¿Quién formará al próximo senior?

Doble desaparición del aprendizaje

Inteligencia artificial, deuda cognitiva y la desaparición de los primeros peldaños de la experiencia

Resumen ejecutivo

La discusión sobre inteligencia artificial y empleo se ha concentrado en una pregunta:

¿cuántos trabajos desaparecerán?

La evidencia reciente obliga a formular otra.

Los datos administrativos de Stanford muestran que los trabajadores de 22 a 25 años en las ocupaciones estadounidenses más expuestas a IA presentan una brecha de empleo del 19% frente a la trayectoria que habrían seguido si hubieran evolucionado como sus pares menos expuestos. El ajuste ocurre principalmente mediante menor contratación, no mediante mayores despidos.

La Reserva Federal de Dallas encuentra, utilizando millones de vacantes, otro componente del mismo fenómeno: las empresas están publicando menos posiciones en ocupaciones cuyas tareas son automatizables mediante IA generativa y están modificando la composición de su demanda laboral.

PwC encuentra un tercer cambio. En 2.4 millones de posiciones entry-level en Estados Unidos, los puestos más expuestos a IA son siete veces más propensos a exigir habilidades tradicionalmente asociadas con trabajadores senior, como liderazgo, creatividad y juicio.

Al mismo tiempo, una línea de investigación del MIT Media Lab plantea una preocupación en el extremo anterior de la cadena. En un experimento sobre escritura asistida por LLM, los participantes que utilizaron estas herramientas mostraron menor conectividad neuronal durante la tarea, menor capacidad para recordar su propio texto y menor sensación de autoría que quienes trabajaron sin herramientas. Los investigadores denominan al riesgo derivado de la dependencia excesiva cognitive debt, o deuda cognitiva.

Ninguno de estos estudios demuestra por separado que estemos produciendo una generación incapaz de convertirse en senior.

Pero, considerados conjuntamente, revelan un problema estratégico que empresas y universidades deben investigar desde ahora:

Estamos elevando las capacidades necesarias para entrar al mercado laboral al mismo tiempo que automatizamos algunas de las experiencias mediante las cuales esas capacidades se desarrollaban.

El problema de la inteligencia artificial y el empleo no es únicamente cuántos puestos desaparecerán.

Es cómo construiremos experiencia cuando desaparezca parte del trabajo con el que aprendíamos a adquirirla.

1. El problema no comienza en el empleo

Durante décadas, la transición hacia una carrera profesional seguía aproximadamente esta secuencia:

educación → puesto inicial → experiencia → mayor responsabilidad → criterio → seniority

No era un sistema perfecto, pero tenía una lógica.

Primero aprendíamos conceptos, después realizábamos tareas relativamente sencillas, cometíamos errores, recibíamos retroalimentación, observábamos a personas con mayor experiencia y encontrábamos excepciones que los libros no habían previsto.

Repetíamos.

Gradualmente dejábamos de saber solamente qué hacer y comenzábamos a comprender por qué hacerlo.

A eso terminábamos llamándolo experiencia.

La inteligencia artificial interviene ahora en diferentes puntos de esa cadena.

Un estudiante puede utilizar un LLM para investigar, sintetizar, estructurar y redactar.

Un recién graduado puede encontrar que las tareas que antes justificaban su contratación ahora son realizadas parcialmente por un sistema.

La empresa puede necesitar menos personas para ejecutarlas y el puesto que permanece puede exigir desde el primer día algo que antes se adquiría después de varios años: criterio.

Ésa es la paradoja que debemos estudiar.

2. Primer fenómeno: podemos obtener el resultado sin desarrollar la capacidad

En 2025, investigadores vinculados al MIT Media Lab publicaron Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task.

El experimento dividió a 54 participantes en tres grupos.

Uno escribió ensayos utilizando un LLM.

Otro utilizó buscadores.

El tercero trabajó sin herramientas.

Los participantes realizaron tres sesiones bajo la misma condición. Dieciocho participaron posteriormente en una cuarta sesión en la que algunos cambiaron de condición. Los investigadores utilizaron electroencefalografía, análisis lingüístico, evaluadores humanos, un evaluador de IA y entrevistas posteriores.

