👉 incluye video con resumen: https://www.youtube.com/watch?v=ESevdbXrA9M
Vivimos en una era que se queja constantemente de la
"sobrecarga de información". Nos ahogamos en notificaciones,
noticias, correos y métricas. Pero ¿realmente entendemos de qué hablamos cuando
decimos "información"? ¿Y cuál es la diferencia con los
"datos" o el "conocimiento"? La mayoría de nosotros usamos
estos términos de manera intercambiable, asumiendo que más datos equivalen a
más conocimiento.
En una era dominada por el Big Data y la inteligencia
artificial, estas distinciones no son solo teóricas; son la clave para entender
por qué tener más datos no nos hace necesariamente más sabios o efectivos
frente a la necesidad de innovar.
Prepárate para descubrir cuatro verdades que cambiarán la
forma en que abordas estos conceptos para potenciar procesos de innovación.
En un artículo anterior de este mismo espacio nos dedicamos
a trabajar las diferencias
entre información y conocimiento. Te invito a leerlo para comprender la
importancia de diseñar procesos de apoyo a la innovación que transformen las
realidades que te preocupan. Entender las diferencias debería tener un impacto
significativo en la forma que diseñas tus intervenciones.
En este artículo profundizaremos estos temas de la mano de
un artículo académico de 1995, escrito por Agnar Aamodt y Mads Nygård, que nos ofrece
una perspectiva clara que sigue siendo increíblemente relevante hoy. Sus ideas
no solo sirven para aclarar la confusión, sino que desafían nuestras
suposiciones más básicas sobre cómo funciona el mundo digital y de los procesos
de apoyo a la innovación.
4 afirmaciones contraintuitivas sobre los datos y el conocimiento
1: Los datos son inútiles sin conocimiento
para interpretarlos
Solemos pensar que los datos son inherentemente valiosos, pero Aamodt y Nygård argumentan lo contrario. En su artículo, nos ofrecen la primera revelación: una jerarquía funcional que lo cambia todo.
Los datos son solo patrones sin sentido. La información son datos con significado. El conocimiento es lo que crea ese significado.
Aquí va una descripción más detallada de estos términos:
• Datos: Son entidades puramente
sintácticas. Imagina una cadena de caracteres como ´Q)9§?8$%@*¨&/. Eso
son datos: un patrón sin significado inherente.
• Información: Es el resultado de
interpretar los datos. Cuando aplicas un contexto y le das un significado a
esos patrones, los conviertes en información. La información es tanto la
entrada como el resultado de un proceso de toma de decisiones.
• Conocimiento: Es el recurso que una
persona (o un sistema) utiliza para realizar esa interpretación. Es la
información que ya hemos aprendido y que está lista para ser usada para
entender el mundo.
El punto clave es que el paso de datos a información no es
mágico ni automático. Requiere un proceso activo de interpretación que
es impulsado por el conocimiento que ya poseemos. Crucialmente, este proceso de
aprendizaje no es pasivo; siempre está ligado a un propósito, a una forma de
usar en el futuro lo que se ha aprendido. El conocimiento es, por definición,
funcional.
Los datos son entidades sintácticas - los datos son patrones
sin significado; son datos que se introducen en un proceso de interpretación,
es decir, en la fase inicial de la toma de decisiones. La información es
datos interpretados - La información son datos con significado; es el resultado
de la interpretación de los datos... El conocimiento es información
aprendida - el conocimiento es información incorporada a los recursos de
razonamiento de un agente y preparada para su uso activo en un proceso de decisión;
es el resultado de un proceso de aprendizaje.
Pero si el conocimiento es la clave para interpretar los
datos, ¿dónde reside ese conocimiento? La respuesta es más sorprendente de lo
que parece.
2: El conocimiento es subjetivo. Una biblioteca
no contiene información, contiene datos
La información y el conocimiento siempre le
"pertenecen" a alguien (o algo).
Prepárate, porque esta segunda afirmación es la que choca de
frente con nuestra intuición. Tendemos a pensar en la información y el
conocimiento como entidades objetivas que existen "ahí fuera",
esperando ser descubiertas. Según este modelo, eso es incorrecto.
