La IA está automatizando el trabajo que crea expertos

Cuando las empresas deciden qué automatizar, generalmente miden el tiempo, el costo, las tasas de error y la producción. Rara vez miden lo que una tarea enseña a la persona que la realiza. Esta omisión es importante porque muchas tareas que parecen repetitivas o ineficientes también son parte del sistema de aprendizaje invisible a través del cual las personas se convierten en profesionales capaces.

Un analista junior que construye un modelo por primera vez, un desarrollador que rastrea un error básico, un agente de soporte que maneja una queja común y un abogado que prepara un memo de investigación inicial están produciendo trabajo. También están aprendiendo cómo se relaciona la información, qué detalles son importantes, dónde aparecen los errores y cuándo un patrón familiar ya no se aplica. Si la IA elimina la tarea sin reemplazar el proceso de aprendizaje, la organización puede ganar velocidad hoy mientras debilita la experiencia que necesitará más adelante.

La pregunta sobre la fuerza laboral es, por lo tanto, más grande que si la IA reducirá la contratación de nivel de entrada. Los líderes necesitan preguntar qué sucede con los bucles de práctica que antes convertían a empleados inexpertos en personas capaces de juzgar, corregir y supervisar sistemas inteligentes.

La experiencia se construye a través de la corrección

La experiencia a menudo se describe como conocimiento, pero el conocimiento solo no es suficiente. Las personas experimentadas han encontrado suficientes casos para reconocer señales débiles, notar combinaciones inusuales y entender cuándo una respuesta estándar es insegura. Ese juicio se desarrolla a través de ciclos repetidos de intentar trabajo, recibir retroalimentación, corregir errores y ver las consecuencias de las decisiones.

Muchas tareas junior son valiosas precisamente porque crean esos ciclos. Redactar la primera versión de un análisis fuerza a alguien a decidir qué es relevante. Limpiar datos revela cómo puede ser imperfecta la información real. Manejar casos de clientes sencillos enseña el patrón normal, lo que más tarde hace que un caso anormal sea más fácil de reconocer. Revisar la salida terminada de un experto no crea la misma profundidad porque las decisiones difíciles ya han sido tomadas y ocultadas.

La IA puede comprimir estos ciclos. Un borrador llega antes de que el empleado haya enmarcado el problema. Un asistente de código propone la solución antes de que el desarrollador haya rastreado el fallo. Una herramienta de investigación resume la evidencia antes de que el analista haya tenido que comparar fuentes. La salida puede ser mejor y más rápida, pero el empleado recibe menos oportunidades de construir un modelo interno de por qué es correcto.

La IA puede acelerar el aprendizaje, pero el diseño es importante

El riesgo no es inevitable. Algunas de las pruebas más fuertes sobre la IA generativa en el trabajo muestran que puede ayudar a los empleados menos experimentados a aprender más rápido cuando se utiliza como guía en lugar de como sustituto de la participación.

Un estudio de la NBER de 5,179 agentes de soporte al cliente encontró que el acceso a un asistente de IA generativa aumentó la productividad en un 14 por ciento en promedio, con una mejora del 34 por ciento entre los trabajadores novatos y menos calificados. Los investigadores encontraron evidencia sugestiva de que el sistema ayudó a difundir las prácticas de los agentes más fuertes y a mover a los trabajadores más nuevos hacia abajo en la curva de experiencia más rápidamente.

El diseño de ese trabajo es importante. Los agentes recibieron sugerencias durante conversaciones de clientes reales, pero todavía tenían que interpretar la situación, elegir cómo responder y observar el resultado. El bucle de aprendizaje permaneció intacto. La IA agregó acceso oportuno a patrones de expertos sin eliminar completamente al empleado de la decisión.

Eso es diferente de un flujo de trabajo en el que el sistema completa la tarea y el empleado realiza una aprobación rápida al final. Cuando las personas permanecen activas en el diagnóstico, la elección y la consecuencia, la IA puede funcionar como un entrenador. Cuando se reducen a aceptar la salida pulida, la tecnología puede aumentar la producción a corto plazo mientras hace mucho menos para la capacidad a largo plazo.

La automatización está alcanzando las tareas que construyen el capital humano

Es fácil asumir que la IA eliminará solo el trabajo repetitivo y de baja habilidad. La evidencia actual sugiere un patrón más complicado.

