Lo imposible: el negocio más grande del mundo

En días recientes leí el estupendo substack de Hernán Jaramillo de 10 AM Pro titulado “AI más grande que la revolución industrial”, todo un escrito potente sobre como la IA no es una simple tecnología que mejora la productividad, sino que es algo fundamentalmente revelador que es capaz de replicar y amplificar la cognición humana misma, basado en el hecho que la IA potencializa esa capacidad de resolver lo intratable (solving intractable problems).

En este escrito quiero profundizar en lo “intratable”, entendiendo no sólo su significado en ciencias computacionales, sino también como escuela de pensamiento. También veremos como la humanidad ha solucionado estos problemas durante siglos. Y como a partir de la solución a estos problemas intratables han nacido mercados completos, a punto que podemos decir que el 70% PIB global de hoy es el resultado a la solución de estos problemas.

Los problemas intratables en la teoría de la complejidad computacional

En ciencias de la computación, los problemas se clasifican según la cantidad de recursos que los algoritmos requieren para resolverlos. Normalmente, cuando hablamos de recursos en el contexto de la teoría de la complejidad computacional, nos referimos principalmente a tiempo y memoria, ésta última entendida como la cantidad de celdas necesarias para almacenar datos intermedios durante la ejecución. Con la evolución de la ingeniería y de la práctica (cloud, hardware, supercomputadores), el concepto teórico de recursos se tradujo en el de capacidad de cómputo, un término más amplio que combina tiempo, memoria y recursos físicos de la máquina, incluyendo núcleos de procesamiento, paralelismo, ancho de banda y eficiencia energética. Dentro de estas formas de cómputo, las GPUs (Graphics Processing Units) adquirieron especial preponderancia porque se convirtieron en el motor del cómputo masivo en IA, ciencia de datos y simulaciones. Sin embargo, en estricto sentido, una GPU representa sólo un tipo de capacidad de cómputo, y conviene no confundir los recursos teóricos de la complejidad computacional con la capacidad computacional práctica de los sistemas físicos.

Lo anterior se complementa con el entendimiento básico, pero no por ello sencillo, de la teoría de la complejidad computacional, que clasificó los problemas principalmente en dos clases: la clase P y la clase NP. La clase P (del inglés Polynomial) agrupa los problemas que una computadora puede resolver en un tiempo relativamente rápido (tiempo polinómico). La clase NP (del inglés Nondeterministic Polynomial) contiene problemas para los cuales no se conoce un algoritmo polinomial que lo solucione, aunque cualquier solución propuesta puede verificarse en tiempo polinómico. O más simple, en NP están los problemas de los que no sabemos si existe un algoritmo eficiente, pero si alguien nos da una solución, podemos comprobar rápidamente que sí es correcta. Muchos de los problemas prácticos que las computadoras resuelven hoy están en la clase P. De otro lado, un ejemplo típico para ilustrar NP es el Sudoku, donde verificar una solución ya completada es muy fácil, pero encontrarla puede ser bien difícil. Además, existen dos subclases relevantes: NP-hard y NP-complete. Un problema es NP-hard si resolverlo permite traducir la solución a cualquier problema de NP; es decir, es al menos tan difícil como cualquier problema en NP. Los problemas NP-complete son aquellos que son simultáneamente NP como NP-hard: los más difíciles dentro de NP. Todo ésto parece un trabalenguas, pero el diagrama de Venn abajo lo permite visualizar más fácilmente.

El problema de P vs NP

Con la evolución de la capacidad de cómputo, algunos de los problemas que se creían difíciles (en su momento NP) resultaron estar en P. Y esto ha abierto uno de los enigmas más grandes de las ciencias de la computación, que es el famoso problema de P vs NP. Si todo problema puede verificarse rápido (como los NP) también puede resolverse rápido (como los P). Es decir, P = NP. La solución al problema no es trivial, porque:

• Si P = NP, problemas hoy considerados intratables tendrían soluciones rápidas.

• Si P ≠ NP, confirmamos que hay problemas inherentemente difíciles.

