Comienza con Bayes en mil setecientos y algo.

Un ministro presbiteriano que regresa a casa tambaleándose con su ropa clerical, pensando en líneas rectas.

No sabemos mucho sobre Thomas. Creía que su trabajo más importante era moral y matemático a la vez. En Divine Benevolence, argumentó que la existencia de la felicidad era en sí misma evidencia de que Dios probablemente existe.

En sus notas matemáticas, abordó problemas prácticos difíciles, incluyendo el desafío clásico del geómetra de medir la Tierra. La afirmación de que su estimación estaba dentro de una décima parte de un punto porcentual de los valores modernos es pintoresca pero no verificada. Lo que sí sabemos es que Bayes fue reconocido por la Royal Society por su trabajo en fluxiones y métodos para determinar el tamaño de la Tierra. Eso ya te dice el tipo de mente con la que estamos tratando.

El mayor impacto de Thomas llegó después de que él se fuera. Tras la muerte de Bayes en 1761, su amigo Richard Price revisó sus papeles, encontró una solución clara a un problema de probabilidad inversa, la editó y la publicó en 1763 como An Essay towards Solving a Problem in the Doctrine of Chances. Esta inversión — inferir de los datos a la creencia — es el sustento de todo, desde las pruebas médicas hasta el aprendizaje automático hoy en día.

La misma década en que el padre de Mozart llevaba a un prodigio por toda Europa, en que Abu Dhabi fue fundada, en que Watt mejoró la máquina de vapor, y en que James Cook partió para observar el tránsito de Venus. El colonialismo apenas estaba arrancando. Qué época para estar vivo.

Aquí está el núcleo de todo:

P(H | D) = P(D | H) × P(H) / P(D)

La posterior es igual a la verosimilitud por la prior, normalizada por la evidencia. Para quienes están más del lado de las matemáticas intuitivas, lo que codifica es: cuanto más sabemos ya, y mejor encajan las nuevas evidencias, mejor será nuestra próxima estimación.

Bayes aterriza en la Ilustración como una campana clara. Laplace lo escucha, lo lleva más lejos, y concibe su famoso experimento mental sobre un intelecto que conoce todas las fuerzas y posiciones, para quien nada es incierto, y para quien el futuro y el pasado son ambos visibles a la vez. Hermoso, y también una advertencia temprana sobre confundir el cálculo con la sabiduría.

¿Por qué importa ahora?

Porque las ideas más nuevas del mundo están al final del camino que comienza con Bayes.

Los grandes modelos de lenguaje se sienten cerebrales porque son muy buenos recuperando continuaciones probables a partir del contexto. No ejecutan literalmente el teorema de Bayes, pero su comportamiento es profundamente bayesiano. Ponderan las posibilidades según qué tan bien encajan con el relato hasta ahora. Siguen siendo débiles a la hora de dirigir la atención hacia la tarea correcta. Eso sigue siendo nuestro trabajo.

Empieza con un argumento razonado

Bayes habría odiado el instinto de declarar. Su método comienza con una hipótesis y espera los datos. Presentar un argumento razonado significa poner a prueba la creencia contra la evidencia. Eso hace mejor el marketing, la política más clara y las reuniones de producto más sensatas. El argumento se convierte en un proceso de calibración en lugar de conquista.

En lugar de enhebrar la aguja en un prompt de voz de 38 minutos, pide a la máquina que plantee una serie de preguntas que ayuden a construir un argumento razonado y a mejorar la calidad de los resultados. A medida que las plataformas abran entornos colaborativos donde varias personas y agentes puedan definir problemas juntos, este hábito importará más que cualquier comando individual.

Proporciona mejor contexto

Cada predicción depende de sus priors. Cuanto mejor enmarques el problema, más probable es que el sistema produzca sentido en lugar de ruido. Los prompts funcionan igual. Un contexto específico y bien ponderado produce resultados relevantes; las preguntas vagas generan basura con confianza. Ya sea que le hagas un prompt a una IA o a una persona, recibes de vuelta la calidad del contexto que pusiste.

