EL PRECIO DE UNA RESPUESTA INSTANTÁNEA

Cómo la IA cambia la cultura del aprendizaje

Una cultura transmite sus conocimientos de formas que rara vez se parecen a la enseñanza formal. Un trabajador joven observa cómo un veterano aborda una conversación difícil. Un diseñador descubre que el primer boceto atractivo no responde a la verdadera pregunta del cliente. Un escritor aprende a reconocer una frase que suena convincente, pero elude la verdad. En cada caso, el producto visible importa menos que el criterio que se forma al elaborarlo.

La inteligencia artificial cambia ese proceso. Una instrucción puede producir casi de inmediato un párrafo elegante, una propuesta de diseño plausible, una síntesis de investigación o una respuesta para un cliente. El tiempo que se ahorra es real. También lo es la tentación de eliminar las etapas más lentas en las que quienes empiezan aprenden a distinguir un buen trabajo de una imitación convincente. Nuestro problema cultural ya no consiste simplemente en determinar si las máquinas pueden hacer cosas útiles. Consiste en decidir si preservaremos los caminos humanos por los que las personas aprenden por qué esas cosas son útiles.

El desacuerdo sobre la IA suele dividirse en bandos conocidos. Uno ve una máquina capaz de liberar a las personas del trabajo tedioso. El otro ve un dispositivo que mecaniza el pensamiento. Ambos describen posibilidades importantes. Ninguno nos dice qué le ocurre al aprendiz cuando el producto terminado llega antes de que haya desarrollado la capacidad de evaluarlo.

EL TRABAJO OCULTO DENTRO DEL TRABAJO

Pensemos en una tarea creativa habitual: redactar el texto de presentación de una exposición. El resultado final puede ocupar apenas unos párrafos. Sin embargo, su elaboración ha exigido tradicionalmente elegir qué detalles importan, identificar los supuestos sobre el público al que se dirige, decidir qué puede afirmar legítimamente la exposición y advertir dónde su argumento resulta demasiado redondo. Cada revisión puede ser un pequeño encuentro con la ambigüedad.

Ahora un modelo puede proporcionar una descripción fluida en segundos. El comisario puede utilizarlo acertadamente para reducir las trabas administrativas. Pero supongamos que un colega que empieza recibe ese mismo texto fluido y solo se le pide que revise la ortografía y el tono. La institución ha mantenido la producción del texto de la exposición, pero ha reducido la oportunidad de aprender el criterio propio del trabajo curatorial.

Este problema va mucho más allá del arte. En la atención al cliente, un asistente de IA puede recomendar una respuesta antes de que una persona en formación haya aprendido por qué una reclamación concreta es inusual. En la educación, un estudiante puede recibir un esquema pulido antes de esforzarse por comprender qué le pide la pregunta. En la gestión, un asistente puede elaborar un resumen del desempeño antes de que el supervisor haya considerado qué hechos modificarían su interpretación.

El filósofo Michael Polanyi nos proporcionó un lenguaje para hablar de la parte invisible de la competencia. En The Tacit Dimension, sostuvo que el conocimiento comprende más de lo que las personas pueden expresar de manera explícita. Un músico experimentado percibe un pequeño error que un principiante no sabe nombrar. Un editor detecta la debilidad de un argumento antes de encontrar la frase que la pone al descubierto. El libro describe una forma de saber que reside en la atención entrenada y en la participación, no solo en reglas que puedan copiarse. ^[1]

La IA plantea una nueva pregunta sobre esa dimensión tácita. Si quien empieza rara vez realiza el trabajo que desarrolló la mirada del experto, ¿de dónde saldrá la próxima generación de expertos?

LA EFICIENCIA ES UNA PRUEBA, NO UN VEREDICTO COMPLETO

Hay razones de peso para acoger favorablemente la ayuda de la IA. En un experimento revisado por pares en el que participaron 453 profesionales con formación universitaria, Shakked Noy y Whitney Zhang observaron que el acceso a ChatGPT reducía en un 40 % el tiempo medio dedicado a determinadas tareas de redacción y mejoraba en un 18 % la calidad evaluada. El estudio midió esas tareas asignadas, no toda una vida de aprendizaje ni los efectos culturales de eliminar la práctica inicial. ^[2]

Otro estudio, de Erik Brynjolfsson, Danielle Li y Lindsey Raymond, examinó la introducción de un asistente de IA entre agentes de atención al cliente. Los investigadores observaron un aumento de la productividad especialmente importante entre los agentes con menos experiencia y menores competencias, y encontraron indicios de que el asistente ayudaba a transmitir prácticas eficaces. Ese resultado complica cualquier relato simplista sobre una pérdida inevitable de competencias. En determinadas condiciones, la IA puede ayudar a quienes empiezan a aprender más rápido. ^[3]

Estos hallazgos se refieren a tareas y entornos diferentes. En conjunto, sugieren una pregunta más útil que la de si la IA nos vuelve más inteligentes o más perezosos: ¿qué tipo de práctica proporciona la herramienta y qué capacidades pueden desarrollar los trabajadores mientras la utilizan? Un sistema que explica una recomendación, invita a corregirla y pone de manifiesto una excepción difícil puede formar parte de un proceso de aprendizaje del oficio. Un sistema que produce respuestas aceptables y recompensa a los empleados por pulsar «aprobar» puede vaciar ese aprendizaje de contenido.

