La ciencia de pensar en una época donde las máquinas también responden

«El primer principio es que no debes engañarte a ti mismo, y tú eres la persona más fácil de engañar.»
— Richard Feynman

Nunca antes en la historia había sido posible conversar con una máquina capaz de redactar informes, escribir código, diseñar estrategias de marketing, resumir investigaciones científicas o generar imágenes en cuestión de segundos.

La inteligencia artificial ha dejado de ser una promesa para convertirse en una herramienta cotidiana. Ya no hablamos de un futuro lejano, sino de un presente donde millones de personas consultan a modelos como ChatGPT antes que a un buscador tradicional. Las empresas comienzan a reorganizar procesos completos alrededor de agentes inteligentes y los profesionales descubren que buena parte del trabajo intelectual puede acelerarse mediante sistemas capaces de generar texto, analizar documentos o proponer soluciones.

Sin embargo, esta revolución plantea una pregunta mucho más profunda que la tecnológica.

¿Estamos aprendiendo más… o simplemente obteniendo respuestas más rápido?

La diferencia parece sutil, pero cambia absolutamente todo.

Precisamente aquí es donde la figura de Richard Feynman resulta extraordinariamente actual.

Aunque falleció en 1988, mucho antes del nacimiento de internet moderno o de la inteligencia artificial generativa, su manera de entender el conocimiento ofrece probablemente uno de los mejores marcos para analizar esta nueva revolución.

Feynman no fue únicamente uno de los físicos más brillantes del siglo XX. Participó en el Proyecto Manhattan, contribuyó decisivamente al desarrollo de la electrodinámica cuántica y recibió el Premio Nobel de Física en 1965. Sin embargo, lo que realmente lo convirtió en una referencia intelectual fue algo mucho más difícil de encontrar: una honestidad radical frente al conocimiento.

Para él, la ciencia no consistía en acumular respuestas.

Consistía en aprender a formular mejores preguntas.

Y esa diferencia resulta esencial cuando hablamos de inteligencia artificial.

El mayor riesgo de la IA no es tecnológico

Existe un debate permanente sobre si la IA destruirá empleos, sustituirá profesiones o alcanzará algún día una inteligencia comparable a la humana.

Son cuestiones interesantes.

Pero probablemente ninguna de ellas habría sido la primera preocupación de Feynman.

Su atención habría estado dirigida hacia otro problema mucho más humano:

¿Qué ocurre cuando dejamos de distinguir entre comprender algo y obtener una respuesta convincente?

Durante décadas, la educación ha premiado muchas veces la memorización sobre la comprensión.

Los estudiantes aprendían definiciones.

Los profesionales repetían metodologías.

Las organizaciones copiaban modelos de éxito.

La IA corre el riesgo de amplificar precisamente ese comportamiento.

Ahora ya no hace falta memorizar.

Basta con preguntar.

Y ahí aparece una paradoja extraordinaria.

Una herramienta diseñada para democratizar el conocimiento puede terminar debilitando nuestra capacidad para construirlo.

Porque una respuesta correcta no garantiza una comprensión correcta.

La primera lección de Feynman: no confundas saber el nombre con entender el fenómeno

En una de sus historias más conocidas, Feynman recordaba una conversación con su padre durante la infancia.

Su padre le enseñó un pájaro y le explicó que podía aprender el nombre del ave en todos los idiomas del mundo.

Después añadió algo decisivo.

Al terminar seguiría sin saber absolutamente nada sobre el pájaro.

Porque conocer un nombre no significa comprender cómo vive, por qué vuela, qué come o cómo interactúa con su entorno.

Esta idea parece sencilla.

Pero constituye una de las mayores críticas a nuestra forma de aprender.

Hoy sucede exactamente lo mismo con la inteligencia artificial.

Muchísimas personas conocen términos como:

• LLM.
• Prompt Engineering.
• RAG.
• Agentes.
• Tokens.
• Embeddings.
• Fine-tuning.

Sin embargo, eso no implica comprender cómo funciona realmente un modelo de lenguaje ni cuáles son sus limitaciones.

Del mismo modo que memorizar la palabra «petirrojo» no convierte a nadie en ornitólogo, conocer el vocabulario de la IA no convierte automáticamente a una persona en experta.

Feynman habría insistido en ir mucho más allá del lenguaje.

Porque los nombres organizan el conocimiento.

Pero no lo sustituyen.

El método Feynman frente a ChatGPT

Existe una técnica educativa muy popular denominada «Método Feynman».