Los resultados mostraron diferencias consistentes.

Quienes trabajaron sin herramientas presentaron las redes de conectividad neuronal más amplias.

Los usuarios de buscador ocuparon una posición intermedia.

Los usuarios del LLM mostraron la conectividad más débil durante la tarea.

Estos últimos también tuvieron mayores dificultades para citar correctamente aquello que acababan de escribir y reportaron menor sensación de autoría sobre el resultado.

MIT ha incorporado este trabajo dentro de una agenda más amplia que estudia cómo la IA puede aumentar el razonamiento o sustituirlo silenciosamente, incluyendo fenómenos de overreliance y deuda cognitiva.

La conclusión correcta no es que utilizar ChatGPT reduzca la inteligencia.

El estudio no demuestra eso.

Tiene una muestra pequeña, analiza una tarea concreta y sus resultados no pueden generalizarse automáticamente a todo aprendizaje ni a todos los usos de IA.

Demuestra algo más específico y suficiente para nuestra investigación:

delegar una tarea intelectual modifica la manera en que participamos cognitivamente en ella.

Esto introduce una distinción fundamental.

3. La respuesta institucional: MIT empieza a rediseñar el aprendizaje

La preocupación por el impacto de la inteligencia artificial sobre el aprendizaje ya no pertenece únicamente al terreno experimental.

MIT ha comenzado a responder institucionalmente.

En 2026, un comité ad hoc de la universidad sobre el uso de inteligencia artificial planteó que la incorporación de estas herramientas obliga a revisar qué deben aprender los estudiantes, cómo deben demostrar que lo aprendieron y qué papel debe desempeñar la IA dentro del proceso educativo.

La importancia de este reporte no está en que demuestre deterioro cognitivo.

No lo hace.

Su valor consiste en que MIT reconoce que la disponibilidad de herramientas capaces de investigar, redactar, sintetizar, programar y resolver problemas modifica el diseño mismo del aprendizaje.

La pregunta educativa deja de ser:

¿Permitimos o prohibimos inteligencia artificial?

La pregunta correcta es:

¿Qué capacidad queremos desarrollar y qué papel debe desempeñar la IA para desarrollarla?

Lo que cambia la lógica de la enseñanza.

Un curso puede permitir el uso de inteligencia artificial en determinadas tareas y restringirlo en otras, puede exigir IA cuando el objetivo sea aprender a trabajar con ella pero excluirla cuando la capacidad que se busca desarrollar requiera que el estudiante realice personalmente determinadas operaciones cognitivas.

Lo importante no es establecer una política uniforme, lo importante es conectar el uso de la herramienta con el propósito del aprendizaje.

MIT plantea también la necesidad de reforzar experiencias prácticas, revisar métodos de evaluación y establecer expectativas claras sobre cuándo y cómo utilizar inteligencia artificial.

Esto introduce una nueva dimensión en nuestra investigación.

El experimento sobre cognitive debt sugiere que delegar una tarea modifica la participación cognitiva en ella.

La respuesta institucional reconoce que el sistema educativo debe diseñarse deliberadamente para evitar que la producción de un buen resultado sustituya el desarrollo de la capacidad que la educación busca construir.

La diferencia es fundamental.

Un estudiante puede redactar un excelente ensayo usando IA pero eso no responde la pregunta educativa.

La pregunta educativa es:

¿Qué aprendió al hacerlo?

De la misma manera una empresa puede producir un excelente reporte utilizando IA, lo que tampoco responde la pregunta planteada por la organizacion.

La pregunta empresarial es:

¿Qué capacidad no desarrolló la persona cuando dejó de llevar a cabo esa tarea?

Existe un paralelismo directo entre universidad y empresa.

Universidad: ¿Qué capacidad queremos formar y qué parte del proceso puede asumir la IA?

Empresa: ¿Qué capacidad necesitamos conservar y qué parte del trabajo puede automatizar la IA?

En ambos casos, el error es el mismo:

Optimizar el resultado sin diseñar la capacidad.

Esto permite formular una responsabilidad nueva.

La competencia profesional ya no consiste solamente en saber utilizar inteligencia artificial.

Consiste también en saber: Cuándo usarla y cuando no. Qué se puede delegar y que no.

