Dos formas de saber
Aristóteles distinguía entre dos tipos de conocimiento práctico.
Uno era la techne: el saber técnico, la capacidad de producir algo siguiendo reglas conocidas. El artesano que domina su oficio.
El otro era la phronesis: la prudencia práctica, el juicio que permite discernir qué hacer cuando las reglas no alcanzan y el contexto lo es todo. El artesano que sabe cuándo apartarse de la técnica porque este caso concreto lo exige.
La IA es extraordinariamente buena en techne. Aplica reglas a escala, reconoce patrones en millones de casos, optimiza con una consistencia que ningún humano igualaría.
Pero la industria está empujando como si techne fuera suficiente.
Lo que veo en todas partes
Cada semana hay un nuevo modelo más potente. Cada mes, una nueva capacidad. Los benchmarks suben. Los costes bajan. La velocidad aumenta.
Y la conversación gira siempre alrededor de lo mismo: qué puede hacer el sistema. Cuánto más rápido. Cuánto más barato. Cuánto más preciso.
Es una conversación de techne. De capacidad técnica. De lo que se puede medir.
Pero hay preguntas que no aparecen en esa conversación.
¿Qué debería hacer el sistema en este caso concreto? ¿Qué se pierde si delegamos esta decisión? ¿Quién asume las consecuencias cuando el sistema se equivoca? ¿Qué podemos llegar a hacer con esta tecnología? Para mí, la verdadera innovación.
Esas son preguntas de phronesis. De juicio. De saber leer lo que no está en los datos.
Y casi nadie las está haciendo.
El gestor que sabía algo que el modelo no sabía
Una aseguradora implementó un sistema que priorizaba siniestros según su “complejidad estimada”. Funcionaba bien en los indicadores: reducía tiempos, optimizaba recursos.
Pero el sistema clasificaba como “baja complejidad” los casos donde el daño material era pequeño. Un golpe menor, un cristal roto.
Entre esos casos había personas que acababan de tener su primer accidente y estaban asustadas. Conductores mayores para quienes ese pequeño golpe representaba una pérdida de confianza. Situaciones donde el daño emocional superaba con mucho el daño material.
Un gestor veterano lo explicó así: “El sistema me dice que este caso es rutinario. Pero llevo veinte años en esto y sé que esta señora necesita que alguien le explique las cosas con calma, que la escuche. El modelo ve un golpe de trescientos euros. Yo veo a una persona que está temblando al otro lado del teléfono.”
Esa capacidad de leer lo que no está en los datos es phronesis. No es intuición ciega. Es un saber práctico que nace de la experiencia y que se activa precisamente donde las reglas generales dejan de ser suficientes.
El desequilibrio
La industria está invirtiendo miles de millones en techne. En modelos más grandes, más rápidos, más capaces.
¿Cuánto está invirtiendo en phronesis? ¿En formar el juicio de quienes deciden cómo usar esos modelos? ¿En crear espacios donde las preguntas difíciles se puedan hacer antes de que sea tarde?
No es que la techne sea mala. Es necesaria. Pero sola no basta.
Un sistema puede encontrar similitudes con una rapidez que ningún humano igualaría. Puede ordenar miles de casos, reconocer tendencias, anticipar comportamientos. Pero no sabe qué significa equivocarse en el sentido humano del término. Para él, un error es una desviación estadística. Para nosotros, a veces, es una herida.
El sistema calcula consecuencias. La persona las vive.
Lo que no se puede escalar
La techne escala. Se puede empaquetar, replicar, vender.
La phronesis no escala igual. Se cultiva. Requiere tiempo, experiencia, exposición a las consecuencias de las propias decisiones.
Y ahí está el problema: la industria está optimizada para lo que escala. Lo que no escala queda fuera de la conversación.
Pero las decisiones que importan —qué debe hacer el sistema, qué no debe hacer, dónde están los límites— son decisiones de phronesis. Y si no las toma alguien con juicio, las tomará el sistema por defecto.
O no las tomará nadie.
Estas ideas forman parte de PRAXIS, un marco para diseñar productos con IA que respeten a las personas. Más en www.praxisbook.com