La unidad de análisis equivocada
Cada pocos meses aparece una nueva lista: pensamiento crítico, adaptabilidad, alfabetización en datos, creatividad, inteligencia emocional, capacidad de trabajar con sistemas inteligentes. Las listas son razonables y su contenido rara vez es objetable. El problema es la unidad de análisis. Tratan la capacidad como si fuera un contenido que se transmite, cuando una parte importante de ella es el producto de un proceso que las organizaciones tenían montado sin haberlo diseñado y que ahora pueden desmontar sin advertirlo.
El analista junior que revisó doscientos contratos, el auditor que cuadró cientos de cuentas, el vendedor que atendió mil conversaciones menores o el supervisor que resolvió durante años pequeñas excepciones no estaban produciendo únicamente entregables. También estaban construyendo un repertorio de situaciones desde el cual aprendían a distinguir lo normal de lo anómalo, lo importante de lo accesorio y una buena respuesta de una respuesta solamente plausible.
Ese trabajo tenía, por tanto, dos productos. Uno visible: el resultado operativo. Otro menos visible: la formación de experiencia y criterio. La automatización puede reducir con razón económica el costo del primero y, al mismo tiempo, eliminar sin intención el mecanismo que producía el segundo.
Cómo se fabricaba un experto
La investigación sobre adquisición de pericia converge en una idea central: la experticia no es simplemente información acumulada. Stuart y Hubert Dreyfus describieron un recorrido desde el principiante, que aplica reglas explícitas, hasta niveles donde la persona reconoce configuraciones y relevancias con una fluidez que ya no depende de seguir reglas paso a paso. El punto importante para esta línea no es tratar el modelo como una secuencia universal e inmutable, sino reconocer que la percepción experta se construye mediante exposición suficiente a situaciones reales.
K. Anders Ericsson mostró además que la experiencia por sí sola no garantiza mejora. La práctica deliberada requiere tareas suficientemente exigentes, repetición y retroalimentación que permita reconocer y corregir el error. Jean Lave y Etienne Wenger describieron el componente social mediante la participación periférica legítima: el aprendiz entra a una comunidad haciendo tareas reales de menor riesgo y avanza a medida que desarrolla competencia.
Leída desde la empresa, la pirámide de senioridad no era solamente una estructura de costos. También funcionaba como una escuela informal. El trabajo del principiante producía exposición; el intermedio añadía responsabilidad; el veterano aportaba contexto y retroalimentación. Mucho de ese currículo nunca estuvo escrito porque vivía dentro del propio trabajo.
La pregunta que introduce la IA es qué ocurre cuando una parte creciente de ese trabajo deja de necesitar al principiante.
Las tres rupturas
Sobre ese mecanismo operan tres rupturas que ya pueden observarse en organizaciones que incorporan sistemas inteligentes.
Primera: se reduce o transforma el peldaño de entrada. Redactar un primer borrador, sintetizar documentos, clasificar información o producir un análisis preliminar —tareas que durante años ocuparon una parte importante de los primeros niveles profesionales— pueden realizarse ahora con apoyo significativo de sistemas. La consecuencia no tiene que ser necesariamente que desaparezcan todos los puestos junior, pero sí que las repeticiones que antes producían aprendizaje pueden reducirse o cambiar de naturaleza.
Segunda: se invierte parcialmente la relación entre producir y evaluar. El orden tradicional consistía en producir primero y aprender progresivamente a juzgar después. Hoy un principiante puede recibir un producto generado por un sistema y ser invitado a validarlo. El riesgo es pedir capacidad de verificación antes de haber construido suficiente experiencia para reconocer qué merece ser cuestionado.
Tercera: se acorta la vida útil de parte de la destreza técnica. Herramientas, procedimientos y conocimientos operativos pueden cambiar con mayor velocidad. Esto no elimina el valor de la profundidad; hace más importante distinguir entre aquello que caduca rápidamente y las capacidades que permiten aprender, juzgar y reconstruir competencia frente a condiciones nuevas.
Las tres rupturas comparten una dificultad: una parte importante de sus costos es diferida. Reducir trabajo elemental puede mejorar productividad hoy; el vacío de experiencia puede aparecer años después, cuando quienes deberían ocupar posiciones de mayor responsabilidad no tuvieron suficientes oportunidades para construir el criterio que esas posiciones requieren.
La paradoja de la verificación
De la segunda ruptura surge uno de los problemas más difíciles de esta transición. Trabajar con sistemas inteligentes exige evaluar productos que la persona quizá no habría podido producir por sí sola con la misma velocidad o profundidad: detectar el error plausible, la omisión relevante, el supuesto incorrecto o la conclusión bien redactada que no se sostiene.
Pero verificar no es una capacidad completamente independiente de producir. Quien nunca construyó un modelo financiero tiene menos referencias para detectar un supuesto engañoso; quien nunca operó un proceso puede no reconocer por qué una recomendación técnicamente coherente fracasa en la realidad. La calidad de la verificación depende, en parte, de experiencia previa y conocimiento del contexto.
