones, trabajo y tecnología.

A menudo, las organizaciones han manejado máquinas inteligentes de manera que a un solo experto le resulte más fácil tomar más control del trabajo, lo que reduce la dependencia de la ayuda de los alumnos. Los sistemas quirúrgicos robóticos permiten a los cirujanos mayores operar con menos asistencia, por lo que lo hacen. Los sistemas de banca de inversión permiten a los socios sénior excluir a los analistas junior de las valoraciones complejas, por lo que lo hacen. Todas las partes interesadas deben insistir en diseños organizativos, tecnológicos y de trabajo que mejoren la productividad y mejoren el aprendizaje en el trabajo. En el LAPD, por ejemplo, esto significaría ir más allá de cambiar los incentivos para los policías de patrulla a esfuerzos como rediseñar la interfaz de usuario de PreDPOL, crear nuevas funciones para unir a oficiales de policía e ingenieros de software, y establecer un repositorio comisariado por policías para casos de uso de mejores prácticas anotados.

3. Haga que las máquinas inteligentes formen parte de la solución.

La IA se puede crear para entrenar a los alumnos en sus dificultades, orientar a expertos en su tutoría y conectar a esos dos grupos de manera inteligente. Por ejemplo, cuando Juho Kim era estudiante de doctorado en el MIT, construyó ToolScape y Escape de conferencias, que permiten la anotación de vídeos instructivos mediante colaboración colectiva y proporcionan aclaraciones y oportunidades para practicar cuando muchos usuarios anteriores se han detenido a buscarlos. Llamó a esto contratación de alumnos. En cuanto al hardware, los sistemas de realidad aumentada están empezando a incorporar instrucciones y anotaciones expertas directamente en el flujo de trabajo. Las aplicaciones existentes utilizan tabletas o gafas inteligentes para superponer las instrucciones de trabajo en tiempo real. Pronto se esperan sistemas inteligentes más sofisticados. Dichos sistemas podrían, por ejemplo, superponer un registro del mejor soldador de la fábrica en el campo visual de un aprendiz de soldador para mostrar cómo se realiza el trabajo, registrar el intento del aprendiz de igualarlo y conectar al aprendiz con el soldador según sea necesario. El creciente comunidad de ingenieros en estos ámbitos se han centrado principalmente en la formación formal, y la crisis más profunda está en el aprendizaje en el trabajo. Tenemos que reorientar nuestros esfuerzos hacia allí.

Conclusión

Durante miles de años, los avances tecnológicos han impulsado el rediseño de los procesos de trabajo y los aprendices han adquirido las nuevas habilidades necesarias de los mentores. Pero como hemos visto, las máquinas inteligentes ahora nos motivan a alejar a los aprendices de los maestros y a los maestros del trabajo mismo, todo en nombre de la productividad. A menudo, las organizaciones eligen involuntariamente la productividad por encima de la participación humana considerada y, como resultado, aprender en el trabajo es cada vez más difícil. Sin embargo, los estudiantes en la sombra están encontrando formas de aprender arriesgadas y que rompen las reglas. Las organizaciones que esperan competir en un mundo lleno de máquinas cada vez más inteligentes deberían prestar mucha atención a estos «desviados». Sus acciones proporcionan información sobre cómo se realizará el mejor trabajo en el futuro, cuando expertos, aprendices y máquinas inteligentes trabajen y aprendan juntos.

— Escrito por Matt Beane