Qué revisar y qué cuestionar y, de manera fundamental, qué debe permanecer bajo criterio humano.

Por eso, en la era de la IA:

Parte del aprendizaje consiste en decidir qué parte del pensamiento debe seguir siendo propia.

Esta idea conecta directamente con la seniorización de los puestos iniciales.

Si el trabajador debe evaluar, corregir, cuestionar y gobernar resultados producidos por IA, la capacidad decisiva deja de ser únicamente ejecutar.

Pasa a ser juzgar.

La empresa necesita formar personas capaces de utilizar IA sin delegar en ella aquello que constituye precisamente su responsabilidad profesional.

4. Producir no es aprender

Durante mucho tiempo confundimos ambos procesos porque ocurrían simultáneamente.

Cuando un estudiante escribía un ensayo., el resultado era el ensayo.

Durante el proceso tenía que buscar información, distinguir argumentos, ordenar ideas, enfrentarse a contradicciones, encontrar palabras y decidir qué quería decir.

Había entonces dos productos:

Producto visible: el ensayo.

Producto invisible: las capacidades desarrolladas para producirlo.

La inteligencia artificial puede reducir drásticamente el esfuerzo necesario para obtener el primero lo que es en si una extraordinaria ganancia de productividad.

Pero no debemos asumir que automáticamente desarrollará lo segundo.

Ésta es una de las distinciones centrales de esta investigación:

La IA puede producir el resultado sin recorrer el proceso. Las personas desarrollamos capacidad recorriendo el proceso.

Por lo tanto, eliminar un proceso porque una máquina puede producir el resultado obliga a preguntarnos qué otra cosa ocurría durante ese proceso.

No se trata de intentar conservar un trabajo que se ha vuelto innecesario, se trata de no eliminar el aprendizaje que implicaba.

5. Segundo fenómeno: la puerta de entrada comienza a estrecharse

Vayamos de la universidad hasta el mercado laboral.

La revisión de agosto de 2026 de Canaries in the Coal Mine, de Erik Brynjolfsson, Bharat Chandar y Ruyu Chen, utiliza datos administrativos de nómina de ADP correspondientes a millones de trabajadores estadounidenses.

Su conclusión agregada es importante:

No existe evidencia de desplazamiento laboral generalizado provocado por IA.

En la misma conclusión aparece una diferencia importante.

Entre trabajadores de 22 a 25 años en ocupaciones altamente expuestas a IA, el empleo se encuentra 19% por debajo de la trayectoria que habría seguido si hubiera evolucionado como el de trabajadores jóvenes en ocupaciones menos expuestas.

Los trabajadores experimentados en esas mismas ocupaciones no presentan una brecha comparable.

Aun más relevante:

El mecanismo principal es menor contratación, no una mayor brecha.

Esto cambia nuestra imagen del desplazamiento tecnológico.

Esperábamos ver despidos masivos, pero podemos estar viendo vacantes que nunca aparecieron.

Una empresa no necesita despedir a diez analistas junior, pero puede contratar seis cuando antes contrataba diez.

Cuatro personas no pierden su empleo. Cuatro empleos dejan de existir antes de que alguien pueda ocuparlos.

Los propios investigadores son prudentes: presentan sus resultados como indicadores descriptivos tempranos, no como una estimación causal definitiva. También encuentran tendencias previas en algunas especificaciones y diferencias entre la muestra ADP y benchmarks nacionales.

La señal, sin embargo, se ha fortalecido.

La brecha que inicialmente observaron ha continuado ampliándose hasta mediados de 2026.

6. Tercer fenómeno: las empresas están cambiando lo que contratan

La evidencia publicada el 1 de septiembre por la Reserva Federal de Dallas agrega una pieza especialmente importante porque permite observar la demanda empresarial.

Samuel Dodini y Tucker Smith analizaron millones de vacantes recopiladas por Lightcast y relacionaron las ocupaciones con tareas susceptibles de automatización mediante IA generativa.

Después de la aparición de ChatGPT, las vacantes disminuyeron relativamente en las ocupaciones cuyas tareas son más automatizables.

El fenómeno no se explica únicamente por desaparición de empresas o creación de nuevas compañías con estructuras diferentes.

