Durante los últimos años,
buena parte de la conversación sobre inteligencia artificial se ha concentrado
en anticipar qué profesiones desaparecerán, qué capacidades serán sustituidas y
hasta dónde llegará la automatización. Sin embargo, la IA generativa ya
participa en actividades de redacción, programación, análisis, diseño, síntesis
de información y toma de decisiones asistida.
La evidencia disponible
muestra que sus efectos no corresponden simplemente a una sustitución lineal
del trabajo humano. En un estudio con más de cinco mil trabajadores de atención
al cliente, la asistencia mediante IA generativa incrementó la productividad y
produjo beneficios particularmente relevantes para trabajadores con menor
experiencia (Brynjolfsson et al., 2025).
Por ello, una pregunta más
productiva que “¿qué hará la IA con nosotros?” es “¿dónde se construye el valor humano
cuando una parte creciente de la producción cognitiva puede ser automatizada?”.
Esta pregunta permite superar dos posiciones igualmente insuficientes:
considerar la IA solamente como una herramienta convencional o asumir que cada
actividad realizada por una máquina representa inevitablemente una pérdida
equivalente de valor humano.
La literatura reciente
sugiere una situación más compleja. La OCDE encontró que la adopción de IA
generativa en pequeñas y medianas empresas está asociada con mejoras percibidas
de desempeño y cambios en las necesidades de habilidades, al tiempo que aumenta
la importancia de trabajadores altamente cualificados (OECD, 2025). Esto indica
que la automatización puede modificar la composición del trabajo sin
traducirse automáticamente en la desaparición de la contribución humana.
El
valor humano cambia de lugar
Cuando una IA produce en
segundos un texto que anteriormente requería horas, puede parecer que la
escritura perdió valor. Sin embargo, producir palabras nunca fue la totalidad
del trabajo intelectual. También es necesario decidir qué problema merece atención,
qué evidencia es suficiente, para quién se escribe, qué consecuencias puede
tener una decisión y quién responderá por ella.
Desde esta perspectiva, el
valor humano puede comprenderse mediante cinco dimensiones. La primera es el propósito,
entendido como la capacidad de determinar qué problema debe abordarse y por
qué. La segunda es el juicio contextual, que permite
interpretar necesidades, restricciones culturales, antecedentes y condiciones
específicas que difícilmente pueden reducirse a una instrucción. La tercera es
la validación crítica, necesaria para contrastar
evidencias, detectar errores, reconocer sesgos y determinar cuándo un resultado
aparentemente convincente no es confiable. La cuarta es la responsabilidad, debido a que utilizar una
recomendación generada algorítmicamente no transfiere automáticamente a la
máquina la responsabilidad por sus consecuencias. Finalmente, se encuentra el impacto
humano, es
decir, la capacidad de transformar un resultado técnicamente adecuado en una
acción pertinente para personas y comunidades.
Esta propuesta coincide con
enfoques internacionales que sitúan la supervisión, la gobernanza y el juicio
humano en el centro del uso responsable de la IA.. UNESCO plantea una
aproximación centrada en las personas para la incorporación de IA generativa en
educación e investigación, mientras que el perfil de riesgos para IA generativa
del NIST enfatiza que la gestión responsable debe abarcar no solo el
funcionamiento técnico del sistema, sino también su contexto de uso y sus
posibles impactos (Miao & Holmes, 2023; Autio et al., 2024).
Colaborar
no significa delegar el pensamiento
La reconfiguración del valor
humano tampoco implica que cualquier utilización de IA conduzca automáticamente
hacia capacidades cognitivas superiores. Esta distinción es fundamental. Lee et
al. (2026), mediante un experimento preregistrado y un estudio posterior,
encontraron que el uso pasivo de contenidos generados por IA podía disminuir la
autoeficacia, el sentido de propiedad y el significado atribuido al trabajo. En
cambio, una interacción más activa, en la que la persona desarrollaba
inicialmente la tarea y después utilizaba la IA para mejorarla, mitigaba esos
efectos.
