Sobre inteligencia artificial, aprendizaje, criterio y responsabilidad
Hace poco vi un vídeo sobre inteligencia artificial, escritura y pensamiento que me dejó incómodo. No porque dijera que deberíamos dejar de utilizar estas herramientas, sino porque tocó una pregunta que, en mi caso, ya no podía tratar como algo abstracto. Utilizo IA para investigar, ordenar ideas, revisar argumentos, desarrollar sistemas y trabajar sobre textos y soluciones que, sin esa ayuda, exigirían mucho más tiempo, dinero o personas. Y por un momento la pregunta fue inevitable: ¿cuánto de todo esto estoy haciendo realmente yo?
Preguntándome por estas cosas, y pensando en lo que todo esto significaba, recordé que algo parecido me había sucedido muchos años atrás, cuando empecé a estudiar fotografía y la transición de lo analógico a lo digital todavía despertaba bastante recelo. Yo mismo miraba con cierta desconfianza aquellas nuevas herramientas. Una cámara que resolvía automáticamente parte de la toma, o una imagen trabajada después en Photoshop, parecían restarle mérito al fotógrafo; casi como si la tecnología estuviera haciendo demasiado por él. Existía la sospecha de que quien se apoyaba demasiado en esas herramientas era, de alguna manera, menos fotógrafo. Hoy reconozco un eco de aquella sensación en algunas conversaciones sobre inteligencia artificial: si una herramienta hace una parte importante del trabajo, es fácil preguntarse cuánto de la capacidad pertenece realmente a quien la utiliza.
Por eso, cuando alguien me preguntaba qué cámara debía comprar si quería aprender fotografía, yo solía responder: «¿Quieres hacer tú la fotografía o quieres que la cámara haga la foto?». La intención era sencilla. Si querías aprender, no bastaba con dejar todo en automático; había que comprender qué estaba ocurriendo, por qué una decisión producía determinado resultado y qué podía hacerse de otra manera. Durante mucho tiempo me pareció una buena distinción. Con los años entendí que también era incompleta.
Por otro lado, siguiendo con ideas alrededor de la fotografía, la fotografía de calle terminó enseñándome otra cosa. Allí uno nunca controla completamente la escena: no decide quién doblará la esquina, qué gesto aparecerá durante medio segundo ni cómo cambiará la luz. Algunas fotografías contienen suerte, pero la experiencia cambia la forma en que ese azar nos encuentra. Con el tiempo aprendemos a leer mejor el espacio, anticipar, esperar y reaccionar. El buen fotógrafo no controla todo lo que ocurre; desarrolla una manera más afinada de reconocer cuándo algo está sucediendo y decidir qué hacer con ello. Esa corrección terminó siendo importante para mi reflexión sobre IA: competencia no significa ejecutar o controlar personalmente cada operación.
Producir mejor no significa comprender mejor
Sin embargo, tampoco basta con obtener un buen resultado. Una fotografía afortunada no convierte automáticamente a alguien en buen fotógrafo, del mismo modo que una respuesta brillante generada por una IA no demuestra por sí sola que quien la recibió comprenda el problema. Al investigar esta diferencia encontré un estudio de Hamsa Bastani y sus colegas con estudiantes de matemáticas. Los alumnos podían rendir considerablemente mejor mientras utilizaban GPT, pero una de las configuraciones produjo después peores resultados cuando tuvieron que enfrentarse a una prueba sin la herramienta; otra, diseñada como tutor con más salvaguardas, evitó esa penalización.
No creo que eso permita concluir que la IA perjudica necesariamente el aprendizaje. El contexto era educativo y concreto. Lo que sí me ayudó a ver con mayor claridad es que rendimiento asistido y capacidad independiente no son necesariamente la misma cosa. Podemos producir algo mejor mientras una herramienta está disponible sin haber desarrollado una comprensión equivalente. Y eso tocaba exactamente mi pregunta inicial: quizá una parte del problema no esté en que la IA haga mucho, sino en confundir lo que puedo producir con ella con aquello que realmente sé hacer o comprender.
La investigación también corrigió mi intuición en la dirección contraria. Noy y Zhang encontraron que ChatGPT reducía alrededor de un 40% el tiempo necesario para determinadas tareas profesionales de escritura y aumentaba aproximadamente un 18% la calidad evaluada de los resultados. Brynjolfsson, Li y Raymond, trabajando con datos de más de cinco mil agentes de atención al cliente, encontraron también aumentos de productividad, especialmente relevantes entre trabajadores menos experimentados. Eso obliga a abandonar otra idea demasiado sencilla: eliminar esfuerzo no es necesariamente malo. No hay un mérito especial en tardar cuatro horas en algo que puede resolverse bien en cuarenta minutos.
