Son las 6:30 de la mañana,

y Kristen está llevando 
a su paciente de próstata al quirófano.

Es médico residente, 
una cirujana en formación.

Su trabajo es aprender.

Hoy, ella realmente espera hacer 
una cirugía que preserve los nervios,

una disección extremadamente delicada 
que puede preservar la función eréctil.

Sin embargo, eso dependerá del cirujano
asistente, pero todavía no está allí.

Ella y el equipo pusieron 
al paciente debajo,

y ella dirige la incisión inicial de 20 cm
en la parte inferior del abdomen.

Una vez que lo tiene asegurado, dice 
a la enfermera que llame al asistente.

Él llega, se viste,

Y de ahí en adelante, cuatro manos 
están mayormente en ese paciente.

Con él guiando, 
pero Kristin liderando el camino.

Una vez está la próstata fuera

—y, sí, él permitió que
Kristen preservara los nervios—

él se arranca el uniforme.

Comienza a hacer el papeleo.

Kristen cierra al paciente a las 8:15,

con un residente junior
mirando por encima del hombro.

Y ella le permite llevar a cabo 
la última línea de suturas.

Kristen se siente muy bien.

El paciente va a estar bien,

y no hay duda de que es 
mejor cirujana que a las 6:30.

Este es un trabajo extremo.

Pero Kristin aprende a hacer su trabajo 
como lo hacemos la mayoría de nosotros:

observando a un experto un rato,

Involucrarse en partes fáciles y 
seguras del trabajo.

y progresando
hacia tareas más riesgosas y difíciles.

hasta que los guías
deciden que ella está preparada.

Toda mi vida me ha fascinado 
este tipo de aprendizaje.

Parece elemental, 
parte de lo que nos hace humanos.

Tiene diferentes nombres: aprendizaje, 
entrenamiento, tutoría, capacitación.

En cirugía, se llama "ver uno, 
hacer uno, enseñar uno".

Pero el proceso es el mismo,
y ha sido el camino principal

hacia las habilidades
en todo el mundo durante miles de años.

Ahora utilizamos la IA de manera 
que bloquea ese camino.

Estamos sacrificando el aprendizaje
en nuestra búsqueda de productividad.

Encontré esto por primera vez 
en cirugía mientras estaba en el MIT,

pero ahora tengo pruebas 
de que está sucediendo en todo,

en industrias muy diferentes y 
con diferentes tipos de IA.

Si no hacemos nada, millones nos daremos 
de frente contra una pared de ladrillos

al intentar aprender a lidiar con la IA.

Volvamos a la cirugía para ver cómo.

Hago un avance rápido de seis meses.

Son las 6:30 am otra vez, y Kristen 
está llevando a otro paciente de próstata,

Pero esta vez 
a la sala de operaciones robótica.

El asistente trae

un robot de cuatro brazos y 500 kg 
para el paciente.

Ambos se arrancan las batas,

se dirigen a las consolas de control 
a 3 o 4 me de distancia,

y Kristen solo mira.

El robot permite al asistente realizar
todo el procedimiento solo,

así que básicamente lo hace.

Él sabe que ella necesita práctica.

Él quiere darle el control.

Pero también sabe que ella sería 
más lenta y cometería más errores

y su paciente es lo primero.

Así Kristin no tiene esperanza de 
acercarse a los nervios en esta operación.

Tendrá suerte si opera más de 15 minutos 
durante un procedimiento de cuatro horas.

Y ella sabe que cuando ella resbala,

él tocará una pantalla táctil, 
y ella estará mirando otra vez,

sintiéndome como un niño
en la esquina con un gorro de burro.

Como todos los estudios de robots y 
trabajos que he realizado

en los últimos 8 años, lo comencé 
con una gran pregunta abierta:

¿Cómo aprendemos a trabajar 
con máquinas inteligentes?

Para averiguarlo, pasé 2.5 años

observando a docenas 
de residentes y cirujanos.

Haciendo cirugía tradicional 
y robótica, entrevistándolos

y saliendo con los residentes 
mientras intentaban aprender.

Cubrí 18 de los mejores hospitales 
universitarios de EE. UU.

Y la historia era la misma.

La mayoría de los residentes
estaban en la situación de Kristen.

Llegaron a "ver uno" mucho,

pero el "hacer uno" 
apenas estaba disponible.

Así que no pudieron luchar, 
y no estaban aprendiendo.

Esta era importante para los cirujanos, 
pero quería saber lo extendido estaba:

¿Dónde más se usaba la AI 
bloqueando el aprendizaje en el trabajo?

Para averiguarlo, conecté 
con grupo de jóvenes investigadores

un pequeño pero creciente que hecho 
estudios sobre el trabajo con AI

en entornos muy diversos como 
empresas de nueva creación, de vigilancia,

de banca de inversión y 
educación en línea.