Aunque posteriormente fue sistematizada por otros autores, resume bastante bien su filosofía.

Consiste en cuatro pasos extraordinariamente simples.

Primero.

Escoge un concepto.

Segundo.

Explícalo utilizando palabras que entendería un niño.

Tercero.

Detecta dónde aparecen lagunas en tu explicación.

Cuarto.

Vuelve a estudiar únicamente aquello que todavía no comprendes.

Este proceso resulta especialmente interesante cuando utilizamos inteligencia artificial.

Imaginemos que preguntamos a ChatGPT: «¿Qué es un transformador en inteligencia artificial?»

Obtendremos una explicación excelente.

Pero Feynman probablemente respondería: «Perfecto. Ahora explícamelo tú sin mirar la respuesta.»

Y ahí aparecería la diferencia entre consumir información y construir conocimiento.

Mientras la IA puede generar respuestas magníficas, únicamente nuestra mente puede reorganizarlas hasta convertirlas en comprensión auténtica.

La verdadera productividad no consiste en copiar mejores respuestas.

Consiste en pensar mejor después de haberlas leído.

La ilusión de la competencia

Uno de los efectos psicológicos más interesantes de la inteligencia artificial es la aparición de una nueva ilusión de competencia.

Antes necesitábamos horas para elaborar un informe.

Ahora podemos obtener uno en pocos minutos.

Eso genera una sensación inmediata de dominio.

Pero dicha sensación puede resultar engañosa.

La velocidad nunca ha sido equivalente al conocimiento.

Una calculadora resuelve operaciones mucho más deprisa que cualquier matemático.

Sin embargo, no entiende absolutamente nada sobre matemáticas.

Con los modelos de lenguaje sucede algo parecido.

Son extraordinarios generando patrones lingüísticos.

Pero la comprensión profunda sigue dependiendo de la capacidad crítica del usuario.

Cuanto mejores sean nuestras preguntas, mejores serán también las respuestas obtenidas.

Y esa capacidad continúa siendo profundamente humana.

La curiosidad como ventaja competitiva

Quizá la característica que mejor definía a Feynman era su curiosidad.

No investigaba para confirmar teorías.

Investigaba porque disfrutaba descubriendo cómo funcionaban las cosas.

Esa actitud resulta sorprendentemente relevante en el contexto actual.

Muchas organizaciones están utilizando la IA únicamente para producir más rápido.

• Más documentos.
• Más campañas.
• Más informes.
• Más reuniones resumidas.
• Más contenido.

Pero Feynman probablemente plantearía una cuestión mucho más incómoda.

¿Estamos utilizando la IA para producir más… o para pensar mejor?

La diferencia determinará quién liderará la próxima década.

Las empresas que simplemente automaticen tareas obtendrán mejoras temporales de eficiencia.

Las organizaciones que aprendan a formular preguntas radicalmente mejores construirán una ventaja mucho más difícil de copiar.

Porque la inteligencia artificial democratiza las respuestas.

Lo que seguirá siendo escaso será la calidad de las preguntas.

Y precisamente ahí comienza la verdadera innovación.

Una revolución comparable a la imprenta

Cada gran revolución tecnológica ha reducido el coste de acceder a la información.

La imprenta multiplicó los libros.

Internet multiplicó los datos.

La inteligencia artificial multiplica las respuestas.

Sin embargo, ninguna de estas revoluciones resolvió automáticamente el problema del pensamiento crítico.

Al contrario.

Cuanta más información existe, más importante resulta distinguir entre conocimiento, opinión, propaganda, sesgo y evidencia.

Feynman desconfiaba profundamente de cualquier afirmación que no pudiera ponerse a prueba.

No aceptaba una idea porque fuera popular.

La aceptaba únicamente cuando sobrevivía a la evidencia.

Quizá esa sea la lección más valiosa para nuestra época.

La IA puede generar miles de argumentos en segundos.

Pero sigue siendo nuestra responsabilidad decidir cuáles resisten el contraste con la realidad.

Y esa diferencia, aparentemente pequeña, es la que separa a quien utiliza la inteligencia artificial como una calculadora sofisticada de quien la convierte en un verdadero instrumento para ampliar su inteligencia.

En la siguiente parte analizaremos cómo Feynman aplicaría su método de pensamiento a los modelos de lenguaje modernos, por qué desconfiaría de las respuestas excesivamente seguras y qué enseñanzas ofrecería a directivos, profesionales del marketing y líderes empresariales que quieran aprovechar la IA sin renunciar al pensamiento crítico.