Aquí aparece la paradoja: podemos automatizar parte del trabajo que ayudaba a producir pericia y, al mismo tiempo, exigir a las personas una capacidad de verificación que depende de esa pericia.
Michael Polanyi mostró que una parte del conocimiento humano es tácita: sabemos más de lo que podemos expresar completamente. La IA puede aprender patrones a partir de grandes cantidades de ejemplos, pero esto no significa que las personas dispongan de un atajo equivalente para formar juicio. La pregunta investigable es qué nuevas experiencias, simulaciones, prácticas supervisadas y mecanismos de retroalimentación pueden sustituir parte del aprendizaje que antes ocurría de manera incidental dentro del trabajo.
Del conocimiento al criterio
La evolución del conocimiento desarrollada por el Instituto obliga a ampliar el documento original. Cuando acceder a información, explicaciones y síntesis se vuelve más barato, poseer conocimiento sigue siendo necesario, pero deja de constituir por sí solo una ventaja suficiente.
El criterio aparece cuando una persona puede distinguir entre alternativas que parecen razonables: reconocer qué variable importa más, qué evidencia merece confianza, qué riesgo es aceptable y cuándo una regla deja de aplicar. No se adquiere únicamente acumulando información. Se forma mediante casos, consecuencias, contraste y retroalimentación.
Por eso la nueva fuerza laboral no puede definirse solamente por su capacidad para utilizar IA. Un profesional puede manejar extraordinariamente bien una herramienta y seguir careciendo del criterio necesario para cuestionar su resultado. La formación necesita entonces producir deliberadamente aquello que antes el trabajo producía de manera incidental.
Del criterio a la conciencia
El criterio tampoco agota el problema. Una persona puede aprender a juzgar bien dentro de un marco y, aun así, no reconocer los supuestos desde los cuales está interpretando la situación.
En el framework 1000XIQ, Conciencia describe el punto de observación desde el cual una persona interpreta la realidad antes de decidir. Aplicado al desarrollo profesional, esto introduce una capacidad distinta: reconocer sesgos, modelos mentales, intereses, supuestos y límites propios, y revisar el marco desde el cual se está formulando el problema.
Esta capacidad adquiere mayor relevancia cuando los sistemas pueden producir respuestas sofisticadas dentro del marco que reciben. Si la pregunta está mal planteada o el supuesto de partida es incorrecto, una respuesta mejor puede simplemente aumentar la sofisticación del error.
Por eso esta línea propone estudiar una secuencia que debe permanecer abierta a contraste: conocimiento, criterio y conciencia. No como tres escalones rígidos ni como una nueva taxonomía educativa cerrada, sino como tres dimensiones diferentes del desarrollo profesional que la abundancia de inteligencia obliga a distinguir con mayor claridad.
Qué se vuelve escaso
El documento original identificaba tres capacidades especialmente valiosas y esa tesis continúa siendo sólida.
La primera es el juicio verificador: la capacidad de auditar un producto de calidad aparente y detectar dónde puede fallar. La segunda es el conocimiento del contexto local: aquello que pertenece a esta empresa, este cliente, esta historia, estas restricciones y estas relaciones. Parte de ese contexto puede hacerse explícito y compartirse con sistemas; otra parte seguirá requiriendo experiencia situada. La tercera es la integración entre dominios: conectar operación y norma, producto y cliente, tecnología y comportamiento, estrategia y ejecución.
La evolución actual añade una cuarta escasez: la capacidad de revisar el propio marco. Cuando producir alternativas se abarata, aumenta el valor de quien puede reconocer que el problema quizá está siendo formulado desde un supuesto equivocado.
Estas capacidades no reemplazan el conocimiento técnico. Cambian la relación entre conocimiento técnico y valor profesional.
No basta con enseñar a usar IA
Una respuesta frecuente al cambio laboral consiste en formar a toda la organización en herramientas de inteligencia artificial. Es necesario, pero insuficiente. Enseñar prompts, automatización o uso de agentes mejora capacidad instrumental; no garantiza experiencia, criterio ni conciencia.
El problema de aprendizaje es más profundo: si el trabajo formativo cambia, la organización necesita diseñar experiencias capaces de producir aquello que antes emergía de años de práctica. Eso puede incluir resolver casos primero sin asistencia y después contrastarlos con el sistema, reconstruir decisiones pasadas, identificar errores deliberadamente introducidos, observar a expertos explicar no solamente qué decidieron sino qué señales consideraron relevantes, y utilizar simulaciones donde el error sea barato pero la retroalimentación sea rigurosa.
La IA puede participar en ese proceso como tutor, simulador, adversario intelectual o generador de casos. La oportunidad no consiste en excluirla del aprendizaje, sino en utilizarla de manera que aumente la formación en lugar de sustituir prematuramente la experiencia que intentamos construir.