Cuando el pensamiento cambia de lugar
La pregunta empezó entonces a cambiar. Ya no se trataba de proteger el trabajo manual frente a la automatización, sino de distinguir qué parte de ese trabajo sostenía una comprensión que todavía necesitábamos conservar. Un estudio de Microsoft Research basado en una encuesta a 319 trabajadores del conocimiento y 936 ejemplos de uso reportados por ellos mismos me resultó especialmente útil. En el análisis cualitativo, los participantes describían un desplazamiento de parte del esfuerzo cognitivo hacia verificar información, integrar respuestas y supervisar el proceso. La herramienta podía hacer más sin demostrar que el pensamiento desapareciera; podía cambiar el lugar en el que parte de ese pensamiento se ejercía.
El problema de saber cuándo confiar
Al seguir investigando encontré un experimento de Fabrizio Dell’Acqua y sus colegas con 758 consultores de Boston Consulting Group (BCG), que mostraba especialmente bien la dificultad que aparece entonces. En tareas situadas dentro de las capacidades de GPT-4, quienes utilizaron IA completaron más trabajo, lo hicieron alrededor de un 25% más rápido y obtuvieron mejores resultados. Pero en una tarea deliberadamente situada fuera de esa frontera, tuvieron menos probabilidades de llegar a la solución correcta.
Lo incómodo no es descubrir que la IA puede equivocarse; eso ya lo sabemos. Lo difícil es reconocer cuándo estamos precisamente ante una de esas situaciones. Si una herramienta funciona extraordinariamente bien nueve veces, ¿qué nos permite detectar la décima en la que no deberíamos confiar? Y si en determinadas tareas puede superar nuestra propia capacidad de ejecución, ¿cómo evitamos que esa misma superioridad aparente nos vuelva menos capaces de reconocer sus errores?
Ahí empecé a ver el problema de otra manera. Trabajar con IA no consiste solamente en saber pedir algo. También exige saber cuándo confiar, cuándo comprobar, cuándo cuestionar y cuándo admitir que no sabemos suficiente para juzgar lo que tenemos delante. Cuanto más competente parece la herramienta, más importante se vuelve esa capacidad, porque la fluidez puede parecerse demasiado a la fiabilidad. El desafío deja de ser demostrar que seguimos siendo capaces de ejecutar personalmente cada parte del trabajo y empieza a convertirse en conservar suficiente comprensión para evaluar aquello que estamos aceptando.
La cuestión de la autoría queda, para mí, dentro de ese problema y no por encima de él. Detectar quién produjo las frases no equivale a detectar quién produjo el pensamiento; pero haber solicitado esas frases tampoco demuestra que el pensamiento sea nuestro. Entre una idea y un texto publicado pueden existir experiencia, investigación, cambios de posición, estructura, edición y juicio final, y una IA puede participar intensamente en varias de esas etapas. La pregunta que me interesa más no es cuántas palabras tecleé personalmente, sino qué aportación intelectual hubo detrás y qué estoy realmente preparado para defender.
Delegar sin dejar de comprender
Esto me llevó a otra idea que aprendí mucho antes de trabajar con inteligencia artificial y que he intentado aplicar cuando me ha tocado dirigir personas. Siempre he procurado no pedir un trabajo que no entienda al menos lo suficiente como para saber qué estoy pidiendo, qué resultado espero y cuándo algo puede estar mal. Eso no significa saber más que el especialista; precisamente recurro a él porque sabe más que yo. Pero delegar no equivale a desentenderse del resultado. Con IA esa tensión se vuelve más visible porque ahora puedo delegar en segundos tareas para las que antes habría necesitado varias personas.
Por eso la pregunta que terminó acompañándome durante toda esta reflexión fue otra: ¿qué nivel de comprensión corresponde al nivel de responsabilidad que estoy asumiendo? No será el mismo para corregir un correo que para aceptar un análisis del que depende una decisión importante. Tampoco creo que exista una regla universal que nos diga exactamente qué debemos conservar y qué podemos externalizar. Pero sí me parece cada vez más difícil separar por completo responsabilidad y comprensión.
La vieja pregunta de la fotografía vuelve entonces con otro significado. «¿Quieres hacer tú la fotografía o quieres que la cámara haga la foto?». Hoy diría que era una pregunta útil, pero incompleta. No necesito controlar cada mecanismo de la cámara para hacer una fotografía, ni ejecutar personalmente cada operación que una IA puede realizar mejor o más rápido que yo. Lo que sí necesito conservar es aquello que me permite reconocer qué estoy mirando, interpretar lo que ocurre, juzgar cuándo algo no encaja y responder por la decisión que tomo.
Quizá la cuestión ya no sea demostrar que sigo pensando. La cuestión es construir una forma de trabajar que me obligue a seguir haciéndolo.
Bibliografía complementaria
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
- Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
- Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
- Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Article 1121, 1–22. https://doi.org/10.1145/3706598.3713778
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
Comments are closed.