Una persona con varios años de experiencia recibe información sobre una operación y utiliza una herramienta de inteligencia artificial para ordenarla, contrastar alternativas y preparar una primera conclusión. En pocos minutos consigue algo que antes habría requerido una parte considerable de su jornada. Lee el resultado con rapidez, modifica una premisa, elimina una recomendación que técnicamente parece razonable pero que conoce como poco viable y profundiza en un punto que la herramienta trató como secundario. El trabajo termina antes y probablemente también termina mejor, porque la velocidad de la tecnología se combina con una experiencia que permite reconocer aquello que merece atención y aquello que conviene descartar.
A unos metros, alguien que apenas comienza puede utilizar la misma herramienta y obtener un documento sorprendentemente parecido. La estructura es correcta, los argumentos parecen suficientes y la velocidad con la que llegó al resultado habría sido difícil de imaginar hace pocos años. Si observáramos únicamente aquello que ambas personas entregaron, la distancia entre sus capacidades podría parecer mucho menor de la que realmente existe, porque la tecnología consigue adelantar una parte del desempeño visible sin garantizar que la experiencia haya avanzado a la misma velocidad.
Esa reducción de la distancia constituye una de las grandes promesas de la inteligencia artificial. Permite que personas con menos experiencia accedan a información, análisis y formas de resolver problemas que anteriormente requerían mucho más tiempo de aprendizaje. Un estudio realizado con 5,179 agentes de atención al cliente encontró un aumento promedio de productividad cercano al 14% después de incorporar asistencia mediante inteligencia artificial, mientras que los trabajadores menos experimentados o de menor desempeño alcanzaron mejoras considerablemente mayores. Los investigadores encontraron además indicios de que la herramienta estaba transmitiendo prácticas utilizadas por los agentes más competentes hacia quienes todavía se encontraban al principio de su curva de aprendizaje.
La OCDE ha documentado resultados compatibles al revisar distintos experimentos con inteligencia artificial generativa. Las personas con menos experiencia suelen obtener algunos de los mayores beneficios porque reciben apoyo inmediato, retroalimentación y acceso a capacidades que todavía no dominan por completo. Para una empresa, la consecuencia resulta atractiva: es posible incorporar personas nuevas y conseguir que alcancen resultados útiles en mucho menos tiempo, mientras quienes poseen mayor experiencia pueden liberarse de una parte del trabajo repetitivo y concentrarse en actividades donde el análisis, la negociación o el criterio tienen mayor peso.
Hasta aquí, la historia parece una evolución natural de la productividad. Sin embargo, empieza a complicarse cuando intentamos determinar qué significa realmente que una persona pueda producir correctamente algo que todavía no sabría construir por sí misma. Durante mucho tiempo, capacidad y resultado estuvieron mucho más unidos. Aprender a hacer algo exigía participar repetidamente en el proceso que conducía hasta ese resultado. La inteligencia artificial empieza a separar ambas cosas y permite que el desempeño visible avance antes de que se haya acumulado toda la experiencia que históricamente lo hacía posible.
La diferencia puede parecer poco importante mientras el resultado sea correcto. Una empresa necesita resolver problemas, preparar análisis, desarrollar propuestas, atender clientes y ejecutar operaciones; si una herramienta permite hacerlo mejor y con mayor rapidez, existen pocas razones para renunciar a esa ventaja. La dificultad aparece en aquellas situaciones donde producir una respuesta deja de ser suficiente y alguien necesita evaluar si esa respuesta tiene sentido, reconocer que falta información importante o advertir que un caso aparentemente conocido dejó de parecerse a los anteriores.
Una parte considerable de esa capacidad se desarrolló durante décadas dentro de trabajos que hoy parecen extraordinariamente automatizables. Las personas revisaban documentos, capturaban información, preparaban primeras versiones, comparaban alternativas, daban seguimiento a situaciones relativamente sencillas y corregían pequeños errores bajo la supervisión de alguien con más experiencia. Muchas de estas actividades eran repetitivas y difícilmente tendría sentido conservarlas de forma manual solo porque durante años se hicieron así. Su función, sin embargo, era más amplia de lo que mostraba el resultado inmediato, porque mientras generaban trabajo útil para la empresa también exponían a las personas, una y otra vez, a pequeñas variaciones de la realidad que poco a poco terminaban formando criterio.
Quien comienza a trabajar en logística internacional, por ejemplo, no desarrolla experiencia únicamente porque alguien le explique cómo funciona una operación. Empieza a construirla después de revisar suficientes documentos para que una inconsistencia le resulte extraña antes incluso de saber explicar con precisión qué está mal. Aprende siguiendo movimientos que parecen iguales hasta descubrir las pequeñas diferencias que cambian sus consecuencias, observando cómo una decisión tomada en origen afecta días después un transporte marítimo de mercancías o entendiendo por qué un dato aparentemente menor puede modificar un despacho aduanal completo.