La información y el conocimiento son siempre subjetivos a un
"agente", que el artículo define como "un sistema con capacidad
de razonar y de actuar sobre la base de su razonamiento", ya sea una
persona, o incluso hoy en día la denominada Inteligencia Artificial (IA). El
significado no reside en el objeto, sino en quien lo interpreta. Principio
básico de la semiología.
El ejemplo perfecto es un libro en una biblioteca. En un
sentido estricto y técnico, el libro no contiene información ni conocimiento.
Contiene datos: símbolos de tinta impresos en papel (como en este
artículo). Esos datos solo se convierten en información cuando
una persona, con el conocimiento previo del lenguaje y el tema, lo lee e
interpreta (como tu caso en este momento). Sin un lector, un libro es solo un
objeto físico con patrones.
Esta idea es impactante porque nos obliga a aceptar que el
conocimiento no es algo que se almacena de forma pasiva en el mundo. Es
algo que se construye activamente dentro de un intérprete. Y mucho más
revelador para la concepción tradicional, el conocimiento no se trasmite.
En sentido estricto, no tiene sentido hablar de
«conocimiento en un libro» o «información en una biblioteca». Es decir, a menos
que el libro o la biblioteca tengan capacidad de razonamiento. Para ser
precisos, deberíamos hablar de datos en un libro y de libros como fuentes de
información, que será útil al ser mediada por un conocimiento.
Si el conocimiento es algo subjetivo que se construye
activamente dentro de un intérprete, esto debería tener unas implicaciones
enormes para nuestra tarea de promotores de cambio o innovación. Esta idea ya
nos dispara una serie de cuestionamientos para del diseño de procesos de apoyo
¿Qué necesitamos hacer para diseñar procesos de apoyo a la innovación que
construyan conocimiento a partir de la experiencia?
3: La experiencia concreta es a menudo más poderosa
que las reglas generales
Recordar experiencias pasadas es una forma de inteligencia
más robusta y adaptable que operar desde las reglas generales. El problema de
los sistemas basados en reglas es que, cuando se enfrentan a una situación
nueva o inesperada que no está cubierta por sus reglas, simplemente fallan.
Aamodt y Nygård destacan una alternativa mucho más poderosa:
el Razonamiento Basado en Casos (RBC). En lugar de depender de
reglas abstractas, un sistema basado en RBC resuelve un problema nuevo buscando
en su memoria una "experiencia" o un "caso" similar que
haya resuelto en el pasado. Luego, adapta la solución de ese caso antiguo al
nuevo problema.
La ventaja es enorme, el sistema se vuelve más inteligente
con cada problema que resuelve, porque guarda cada nueva solución como un nuevo
caso en su memoria. Aprende de la experiencia, volviéndose más robusto y
adaptable con el tiempo. Esto anticipó un principio clave en la IA moderna: los
mejores sistemas no solo siguen reglas, sino que aprenden de vastos conjuntos
de ejemplos específicos, muy parecido a cómo se entrenan los modelos de
lenguaje actuales.
Este modelo de aprendizaje basado en la experiencia es
poderoso. Pero, ¿qué valor tiene realmente una "experiencia" guardada
en un sistema? Depende enteramente de la capacidad del sistema para usarla.
4: Una misma experiencia puede ser datos, información
o conocimiento activo
El valor de una experiencia depende de la capacidad para
usarla. Combinando las ideas anteriores, el artículo explica que una misma
"experiencia" —un caso guardado— puede tener un valor completamente
diferente según las capacidades de las personas o el sistema (por ej: IA) que
la posea. Un registro de un evento pasado puede funcionar de tres maneras:
• Como Datos: Las personas o el sistema (por
ej: IA) solo puede almacenar y recuperar el caso. Es como un archivo en una
carpeta. Un humano debe abrirlo, leerlo e interpretarlo. El caso es un objeto
pasivo.
• Como Información: Las personas o el
sistema (por ej: IA) tiene suficiente conocimiento para entender el contenido
del caso. Puede leerlo e interpretar lo que significa, pero no puede usarlo
para resolver un nuevo problema de forma autónoma.
• Como Conocimiento: Las personas o el
sistema (por ej: IA) puede usar activamente el caso para razonar. Puede
encontrarlo cuando sea relevante, adaptar su solución a un nuevo problema y
aprender del proceso. Aquí, el caso se convierte en una herramienta activa de
inteligencia.