Las propias empresas existentes comenzaron a publicar menos posiciones automatizables y a modificar la composición de sus vacantes.

En Texas, los autores estiman que la exposición a automatización mediante IA redujo las vacantes agregadas aproximadamente 1.8% en 2024 y 2.6% en 2025.

Son todavía efectos agregados moderados.

Lo que hacen es revelar el mecanismo:

La IA empieza a cambiar qué trabajo decide comprar la empresa en el mercado laboral.

Lo que nos conecta directamente con el siguiente problema.

7. El puesto junior se está seniorizando

Si la IA ya está llevando a cabo las tareas más sencillas, lo que queda para la persona cambia.

Antes:

recopilar información.

Ahora:

interpretarla.

Antes:

preparar un primer borrador.

Ahora:

evaluar el borrador producido por IA.

Antes:

clasificar.

Ahora:

decidir qué hacer con la clasificación.

Antes:

ejecutar una instrucción.

Ahora:

detectar cuándo la respuesta del sistema es incorrecta.

PwC aporta evidencia consistente con este cambio.

Su 2026 Global AI Jobs Barometer analiza más de mil millones de anuncios de empleo en seis continentes. Para su análisis específico de entrada estudió 2.4 millones de puestos entry-level en Estados Unidos.

Los puestos iniciales más expuestos a IA son ahora siete veces más propensos que los menos expuestos a exigir capacidades tradicionalmente asociadas con perfiles senior, entre ellas liderazgo, creatividad e interacción interpersonal.

Las vacantes de estos puestos que PwC denomina “seniorised” han aumentado 35% desde 2019, mientras otras posiciones entry-level disminuyeron 10%.

Esto introduce una paradoja extraordinaria:

Para conseguir experiencia empezamos a pedir experiencia.

No necesariamente en años trabajados sino en capacidades, en juicio, en pensamiento estratégico, en comunicación y creatividad. En la capacidad para cuestionar y en la toma de decisiones.

Precisamente aquello que antes esperábamos desarrollar progresivamente mediante experiencia.

8. El puesto junior nunca fue solamente trabajo barato

Hemos llegado al problema organizacional.

Una tarea junior tiene al menos dos valores.

El primero es evidente:

produce un resultado.

El segundo casi nunca aparece en la contabilidad:

produce experiencia.

Un abogado junior que revisa decenas de contratos empieza a reconocer excepciones.

Un programador que corrige código sencillo comienza a comprender la arquitectura completa.

Un analista que prepara reportes aprende qué variables terminan importando en una decisión.

Un ejecutivo comercial que acompaña reuniones empieza a distinguir una objeción real de una excusa.

Un joven médico desarrolla conocimiento que ningún manual puede sustituir completamente al observar pacientes y profesionales experimentados.

El trabajo produce algo.

Pero también produce al trabajador que algún día podrá hacer trabajo más complejo.

La automatización tradicional ya planteaba este problema.

La inteligencia artificial lo acelera porque interviene precisamente en tareas cognitivas que históricamente formaban parte del aprendizaje profesional.

9. La doble desaparición del aprendizaje

Ahora ya podemos unir ambos extremos.

Hasta ahora no existe un estudio longitudinal que demuestre causalmente toda esta cadena. Por eso debemos separar con claridad evidencia de hipótesis.

Lo que la evidencia muestra

El MIT encuentra diferencias en involucramiento cognitivo, memoria y autoría cuando una tarea específica de escritura se delega a un LLM.

Stanford encuentra una creciente brecha de empleo para trabajadores de 22–25 años en ocupaciones altamente expuestas a IA y determina que el ajuste ocurre principalmente mediante contratación.

Dallas Fed encuentra que empresas reales están reduciendo relativamente las vacantes correspondientes a tareas automatizables.

PwC encuentra que determinados puestos entry-level expuestos a IA están exigiendo capacidades que anteriormente asociábamos con mayor seniority.

Lo que inferimos

Estas cuatro señales pueden formar parte de un mismo problema de desarrollo de capital humano:

Antes del empleo, existe el riesgo de delegar parte del esfuerzo cognitivo mediante el cual desarrollamos determinadas capacidades;

Al entrar al mercado, disminuyen algunas oportunidades iniciales;

Dentro de la empresa, desaparecen tareas que funcionaban como aprendizaje;

En los puestos que permanecen, aumenta el nivel de capacidad esperado.

