Dejar de esperar el futuro

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