La IA no sustituye el pensamiento: pone a prueba nuestra forma de pensar

La inteligencia artificial no descubre la verdad: genera hipótesis

Existe una idea profundamente arraigada en nuestra cultura tecnológica: si una máquina responde con rapidez, entonces probablemente tenga razón.

Richard Feynman habría combatido esa idea desde el primer minuto.

Para él, la ciencia nunca fue una colección de certezas, sino un mecanismo para eliminar errores. Una teoría científica no era valiosa porque pareciera convincente, sino porque había sobrevivido repetidamente a los intentos de demostrar que era falsa.

Esta diferencia resulta fundamental para comprender la inteligencia artificial.

Un modelo de lenguaje no razona como un científico. Tampoco verifica los hechos antes de responder. Su funcionamiento consiste en estimar cuál es la secuencia de palabras más probable dada una pregunta y el enorme volumen de textos con el que fue entrenado.

En otras palabras, la IA genera respuestas plausibles, no verdades demostradas.

La diferencia parece pequeña, pero separa dos formas completamente distintas de entender el conocimiento.

Feynman probablemente diría que cada respuesta producida por un modelo de IA debe interpretarse como una hipótesis inicial, nunca como una conclusión definitiva.

La pregunta correcta no sería:

«¿Qué responde ChatGPT?»

Sino:

«¿Cómo puedo comprobar que esta respuesta es correcta?»

Y esa simple inversión cambia completamente la forma de utilizar estas herramientas.

La belleza de equivocarse

Uno de los rasgos más admirables de Feynman era su relación con el error.

Mientras muchos científicos intentaban proteger sus teorías, él disfrutaba descubriendo por qué estaban equivocadas.

No consideraba el error una derrota.

Lo veía como una fuente de información.

Hoy ocurre exactamente lo contrario en muchas organizaciones.

La presión por producir más deprisa hace que la IA se utilice para reducir incertidumbre.

Queremos respuestas inmediatas.

• Informes inmediatos.
• Estrategias inmediatas.
• Conclusiones inmediatas.

Sin embargo, el pensamiento científico funciona justamente al revés.

Las mejores preguntas suelen generar más dudas que respuestas.

Feynman probablemente desconfiaría de cualquier herramienta que ofreciera seguridad absoluta.

No porque la IA sea mala.

Sino porque la certeza excesiva suele ser incompatible con la ciencia.

La realidad casi siempre es más compleja.

Las «alucinaciones» de la IA vistas por Feynman

Uno de los conceptos más conocidos de los modelos de lenguaje es el fenómeno de las llamadas alucinaciones.

El término resulta llamativo, aunque quizás sea poco preciso.

• La IA no imagina.
• No sueña.
• No inventa deliberadamente.

Simplemente continúa una secuencia lingüística cuando carece de información suficiente para responder correctamente.

Desde la perspectiva de Feynman, el problema no estaría tanto en la máquina como en nosotros.

¿Por qué damos por cierta una respuesta simplemente porque está bien escrita?

¿Por qué confundimos fluidez con veracidad?

Nuestro cerebro lleva miles de años utilizando atajos cognitivos.

• Tendemos a creer aquello que parece coherente.
• Lo que confirma nuestras expectativas.
• Lo que está redactado con seguridad.
• La IA aprovecha involuntariamente ese sesgo.

Cuanto más natural resulta una respuesta, mayor es nuestra tendencia a aceptarla sin cuestionarla.

Por eso Feynman insistía constantemente en mantener una actitud escéptica.

No hacia los demás.

Sino hacia nuestras propias conclusiones.

La primera víctima de la IA puede ser el pensamiento crítico

Existe un fenómeno psicológico conocido como automatización de la confianza.

Cuando una herramienta demuestra ser muy eficaz durante un tiempo, dejamos progresivamente de supervisarla.

• Ocurrió con los pilotos automáticos en aviación.
• Con los GPS.
• Con las hojas de cálculo.
• Y comienza a suceder con la inteligencia artificial.

Al principio comprobamos todas las respuestas.

Después verificamos algunas.

Finalmente dejamos de hacerlo.

Ese es el momento verdaderamente peligroso.

No porque la IA falle más.

Sino porque nosotros dejamos de pensar.

Feynman habría recordado que el objetivo de la ciencia nunca fue sustituir el pensamiento humano.

Fue ampliarlo.