Ésta es la hipótesis que proponemos llamar:

La doble desaparición del aprendizaje

La primera ocurre cuando automatizamos parte del esfuerzo necesario para aprender.

La segunda ocurre cuando automatizamos parte de la experiencia necesaria para aprender a trabajar.

Ambas convergen en el mismo individuo.

10. El problema no es que los jóvenes sepan menos

Ésta es una distinción esencial.

Sería fácil convertir esta investigación en una crítica generacional.

Lo cual es un error.

Cada generación utiliza las herramientas disponibles.

La calculadora eliminó determinados cálculos manuales.

Google transformó la búsqueda de información.

Wikipedia cambió el acceso al conocimiento.

La inteligencia artificial representa un cambio distinto porque ya no sólo recupera información.

Puede participar en la construcción del razonamiento y producir el resultado intelectual completo.

El problema, por tanto, no es:

“los jóvenes ya no quieren pensar”.

El problema es de diseño:

¿Qué capacidades queremos que desarrollen y qué experiencias son necesarias para desarrollarlas cuando la IA puede realizar parte del proceso?

La responsabilidad no corresponde solamente al estudiante.

Corresponde también a universidades, profesores, empresas, líderes y diseñadores de sistemas de IA.

11. Tampoco debemos conservar trabajo inútil

La respuesta equivocada sería concluir que debemos impedir el uso de IA o conservar tareas rutinarias para que los juniors “aprendan como aprendimos nosotros”.

Eso convertiría el aprendizaje en una defensa de la ineficiencia.

Si una máquina puede realizar en treinta segundos una tarea que antes requería cuatro horas, debemos aprovechar esa capacidad.

Pero debemos distinguir dos preguntas.

¿Necesitamos seguir haciendo esta tarea?

y:

¿Necesitamos seguir desarrollando la capacidad que esta tarea ayudaba a construir?

Podemos responder no a la primera y sí a la segunda, entonces lo que necesitamos es diseñar una nueva experiencia de aprendizaje.

12. Del learning by doing al learning by deciding

Ésta puede ser una de las transformaciones fundamentales del trabajo junior.

Históricamente desarrollábamos experiencia mediante learning by doing.

Hacer.

Repetir.

Corregir.

Volver a hacer.

La IA puede asumir una parte creciente del doing lo cual no debe eliminar la necesidad de aprender sino obligar a desplazar parte del desarrollo hacia:

learning by questioning;

learning by evaluating;

learning by deciding;

learning by explaining;

learning by correcting AI;

learning by observing consequences.

El junior no necesita preparar manualmente cien reportes para demostrar que puede copiar información entre sistemas, pero sí necesita aprender por qué un dato importa, qué relación tiene con otros, qué puede estar equivocado y qué decisión cambia cuando cambia ese dato.

La IA puede producir el reporte.

La formación debe generar el criterio.

13. La empresa tendrá que diseñar su propio apprenticeship

Muchas organizaciones descubrirán que no contaban realmente con un sistema formal para producir seniors.

Tenían puestos junior y confiaban en que el tiempo, la repetición, la observación y la interacción con profesionales experimentados hicieran el resto.

Ese mecanismo implícito ya no es suficiente.

Las empresas necesitarán diseñar deliberadamente experiencias como:

trabajo supervisado con IA;

revisión de decisiones, no sólo de entregables;

rotaciones entre funciones;

participación temprana en problemas reales;

simulaciones;

análisis de casos;

shadowing de profesionales experimentados;

mentorías estructuradas;

responsabilidad progresiva;

post-mortems de decisiones;

evaluación del razonamiento;

defensa oral de recomendaciones.

No se trata de reconstruir el puesto junior anterior, de lo que se trata es de construir el nuevo sistema de formación profesional.

14. La universidad enfrenta exactamente el mismo problema

Durante años evaluamos principalmente resultados.

El resumen.

El examen.

El proyecto.

La presentación.

Ahora una IA puede producir resultados académicos extraordinariamente convincentes lo que obliga a modificar el objeto de evaluación.

