Externalizar tu pensamiento a la IA, y te reemplazará

El jefe de IA de Microsoft, Mustafa Suleyman, acaba de compartir una predicción aterradora: dentro de los próximos 12 a 18 meses, la mayoría, o incluso todos, los trabajos de cuello blanco serán completamente automatizados por la inteligencia artificial. El señor Suleyman no es el primero en compartir una suposición como esta (sí, estoy hablando de Dario Amodei y su sentencia de 5 años de IA al mundo), y definitivamente no será el último. Pero déjenme compartir una opinión controvertida: la IA, ya sea en 18 meses o en cinco años, no podrá reemplazar a los trabajadores de cuello blanco. Pero si dejamos de pensar, lo hará.

Y no estoy diciendo que no se integrará en la mayoría de los procesos, o que no pueda ayudar a las personas con su carga de trabajo. Esto ya está sucediendo. Pero reemplazar el pensamiento humano, eliminar la entrada humana, es una tarea que la IA no puede realizar (a menos que nosotros, como seres humanos, reemplacemos nuestro motor de toma de decisiones con la IA, es decir).

Por qué el pensamiento humano no puede y no debería ser externalizado

Hay tres razones específicas a las que vuelvo cada vez que alguien me dice que la IA está a punto de reemplazar a todos. Cada una de ellas es algo que los cerebros humanos hacen como una cuestión de curso, y cada una de ellas es algo que la IA, por avanzada que sea, no puede reproducir.

La IA no puede tener el contexto que tiene un cerebro humano

Cuando una persona toma una decisión, no está, como un modelo de lenguaje, simplemente prediciendo la próxima palabra en función de la probabilidad general. Está sacando provecho de una experiencia vivida completa codificada en múltiples sistemas al mismo tiempo: nuestros recuerdos personales, nuestros hábitos aprendidos y las apuestas emocionales de esos momentos. Este pasado colectivo permite al cerebro adivinar constantemente qué pasará a continuación, actualizando su visión solo cuando la realidad demuestra que está equivocado. El contexto, en otras palabras, es el sustrato sobre el que se construye cada percepción.

Un modelo de lenguaje grande funciona de manera diferente. Sus pesos provienen de un corpus de texto finito en el que se entrenó una vez y al que ya no tiene acceso. No tiene un bucle de percepción, no tiene error de predicción de un mundo en el que tiene que vivir. El “contexto” disponible para él es lo que sucede que esté en la ventana de la solicitud. Nunca ha entrado en la habitación antes. Así que cuando tomamos una decisión que depende de saber qué es normal aquí, qué vino antes y qué está en juego, estamos ejecutando predicciones contra una experiencia ligada durante toda la vida – personal y de las generaciones que vinieron antes de nosotros. El modelo está haciendo coincidencias de patrones a través de bases de datos de texto. Dos operaciones muy diferentes, y ninguna ampliación de las ventanas de contexto cierra la brecha.

Saber el nombre no es lo mismo que saber algo

Esta sabiduría proviene del físico ganador del Premio Nobel Richard Feynman (o de su padre, para ser más específico). Creía que simplemente memorizar etiquetas o definiciones no significa saber el tema. La comprensión real proviene de la experiencia y la comprensión.

Charlie Munger, un empresario y inversor estadounidense, sugirió un término para este tipo de aprendizaje superficial — “Conocimiento de chofer”. La anécdota detrás de esto es sobre un chofer real del físico Max Planck, que escuchó su conferencia sobre mecánica cuántica tantas veces que la aprendió de memoria. Luego ofreció dar la conferencia en lugar de Planck en Múnich, lo que hizo con éxito. Pero cuando se trataba de preguntas del público, no pudo responder. Y esa es la diferencia entre el conocimiento superficial de “chofer” y el conocimiento integral, ganado a través de años de trabajo y lucha, de Planck.

