Inteligencia artificial en el trabajo: producir más no sustituye el criterio

La IA no reemplaza al buen profesional: amplifica lo que ya existe

La inteligencia artificial como herramienta de trabajo es extraordinariamente potente. Puede ayudarnos a investigar, estructurar, comparar, programar, analizar y producir en una fracción del tiempo que antes necesitábamos. Negar esa capacidad sería tan poco útil como aceptar todo lo que genera sin cuestionarlo.

La reflexión importante no es si debemos usarla, sino qué ocurre con nuestro criterio cuando la usamos. La IA puede multiplicar la capacidad de un buen profesional, pero también puede multiplicar errores, simplificaciones y decisiones que nadie sabe defender. Por eso hace más difícil esconder la falta de criterio: el volumen aumenta, pero la calidad del razonamiento termina quedando expuesta.

También conviene matizar una frase que se repite con facilidad: la IA no despide por sí sola. Son las empresas las que automatizan tareas, reorganizan equipos, reducen costes o redirigen inversión. La prensa ya documenta recortes vinculados tanto a la automatización como al enorme esfuerzo financiero que exige la carrera por la IA. El fenómeno existe, pero atribuir cada salida laboral a una sustitución directa sería una explicación demasiado simple.

Cuando producir más se confunde con saber más

La IA reduce el tiempo entre una instrucción y un entregable. Esa velocidad puede parecer dominio durante unos días: aparecen más líneas de código, más presentaciones, más informes y más campañas. Sin embargo, producir una respuesta no equivale a comprender el problema, y entregar algo rápido no demuestra que esté listo para operar en el mundo real.

El riesgo aparece cuando una organización premia el volumen sin preguntar por la calidad de las decisiones. Una persona puede encadenar prompts, copiar resultados y mantener una apariencia de productividad hasta que alguien solicita una explicación, encuentra un caso límite o necesita modificar lo entregado. En ese momento se descubre si la IA fortaleció una capacidad existente o simplemente ocultó una brecha de conocimiento.

La productividad profesional no debería medirse solo por cuánto se genera, sino por cuánto trabajo útil, correcto y sostenible llega a convertirse en resultado. La diferencia está en la validación.

El caso del programador que no podía explicar su propio código

Durante una consultoría reciente, un cliente nos contó el caso de un ingeniero programador recién graduado cuyo trabajo fue revisado varias veces por el supervisor del proyecto. El código avanzaba, pero llegó un punto en el que el profesional no podía explicar la lógica de lo que había generado mediante inteligencia artificial. El llamado vibe coding se había convertido en una caja negra para quien debía hacerse responsable de él, y la relación laboral terminó.

El problema no fue utilizar IA. Un programador puede y, probablemente, debe aprovecharla para explorar soluciones, escribir pruebas, documentar o acelerar tareas repetitivas. El problema fue entregar código que no podía explicar, defender, validar ni mejorar.

Este caso no demuestra que toda persona que usa IA carezca de conocimiento ni que el vibe coding sea inútil. Sí muestra una frontera profesional: si no comprendes suficientemente lo que entregas, tampoco estás preparado para diagnosticarlo cuando falla, adaptarlo cuando cambian los requisitos o responder por sus consecuencias.

En programación, que funcione no es suficiente

Un fragmento de código puede producir el resultado esperado en una demostración y aun así introducir problemas graves. Puede duplicar lógica, romper una convención del proyecto, exponer información, degradar el rendimiento, fallar con datos inesperados o convertirse en una carga de mantenimiento para todo el equipo.

Por eso el valor del programador no reside únicamente en escribir sintaxis. Está en comprender la arquitectura, traducir una necesidad de negocio, evaluar alternativas, anticipar riesgos y construir una solución que otras personas puedan operar. Incluso la documentación oficial de GitHub sobre Copilot advierte que el código generado puede parecer válido y no ser correcto, y recomienda revisarlo y probarlo con especial cuidado en aplicaciones críticas o sensibles.

Antes de aceptar código generado por IA, un profesional debería poder responder preguntas como estas:

• ¿Qué problema resuelve y qué supuestos está haciendo?
• ¿Cómo encaja con la arquitectura y los estándares del proyecto?
• ¿Qué casos límite, pruebas y escenarios de error se han considerado?
• ¿Qué riesgos existen para la seguridad, la privacidad y la integridad de los datos?
• ¿Cómo se comportará al escalar y cómo se observará en producción?
• ¿Podrá otro miembro del equipo mantenerlo sin depender de quien lo generó?