La universidad tendrá que observar más:

Cómo se construyó una conclusión

Qué fuentes fueron descartadas

Qué preguntas hizo el estudiante

Qué supuestos identificó

Cómo cuestionó a la IA

Qué errores encontró

Qué decisión tomó

Cómo puede defenderla sin consultar al modelo

La pregunta deja de ser:

¿usó IA?

La pregunta correcta es:

¿Qué parte del pensamiento delegó y qué capacidad desarrolló?

Prohibir la herramienta no resuelve el problema pero usarla sin rediseñar el aprendizaje tampoco.

15. Una nueva responsabilidad para Recursos Humanos

También está cambiamdo la manera de evaluar proyectos de automatización.

Hoy el business case suele incluir:

Horas ahorradas

FTE equivalentes

Reducción de costos

Velocidad

Errores

Retorno de inversión

Debe aparecer una nueva variable:

impacto sobre la formación de capacidades.

Antes de automatizar un conjunto de tareas, la empresa debe preguntar:

¿Qué aprendía una persona realizándolas?

¿Qué conocimiento tácito adquiría?

¿Qué errores aprendía a reconocer?

¿Qué conversaciones presenciaba?

¿Qué decisiones comenzaba a comprender?

¿Qué parte de esa capacidad seguimos necesitando?

¿Dónde se desarrollará ahora?

La formación de talento es ahora una variable del diseño tecnológico, no una consecuencia que Recursos Humanos tendrá que resolver después.

16. El riesgo de una empresa sin cantera

Supongamos que una organización consigue durante los próximos cinco años reducir significativamente su contratación junior.

Desde una perspectiva financiera, puede parecer una decisión excelente.

Menor plantilla.

Mayor productividad por empleado.

Más output por profesional experimentado apoyado por IA.

Pero los seniors envejecen, cambian de empresa, se jubilan o se convierten en directivos.

Su conocimiento desaparece con ellos.

Si durante esos mismos cinco años la empresa no desarrolló una nueva generación, el ahorro comienza a salir caro.

Se habrá automatizado parte de la producción, pero también se redujo su capacidad para reproducir expeiencia.

Éste riesgo no aparecerá inmediatamente en el estado de resultados, pero inevitablemente aparecerá tarde o temprano.

17. El senior de 2036 ya es un problema de 2026

Ésta es sin duda la consecuencia estratégica.

Las personas que ocuparán posiciones senior dentro de diez años están entrando hoy a universidades y empresas.

Su formación ocurre precisamente durante el periodo en que estamos realizando el mayor experimento de delegación cognitiva desde la aparición de Internet.

Al mismo tiempo, las empresas comienzan a descubrir que pueden operar con menos trabajo inicial mientras que las posiciones que permanecen ya empiezan a exigir capacidades más sofisticadas.

No sabemos todavía cuál va a ser el resultado final, pero sabemos lo suficiente para no esperar diez años.

18. Una agenda de investigación

Esta hipótesis necesita ser sometida a evidencia.

EnterpriseThinking propone seguir al menos seis indicadores durante los próximos años:

Contratación inicial. ¿Continúa ampliándose la brecha entre jóvenes en ocupaciones expuestas y no expuestas?

Contenido de los puestos. ¿Qué tareas desaparecen y cuáles permanecen?

Requisitos de entrada. ¿Continúa la seniorización de las habilidades exigidas?

Aprendizaje. ¿Cómo cambia la adquisición de conocimiento cuando una persona trabaja desde el inicio con IA?

Mentoría. ¿Disminuye la interacción entre juniors y seniors cuando desaparecen determinadas tareas?

Movilidad profesional. ¿Los trabajadores que comienzan sus carreras en organizaciones altamente automatizadas desarrollan expertise al mismo ritmo que cohortes anteriores?

La última pregunta será especialmente importante.

No necesitamos solamente estudiar quién consigue el empleo, necesitamos estudiar quién logra convertirse en experto.

Conclusión: el problema no es sólo el trabajo. Es la formación de capacidad.

La inteligencia artificial está interviniendo simultáneamente en varias etapas del desarrollo profesional.

En la educación, puede reducir parte del esfuerzo cognitivo mediante el cual se construyen capacidades.