Al principio, muchas de esas experiencias tienen poco de extraordinario. Precisamente por eso permiten equivocarse dentro de márgenes relativamente pequeños, preguntar, comparar lo sucedido con lo esperado y volver a intentarlo. Conforme las situaciones se acumulan, algunos conocimientos dejan de depender exclusivamente de reglas memorizadas. La persona empieza a reconocer relaciones, anticipar consecuencias y construir referencias que después le permiten enfrentarse a escenarios que nunca había visto exactamente de la misma manera.
Una investigación publicada este año por el National Bureau of Economic Research estudia desde una perspectiva económica la relación entre automatización, aprendizaje y acumulación de capacidades. El modelo parte de una idea particularmente relevante para esta conversación: las personas adquieren habilidades mediante las tareas que realizan. Cuando determinadas actividades se automatizan, no solo cambia quién produce el resultado; también puede modificarse el recorrido mediante el cual se desarrollaban ciertas competencias. El trabajo no pretende demostrar que la automatización vaya necesariamente a deteriorar el capital humano, pero sí introduce una variable que durante años resultaba fácil pasar por alto: eliminar una tarea puede significar también eliminar una oportunidad de aprendizaje que estaba incorporada dentro de ella.
Esto obliga a mirar de otra manera ciertas actividades rutinarias. Su valor no estaba contenido únicamente en el documento, el análisis, la cotización o el seguimiento que producían. Formaban parte de una secuencia en la que alguien empezaba resolviendo situaciones relativamente claras, adquiría exposición a pequeñas excepciones y, después de suficiente práctica, estaba preparado para asumir problemas donde las instrucciones ya no alcanzaban.
La lógica de automatizar esos primeros pasos sigue siendo razonable. Si una herramienta puede revisar información, generar una primera versión, resumir antecedentes o resolver una actividad administrativa con mayor velocidad, mantener deliberadamente un proceso ineficiente tendría poco sentido. La cuestión relevante aparece después, cuando la empresa necesita preguntarse qué experiencia desapareció junto con ese trabajo y si esa experiencia seguirá siendo necesaria cuando las personas tengan que enfrentarse a situaciones más complejas.
Harvard Business Review ha comenzado a estudiar esta transformación entre profesionales que se encuentran al principio de su carrera. Parte de las tareas iniciales que tradicionalmente servían para conocer una industria, recibir retroalimentación y desarrollar criterio están entrando rápidamente en flujos de trabajo asistidos por inteligencia artificial. Esto cambia el problema de formación: enseñar a utilizar la herramienta será importante, pero ya no bastará si al mismo tiempo desaparecen algunos de los mecanismos mediante los cuales las personas aprendían aquello que después necesitaban juzgar.
El World Economic Forum ha planteado una preocupación parecida al analizar las trayectorias profesionales iniciales. Una proporción importante de trabajadores jóvenes se encuentra en ocupaciones expuestas a cambios de tareas impulsados por inteligencia artificial, por lo que el desafío para las empresas no consiste únicamente en determinar cuántas posiciones de entrada seguirán necesitando. También tendrán que reconsiderar cómo estarán diseñadas esas posiciones y qué experiencias permitirán que alguien avance desde una capacidad asistida hacia una comprensión suficientemente profunda de su trabajo.
Las primeras señales del mercado laboral hacen que la conversación resulte menos abstracta, aunque todavía conviene interpretarlas con prudencia. Una actualización publicada por el Stanford Digital Economy Lab a partir de datos administrativos de nómina no encuentra evidencia de un desplazamiento generalizado del empleo provocado por la inteligencia artificial, pero sí observa diferencias entre trabajadores jóvenes en ocupaciones altamente expuestas a estas herramientas y aquellos que se encuentran en actividades menos expuestas. Los investigadores señalan que una parte importante de la diferencia parece provenir de menor contratación, no de una ola masiva de despidos, lo que abre una pregunta distinta a la que normalmente domina la discusión pública.
Una empresa puede necesitar hoy menos personas para realizar determinadas tareas iniciales y obtener un beneficio económico inmediato. Años después seguirá necesitando personas experimentadas capaces de resolver aquello que las herramientas, los procedimientos y los modelos conocidos no consiguen cubrir por completo. Si el recorrido mediante el cual se construía esa experiencia cambia, la organización tendrá que desarrollar otro antes de descubrir demasiado tarde que redujo la entrada de personas sin reconstruir la salida hacia niveles superiores de criterio.