Una herramienta extraordinaria no elimina la responsabilidad intelectual.

La aumenta.

El experimento como forma de trabajar

Si hubiera que resumir toda la filosofía científica de Feynman en una única palabra probablemente sería esta: Experimentar.

No creía demasiado en las opiniones.

Ni siquiera en las propias.

Prefería comprobar.

Ese enfoque resulta sorprendentemente útil para cualquier empresa que quiera incorporar inteligencia artificial.

Muchas organizaciones preguntan: «¿Qué herramienta de IA deberíamos utilizar?»

Feynman probablemente cambiaría completamente la pregunta.

«¿Qué experimento podemos diseñar para descubrirlo?»

La diferencia parece mínima.

Pero transforma toda la cultura empresarial.

En lugar de implantar grandes proyectos tecnológicos, comenzaríamos diseñando pequeños experimentos medibles.

¿Qué ocurre si utilizamos IA para responder correos durante un mes?

¿Qué sucede si un comercial prepara sus reuniones con ayuda de un asistente inteligente?

¿Cuánto tiempo realmente ahorramos?

¿Disminuyen los errores?

¿Aumentan las ventas?

¿Mejora la satisfacción del cliente?

La ciencia no parte de opiniones.

Parte de evidencia.

Y eso es exactamente lo que muchas estrategias de transformación digital todavía echan de menos.

Lo que el marketing puede aprender de un físico

Puede parecer extraño relacionar a Richard Feynman con el marketing.

Sin embargo, ambos comparten algo esencial.

Los dos intentan comprender el comportamiento humano.

La diferencia es que uno estudiaba la naturaleza y el otro intenta comprender mercados.

En demasiadas ocasiones el marketing cae en la tentación de enamorarse de sus propias teorías.

Siempre que recordemos una cosa.

Son modelos.

No la realidad.

Feynman repetía con frecuencia que el mapa nunca sustituye al territorio.

Una empresa puede construir el modelo de cliente más sofisticado del mundo.

Pero si deja de hablar con clientes reales terminará optimizando una ficción.

La IA incrementa ese riesgo.

Hoy podemos generar perfiles de consumidor increíblemente convincentes en segundos.

Incluso podemos simular entrevistas, conversaciones y comportamientos.

Pero ninguna simulación sustituye la observación directa.

El contacto con el mercado continúa siendo irreemplazable.

La inteligencia artificial puede acelerar el análisis.

Nunca reemplazar la realidad.

¿Y si la IA estuviera haciendo mejores preguntas que nosotros?

Existe otra posibilidad fascinante.

Quizá la principal aportación de la IA no sea responder preguntas.

Sino obligarnos a formular preguntas mucho mejores.

Cada vez que obtenemos una respuesta mediocre solemos culpar a la herramienta.

Sin embargo, con frecuencia el verdadero problema está en la pregunta.

Feynman disfrutaba reformulando problemas.

Sabía que muchas investigaciones científicas permanecían bloqueadas porque se estaba intentando responder la pregunta equivocada.

En el mundo empresarial ocurre exactamente igual.

Una empresa pregunta: «¿Cómo puedo vender más?»

La IA responde.

Pero quizá la pregunta correcta era otra.

«¿Qué problema del cliente todavía no estamos resolviendo?»

O incluso una más profunda.

«¿Qué necesidad todavía no sabe el cliente que tiene?»

Las respuestas cambian radicalmente.

Porque cambian las preguntas.

Y ese probablemente sea el mayor aprendizaje que Feynman podría regalarnos en plena revolución de la inteligencia artificial.

El conocimiento sigue siendo un proceso

Quizá exista una frase capaz de resumir toda la filosofía de Richard Feynman.

La ciencia no consiste en tener razón. Consiste en acercarse cada vez más a la realidad.

La inteligencia artificial puede acelerar extraordinariamente ese camino.

Puede resumir investigaciones.

Encontrar patrones.

Relacionar disciplinas.

Proponer ideas inesperadas.

Pero sigue existiendo algo que ninguna máquina puede hacer por nosotros.

Decidir qué merece ser investigado.

Elegir qué preguntas cambian realmente nuestra comprensión del mundo.

Aceptar que algunas respuestas seguirán siendo provisionales.

Y tener la humildad suficiente para cambiar de opinión cuando aparezcan nuevas evidencias.

Paradójicamente, cuanto más inteligente se vuelve la tecnología, más valiosas se vuelven las cualidades que Feynman defendió durante toda su vida: curiosidad, honestidad intelectual, pensamiento crítico, experimentación y capacidad para convivir con la incertidumbre.

