En redes sociales, alguien bromeaba con que, al decirle a una IA "think from first principles" (piensa desde los primeros principios), sentía que su coeficiente intelectual subía unos 20 puntos.
Por supuesto, no es que al soltar la frase mágica un cerebro de silicio reciba de golpe 20 puntos de inteligencia.
Pero lo interesante no es eso.
Esta frase no pide "saca un montón de problemas", ni "busca a la competencia", ni "propón una idea que suene más lista".
Vuelve hasta la raíz. ¿Son realmente correctos la pregunta, el objetivo, las restricciones y las suposiciones de ahora? Reconstruye desde ahí.
Es un trabajo bastante más cercano a la filosofía.
Si la mejora normal es que aparece una grieta en la pared y comparas diez tipos de masilla para repararla, el pensamiento de primeros principios se detiene a mitad de camino, se queda mirando la pared y dice:
"Espera. ¿Y esta pared para qué la queremos?"
De repente, el contratista se ha pasado a la facultad de Filosofía.
1. "Buscar problemas" y "cuestionar la pregunta misma" son trabajos distintos
Cuando le pides mejoras a una IA, lo que suele salir son tres cosas:
- Una lista de los problemas que existen ahora.
- Soluciones sacadas de otras empresas, de otras personas o de métodos ya establecidos.
- Una propuesta mejor, armada dentro del sistema actual.
Todo eso sirve. Pero, en el fondo, piensa aceptando el tablero de juego tal como está.
Si el porcentaje de clics (CTR) de los artículos relacionados es bajo, cambias su posición. Agrandas las tarjetas. Cambias el texto. Mejoras el modelo de recomendación. Es una mejora de verdad, y buena.
El pensamiento de primeros principios retrocede un paso más.
¿Para qué sirven, en realidad, los artículos relacionados?
¿El objetivo es mandar al lector a otra página? ¿O es resolver la siguiente duda que tendrá el lector? Si es lo segundo, ¿de verdad hace falta una "tarjeta de artículos relacionados"? ¿No habrá casos en que sea mejor responder dentro del propio texto?
Aquí, antes que la calidad de la solución, lo que se audita es la definición del problema que se intenta resolver.
Llamaste a la IA a una reunión de mejora y empieza a borrar por su cuenta el "objetivo" escrito arriba de todo en la pizarra.
Y más o menos tiene razón.
2. El pensamiento de primeros principios se parece menos a una fuente de ideas y más a una obra de cimientos
Entenderlo como "un método para generar muchas ideas" se queda un poco corto.
Lo esencial es apartar por un momento las soluciones existentes y volver hasta preguntas como:
- ¿Qué estado queremos alcanzar de verdad?
- ¿Qué restricciones no se pueden cambiar bajo ninguna circunstancia?
- ¿Qué podemos observar realmente como un hecho?
- ¿Qué cosas "necesarias" son en realidad solo costumbres?
- Si no conociéramos ninguna de las soluciones actuales, ¿cómo lo diseñaríamos?
Por eso se parece menos a recoger semillas de ideas y más a remover toda la tierra antes de sembrar.
Puedes alinear los casos de diez competidores, pero si esos diez comparten la misma suposición, la empresa número once terminará con el mismo edificio.
El pensamiento de primeros principios empieza por preguntar:
"¿Por qué todos lo construyen de esta manera?"
A veces, después de investigar, la conclusión es: "no, esta forma de construirlo es de hecho la más razonable".
Eso también es un éxito.
Cuestionar una suposición no es lo mismo que destruirla siempre.
Si dudaras de cada señal de tránsito y te pusieras a manejar en contra del sentido cada vez, eso no sería filosofía, sería un accidente.
3. Aquí entra el aprendizaje de doble bucle
El aprendizaje de doble bucle, que Chris Argyris planteó en 1977, no se limita a corregir errores: también revisa las políticas, los objetivos y las normas que produjeron esa conducta.
En pocas palabras:
Bucle simple El resultado es malo → se corrige la acción.
Doble bucle El resultado es malo → antes de corregir la acción, se revisa qué se había definido como éxito y las reglas y suposiciones mismas.