La cuestión adquiere mayor importancia porque el trabajo que permanece en manos humanas probablemente no será el más sencillo. Conforme las herramientas mejoran en reconocimiento de patrones, procesamiento de información y resolución de situaciones predecibles, las personas empiezan a concentrarse en excepciones, decisiones con información incompleta, negociaciones, compensaciones entre objetivos y problemas donde el contexto modifica la respuesta. Son actividades que pueden necesitar menos volumen de ejecución, pero una comprensión más profunda de sus consecuencias.
La Organización Internacional del Trabajo ha identificado precisamente una mayor importancia de capacidades cognitivas de orden superior, adaptabilidad, habilidades socioemocionales y agencia humana dentro de entornos donde la inteligencia artificial adquiere mayor presencia. En ámbitos industriales ocurre algo parecido. La colaboración entre personas y sistemas desplaza progresivamente el valor humano hacia supervisión, interpretación, juicio, priorización y manejo de situaciones donde una respuesta técnicamente posible no necesariamente representa la mejor decisión para el conjunto.
La paradoja aparece cuando observamos ambos movimientos al mismo tiempo. Por una parte, eliminamos o automatizamos algunas de las actividades más previsibles porque son aquellas donde la tecnología puede aportar valor con mayor facilidad. Por otra, esperamos que las personas se concentren progresivamente en trabajos donde la experiencia pesa más. El problema no está en ninguno de esos movimientos por separado, sino en el espacio que puede quedar entre ellos si las organizaciones dan por sentado que el criterio necesario para asumir el segundo aparecerá de manera espontánea después de haber reducido las experiencias que antes permitían construirlo.
Durante mucho tiempo existió cierta continuidad. Una persona empezaba realizando trabajo sencillo, encontraba pequeñas excepciones, asumía gradualmente mayor responsabilidad y, después de años de exposición, estaba preparada para enfrentarse a situaciones donde el procedimiento ya no proporcionaba una respuesta completa. La tecnología puede acortar considerablemente ese recorrido en términos de producción y permitir que alguien entregue antes trabajos de una calidad aceptable. Todavía necesitamos comprender si puede acelerar en la misma proporción la formación del juicio que permite distinguir cuándo esa calidad aparente deja de ser suficiente.
Esta diferencia será difícil de observar mediante los indicadores habituales. Una organización puede comprobar que sus nuevas incorporaciones producen más, necesitan menos tiempo para preparar ciertos trabajos y cometen menos errores visibles. Todas esas mejoras serían reales y valiosas. Lo que no revelarían automáticamente es si esas mismas personas están aprendiendo a detectar una premisa equivocada, a reconocer información ausente o a identificar las consecuencias que quedan fuera de la respuesta generada por una herramienta.
La inteligencia artificial puede incluso hacer menos visible esa brecha porque produce resultados con una apariencia de solidez que antes era difícil alcanzar sin cierta experiencia previa. Una primera versión claramente mediocre mostraba inmediatamente que alguien todavía necesitaba aprender. Un análisis bien redactado, estructurado y técnicamente plausible puede ocultar durante más tiempo que la persona que lo entrega aún no posee suficiente contexto para evaluar algunas de sus conclusiones.
Quien ya cuenta con años de experiencia utiliza la herramienta desde una posición distinta. La velocidad representa una ventaja porque la persona conserva referencias construidas antes de utilizarla. Puede detectar qué información falta, reconocer una recomendación poco realista, cambiar la pregunta cuando descubre que estaba mal planteada o decidir que determinada situación requiere salir del sistema y recurrir a otra fuente. La tecnología multiplica una capacidad que ya existe.
Para alguien que todavía está desarrollándola, la relación puede convertirse en otra cosa. Si cada incertidumbre termina inmediatamente en una respuesta y el objetivo principal es llegar cuanto antes a un resultado aceptable, algunas preguntas pueden desaparecer antes de transformarse en aprendizaje. La persona obtiene aquello que necesitaba para continuar trabajando, aunque no necesariamente recorre la dificultad suficiente para comprender cómo se construyó esa conclusión ni cuáles son sus límites.
Nada de esto obliga a regresar a un modelo donde aprender signifique trabajar lentamente. La misma inteligencia artificial que permite saltarse parte de un proceso puede utilizarse para profundizarlo. Puede explicar alternativas, cuestionar una decisión, construir escenarios, señalar contradicciones y ofrecer una retroalimentación que antes dependía de encontrar a una persona experimentada con tiempo disponible para enseñar. La diferencia estará en la intención con la que se incorpore a la formación y en aquello que la organización decida considerar un buen resultado.
Dos personas pueden utilizar exactamente la misma herramienta y estar construyendo capacidades muy distintas. Una puede recurrir a ella principalmente para obtener una respuesta; otra puede utilizarla para comprender por qué esa respuesta funciona, qué supuestos contiene y bajo qué condiciones dejaría de ser válida. Desde la perspectiva de una tarea terminada, quizá ambas parezcan igual de productivas. Para una empresa que necesitará criterio dentro de varios años, la diferencia puede ser considerable.