La distinción importa para las instituciones cuyo trabajo depende de la memoria cultural. Las bibliotecas, las universidades, las redacciones, las organizaciones culturales y las empresas necesitan personas experimentadas capaces de evaluar lo novedoso, recuperar el contexto y rechazar una respuesta fluida, pero incorrecta. Su experiencia puede parecer costosa cuando se mide en minutos por documento. Se vuelve inestimable cuando un caso rutinario resulta esconder una excepción.

LO QUE NOS ENSEÑAN LAS HERRAMIENTAS ANTIGUAS

Ya antes se temió que una nueva tecnología borrara una capacidad humana esencial. Las calculadoras desplazaron muchos cálculos cotidianos. Los motores de búsqueda facilitaron la localización de información. La fotografía transformó el significado de la representación visual. En cada transición, algunas prácticas se hicieron menos frecuentes, mientras surgían nuevas formas de conocimiento experto en torno a la herramienta.

La analogía histórica solo resulta alentadora hasta cierto punto. Una calculadora devuelve una respuesta a una operación definida. Un motor de búsqueda ofrece fuentes que el lector debe seleccionar e interpretar. La IA generativa puede proporcionar, al mismo tiempo, una explicación, un juicio y una justificación plausible. Eso permite delegar partes del proceso de decisión que las herramientas anteriores dejaban visiblemente en manos humanas.

Quizá necesitemos menos práctica para producir el primer borrador de un trabajo rutinario. Necesitaremos más práctica para formular la pregunta adecuada, reconocer perspectivas ausentes, interpretar las pruebas y determinar cuándo la respuesta habitual es incorrecta. Esas capacidades no aparecen automáticamente cuando una herramienta mejora. Hay que cultivarlas deliberadamente, con tiempo y permiso para equivocarse.

En mi trabajo de consultoría sobre la adopción de la IA, las conversaciones más productivas suelen empezar con una pregunta práctica: ¿qué decisiones son realmente rutinarias y qué excepciones requieren a una persona que comprenda el proceso subyacente? La respuesta varía según la profesión y la organización. El paso importante es hacer explícita esa distinción antes de recompensar a todo el mundo por aumentar el volumen de lo que produce con ayuda de las máquinas.

UN APRENDIZAJE DEL OFICIO PARA LA ERA DE LAS MÁQUINAS

Una respuesta práctica empieza por separar la tarea de producir un trabajo de la tarea de aprender cómo debe juzgarse. Ambas pueden coincidir, pero no deben considerarse intercambiables.

Un museo que prepara una cartela podría pedir a un comisario que empieza que identifique la fuente de tres afirmaciones, explique qué volvería engañosa una descripción propuesta y defienda un cambio al borrador de la IA. Una redacción podría exigir a sus periodistas principiantes que establezcan qué se sabe y qué se desconoce antes de pedirle a un modelo que proponga una estructura. Un equipo de atención al cliente podría pedir a sus nuevos integrantes que comparen la respuesta recomendada por el modelo con un caso deliberadamente inusual y que después expliquen por qué aceptarían o rechazarían la recomendación.

Estos ejercicios requieren tiempo y pueden parecer ineficientes en comparación con publicar de inmediato o cerrar un caso. De eso se trata. La formación siempre ha implicado una inversión que parece improductiva cuando se mide únicamente frente a los resultados de hoy. Las instituciones obtienen algo a cambio: personas capaces de afrontar lo inesperado mañana.

Quienes dirigen también deberían preservar espacios para trabajar sin IA. Una persona que empieza y que, de vez en cuando, escribe desde cero un párrafo difícil, resuelve un caso sin sugerencias automáticas o examina versiones contrapuestas antes de ver un resumen elaborado por una máquina desarrolla una relación distinta con las pruebas. No es un ritual de pureza tecnológica. Es una forma de mantener las competencias de base necesarias para verificar una respuesta rápida.

La evaluación de la adopción de la IA debe incluir, por tanto, los resultados del aprendizaje. ¿Mejoró el trabajador su capacidad para detectar omisiones? ¿Podría un colega que empieza explicar la decisión cuando el sistema no estuviera disponible? ¿Identificó un empleado una excepción que el asistente pasó por alto? ¿Avanzan las personas hacia una mayor autonomía o se vuelven más dependientes de una interfaz que no pueden cuestionar?

Una cultura que solo mide cuánto trabajo eliminan sus herramientas puede perder gradualmente la capacidad de crear el conocimiento que esas herramientas resumen. Una cultura que mide cómo crecen las personas mientras las utilizan puede convertir la automatización en una oportunidad para desarrollar nuevas formas de conocimiento experto.

EL RELEVO HUMANO

La expresión «humano en el circuito» suele prometer que una persona aprobará el trabajo de la máquina. Esa promesa es débil si la persona no dispone del contexto suficiente ni de una base adquirida mediante el aprendizaje para discrepar. Pulsar «sí» es una acción. Ejercer el criterio es una capacidad.

El desafío central de la era de la IA es, por tanto, cultural. Debemos diseñar entornos en los que quien empieza todavía pueda convertirse en experto y el experto siga sabiendo cuándo cuestionar a la máquina. Las herramientas pueden acelerar la producción de respuestas. Las comunidades deciden si habrá personas capaces de formular mejores preguntas, reconocer la falsa certeza y asumir la responsabilidad por los resultados.

La próxima generación no necesita repetir cada paso del trabajo de la generación anterior. Sí necesita la oportunidad de adquirir la comprensión que dio sentido a ese trabajo. El coste de una respuesta instantánea nunca debería ser un futuro en el que nadie sepa cómo discrepar de ella.