En el mercado laboral, empieza a modificar la demanda de puestos y tareas iniciales.

Dentro de las organizaciones, automatiza parte del trabajo mediante el cual los jóvenes adquirían experiencia.

En los puestos que permanecen, aumenta el valor del juicio, la creatividad, la interpretación y la capacidad de decidir.

Estas señales no constituyen todavía una cadena causal demostrada.

Pero consideradas en conjunto revelan un problema estratégico que ya no puede reducirse a la pregunta de cuántos empleos desaparecerán.

La cuestión central es otra:

¿Cómo desarrollaremos capacidades humanas cuando la inteligencia artificial participe en cada etapa del proceso mediante el cual antes aprendíamos?

La respuesta no consiste en frenar la automatización, tampoco en proteger tareas obsoletas.

La inteligencia artificial debe eliminar el trabajo innecesario, reducir fricción y ampliar nuestras capacidades, pero cada vez que elimina una tarea debemos preguntarnos si esa tarea cumplía una segunda función.

¿Producía solamente un resultado? o ¿También producía experiencia?

Algunas organizaciones nunca diseñaron de manera formal cómo se convertía un junior en senior.

El proceso ocurría dentro del trabajo, la repetición generaba familiaridad, los errores producían aprendizaje y la observación transmitía conocimiento tácito.

Antes la responsabilidad progresiva construía criterio ahora la IA está alterando ese mecanismo.

Por eso empresas y universidades tendrán que hacer explícito aquello que antes ocurría de manera implícita.

La universidad deberá definir qué capacidades quiere desarrollar antes de decidir qué papel tendrá la IA en una actividad.

La empresa deberá definir qué capacidades necesita reproducir antes de decidir qué tareas automatizar.

En ambos casos, la pregunta debe anteceder a la herramienta.

¿Qué queremos que esta persona sea capaz de hacer por sí misma?

Después podemos decidir qué debe hacer la IA.

Eso modifica también nuestra definición de competencia.

El profesional del futuro no será simplemente quien produzca más utilizando inteligencia artificial.

Será quien sepa cuándo confiar en ella, cuándo cuestionarla, cuándo corregirla, cuándo ignorarla y cuándo asumir personalmente la responsabilidad de una decisión.

En otras palabras:

La capacidad más valiosa no será usar IA. Será gobernar el trabajo realizado con IA.

Esto devuelve el problema al terreno del aprendizaje.

Durante años desarrollamos experiencia mediante learning by doing.

Ahora tendremos que construir también learning by questioning, learning by evaluating, learning by correcting y learning by deciding.

La IA puede producir una respuesta.

La persona debe aprender a reconocer si es correcta.

Puede generar alternativas.

La persona debe aprender a elegir.

Puede preparar un análisis.

La persona debe aprender qué decisión tomar y asumir las consecuencias.

La tecnología puede acelerar el resultado.

No puede acelerar de la misma manera la construcción del criterio.

Ésa es la tensión que empresas y universidades tendrán que gestionar durante los próximos años.

Los seniors de 2036 están empezando a formarse hoy, su desarrollo ocurrirá en un mundo donde la inteligencia artificial estará presente desde el aula hasta la sala de consejo.

Eso no reduce la necesidad de capacidad humana, la hace más importante.

Por eso la pregunta fundamental ya no es:

¿Qué empleos eliminará la inteligencia artificial?

Tampoco:

¿Qué tareas puede automatizar?

La pregunta es:

¿Quién formará al próximo senior?

Existe otra todavía más profunda:

¿Cómo desarrollaremos conocimiento, criterio y experiencia cuando la IA pueda producir una parte creciente de los resultados sin recorrer el proceso mediante el cual nosotros aprendíamos a producirlos?

Ése es el verdadero problema de capacidades.

La inteligencia artificial puede transformar el trabajo.

Nuestra responsabilidad es impedir que transforme la eficiencia en dependencia y la automatización en una pérdida de capacidad.

Porque el futuro de las organizaciones no dependerá únicamente de cuánto trabajo puedan delegar a una máquina.

Dependerá de qué capacidades humanas decidan seguir construyendo.

EnterpriseThinking

El tema no es la IA. El tema es pensar.