Esta idea ofrece una hoja de ruta brillante para construir procesos
de apoyo a la innovación, e incluso sistemas inteligentes (IA). Si tu
preocupación es solo en la calidad de los datos tu producto será una base de
datos, algo simple pero por ello no menos frecuente cuando analizamos
estrategias de apoyo a los procesos de innovación. Hay muchos procesos que solo
logran eso.
Si tu preocupación es la interpretación de esos datos,
estarás orientando tu estrategia a obligar un testeo (o intercambio) para
reconocer comparativamente con tu capacidad, la capacidad de otros para
significar el dato en el mismo sentido, tu producto central será el “control”
de la información.
Ahora bien, si quieres que las cosas cambien, “se muevan” en
el sentido que la innovación propone, deberás girar tu mirada al conocimiento,
la capacidad que tengan los actores con los que interactúas, para hacer “algo”
con esa información que proviene de los datos.
Esta es la diferencia entre una simple base de datos
(datos), un dashboard de Business Intelligence (información) y un sistema de
recomendación proactivo (conocimiento).
Principales aprendizajes.
La distinción entre datos, información y conocimiento no es
un simple ejercicio académico; es una herramienta fundamental para lograr
diseños de procesos de apoyo a la innovación que hagan que las “cosas ocurran”,
que “se mueva la aguja” como suelen decir cuando se piensa el proceso desde los
indicadores de impacto.
Estas ideas, propuestas hace casi tres décadas, nos explican
por qué las propuestas de promoción de innovaciones, muchas veces, a pesar de disponer
de acceso a casi todos los datos del mundo, todavía sostienen una alta brecha
de atribución de cambio.
El verdadero poder no reside en acumular terabytes de datos,
sino en construir y aplicar el conocimiento necesario para interpretarlos y
convertirlos en acción.
La próxima vez que te enfrentes a un mar de
"información" o interactúes con una IA, pregúntate:
- ¿Qué conocimiento (contexto, experiencia, propósito) estoy aplicando para convertir estos datos en algo útil?
- ¿Y qué experiencia valiosa estoy construyendo para el futuro?
Tu decisión
Este es el aporte que quería hacer sobre lo que considero un
tema muy importante para los que trabajamos en apoyo a los procesos de
innovación. Como verás solo es un conjunto de “datos” en formato de
letras hilvanadas dentro de un sistema de posteo electrónico. Si llegaste hasta
aquí, la interpretación que tu hagas de estas líneas, te permitirá
transformarlas en “información”. Y si logras usarla proactivamente para
modificar tus estrategias de diseño de procesos de apoyo a la innovación,
habrás convertido esto en “conocimiento”.
Aguardo tus comentarios o inquietudes para saber hasta donde
llegó este pequeño esfuerzo de “letras amontonadas”.
Palabras claves
#datos #información #conocimiento #innovación #comunicación
#extensión #atribución #subjetivo #aprendizaje #interpretación
Recursos usados
Para no confundir información con conocimiento. https://redextensionrural.blogspot.com/2016/03/para-no-confundir-informacion-con.html
Diferentes funciones y dependencias mutuas de los datos, la
información y el conocimiento; una perspectiva de la IA sobre su integración. Agnar
Aamodt y Mads Nygård Data
Knowledge es.pdf
Reconociendo ámbitos de influencia. https://redextensionrural.blogspot.com/2024/03/reconociendo-ambitos-de-influencia.html
La brecha de atribución en la tarea de extensión. https://redextensionrural.blogspot.com/2019/09/la-brecha-de-atribucion-en-la-tarea-de.html
NOTA: Si te ha gustado el post, puedes dejar tus comentarios o consultas. Suscribirte para recibir en tu buzón las siguientes entradas de este blog. Si quieres contactar al autor escribir a: Adrián Gargicevich
Facebook: https://www.facebook.com/extensionparaextensionistas/
YouTube: https://www.youtube.com/channel/UCae9skGSI8bSunH_SFm_3iA?view_as=subscriber
Telegram: https://t.me/+ODehcfWdlNsxY2Fh
Substack “5 minutos por semana para la extensión y la innovación” https://extensioneinnovacion.substack.com/embed
Spotify https://open.spotify.com/show/6M357iDMFkbqtZTdOJs4dV?si=811097f5722b471a
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
No hay comentarios:
Publicar un comentario