Por tanto, existe una
diferencia esencial entre usar IA para reemplazar el pensamiento y usar IA para ampliar el
pensamiento. La
primera modalidad favorece dependencia y descarga cognitiva; la segunda puede
facilitar exploración, contraste y perfeccionamiento. En educación superior,
Zeng et al. (2026) muestran que variables como autoeficacia, adaptación de
roles y ajuste entre tarea y tecnología intervienen en los resultados del
aprendizaje mediado por IA. De manera complementaria, una revisión sistemática
de 206 trabajos identifica la alfabetización en IA generativa como una
competencia multidimensional que incorpora componentes técnicos, críticos,
éticos, personales e interpersonales (Reicho et al., 2026).
Esto modifica también la
función educativa. Si una IA puede generar una planeación didáctica, resumir
información o proponer actividades, el valor del docente no puede reducirse a
producir documentos. Se desplaza hacia comprender a los estudiantes, diseñar
experiencias pertinentes, interpretar dificultades, promover pensamiento
crítico y decidir cuándo y cómo incorporar tecnología. En esta dirección,
Núñez-Rojas et al. (2026) encontraron asociaciones significativas entre un
modelo de aprendizaje experiencial Onlife apoyado en IA, el pensamiento
computacional y la satisfacción académica, reforzando la necesidad de integrar
la tecnología dentro de modelos pedagógicos explícitos y no como un fin
independiente.
De la
producción a la agencia
A medida que producir una
primera respuesta se vuelve más sencillo, aumenta la importancia de saber
formular problemas, seleccionar herramientas, evaluar resultados y asumir
decisiones. La competencia relevante no consiste en utilizar el mayor número
posible de aplicaciones, sino en reconocer qué tarea puede delegarse, cuál
necesita supervisión y cuál debe permanecer bajo control humano.
De ello se deriva un
principio para organizaciones y sistemas educativos: la adopción
de IA debería comenzar por el propósito y no por la plataforma. Después deben definirse criterios
para seleccionar el sistema, proteger información, verificar resultados y
establecer responsabilidades. El resultado generado constituye un insumo, no la
conclusión automática del proceso.
En consecuencia, la alfabetización en IA
del futuro necesita superar el dominio instrumental del prompt. Debe incorporar
capacidad de verificación, comprensión de limitaciones, razonamiento ético,
juicio contextual y autorregulación. La IA puede generar alternativas; la
agencia humana consiste en determinar cuáles merecen convertirse en decisiones.
Cómo
aprovechar la IA hoy
1.
Empezar por el propósito, no por la plataforma
Antes de
abrir una aplicación, conviene definir qué problema se desea resolver, para
quién y bajo qué criterio se reconocerá una buena solución. Sin esta claridad,
la IA produce mucho, pero aporta poco.
2. Elegir la aplicación y después el modelo
La
aplicación debe corresponder al flujo de trabajo: documentos, análisis de
datos, creación visual, programación, búsqueda o colaboración. Dentro de ella
se elige el modelo según la complejidad, la rapidez, el tipo de información, el
costo y el nivel de revisión requerido. No existe un modelo universalmente
mejor; existe un ajuste más adecuado entre capacidad, contexto y tarea.
3. Separar producción de validación
Una IA
puede generar una propuesta, pero la revisión debe considerarse una fase
distinta. Comprobar datos, rastrear fuentes, comparar opciones, detectar sesgos
y evaluar consecuencias no son adornos posteriores: forman parte del trabajo.
4. Conservar la voz y el conocimiento del contexto
El
resultado técnicamente correcto puede ser culturalmente impertinente,
emocionalmente torpe o institucionalmente inviable. La persona aporta la
historia, los matices, las relaciones y las restricciones que no siempre
aparecen en los datos ni en la instrucción inicial.
5. Asumir la autoría de las decisiones
Quien
utiliza un resultado generado no puede esconderse detrás de la frase "lo
dijo la IA". La responsabilidad permanece en quien selecciona, acepta,
modifica, pública o aplica el contenido. Esta es una condición indispensable
para una adopción centrada en las personas, como propone la UNESCO para la
educación y la investigación (Miao & Holmes, 2023).