El Índice Económico de enero de 2026 de Anthropic encontró que las tareas cubiertas por Claude tendían a requerir más educación que el promedio de la economía. En una estimación experimental, los investigadores encontraron que eliminar esas tareas cubiertas por la IA de las ocupaciones produciría un efecto de descalificación de primer orden en los trabajos porque muchas de las tareas cubiertas representaban componentes de educación superior del rol. Anthropic fue cuidadoso al decir que esto no era una predicción, ya que las ocupaciones pueden evolucionar y pueden aparecer nuevas tareas, pero el hallazgo debería cambiar la forma en que las empresas piensan sobre la automatización.

Rutina y desarrollo no son opuestos. Preparar un análisis puede volverse rutina para un empleado experimentado mientras sigue siendo práctica esencial para un junior. Redactar contratos estándar, depurar errores familiares, preparar previsiones y revisar el historial del cliente pueden ser automatizables, pero también exponen a los empleados a la estructura de la profesión.

Esto crea un problema estratégico. La tarea más fácil de automatizar también puede ser la tarea a través de la cual un nuevo empleado aprende el contexto necesario para manejar la tarea difícil más adelante.

La paradoja de la verificación

Muchas organizaciones responden diciendo que las personas se moverán de la producción a la verificación. La IA generará el trabajo, mientras que los humanos verificarán la precisión, aplicarán el contexto y permanecerán responsables. Esto suena razonable, pero contiene una paradoja: la verificación en sí requiere la experiencia que el trabajo automatizado solía ayudar a crear.

Un estudio de Microsoft Research (MSFT ) que involucró a 319 trabajadores del conocimiento y 936 ejemplos de uso de IA generativa encontró que una mayor confianza en la IA se asoció con menos esfuerzo de pensamiento crítico. El estudio también encontró que la IA desplazó el pensamiento crítico hacia la verificación, la integración y la gestión de tareas. Esas actividades son valiosas, pero una persona no puede verificar bien sin suficiente conocimiento de dominio para reconocer qué puede faltar.

Un empleado inexperto puede verificar si una respuesta es claramente inconsistente o no respaldada. Es mucho más difícil notar que el análisis utilizó el marco incorrecto, ignoró una restricción operativa o llegó a una conclusión plausible por la razón incorrecta. La salida pulida de la IA puede ocultar la ausencia de comprensión porque parece completa antes de que el empleado haya desarrollado el juicio para interrogarla.

La investigación sobre la “frontera tecnológica desigual” hace que el problema sea más concreto. En un experimento con 758 consultores, los usuarios de IA completaron tareas dentro de la frontera de capacidad de la tecnología un 25,1 por ciento más rápido y produjeron resultados de más del 40 por ciento de mayor calidad. En una tarea fuera de esa frontera, sin embargo, los usuarios de IA fueron un 19 por ciento menos propensos a llegar a la solución correcta que los participantes que trabajaban sin IA.

La capacidad crítica es, por lo tanto, no simplemente usar la IA. Es reconocer cuándo el sistema está operando fuera del límite de rendimiento confiable. Ese límite rara vez es obvio, y aprender a verlo requiere experiencia con casos exitosos y fallidos.

El riesgo de sucesión oculto

El Informe sobre el futuro del trabajo 2025 del Foro Económico Mundial encontró que los empleadores esperan que el 39 por ciento de las habilidades de los trabajadores cambien para 2030. También encontró que el 63 por ciento de los empleadores ya ven las brechas de habilidades como una barrera importante para la transformación, mientras que el 77 por ciento planea mejorar las habilidades de los empleados y el 41 por ciento espera reducir el número de trabajadores a medida que la IA automatice tareas.

Estas estrategias pueden entrar en conflicto si las organizaciones eliminan demasiado del trabajo a través del cual se forman las habilidades. Una empresa puede reducir la contratación junior, confiar en empleados seniores para supervisar la IA y aún informar una productividad sólida durante varios años. La debilidad aparece más tarde, cuando los expertos experimentados se van, la demanda aumenta o la organización necesita empleados capaces de manejar situaciones que el sistema no ha visto.

Los expertos seniores también pueden convertirse en una nueva restricción operativa. Si la IA aumenta el volumen de trabajo mientras solo un pequeño grupo puede verificar salidas difíciles, esas personas pasan más tiempo revisando y corrigiendo en lugar de enseñando. La empresa gana capacidad de producción pero concentra el juicio en menos manos.