Quizá esa sea la mayor ironía de esta revolución.

La IA no está sustituyendo el método científico.

Está demostrando hasta qué punto seguimos necesitándolo.

La última ventaja competitiva seguirá siendo pensar

La empresa del futuro no será la que tenga más IA

Cada revolución tecnológica ha generado la misma ilusión.

Durante la Revolución Industrial parecía que las máquinas sustituirían completamente el trabajo humano.

Con Internet se afirmó que el conocimiento dejaría de tener valor porque toda la información estaría disponible.

Ahora sucede algo parecido con la inteligencia artificial.

Muchas organizaciones creen que la ventaja competitiva dependerá simplemente de disponer del mejor modelo de IA o del mayor número de agentes inteligentes.

Richard Feynman probablemente sonreiría ante esa idea.

No porque la tecnología no sea importante.

Sino porque la historia demuestra que las herramientas acaban democratizándose.

Lo extraordinario termina convirtiéndose en cotidiano.

La electricidad dejó de ser una ventaja.

Internet dejó de ser una ventaja.

La nube dejó de ser una ventaja.

La inteligencia artificial recorrerá el mismo camino.

Dentro de pocos años prácticamente todas las empresas utilizarán asistentes inteligentes, automatización, agentes autónomos y modelos multimodales.

Entonces aparecerá la verdadera diferencia.

No quién posee la tecnología.

Sino quién sabe pensar con ella.

La nueva ventaja competitiva: el criterio

Durante décadas el conocimiento fue un recurso escaso.

Hoy ocurre exactamente lo contrario.

Vivimos rodeados de información.

La IA incrementará todavía más esa abundancia.

Paradójicamente, cuanto más fácil resulte producir contenido, más valioso será distinguir entre lo relevante y lo irrelevante.

Feynman defendía que el pensamiento científico comienza precisamente ahí.

En aprender a separar hechos de opiniones.

Correlaciones de causalidades.

Datos de interpretaciones.

Hoy esa capacidad se convierte en un activo empresarial.

El verdadero profesional no será quien produzca más documentos.

Será quien detecte antes qué información merece atención.

La economía del conocimiento está evolucionando hacia una economía del criterio.

Y el criterio no puede automatizarse completamente.

El líder como científico

Quizá una de las aportaciones menos conocidas de Feynman sea su actitud frente al liderazgo.

Nunca buscó convertirse en una autoridad incuestionable.

Prefería ser el primero en cuestionarse a sí mismo.

Esta actitud resulta especialmente relevante para los directivos.

Durante décadas muchas organizaciones han premiado la seguridad.

El líder debía transmitir respuestas.

No dudas.

Sin embargo, la inteligencia artificial cambia las reglas.

Cuando cualquier empleado puede obtener información sofisticada en segundos, el valor del directivo deja de residir en saber más.

Su función pasa a ser otra.

Crear mejores preguntas.

Diseñar experimentos.

Interpretar resultados.

Construir culturas donde equivocarse no sea un fracaso sino una fuente de aprendizaje.

En cierto modo, el liderazgo comienza a parecerse más a dirigir un laboratorio que a gestionar una jerarquía.

Marketing basado en evidencia

Desde hace años el marketing vive una paradoja.

Disponemos de más datos que nunca.

Sin embargo, muchas decisiones continúan apoyándose en intuiciones disfrazadas de métricas.

Feynman habría insistido en una pregunta incómoda.

¿Estamos midiendo lo importante o únicamente aquello que resulta fácil medir?

La IA multiplica los indicadores.

Podemos analizar sentimientos, conversaciones, audiencias, segmentos, embudos y miles de variables adicionales.

Pero ninguna herramienta responde por sí sola a la cuestión esencial.

¿Qué comportamiento humano estamos intentando comprender?

Porque detrás de cada clic continúa existiendo una persona.

Detrás de cada compra existe una emoción.

Detrás de cada marca existe una narrativa.

La IA puede detectar patrones.

Comprender el significado de esos patrones continúa siendo una tarea profundamente humana.

La educación necesita menos respuestas y más preguntas

Si existe un ámbito donde el pensamiento de Feynman resulta especialmente revolucionario es la educación.

Durante siglos el sistema educativo se ha organizado alrededor de una idea sencilla.

El profesor posee el conocimiento.

El alumno intenta adquirirlo.

La IA rompe completamente esa lógica.