Por ejemplo, "la tasa de clics es baja".
Con un bucle simple, mejoras el titular, la posición, el color, la precisión de las recomendaciones.
Con doble bucle, retrocedes y preguntas:
"¿Por qué queremos subir la tasa de clics?"
Si lo que queríamos era "que el lector resuelva su duda y, si hace falta, avance a lo siguiente", entonces la tasa de clics quizá no sea el objetivo, sino solo un indicador sustituto.
Y entonces el problema de diseño cambia.
De "cómo hacer que hagan clic" a "cómo resolver de forma natural su siguiente duda".
Pasas de una IA que mejora el KPI (la cifra con la que medimos si algo va bien) a una IA que audita incluso por qué se eligió ese KPI. Subes un escalón.
Eso es lo interesante de todo esto.
4. La IA ha entrado en un terreno donde creíamos que solo podían las personas
En la automatización con IA, se ha dicho a menudo que lo que le queda a la gente es "fijar el objetivo", "formular la pregunta", "pensar el sentido" y "aprobar".
Ejecutar, buscar, contar, resumir, comparar y generar se pueden mecanizar.
Pero
"¿Para qué estamos haciendo esto, en realidad?"
parece un santuario reservado a los humanos.
Sin embargo, también ahí se puede meter bastante IA.
El Step-Back Prompting, presentado en ICLR 2024 (una conferencia importante de aprendizaje automático), propuso que, antes de resolver un problema concreto de frente, el modelo retroceda a una pregunta o un principio más abstracto. Se reportaron mejoras de rendimiento en varias tareas de razonamiento con PaLM-2L, GPT-4 y Llama2-70B.
Esto no demuestra que la frase concreta "think from first principles" sea mágica.
Pero
problema concreto → subir un nivel de abstracción → extraer el principio → volver al problema concreto
tiene precedentes empíricos cercanos cuando se le pide esa operación a un modelo de lenguaje.
Es decir, el reparto de "la IA solo hace el trabajo menudo y la filosofía es solo para humanos" ya no es tan simple, por lo menos.
La IA ha conseguido una plaza de profesora asociada en el departamento de Filosofía.
5. Si lo metemos en la "germinación", la búsqueda de ideas tiene dos vías
Si pensamos en cómo germinan los artículos, productos, funciones y temas de investigación, se puede dividir la entrada en dos.
Germinación que se recoge desde fuera
- Hay demanda de búsquedas
- Es tema de conversación en redes
- Los lectores se van de la página
- Llegan muchas consultas
- La competencia lanzó una función nueva
Esto recoge señales del mundo exterior.
Pero se puede crear otra más.
Germinación cavando hacia adentro
- ¿Para lograr qué existe esta función?
- ¿Este KPI representa de verdad el objetivo?
- Esta restricción, ¿es una ley de la física o una conveniencia del pasado?
- Si lo construyéramos todo desde cero, ¿usaríamos la misma estructura?
- Si prohibiéramos por un momento todas las soluciones que existen hoy, ¿qué quedaría?
- ¿Es siquiera un problema que valga la pena resolver?
Esta cava en las suposiciones del sistema existente.
Si las tendencias externas son recoger "semillas caídas en el suelo", la vía de los primeros principios es el tipo de germinación en que levantas las tablas del piso y debajo crece una planta que no conocías.
Una pregunta que nadie buscaba nace como resultado de desarmar la estructura existente.
Ahí es donde aparece con facilidad la originalidad.
6. Para implementarlo, divídelo en tres etapas: romper suposiciones, reconstruir y verificar
Si solo le dices a la IA "filosofa con libertad", a veces se va hasta el espacio y no vuelve.
En la práctica conviene fijar el proceso.
Etapa 1: auditar las suposiciones
Separa el objetivo actual, las métricas, las restricciones, las costumbres y las soluciones existentes.
En especial, no mezcles: "hechos", "restricciones realmente inevitables", "conveniencias de la organización", "herencia histórica" y "cosas que siguen así sin saber por qué".
Etapa 2: reconstruir desde cero
No trates la propuesta existente como la respuesta correcta. Crea varias alternativas usando solo el objetivo y las restricciones inevitables.