La pregunta que sí importa
No necesitamos esperar a que la inteligencia artificial alcance una forma futura para comenzar a reflexionar sobre nuestro lugar. Ese lugar ya está cambiando. Las tareas que durante años consideramos evidencia suficiente de competencia pueden ser realizadas, total o parcialmente, por modelos cada vez más capaces y por aplicaciones que integran varios de ellos.
Esto no anuncia el fin del valor humano
Anuncia el fin de una definición demasiado estrecha de ese valor. Si antes se premiaba principalmente la producción, ahora será necesario demostrar comprensión, criterio, originalidad situada, responsabilidad y capacidad para transformar un resultado en beneficio real.
Tal vez la mejor manera de prepararnos para el futuro sea dejar de mirarlo como espectadores. La IA ya está aquí. No nos pide que renunciemos a lo humano, sino que dejemos de darlo por supuesto, que lo cultivemos y que aprendamos a hacerlo visible en cada decisión. La pregunta final no es qué será capaz de hacer la inteligencia artificial. La pregunta es qué clase de valor elegiremos crear nosotros con ella.
Conclusión
La expansión de la
inteligencia artificial generativa no implica necesariamente la desaparición
del valor humano, pero sí cuestiona una definición de ese valor basada
principalmente en la capacidad de producir resultados. Cuando producir se
vuelve más rápido y accesible, adquieren mayor relevancia el propósito, el
juicio contextual, la validación crítica, la responsabilidad y la capacidad de
generar impacto humano.
El desafío, por tanto, no consiste en
competir con la IA en aquello que puede realizar con mayor velocidad. Consiste
en diseñar relaciones de colaboración en las que la automatización amplíe las
capacidades humanas sin sustituir la agencia que permite orientar, evaluar y
responsabilizarse por las decisiones. Futuras investigaciones deberían evaluar
empíricamente estas cinco dimensiones y determinar en qué condiciones la
colaboración humano-IA fortalece o debilita cada una. Prepararse para el futuro
exige, paradójicamente, dejar de esperarlo: la cuestión científica y social
relevante ya no es únicamente qué será capaz de hacer la inteligencia
artificial, sino qué clase de valor decidiremos crear con ella y qué responsabilidades
estamos dispuestos a conservar.
Referencias
Autio, C., Schwartz, R.,
Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K.
(2024). Artificial
Intelligence Risk Management Framework: Generative Artificial Intelligence
Profile (NIST AI 600-1). National Institute of Standards and
Technology. https://doi.org/10.6028/NIST.AI.600-1
Brynjolfsson, E., Li, D.,
& Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2),
889–942. https://doi.org/10.1093/qje/qjae044
Lee, E. H., Yin, Y., Jia, N.,
et al. (2026). Relying on AI at work reduces self-efficacy, ownership, and
meaning while active collaboration mitigates the effects. Scientific Reports, 16,
13583. https://doi.org/10.1038/s41598-026-42312-6
Miao, F., & Holmes, W.
(2023). Guidance for
generative AI in education and research. UNESCO.
Núñez-Rojas, N., Tobon, S.,
Valdivieso-López, E., & Matas-Terrón, A. (2026). Onlife experiential
learning model centered on artificial intelligence: Association with
computational thinking and academic satisfaction. SAGE Open, 16(2). https://doi.org/10.1177/21582440261430144
OECD. (2025). Generative AI and the SME workforce: New
survey evidence. OECD Publishing. https://doi.org/10.1787/2d08b99d-en
Reicho, M., Otrel-Cass, K.,
Ebner, M., Brünner, B., Freinhofer, D., & Irfan, J. (2026). Generative AI
literacy across education and business: Competencies, obstacles, and benefits—a
systematic literature review. International
Journal of Educational Technology in Higher Education, 23, 23. https://doi.org/10.1186/s41239-026-00596-8
Zeng, Y., Kang, J., & Piaw, C. Y.
(2026). Behavioral mechanisms and learning outcomes of university students’
GAI-assisted learning in human-AI collaboration. PLOS ONE, 21(4), e0346696. https://doi.org/10.1371/journal.pone.0346696