Es tan relevante el tema, que este enigma de P vs NP es uno de los problemas más famosos de las matemáticas, y es uno de los siete problemas matemáticos propuestos en el año 2000 por el Insituto Clay de Matemáticas (Millennium Prize Problems) ofreciendo un premio de un millón de dólares por la solución correcta de cada uno. A hoy, sólo uno de ellos se ha solucionado, y no precisamente el P vs NP. https://www.claymath.org/millennium-problems/

Hasta que no se resuelva el famoso enigma de P vs NP, la teoría convencional de hoy sostiene que P ≠ NP, y es en ese contexto que los problemas NP-complete son los llamados problemas intratables: aquellos para los que no se conoce ningún algoritmo eficiente capaz de resolverlos en un tiempo razonable.

Para los más inquietos, los invito a profundizar en el problema P vs NP:

Los problemas intratables en la escuela del pensamiento complejo

Si la teoría de la complejidad computacional habla de algoritmos que colapsan ante lo imposible, la escuela de pensamiento complejo de Edgar Morin nos habla desde la filosofía y la epistemología, y nos recuerda que la sociedad vive rodeada de problemas intratables. No son ecuaciones, sino dramas humanos en forma de pobreza, guerras, crisis ambientales, soledades y democracias que se deshacen. Morin no los llama intratables directamente, pero sí los llama problemas complejos porque no tienen una causa única ni una solución lineal. Edgar Morin, filósofo y sociólogo francés, nacido en 1921 y aún vivo, es de los pensadores contemporáneos más importantes. Su obra gira alrededor de una idea central: el pensamiento complejo. Es decir, aceptar la incertidumbre, la interdependencia y la contradicción como parte inseparable de la realidad, y dejar atrás la ilusión de que los grandes problemas del mundo pueden resolverse con simplificaciones o recetas lineales. Y es allí donde su escuela da luces para la solución a los problemas complejos (intratables), abordándolos desde diferentes frentes:

• Pensamiento transdisciplinario: no basta con mirarlos desde una sola ciencia. Un problema complejo exige sumar biología, economía, política, cultura, ética. Por ejemplo el cambio climático no se arregla sólo con tecnología, también requiere política, cultura y educación.

• Aceptar la incertidumbre: no existen predicciones exactas. Hay que aprender a navegar con escenarios probables y adaptarse.

• Gestionar contradicciones: en un problema complejo conviven fuerzas opuestas (orden/caos, libertad/seguridad, individuo/comunidad). No se trata de anular una, sino de mantener un equilibrio dinámico.

• Pensar en redes, no en líneas: Lo complejo se organiza en sistemas con retroalimentaciones. Hay que ver las conexiones invisibles en lugar de separar todo en compartimentos.

De lo anterior, tal vez lo más potente es lo del pensamiento en redes. El pensamiento clásico (cartesiano, positivista, reduccionista) concibe los problemas como cadenas lineales de causa y efecto. Morin critica esa visión por tres razones:

1. Retroalimentación (feedback): las causas no sólo producen efectos, los efectos también influyen de vuelta en las causas.

2. Interdependencia de factores: los fenómenos no dependen de una sola cadena causal, sino de muchas variables entrelazadas.

3. Emergencia: cuando los elementos interactúan en red, aparecen propiedades nuevas que no existen por separado.

Por eso, Morin pide un pensamiento que mire el tejido completo en lugar de diseccionar la realidad en piezas sueltas.

La misma posición política de Morin es compleja, y justo ahí está la ironía pues Morin no sólo escribe sobre complejidad, sino que él mismo la encarna. Morin es fácilmente catalogable como un pensador de izquierda por su crítica al capitalismo, pero al mismo tiempo un duro crítico al reduccionismo marxista. Siendo un judío sefardí, en su juventud militó en la resistencia francesa contra el nazismo durante la Segunda Guerra Mundial, para luego afiliarse al Partido Comunista Francés en la Posguerra, pero luego abandona en 1951 por discrepancias con el dogmatismo soviético y el estalinismo. Luego se mantiene crítico del capitalismo, pero también crítico del socialismo real. Él mismo decía: “No se trata de simplificar lo complejo, sino de aprender a vivir en la complejidad.”

Incluso hoy dice frases como “El pensamiento se ha convertido en un apéndice del cálculo, cuando originalmente el cálculo debía ser un apéndice del pensamiento. La inteligencia artificial puede dar miedo, pero yo temo sobre todo la inteligencia humana superficial.” Los invito a leer esta entrevista que dio el pasado 3 de agosto.