Hasta ahora buena parte del aprendizaje profesional estaba incorporado dentro del trabajo cotidiano y las organizaciones no siempre necesitaban diseñarlo conscientemente. Las propias tareas generaban exposición, repetición y errores suficientes para desarrollar experiencia. Si la automatización empieza a romper esa relación, formar criterio tendrá que convertirse en una actividad mucho más deliberada.
Esto no significa preservar actividades que ya dejaron de aportar valor. Significa reconocer que al retirar una tarea pueden desaparecer varias cosas a la vez y que algunas quizá necesiten reaparecer bajo otra forma. Una persona puede dejar de necesitar cincuenta primeras versiones para aprender a construir una propuesta, pero seguirá necesitando comprender qué variables importan, enfrentarse a suficientes excepciones, defender sus conclusiones y equivocarse en situaciones donde alguien pueda explicarle qué no alcanzó a ver.
En sectores como la logística internacional, donde las condiciones reales rara vez caben por completo dentro de un procedimiento, esa formación seguirá teniendo un peso importante. Los sistemas pueden procesar más información y la inteligencia artificial ampliará considerablemente la capacidad para analizarla, pero continuarán existiendo operaciones donde proveedores, clientes, regulaciones, costos y tiempos se relacionen de maneras que cambian según el contexto. Una herramienta puede ayudar a identificar esas relaciones; alguien tendrá que conservar suficiente conocimiento para advertir cuándo falta una de ellas.
Conforme la tecnología avance, también veremos sistemas capaces de resolver situaciones que hoy consideramos complejas y volverá a desplazarse aquello que entendemos por trabajo humano. Ese proceso no tendría por qué empobrecer nuestra capacidad. Podría producir exactamente lo contrario si permitimos que las personas aprendan más rápido, tengan acceso a mejores herramientas y dediquen menos tiempo a actividades que antes consumían horas sin aportar demasiado conocimiento nuevo.
El riesgo aparece cuando la evolución de nuestra capacidad para producir avanza mucho más rápido que la evolución de nuestras formas de aprender. Una organización podría entonces conseguir resultados extraordinariamente buenos durante años y, al mismo tiempo, reducir silenciosamente la cantidad de situaciones donde sus personas desarrollan independencia para juzgarlos. Mientras la tecnología continúe compensando esa diferencia, el problema permanecerá prácticamente invisible.
Probablemente se volvería evidente en los márgenes, allí donde los modelos disponibles ya no alcanzan: una excepción para la que existen pocos antecedentes, una contradicción entre dos respuestas técnicamente correctas, una consecuencia que nadie incorporó al análisis o una decisión donde la dificultad no consiste en encontrar la opción más probable, sino en comprender cuál conviene asumir y por qué.
En ese momento tendrá menos importancia saber cuántas actividades consiguió automatizar la empresa que conocer cuántas personas siguen siendo capaces de comprender lo que el sistema está haciendo, cuestionarlo cuando sea necesario y asumir la responsabilidad cuando las condiciones se alejen de aquello para lo que fue diseñado.
Durante años, las empresas utilizaron el trabajo para producir resultados y, sin proponérselo siempre de manera explícita, también para producir experiencia. La inteligencia artificial empieza a permitir que ambas cosas se separen, porque podemos alcanzar el resultado sin recorrer necesariamente todo el proceso que antes permitía aprender a producirlo.
Esa separación contiene una oportunidad enorme y probablemente transformará de manera positiva una parte importante del trabajo. También obliga a reconocer que la experiencia humana necesita algún lugar donde construirse. Si las tareas rutinarias dejan de cumplir esa función, las organizaciones tendrán que diseñar nuevas formas de exposición, práctica, error y reflexión capaces de sustituirlas.
Quizá una de las decisiones más importantes de esta etapa no tenga que ver únicamente con cuánto trabajo estamos preparados para delegar a la tecnología. También tendrá que ver con cuáles experiencias seguimos necesitando conservar, transformar o crear para que las personas que trabajarán junto a ella mañana puedan hacer algo que seguirá siendo indispensable: comprender cuándo confiar en una respuesta y cuándo tener razones suficientes para cuestionarla.
Contáctanos:
Oficina: +52 449 488 2682
WhatsApp: +52 449 273 9282
e-mail: ventas@evolutiontrading.com.mx
Llamada: Agenda una llamada directa
Síguenos también en nuestras Redes Sociales:
- Facebook: Evolution Trading Support
- Instagram: Evolution Trading Support
- LinkedIn: Evolution Trading Support