Los modelos de lenguaje grandes de hoy en día son los choferes más sofisticados que hemos construido. Pueden recitar mecánica cuántica, resumir filosofía, redactar un contrato y rimar algunas palabras. Pero algo que requiere experiencia en lugar de reconocimiento de patrones, como saber por qué una posición de marca que funcionó en un mercado inevitablemente fallará en el siguiente, es único para los humanos, y es lo que realmente impulsa las decisiones.

Pero comprender por qué una posición de marca que funcionó en un mercado inevitablemente fallará en el siguiente no se puede ganar con un simple reconocimiento de patrones. La experiencia es única para los humanos y es lo que realmente impulsa las decisiones.

Aún así, la principal diferencia entre nosotros y la IA es la propiedad

La capacidad de las personas (o al menos algunas de ellas) para asumir la responsabilidad de las acciones, poseer las consecuencias, la vergüenza, aprender de ellas y hacer todo lo posible para que la situación no vuelva a suceder, y por lo tanto para que no sintamos el dolor de otro fracaso — esto es lo que hace que nuestro pensamiento y nuestra toma de decisiones sean tan únicamente diferentes de la inteligencia artificial.

La IA no siente vergüenza. Ni culpa. No pierde el sueño por una decisión que resultó mal. No lleva el recuerdo de un trato que perdió, una contratación que no funcionó, una estrategia que defendió en una reunión de la junta que destruyó gradualmente el valor dos años después. El modelo da una respuesta, la respuesta resulta incorrecta y el modelo pasa a la siguiente solicitud como si nada hubiera sucedido (porque para ellos, nada ha sucedido). No hay un costo interno por estar equivocado, y por lo tanto no hay presión para estar en lo correcto la próxima vez – algo que en realidad impulsa a los humanos a evolucionar y mejorar.

Hace diez años, trabajé en capital de riesgo, analizando startups en etapas tempranas, y miramos los tratos de conducción autónoma. Incluso entonces, los prototipos de taxi robótico eran estadísticamente más seguros que los conductores humanos. La tecnología funcionaba. Todavía funciona en 2026. Así que, ¿por qué nuestras ciudades aún no están inundadas de coches autónomos? Porque la responsabilidad de un vehículo autónomo no es lo suficientemente clara. Cuando hay un accidente, el sistema legal realmente no sabe a quién culpar — la persona que activó el interruptor, el fabricante o el desarrollador de software. Hasta que esa pregunta tenga una respuesta, estamos atascados. La tecnología ha avanzado más allá del marco de responsabilidad que debería estar allí para absorberla.

Cómo no perder la mente (y el trabajo) en la era de la IA

Mientras creo firmemente que la IA no puede reemplazar el pensamiento humano, también puedo ver el patrón de las personas que caen en la tentación de obtener un atajo a los resultados. Por primera vez en la historia, no necesitas un cerebro para obtener una respuesta. Solo necesitas escribir una pregunta. La fricción que solía obligarnos a pensar se ha eliminado, lo que suena genial, hasta que te das cuenta de que la fricción era el punto principal. Era cómo se construyó el cerebro en primer lugar.

Y aquí es donde la pregunta del trabajo también vuelve. La IA no reemplazará a los trabajadores de cuello blanco como categoría. Pero reemplazará a las personas específicas que externalizaron todo su pensamiento en ella. Si intercambias el juicio, el contexto y la propiedad por respuestas rápidas de una ventana de chat, dejas de ser la persona que aporta algo a la mesa. En ese punto, tu empleador no te necesita realmente. Pueden hablar directamente con el modelo.

Así que, mantener tu trabajo en la era de la IA y mantener tu mente en la era de la IA se reducen a la misma pregunta. Y a continuación, te presento cuatro hábitos que debes abordar.

La IA debería aumentar la curiosidad

El efecto que la IA tiene en tu cerebro depende completamente de cómo la uses. Si eres curioso y estás dispuesto a investigar, la IA se convierte en el mejor compañero de aprendizaje que alguien haya tenido. Mejor que Wikipedia, mejor que cualquier libro, porque puede explicar la misma idea de cinco maneras diferentes hasta que una de ellas funcione, y seguirte por cualquier madriguera que desees. O puedes pedirle que te ayude a retener la información mejor – como practicar la repetición espaciada hasta que realmente entiendas el concepto.