Esto explica por qué los prompts cortos producen principalmente resultados mediocres. Las personas con talento y un sentido del refinamiento ya a mano van a salir bien paradas, por ahora.

Aporta evidencia

Si Thomas no hubiera guardado sus papeles, el buen amigo Richard Price no habría tenido nada que rebuscar. Si tienes papeles, eso es una ventaja. Si tienes datos, úsalos. El futuro ya está inundado de especulación confiada. La evidencia es el poder silencioso que te mantiene honesto. También es lo que convierte el aprendizaje probabilístico en un acto creativo en lugar de un farol. Cuanto más el modelo vea anclajes del mundo real, menos probable es que alucine. Los humanos funcionamos igual.

Si has escrito un blog, Substack o un libro, llevas ventaja. Estos se convierten en los priors que permiten a un modelo escribir con tu voz. Las empresas que tienen años de comunicados de prensa o contenido de vídeo podrán generar material sintético que coincida con el estilo y los marcos de la marca. Mantener la cabeza de una marca por encima del lodo se convertirá en un desafío clave.

Mantén múltiples perspectivas

El teorema de Bayes no se trata de tener razón una vez; se trata de equivocarse menos cada vez. Mantener múltiples perspectivas acelera ese proceso. Haz la pregunta, luego pregunta cómo tu cliente, tu crítico y tu competidor podrían responderla. Configurar modelos con marcos ideológicos o corpus de contenido curados hace que las respuestas sean más inteligentes y los equipos menos tribales. También es el antídoto contra las cámaras de eco, algorítmicas o de otro tipo.

Ahora mismo estoy leyendo Cultural Amnesia de Clive James, así que por supuesto que he investigado en profundidad las obras de quienes cita y comienzo mis días en conversación con las sombras de la historia. Camus tiene opiniones sobre todo. Pedir que tu pensamiento sea revisado desde la perspectiva de un cliente o de un escéptico incómodo puede ayudarte a abordar puntos ciegos y a construir un pensamiento mejor trabajando con la máquina.

Cuidado con la trampa de la atención

Optimizar para el engagement es una forma casi perfecta de destruir la confianza. También ha sido el modelo de monetización dominante en Silicon Valley durante décadas, y los grandes modelos que vienen de ese mundo comparten el ADN.

El contenido más pegajoso gana el scroll pero a menudo pierde el argumento. La atención sin profundidad se convierte en adicción. Bayes nos diría que la evidencia debe superar a la emoción, que unos pocos priors sólidos son mejores que mil opiniones calientes. Optimiza para los resultados, no para la indignación.

Los modelos ya están probando cómo respondes a la adulación. Eso parece el riesgo mayor que el de que la tecnología se convierta en Skynet, al menos por ahora.

La carrera exponencial no ha terminado

Los humanos tenemos la costumbre de creer que vivimos en o cerca del punto más alto de toda la historia. Siempre se siente como el final de una partida de Civilization y quedan pocas tecnologías en el árbol.

La IA parece ser un enorme motor económico, y apenas estamos empezando a entender qué cambia. A nivel de usuario, la interfaz para que estas tecnologías vayan más allá de la línea de comandos — a medida que la máquina construye interfaces de usuario alrededor de contenedores de software para prompts, nuevas constelaciones de nuestras interacciones en el mundo — es uno de los desarrollos más interesantes que observar.

No sabremos que el demonio de Laplace está en la sala hasta que sea demasiado tarde, lo que es otra forma de decir que la dirección, el propósito y la humildad siguen siendo los activos escasos. Bayes nos da una forma de aprender de la experiencia sin pretender certeza. Eso es exactamente lo que necesitamos.

Lo más poderoso de su teorema es que escala desde el universo hasta la bandeja de entrada. Se aplica igualmente a la física y al diseño de productos, a la contratación, la política y el liderazgo creativo. Cada día actualizamos nuestros priors basándonos en lo que el mundo nos devuelve. Eso es lo que es el aprendizaje real.