De la filosofía al algoritmo

Lo potente de Morin es que esa escuela de pensamiento propone ver los problemas como redes interdependientes con retroalimentación y emergencia, no como secuencias lineales. Y eso es precisamente lo que acerca el universo P al universo NP en el campo de lo computacional. Lo que ha permitido solucionar problemas del tipo NP (para los cuales no se conoce un algoritmo polinomial que lo solucione) es precisamente el diseño de nuevos algoritmos que desechan la ruta clásica reduccionista y lineal.

Aplicando la escuela de Morin a la teoría computacional permite ver la solución a problemas reales, como:

• Redes neuronales artificiales: nodos interconectados que aprenden en bucles de retroalimentación.

• Algoritmos genéticos y evolutivos: soluciones emergentes que no siguen una línea, sino mutaciones y selección adaptativa.

• Heurísticas y metaheurísticas: renuncian a la exactitud cartesiana y aceptan la incertidumbre, encontrando “buenas soluciones” sin necesidad de la “solución perfecta”.

• Sistemas multiagente: interacciones distribuidas que generan propiedades emergentes.

El capitalismo vive de lo que ayer era intratable

Lo que la escuela del pensamiento complejo y la teoría de la complejidad computacional nos enseñan, más allá de este intento (ojalá no fallido) que hago de unirlas simbólicamente en este texto, es que hay toda una categoría de problemas que durante siglos parecían maldiciones grabadas en piedra. Esos desafíos que generaciones completas daban por imposibles fueron los límites de lo posible en alguna época. Algunos de esos problemas intratables fueron muros:

• “La peste es un castigo divino, nada podemos hacer”.

• “El océano es infinito, quien lo cruce caerá por el borde”.

• “Nadie puede comunicarse a distancia sin mensajeros o palomas”.

• “La información es escasa, sólo los monjes y notarios pueden custodiarla”.

Cada vez que la humanidad derribó uno de estos muros, no sólo resolvió un problema: abrió un mercado entero.

De lo imposible a lo cotidiano

Podemos mirar la economía como el mausoleo de los problemas ya resueltos. Y son muchos:

1. La mortalidad masiva (medicina y antibióticos): Hasta principios del siglo XX, una simple herida mataba. La invención de la penicilina y los antibióticos convirtió ese problema intratable en una industria de la salud que hoy vale representa más del 10% de PIB global.

2. La distancia física (transporte y comunicación): Viajar de París a Nueva York tomaba semanas. Con el motor a vapor, después con el avión y finalmente con la fibra óptica y los satélites, la distancia se evaporó. De ahí nacen sectores como la aviación comercial, el turismo global y las telecomunicaciones, mercados que hoy equivalen a cerca del 20% del PIB mundial.

3. La información inaccesible (imprenta e internet): Durante siglos, la información era un recurso escaso, monopolizado por las élites. La imprenta de Gutenberg primero y luego el internet rompieron esa trampa. El conocimiento se volvió abundante y escalable, generando industrias enteras como Tecnología de la información (TI / software / hardware), medios y contenidos digitales, servicios de datos, publicidad digital, infraestructura digital (servicios en la nube, centros de datos). Todo esto pesa fácilmente entre el 10 y 15% del PIB global.

Sólo estos tres grandes rubros representan casi la mitad del PIB global. Si a ello le sumamos la energía (de la leña, al gas, a lo nuclear), y el dinero (del trueque, al banco, al blockchain), podemos decir sin temor que el 70% de la economía mundial se explica por industrias nacidas de la solución a problemas que antes eran intratables.

Y lo mejor está por venir:

• Envejecimiento → longevidad y biotecnología.

• Confianza en el sistema financiero → blockchain y tokenización.

• Escasez de talento → inteligencia artificial y automatización.

• Escasez de recursos → nuevos materiales y minería espacial

• Salud mental → neurociencia aplicada y tecnologías de bienestar cognitivo

• Lenguaje y comunicación → traducción perfecta y telepatía digital

El verdadero combustible del capitalismo no es el capital ni el trabajo: es la capacidad de convertir lo intratable en trivial. Lo que ayer era magia, hoy es rutina. Lo que hoy parece imposible, mañana será mercado. Y cada vez que alguien se atreve a enfrentar un problema intratable, no solo cambia la historia: también escribe la factura más grande del futuro.