Para alguien que no es curioso, la IA hace lo contrario. Se hace cargo del pensamiento que debías estar haciendo tú mismo. Obtiene la salida sin el trabajo, y el trabajo era el punto principal. Con el tiempo, ese músculo se atrofia. Después de la Revolución Industrial, cuando las máquinas hicieron que el trabajo físico fuera menos prevalente, construimos gimnasios para dar a nuestros cuerpos lo que necesitaban para desafiar y mantenerse. Y eso es lo que eventualmente necesitaremos: gimnasios mentales para mantener nuestros cerebros en forma.

En 2025, el Laboratorio de Medios de Comunicación del MIT realizó un estudio en el que 54 participantes escribieron ensayos durante cuatro meses, divididos en tres grupos: ChatGPT, motor de búsqueda y solo cerebro. Mientras escribían, el electroencefalograma seguía su actividad cerebral. Al final, el grupo ChatGPT mostró consistentemente la menor conectividad neural y produjo ensayos que los maestros describieron como “sin alma”. El grupo de solo cerebro, por otro lado, tuvo la actividad cerebral más fuerte en todo el proceso.

Pero la parte más reveladora vino en la última sesión, cuando los investigadores intercambiaron los grupos. Las personas del grupo de solo cerebro, una vez que se les dio ChatGPT, superaron a todos. Habían construido el músculo del pensamiento primero y luego usaron la IA sobre él. El otro grupo no pudo alcanzarlos, porque habían saltado la parte en la que se construye el músculo.

Aprender es un verbo, así que no puede ser pasivo

Para que el aprendizaje se mantenga, la teoría debe combinarse con la práctica. Leer sobre una idea es una forma de entrada; hacer algo con esa idea es otra. Tocar, responder, aplicar, equivocarse y tratar de nuevo — estas actividades involucran diferentes partes del cerebro que la consumición pasiva, y te mantienen enfocado en el material.

Sócrates ya estaba en esto hace miles de años: nunca simplemente les dio a sus estudiantes la respuesta, sino que los obligó a producirla (a menudo una incorrecta) primero, y solo entonces la corrigió. Y yo mismo experimenté los beneficios de esta filosofía como estudiante de matemáticas: solo obteníamos la mitad del crédito por memorizar una teoría, mientras que la otra mitad requería probarla. Este enfoque en la comprensión fundamental es lo que nos permitió recordar y aplicar mejor los conceptos.

Enseñar un tema te lleva a un nivel más alto de conocimiento, haciéndote más difícil caer en la trampa psicológica llamada ilusión de competencia, y te da una mejor comprensión del tema. Cuando necesitas explicar una idea de manera clara y lo haces varias veces de diferentes maneras, no hay forma de que no la entiendas y la recuerdes tú mismo. Richard Feynman señaló con razón: “Si no puedes explicarlo de manera simple, no lo entiendes”.

Los números lo respaldan. En estudios de capacitación en seguridad, los aprendices activos retuvieron 93.5% de la información en comparación con 79% para los aprendices pasivos (Engageli, 2025). La pirámide de aprendizaje más amplia de los Laboratorios de Entrenamiento Nacional en Bethel, Maine, muestra el mismo patrón en cada nivel:

Los datos sin fuentes confiables son rumores

Sí, las personas deberían cuestionar las respuestas que obtienen de la IA. Deberían pedir fuentes, y cuando no hay fuentes, deberían ser escépticos.

Pero hay un problema más grande detrás de todo esto, y es el hecho de que validar la salida de la IA se está volviendo cada vez más difícil. Los modelos citan fuentes que no existen, parafrasean fuentes reales de manera que distorsionan el significado, mezclan información precisa con información inventada dentro del mismo párrafo, y no hay una forma clara de saber cuál es cuál.

Además, más y más de Internet es en sí mismo generado por IA, lo que significa que los modelos ahora están aprendiendo de las salidas de otros modelos. Las fuentes humanas originales están siendo enterradas bajo todo lo que se ha generado automáticamente sobre ellas.