Hoy cualquier estudiante puede obtener explicaciones excelentes en segundos.

Eso obliga a replantear el propósito mismo de aprender.

Quizá el objetivo ya no consista en recordar información.

Sino en aprender a evaluarla.

Relacionarla.

Contradecirla.

Experimentar con ella.

En definitiva, pensar.

Feynman probablemente afirmaría que la escuela del siglo XXI debería enseñar menos contenidos y mucho más método científico.

Porque los contenidos cambian.

La capacidad para pensar permanece.

Las diez lecciones que Richard Feynman nos dejaría sobre la inteligencia artificial

Después de recorrer su forma de entender la ciencia, resulta posible resumir su legado en diez principios aplicables a cualquier profesional que trabaje con IA.

1. No confundas una respuesta elegante con una respuesta verdadera.

La IA escribe muy bien.

Eso no significa que siempre tenga razón.

2. Comprende antes de automatizar.

Automatizar un proceso mal diseñado únicamente acelera los errores.

3. Explica cualquier concepto con palabras sencillas.

Si no puedes hacerlo, probablemente todavía no lo entiendes.

4. Convierte cada respuesta en una hipótesis.

No preguntes únicamente qué dice la IA.

Pregunta cómo puedes comprobarlo.

5. Diseña experimentos, no opiniones.

Las mejores decisiones empresariales nacen de evidencia, no de intuiciones.

6. Mantén viva la curiosidad.

Las respuestas son abundantes.

Las preguntas interesantes siguen siendo escasas.

7. Aprende a convivir con la incertidumbre.

No todas las preguntas tienen una respuesta inmediata.

Y eso es perfectamente normal.

8. Cambia de opinión cuando cambien las evidencias.

La flexibilidad intelectual constituye una fortaleza, nunca una debilidad.

9. Nunca delegues completamente tu pensamiento.

Puedes delegar tareas.

No criterio.

10. Disfruta descubriendo cómo funcionan las cosas.

La curiosidad seguirá siendo el motor de toda innovación.

Una conversación imaginaria

Resulta inevitable imaginar qué ocurriría si hoy pudiéramos sentar a Richard Feynman delante de un modelo de inteligencia artificial.

Probablemente pasaría horas haciéndole preguntas.

No para comprobar si la máquina era inteligente.

Sino para descubrir dónde dejaba de serlo.

Intentaría romper el sistema.

Buscaría contradicciones.

Exploraría sus límites.

Y cuando encontrara un error no concluiría que la IA es inútil.

Concluiría que acabamos de aprender algo importante sobre cómo funciona.

Esa era precisamente su forma de entender la ciencia.

Cada error era una oportunidad para comprender mejor la realidad.

Quizá esa sea también la actitud que deberíamos adoptar frente a la inteligencia artificial.

No utilizarla para dejar de pensar.

Sino para pensar más lejos.

Reflexión final

La inteligencia artificial representa probablemente la mayor revolución tecnológica desde Internet.

Sin embargo, su impacto no dependerá únicamente de la potencia de los modelos.

Dependerá, sobre todo, de la calidad intelectual de quienes los utilicen.

Richard Feynman dedicó toda su vida a defender una idea extraordinariamente sencilla y profundamente incómoda.

El conocimiento no consiste en acumular respuestas.

Consiste en desarrollar la honestidad suficiente para reconocer lo que todavía ignoramos.

En una época donde una máquina puede responder casi cualquier pregunta en segundos, esa enseñanza adquiere un valor incalculable.

Porque quizá el futuro no pertenezca a quienes tengan acceso a la mejor inteligencia artificial.

Quizá pertenezca a quienes conserven algo mucho más escaso.

La curiosidad.

La capacidad de dudar.

La humildad para cambiar de opinión.

Y el coraje intelectual para seguir haciendo preguntas cuando todos los demás crean haber encontrado ya todas las respuestas.

Bibliografía recomendada

• Richard P. Feynman, Surely You’re Joking, Mr. Feynman!
• Richard P. Feynman, What Do You Care What Other People Think?
• Richard P. Feynman, The Pleasure of Finding Things Out.
• Richard P. Feynman, Six Easy Pieces.
• Karl Popper, La lógica de la investigación científica.
• Daniel Kahneman, Pensar rápido, pensar despacio.
• Nassim Nicholas Taleb, El Cisne Negro.
• Michael Polanyi, Personal Knowledge.
• Thomas S. Kuhn, La estructura de las revoluciones científicas.