Está bien que llegues a la misma conclusión que la propuesta actual. Lo importante es poder explicar por qué salió igual.
Etapa 3: volver a la realidad
Pruébalo contra el costo, las leyes, la seguridad, el comportamiento de los usuarios, el esfuerzo de migración, los datos existentes, etcétera.
Los primeros principios no son una carta para escapar de la realidad.
"Quiero dejar el gasto en servidores en cero, así que convirtamos el servidor en un concepto" no es filosofía, es huir de la factura.
7. Aun así, lo que les queda a las personas es "qué es lo que importa"
La IA puede explorar con bastante amplitud:
- ¿Es necesaria esta suposición?
- ¿Están desalineados el objetivo y el KPI?
- ¿Qué pasaría con otra función de valor (otra manera de puntuar lo que cuenta como bueno)?
- ¿Qué habría que soltar para que la estructura sea más simple?
Pero hay una última línea.
¿Qué valor se elige al final?
¿Maximizar el tiempo de permanencia? ¿Resolver lo más rápido posible y que la persona se vaya? ¿Maximizar la ganancia? ¿Hasta qué punto se prioriza la confianza, la libertad, la seguridad, la equidad, la diversión?
Estas no son respuestas que salgan de forma única al observar el mundo.
La IA puede desplegar: "si el valor es A, el diseño es X; si el valor es B, el diseño es Y".
Pero cuál de A y B se pone como propósito final de una sociedad o de un producto es, al final, responsabilidad de las personas.
Por eso el punto final de la automatización total no es
que los humanos piensen todo ni tampoco que la IA decida todo.
Es esto:
La IA cuestiona hasta las suposiciones; los humanos asumen solo los juicios de valor y las bifurcaciones que conllevan responsabilidad.
El trabajo humano pasa de "proponer 100 ideas" a "adoptar esta línea de mundo".
8. Si de verdad se lo vas a lanzar a la IA, esta pregunta es el núcleo
La versión más corta basta:
"En el fondo, ¿qué es lo que de verdad queremos lograr?"
Si quieres reforzarla un poco más:
Por ahora, no trates la implementación actual, las costumbres del sector ni los casos de la competencia como "la respuesta". Primero, separa el objetivo, los hechos observados, las restricciones inevitables, las suposiciones implícitas y los indicadores sustitutos. Luego, analiza si, quitando cada suposición, aún se podría alcanzar el objetivo. Por último, reconstruye varios diseños solo a partir de los primeros principios que queden y verifícalos con las restricciones de la realidad. Si terminas volviendo a la propuesta existente, explica por qué.
El punto clave es no decir "propón algo novedoso".
Si exiges novedad directamente, la IA a veces inventa algo así como una bicicleta con tres sombreros apilados.
Lo que se necesita no es rareza, sino la diferencia que sale al recalcular desde las suposiciones.
9. Conclusión: la IA puede pasar de "quien responde" a "quien rompe la pregunta"
Listar problemas es necesario. Investigar a la competencia es necesario. Mejorar las propuestas existentes es necesario.
Pero solo con eso, estás moviendo las fichas más rápido sobre el mismo tablero.
Si le asignas de forma explícita el pensamiento de primeros principios a la IA,
resolver el problema → cuestionar cómo se planteó el problema → cuestionar el objetivo → descomponer las suposiciones → reconstruir desde cero
todo eso entra en el alcance de la automatización.
Además, ya no hace falta que una persona active a pura fuerza de voluntad el segundo bucle del aprendizaje de doble bucle cada vez.
Basta con que, de forma periódica, la IA se pregunte:
"Bueno, ¿y esto para qué es, en realidad?"
Incluso una parte de la "filosofía", que creíamos que sería lo último en quedar en la automatización con IA, resulta que se puede convertir en un proceso.
Eso sí, si la IA filósofa empieza a decir "¡ya decidí también todos los objetivos!", ahí es donde una persona arrastra la silla y se vuelve a sentar bien.
Romper las preguntas se lo podemos encargar.
Elegir qué mundo valoramos sigue siendo trabajo nuestro.