Qué significa esto para quien dirige
De este análisis se desprenden cuatro tareas que continúan siendo válidas, aunque ahora pueden formularse con mayor precisión.
La primera es preservar o reconstruir repeticiones formativas. Si determinadas tareas desaparecen de la operación, la organización necesita decidir cuáles experiencias siguen siendo necesarias para formar criterio y cómo recrearlas de manera deliberada.
La segunda es rediseñar el aprendizaje temprano alrededor de producción y verificación. No se trata de obligar a las personas a trabajar sin IA como principio general, sino de decidir en qué momentos conviene producir primero, comparar después y explicar la diferencia para que la herramienta no elimine el proceso cognitivo que se intenta desarrollar.
La tercera es hacer explícito el criterio del experto mientras está disponible. Esto no significa reducirlo a un manual. Significa capturar decisiones difíciles, razones, excepciones, señales y cambios de opinión de manera que el equipo pueda observar cómo se construye el juicio.
La cuarta es contratar y desarrollar por capacidad de aprendizaje, no únicamente por inventario de herramientas. Las herramientas específicas pueden caducar rápidamente. La trayectoria mediante la cual una persona aprende, revisa errores y construye nuevas capacidades ofrece información más duradera sobre su potencial.
Una responsabilidad que excede a cada empresa
Existe un problema de acción colectiva que el documento original identificaba correctamente. Para una empresa aislada puede ser racional reducir puestos de entrada y comprar experiencia ya formada en el mercado. Si muchas organizaciones hacen lo mismo durante suficiente tiempo, el mercado puede dejar de producir la cantidad de profesionales experimentados que todas esperan contratar.
Por eso el problema excede la capacitación interna. Involucra empresas, instituciones educativas, asociaciones profesionales y políticas de transición laboral. La pregunta es quién financiará y organizará las experiencias mediante las cuales se construirá pericia cuando una parte del trabajo que históricamente las financiaba deje de necesitarse en la misma proporción.
Esta es precisamente la frontera con la línea de Educación Empresarial. Nueva Fuerza Laboral estudia cómo cambia el aprendizaje dentro del trabajo y la formación del profesional. Educación Empresarial estudiará cómo deben evolucionar las instituciones y métodos formativos cuando conocimiento e inteligencia se vuelven abundantes.
América Latina: el riesgo de una interrupción
Para América Latina la cuestión tiene una intensidad particular. La región combina una fuerza laboral relativamente joven con desigualdad en la calidad de la formación, alta informalidad y empresas donde buena parte del aprendizaje todavía ocurre trabajando al lado de personas con más experiencia.
Si los peldaños de entrada al trabajo calificado se reducen sin construir mecanismos alternativos de formación, el efecto puede ser más severo que una transición tecnológica. Puede producirse una interrupción entre educación y experiencia: personas con acceso a conocimiento y herramientas, pero con pocas oportunidades para convertirlos en criterio situado.
La misma condición contiene una oportunidad. Organizaciones menos atadas a modelos formativos rígidos pueden experimentar con aprendizaje basado en casos reales, simulaciones, mentoría aumentada por IA, rotaciones, comunidades de práctica y sistemas que capturen contexto y retroalimentación.
La ventaja no vendrá de tener una población que utilice más herramientas. Vendrá de construir mecanismos capaces de transformar inteligencia abundante en capacidad profesional.
La nueva pregunta sobre el talento
Durante años preguntamos qué habilidades necesitarán los trabajadores del futuro. Esa pregunta sigue siendo útil, pero ya no es suficiente.
La pregunta más profunda es cómo se formarán esas capacidades cuando cambie el trabajo que históricamente las producía. Si automatizamos los peldaños de aprendizaje, tendremos que aprender a diseñarlos deliberadamente.
Esto cambia la conversación sobre talento. El objetivo no es preparar personas para competir contra sistemas en aquello que los sistemas hacen mejor. Tampoco es delegarles todo aquello que puedan hacer. Es construir una fuerza laboral capaz de utilizar inteligencia nueva sin perder la capacidad de comprender, verificar, juzgar, aprender y revisar sus propios supuestos.
Investigar qué capacidades se volverán escasas y qué mecanismos organizacionales e institucionales pueden desarrollarlas constituye el objeto de Nueva Fuerza Laboral del Instituto 1000XIQ.
Referencias conceptuales
Dreyfus, H. L., & Dreyfus, S. E. (1986). Mind over Machine. Free Press.
Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The Role of Deliberate Practice in the Acquisition of Expert Performance. Psychological Review, 100(3), 363–406.
Lave, J., & Wenger, E. (1991). Situated Learning: Legitimate Peripheral Participation. Cambridge University Press.
Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
Autor, D. H. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3–30.
Instituto 1000XIQ (2026). Marco Central de Investigación: Cuando la inteligencia deja de ser exclusivamente humana.
1000XIQ (2026). Recalculando y Framework 1000XIQ.
Instituto 1000XIQ · Nueva Fuerza Laboral · Montreal, Canadá · 1000xiq.com/instituto