En el enlace más abajo, les comparto el trabajo práctico de la referencia. En este proceso de aprendizaje, todo aporte será bienvenido.
Gracias.
Acceso al trabajo práctico: https://drive.google.com/file/d/1th4MWH_8qjPLuU-d5Bn6QMHSac-s11GW/view?usp=sharing
Pablo
¡Hola, Pablo! ¿Cómo estás?
Muchas gracias por compartir tu trabajo práctico. Está muy completo, bien organizado y demuestra una lectura muy atenta del estudio.
Lo que destacamos
El análisis de la frontera. Incluiste no solo las mejoras dentro de la frontera, sino también el aumento de 19 puntos porcentuales en la probabilidad de error fuera de ella. Ese matiz es clave y muchas veces se pasa por alto.
La IA como niveladora. La comparación entre la mejora de los consultores de menor desempeño (43%) y los de mayor desempeño (17%) aporta una mirada muy interesante sobre el impacto de la IA en los equipos.
Los perfiles centauro y ciborg. Es un muy buen complemento, porque muestra que no hay una única forma de trabajar con IA.
La interpretabilidad. Sumar este criterio en la comparación entre machine learning y deep learning enriquece mucho el análisis, sobre todo pensando en decisiones de negocio que necesitan ser explicadas.
Las precauciones éticas. La mención al consentimiento y a los derechos de las personas en el uso de voces e imágenes es muy pertinente.
Algunas sugerencias
Podrías incluir la referencia del estudio, por ejemplo: Dell’Acqua et al. (2023), Navigating the Jagged Technological Frontier, Harvard Business School. Así quien lea tu trabajo puede consultar la fuente original.
Como siguiente paso, sería interesante aplicar estos conceptos a un caso concreto de tu área de trabajo o de un negocio que conozcas: qué tareas estarían dentro de la frontera, cuáles fuera y qué tipo de análisis usarías para cada decisión.
Tu conclusión resume muy bien la idea central: el valor está en saber qué tareas delegar y mantener siempre la verificación humana.
¡Un saludo y buenos estudios!