El criterio profesional puede resumirse en cuatro verbos

Para usar inteligencia artificial en el trabajo sin delegar el juicio, propongo un marco sencillo: explicar, verificar, adaptar y responder. No pretende sustituir los controles técnicos o sectoriales; sirve para recordar qué parte del trabajo sigue siendo humana aunque la producción esté asistida por una máquina.

• Explicar: comprender la lógica de lo generado y comunicar por qué esa solución es adecuada.
• Verificar: contrastar hechos, probar resultados, buscar errores y comprobar requisitos, riesgos y límites.
• Adaptar: integrar la respuesta al contexto real del cliente, la organización, el usuario y las restricciones del proyecto.
• Responder: asumir la autoría profesional del entregable y actuar cuando algo debe corregirse o mejorar.

No es un problema exclusivo de programadores

La misma exigencia se aplica a diseñadores, redactores, consultores, administrativos, vendedores, abogados, médicos, marketers y prácticamente cualquier perfil profesional. Un informe bien redactado puede contener una premisa falsa; una campaña visualmente correcta puede ignorar la estrategia; una recomendación legal o clínica puede omitir una condición decisiva.

En todos esos casos, la IA acelera tanto la creación como la exposición de las debilidades. Si una persona no domina los fundamentos, puede aceptar una respuesta convincente por su forma aunque sea incorrecta en el fondo. Si sí los domina, la herramienta le permite comparar alternativas, detectar omisiones y dedicar más tiempo a las decisiones de mayor valor.

Prepararse para no ser reemplazado no significa aprender únicamente a pedirle cosas a una herramienta. Significa desarrollar conocimiento, pensamiento crítico, capacidad de diagnóstico, comunicación y responsabilidad. El prompt puede iniciar el trabajo; el criterio decide si el resultado merece ser entregado.

La pregunta ya no debería ser: ¿sabes usar IA?

Muchas empresas están convirtiendo el uso de IA en una casilla de competencia. Pero preguntar si alguien sabe usarla dice muy poco. La pregunta relevante es: ¿sabes entregar mejor gracias a la IA?

Entregar mejor puede significar reducir tiempo sin perder calidad, documentar decisiones, detectar riesgos antes, mejorar la experiencia del cliente o liberar capacidad para tareas que requieren juicio. Si la herramienta solo aumenta el volumen de trabajo que después debe rehacerse, no ha generado productividad: ha trasladado el coste a la revisión.

Por eso la evaluación del desempeño debería observar la calidad del resultado, la trazabilidad de las decisiones, la capacidad de explicar el proceso y la mejora conseguida frente a un punto de partida. Usar IA no es el objetivo. Crear más valor con controles adecuados sí lo es.

¿Quién valida los resultados? El reto también es de liderazgo

Aquí aparece una segunda pregunta: ¿quién valida los resultados? La IA no solo exige mejores profesionales. También exige líderes más involucrados y menos desconectados de la producción real. Un responsable que solo mide velocidad puede incentivar atajos; uno que entiende el trabajo puede definir qué debe revisarse, qué evidencia se necesita y quién tiene autoridad para aprobar.

El marco de gestión de riesgos de IA del NIST insiste en incorporar la confiabilidad durante el diseño, desarrollo, uso y evaluación de los sistemas. Llevado a la práctica empresarial, esto implica asignar responsables, clasificar tareas por riesgo, proteger la información, establecer revisiones humanas y medir errores además de ahorro de tiempo.

Una política útil no debería prohibir por miedo ni permitir sin límites. Debería aclarar dónde la IA aporta valor, qué datos no pueden compartirse, qué entregables requieren revisión especializada y cómo se documentarán las decisiones importantes.

• Define usos permitidos, restringidos y prohibidos según el riesgo.
• Asigna una persona responsable del resultado final, aunque la IA haya participado.
• Exige pruebas, fuentes o revisión por pares en entregables de mayor impacto.
• Forma a los equipos en fundamentos profesionales y no solo en herramientas.
• Mide calidad, errores, retrabajo y resultados, además del tiempo ahorrado.

La IA no vuelve opcional el criterio: lo vuelve visible

La inteligencia artificial puede ayudarnos a trabajar mejor que nunca, siempre que no confundamos asistencia con dominio. Quien comprende su profesión puede utilizarla para ampliar alcance, profundidad y velocidad. Quien delega por completo el razonamiento queda expuesto cuando llega la primera pregunta difícil.

No necesitamos profesionales capaces de competir con una máquina en cantidad. Necesitamos personas capaces de orientar la herramienta, cuestionar sus respuestas, integrar el contexto y hacerse responsables del resultado.

La IA no reemplaza al buen profesional, pero sí hace más difícil esconder la falta de criterio. Y, al mismo tiempo, ofrece una oportunidad enorme para quienes están dispuestos a demostrarlo en cada entrega.