Es por eso que creo que el conocimiento confiable todavía debe provenir de las personas. Si no podemos confiar completamente en el modelo, y no podemos confiar completamente en las fuentes detrás del modelo, entonces la experiencia humana es lo único en lo que podemos confiar.

Como dijo Tony Robbins: “Si quieres tener éxito, encuentra a alguien que haya logrado los resultados que deseas y copia lo que hace, y lograrás los mismos resultados”. Una persona que ha hecho realmente la cosa que está enseñando pasó por años de trabajo, pagó por sus errores y construyó su conocimiento con consecuencias reales — esa es la clase de fuente que se mantiene.

Sin contexto, los detalles faltan

Otro hábito que ayuda cuando se aprende con la IA es resistir la tentación de saltar directamente a la pregunta específica. La mayoría de las personas, cuando quieren saber algo, escriben la pregunta exacta y estrecha en un chatbot y toman la respuesta al valor nominal. El problema es que pierden el trasfondo completo en el que se encuentra la respuesta. Un trozo específico de información desvinculado de su contexto es muy fácil de malinterpretar.

Soy un fanático de la historia, así que déjenme dar un ejemplo de historia. El Discurso de Gettysburg es un discurso breve que Lincoln dio en 1863, en el sitio de una de las batallas más sangrientas de la Guerra Civil estadounidense. Imagina que necesitas escribir un ensayo sobre ello. Pides a la IA un análisis y obtienes un desglose limpio de las palabras, la estructura y los dispositivos retóricos.

Pero ¿puedes realmente escribir ese ensayo sin saber nada sobre la Guerra Civil en sí? Probablemente no. No entenderías por qué esta batalla en particular importaba, o por qué un discurso dado en ese terreno llevaba tanto peso. No atraparías que la guerra había cambiado de preservar la Unión a terminar con la esclavitud, y que el discurso era la forma en que Lincoln redefinía por qué el país estaba luchando. No verías la tensión política detrás de casi cada línea, porque para ti las líneas serían solo frases bonitas sobre un evento triste.

Sin el contexto de la Guerra Civil, el discurso se lee como un breve elogio fúnebre. Con él, estás leyendo un punto de inflexión en cómo una nación se entendió a sí misma. Y esa es la clase de matices que la IA te entregará solo si ya sabes lo suficiente para pedirlo.

El mismo principio se aplica a casi cualquier cosa que puedas usar la IA para. Comienza de manera amplia. Obtén la imagen general. Luego sumérgete en los detalles. Tendrán sentido una vez que tengan un contexto en el que aterrizar.

En resumen: la IA es una herramienta, y las herramientas necesitan manos

Cada gran avance tecnológico en la historia de la humanidad desencadenó el mismo pánico. Las calculadoras iban a hacer que olvidáramos las matemáticas. Internet iba a hacer que olvidáramos cómo pensar. Los motores de búsqueda iban a matar nuestra memoria. Y sin embargo, aquí estamos, todavía calculando, todavía pensando, todavía recordando, solo con mejores herramientas a mano.

La IA es la siguiente en esa línea, y probablemente la más poderosa que hemos construido. Puede escribir, resumir, analizar, redactar, traducir, codificar y hacer todo esto más rápido que cualquier ser humano. Pero no quiere nada. No puede preocuparse por el resultado. No puede vivir con las consecuencias de estar equivocado. Esas partes del trabajo todavía pertenecen a nosotros, y son las que definen si el trabajo es bueno al final del día.

Las personas que prosperen en la próxima década serán aquellas que sigan siendo curiosas, que sigan haciendo mejores preguntas y que usen la IA para aprender más rápido y pensar más a fondo, en lugar de usarla para saltarse el pensamiento por completo. Serán aquellas que aporten algo a la mesa que ningún modelo pueda replicar: juicio, contexto y la voluntad de asumir una decisión.

Así que no, la IA no te reemplazará ni te hará perder tu trabajo. Pero la versión de ti que dejó de pensar podría.