L. Quintanar – Cada vez que una tecnología promete hacernos más productivos, aparece una pregunta incómoda: ¿qué capacidades perdemos cuando una herramienta empieza a hacer parte del trabajo por nosotros?
Esta pregunta no nació con la inteligencia artificial (IA). Hace más de un siglo, el llamado scientific management, impulsado por Frederick W. Taylor, y el fordismo ya plantearon una tensión parecida. Al dividir tareas, medir tiempos y estandarizar procesos, hicieron posible producir más, coordinar mejor, abaratar costes, reducir precios y masificar el consumo. Pero también redujeron la autonomía de muchos trabajadores. El saber del oficio empezó a desplazarse desde la persona hacia el método, la máquina, el supervisor y la línea de montaje.
La historia no se repite exactamente, pero a veces presenta paralelismos importantes. Hoy, con la IA, esa misma tensión reaparece en el trabajo intelectual.
Taylor buscaba encontrar «el mejor método» para cada tarea. Para ello, descomponía el trabajo, lo medía y separaba dos funciones que antes estaban más unidas: pensar cómo hacer el trabajo y ejecutarlo. La gerencia diseñaba; el trabajador aplicaba. Ford llevó esa lógica más lejos con la línea de montaje, donde el ritmo y la secuencia quedaban definidos por el sistema. El resultado fue impresionante en términos de productividad. Pero tuvo un coste: muchas tareas dejaron de requerir la misma experiencia, criterio o comprensión del proceso completo. La productividad aumentó, sí, pero buena parte del conocimiento se trasladó fuera del trabajador.
¿Qué tiene que ver esto con la IA?
Mucho, si miramos no solo la tecnología, sino la forma en que reorganiza el trabajo. La IA permite delegar múltiples tareas intelectuales: buscar información, resumir, redactar, traducir, programar, analizar datos, preparar presentaciones o sugerir conclusiones. Todo eso puede reducir enormemente el tiempo de elaboración de un producto intelectual y mejorar el resultado. Pero también puede traer un riesgo más silencioso: que deleguemos demasiado del proceso intelectual en un agente externo.
El problema no es que la IA nos ayude a escribir un borrador o a ordenar evidencia. El problema aparece cuando dejamos de ejercitar las capacidades que dan calidad al trabajo intelectual: formular buenas preguntas, contrastar fuentes, detectar lagunas, construir argumentos, entender errores y justificar decisiones sobre, por ejemplo, qué incluimos y qué excluimos de nuestra exposición.
En el análisis de políticas públicas, por poner un ejemplo que conozco particularmente bien, un riesgo evidente es dejar de comprobar directamente la evidencia y dejar de contrastar nuestras propias ideas. En escritura, implica perder estructura y voz propia. En programación, supone entender peor la arquitectura detrás del código. En gestión, delegar el juicio contextual en recomendaciones automáticas. Como ocurrió con las transformaciones impulsadas por Frederick W. Taylor y Henry Ford, parte del saber puede terminar desplazándose fuera del trabajador, insertándose en sistemas diseñados por otros. La diferencia es que ahora lo que se desplaza no es una habilidad manual, sino una parte importante de nuestro razonamiento.
Sin embargo, sería un error concluir que la IA conduce inevitablemente al deskilling o descualificación. También puede hacer justo lo contrario; puede ayudarnos a pensar mejor.
La cuestión determinante está en cómo la usamos. Si aceptamos respuestas sin examinarlas, la IA puede volvernos más pasivos. Pero si la usamos para comparar alternativas, someter argumentos a crítica, detectar puntos débiles o explorar hipótesis, puede convertirse en una herramienta de aumento intelectual. No en una máquina que piensa por nosotros, sino en un interlocutor que nos obliga a pensar con más claridad y precisión.
Por eso, la pregunta importante no es si debemos usar IA o no. La pregunta es: ¿cómo podemos evitar un nuevo deskilling taylorista cuando la usamos? Una primera respuesta es mantener al trabajador dentro del proceso de pensamiento. No basta con ponerlo al final para aprobar lo que generó la máquina. Debe seguir definiendo el problema, formulando las preguntas, evaluando la evidencia y justificando las decisiones.
También conviene distinguir entre tareas de bajo valor y capacidades estratégicas. Podemos automatizar resúmenes preliminares, formatos, búsquedas o borradores iniciales. Pero no deberíamos automatizar las tareas intelectuales hasta el punto de dejar de ejercitar capacidades humanas como la formulación original del problema, la interpretación contextual de la evidencia y la responsabilidad sobre el proceso completo.
Otro principio es evitar dos situaciones extremas. La primera es que el trabajo intelectual se convierta en una cadena de micro-tareas delegadas en un equipo: una persona revisa salidas, otra ajusta prompts o instrucciones, otra valida fragmentos. Si nadie comprende el conjunto del proceso, la productividad puede aumentar, sí, pero el aprendizaje disminuye. El segundo riesgo es menos evidente y constituye algo especialmente tentador para los usuarios que se desempeñan en solitario, como los estudiantes y profesionales independientes: pedirle a la IA directamente el producto final. En ese caso, el usuario puede ver el resultado completo, pero se salta el proceso que permite aprender y ejercitar sus capacidades intelectuales: desde definir el problema o la hipótesis, hasta revisar las conclusiones, pasando por buscar y contrastar la evidencia. A la IA no le corresponde reemplazar ese recorrido, sino ayudarnos a hacerlo mejor.
La IA debería usarse también como herramienta de formación. Pedirle explicaciones, contraargumentos, alternativas y críticas puede fortalecer nuestras capacidades intelectuales. Si la usamos solo para producir más rápido puede acabar debilitándolas.
La lección de Taylor y Ford no es que la eficiencia sea mala. La productividad, desde luego, importa. Puede ayudar a bajar costes, ampliar el acceso a nuevas herramientas y liberar tiempo. La lección es otra y consiste en que, cuando rediseñamos el trabajo, también debemos preguntarnos quién decide, quién aprende y quién conserva la capacidad de comprender el proceso de trabajo.
Con la IA, esa elección está abierta. Podemos crear trabajos donde las personas produzcan más pensando menos. O podemos diseñar herramientas y organizaciones que les permitan producir mejor porque piensan mejor. Esa es, quizá, una de las preguntas centrales en este momento.
Luisa Quintanar
Economista y socióloga
OLIVIA MUÑOZ-ROJAS 