Ninguna organización puede automatizar el aprendizaje y luego asumir que seguirá comprando experiencia del mercado. Si muchas empresas siguen la misma estrategia, el grupo externo de talentos experimentados eventualmente se vuelve más delgado y más caro.

Medir el valor de desarrollo del trabajo

Antes de automatizar una tarea, las empresas deben evaluarla en dos dimensiones. La primera es su valor de salida: ¿cuán importante, costoso y sensible al tiempo es el resultado? La segunda es su valor de desarrollo: ¿qué capacidad construye realizar la tarea?

Las tareas con bajo valor de salida y bajo valor de desarrollo son candidatas obvias para la automatización completa. Reformatar documentos rutinarios o transferir información entre sistemas puede enseñar poco después de alcanzar la competencia básica.

Las tareas con alto valor de salida pero bajo valor de desarrollo pueden automatizarse a menudo con el control adecuado. La organización todavía necesita gobernanza porque el resultado es importante, pero preservar el proceso manual puede contribuir poco al crecimiento del empleado.

La categoría más descuidada contiene tareas con valor de salida modesto pero alto valor de desarrollo. El primer borrador de un empleado junior puede no ser comercialmente importante porque un empleado senior lo revisará, pero producirlo crea una comparación valiosa entre el razonamiento inicial y la retroalimentación de expertos. Eliminar ese paso ahorra tiempo pero también elimina la práctica.

Las tareas con alto valor de salida y alto valor de desarrollo generalmente deben ser mejoradas en lugar de delegadas completamente. Los empleados pueden usar la IA para investigación, opciones y crítica, pero deben retener la responsabilidad significativa de enmarcar el problema, explicar la decisión y aprender del resultado.

Construir la capa de aprendizaje deliberadamente

Una vez que se han identificado las tareas de desarrollo, las empresas pueden rediseñarlas en lugar de preservar flujos de trabajo ineficientes sin cambios. El objetivo no es hacer que los empleados repitan cada proceso manual del pasado. Es recrear las experiencias que construyen el juicio en una forma más rápida e intencional.

Una opción es preservar el pensamiento de primera pasada. Antes de ver una recomendación de IA, el empleado registra un diagnóstico, previsión o decisión inicial. El sistema puede proporcionar entonces una alternativa, y el empleado debe explicar dónde difieren los dos enfoques y qué enfoque utilizaría.

Las organizaciones también pueden construir bibliotecas de fallas de IA, casos límite y decisiones disputadas. Revisar solo salidas exitosas enseña a los empleados a confiar en el sistema. Estudiar dónde falló ayuda a reconocer las condiciones que requieren escalada, evidencia adicional o intervención humana.

Los gerentes deben evaluar si el aprendizaje se transfiere más allá de la herramienta. ¿Puede el empleado explicar el razonamiento detrás de la salida final? ¿Puede identificar los supuestos que la harían incorrecta? ¿Puede adaptarse cuando el contexto cambia o la IA no está disponible? Estas preguntas revelan más sobre la preparación que la cantidad de prompts utilizados o tareas completadas.

Lo más importante es que los empleados juniors todavía necesitan responsabilidad real. Las simulaciones y la práctica estructurada ayudan, pero la experiencia también depende de consecuencias, retroalimentación y contacto con complejidad real. La IA debe hacer que esas experiencias sean más seguras y frecuentes, no eliminarlas completamente.

La ventaja de la fuerza laboral provendrá de una experiencia más rápida

Las organizaciones más fuertes no serán aquellas que automaten la mayor cantidad de tareas junior. Serán aquellas que eliminen el esfuerzo de bajo valor mientras aceleran el desarrollo de personas que puedan usar, desafiar y supervisar la IA de manera responsable.

Esto requiere una definición más amplia de retorno sobre la automatización. El tiempo ahorrado y la producción generada son importantes, pero los líderes también deben medir si el nuevo flujo de trabajo fortalece o debilita el suministro futuro de juicio de la organización. Un proceso que reduce el costo mientras daña la tubería de experiencia puede ser eficiente solo en un horizonte de tiempo corto.

Antes de aprobar el próximo proyecto de automatización, los líderes deben hacer una pregunta adicional: ¿qué aprendieron las personas al hacer este trabajo, y dónde ocurrirá ese aprendizaje después de que el trabajo se haya automatizado?

La respuesta determinará si la IA simplemente produce más salida o ayuda a producir la próxima generación de expertos.