Como yo, pasaron al menos un año y 
muchos cientos de horas observando,

entrevistando y, a menudo, trabajando 
con las personas que estudiaron,

compartimos datos, y busqué patrones.

No importa la industria, el trabajo, 
la IA, la historia era la misma.

Las organizaciones se esforzaban cada vez 
más para obtener resultados de AI,

relegando a los aprendices 
del trabajo experto que solían hacer.

Los gerentes de empresas
subcontraban a sus clientes.

Los policías tenían que aprender

a lidiar con pronósticos de delitos 
sin apoyo de expertos.

Los banqueros jóvenes estaban siendo
eliminados de un análisis complejo,

y los profesores tenían que 
montar cursos en línea sin ayuda.

Y el efecto de todo esto fue 
el mismo que en la cirugía.

Aprender en el trabajo era 
cada vez más difícil.

Esto no puede seguir así.

McKinsey estima que entre 
500 y 1000 millones de nosotros

tendremos que adaptarnos a la IA 
en nuestro trabajo diario para el 2030.

Y estamos asumiendo 
que el aprendizaje en el trabajo

será posible ahí para nosotros 
si lo intentamos.

La última encuesta de Accenture mostró que
la mayoría de los trabajadores aprendieron

habilidades clave en el trabajo, 
no en entrenamiento formal.

Así que mientras hablamos mucho 
sobre su posible impacto futuro,

el aspecto de la IA que puede 
importar más en este momento

es que lo manejamos de una manera
que bloquea el aprendizaje en el trabajo

justo cuando más lo necesitamos.

En todos nuestros sitios, una pequeña
minoría encontró una manera de aprender.

Lo hicieron rompiendo 
y doblegando las reglas.

Los métodos aprobados no funcionaban, 
por lo que rompieron las reglas

para obtener prácticas
de verdad con expertos.

En mi entorno, los residentes 
se involucraron en cirugía robótica

en la escuela de medicina 
a expensas de su educación generalista.

Y pasaron cientos de horas extra 
con simuladores y grabaciones de cirugía,

cuando se suponía que
iban a aprender en el quirófano.

Y tal vez lo más importante, 
encontraron formas de luchar

en procedimientos en vivo 
con supervisión limitada de expertos.

A todo esto lo llamo "aprendizaje 
en la sombra", porque dobla las reglas

y el alumno lo hace
fuera de la luz pública.

Y todos hacen la vista gorda 
porque obtiene resultados.

Recuerda, estos son 
los alumnos estrella del grupo.

Obviamente, esto no está bien, 
y no es sostenible.

Nadie debería correr el riesgo 
de ser despedido

por aprender las habilidades necesarias
para hacer su trabajo.

Pero necesitamos 
aprender de estas personas.

Tomaron serios riesgos para aprender.

Entendieron que debían proteger 
la lucha y el desafío en su trabajo

para poder esforzarse 
y enfrentar problemas difíciles

justo al borde de su capacidad.

También se aseguraron de que
hubiera un experto cerca

que ofreciera consejos y apoyo 
contra la catástrofe.

Construyamos esta combinación 
de lucha y apoyo experto

en cada implementación de AI.

Aquí hay un claro ejemplo de que 
podría obtener de esto en el suelo.

Antes de los robots,

si uno era un neutralizador de bombas, 
lidiaba con un IED caminando hacia él.

Un oficial subalterno estaba 
a cientos de metros de distancia,

Así que solo podía ver y ayudar 
si decidía que era seguro

y los guiaba en la actuación.

Ahora se sienta uno al lado del otro 
en un camión a prueba de bombas.

Ambos ven el video.

Ellos controlan un robot distante, 
y uno guía el trabajo en voz alta.

Los alumnos aprenden mejor 
que antes que existieran robots.

Podemos escalar esto a 
cirugías, empresas nuevas, vigilancia,

banca de inversión, 
educación en línea, etc.

La buena noticia es que tenemos 
nuevas herramientas para hacerlo.

Internet y la nube significan que no es 
siempre necesario un experto por aprendiz,

no tienen que estar físicamente 
uno cerca del otro

incluso siendo de la misma organización.

Y podemos construir AI para ayudar a:

entrenar a aprendices y 
entrenar a expertos como expertos.

Y para conectar esos dos grupos 
de manera inteligente.

Hay gente trabajando 
en sistemas como este,

pero se han centrado principalmente 
en la formación formal.

Y la crisis más profunda está 
en el aprendizaje en el trabajo.

Debemos hacerlo mejor.

Los problemas de hoy exigen 
que lo hagamos mejor.

para crear un trabajo que aproveche 
al máximo las increíbles capacidades de AI

mientras mejoramos 
nuestras habilidades al hacerlo.

Ese es el tipo de futuro que soñé de niño.

Y el momento de crearlo es ahora.

Gracias.

(Aplausos)