Los humanos conectan los puntos. La IA va a fondo en cada uno.

Existe mucha ansiedad sobre la IA reemplazando a los humanos, y merece más que las dos respuestas que suele recibir: pánico, o consuelo. El pánico dice que el reemplazo viene por todos. El consuelo dice "la IA nunca hará lo que tú haces" — y expira en silencio cada vez que la tecnología mejora.

Este artículo hace un tipo diferente de argumento. No afirma que la IA dejará de mejorar; construimos sistemas de IA para vivir, y apostamos a diario a que no lo hará. Afirma algo más sólido: que el valor durable de los humanos no depende de ganar una carrera de capacidad. Viene de posición, no de superioridad — de dónde están los humanos en la estructura del trabajo, no de lo que las máquinas aún no pueden hacer. Y la versión honesta de ese argumento resulta genuinamente tranquilizadora.

Especificar lo que quieres nunca fue un problema de TI

Jeff Dean — cofundador de Google Brain y ex Chief Scientist de Google, uno de los ingenieros más responsables de las fundaciones sobre las que corre la IA moderna — tocó un punto importante este año: "Siempre les dijimos a los científicos de la computación que es muy importante especificar qué debe lograr el software que estás escribiendo, antes de escribirlo. Ahora tenemos sistemas basados en agentes que pueden hacer la escritura — pero la importancia de especificar lo que quieres, en realidad, aumentó."

Hablaba con ingenieros, pero el punto escapa por completo de la ingeniería. Especificar lo que quieres no es un acto técnico. Es identificación de problema — notar qué está realmente roto. Es priorización — decidir cuál de cien problemas posibles vale la pena resolver ahora. Es domain expertise — saber cómo se ve una buena solución en esta industria, para este cliente, bajo estas restricciones. Nada de eso es tipear. Todo eso es juicio.

Y hay un piso más profundo debajo de esto. La economía está hecha de deseos humanos. Todo problema que vale la pena resolver es, al final de alguna cadena, un problema humano — el dolor de alguien, el objetivo de alguien, el trabajo de alguien volviéndose más liviano. Mientras la IA trabaje para humanos, decidir qué vale la pena querer es trabajo humano por construcción. La IA responde cada vez mejor; decidir qué vale la pena preguntar sigue siendo nuestro.

Los superpoderes asimétricos

Observa en qué es realmente mejor cada lado, y aparece una división limpia.

La IA es extraordinaria en profundidad por punto: procesar volúmenes enormes de texto no estructurado, organizarlo y estructurarlo, buscarlo, interpretarlo, ir exhaustivamente a fondo en cualquier tema aislado — más a fondo de lo que cualquier humano tiene tiempo de ir, en todos los puntos a la vez.

Los humanos son mejores en conectar los puntos — y la razón no es poder de procesamiento. Los humanos conectan puntos a través de su experiencia personal, profesional, académica y vivida: lo que el cliente dijo en el pasillo, cómo cambió el ánimo del equipo esta semana, qué se sintió la última vez que una decisión como esta salió mal, cómo es ser la persona del otro lado de la entrega. La IA sabe lo que fue escrito. Buena parte del contexto que decide situaciones reales nunca se escribe en ninguna parte.

Los filósofos llaman a esto la paradoja de Polanyi: sabemos más de lo que podemos decir. La parte del saber que puede decirse está siendo digitalizada a una velocidad asombrosa — nuestros propios productos convierten más del conocimiento tácito de una organización en precedente registrado en cada ciclo, y estamos orgullosos de eso. Pero la parte que no puede decirse — el saber que vive en haber estado ahí, en una mirada, una expresión, una forma de entrar a la sala — no se transfiere, porque nunca fue codificada. Un humano lee hombros caídos y sabe qué significan, no por un dataset, sino porque ya los ha cargado.

Entonces la afirmación honesta no es "la IA nunca conectará puntos". Es: los humanos conectan los puntos no registrados — los anclados en la experiencia vivida, encarnada, humana — y esos siguen escasos precisamente porque nunca entran en los datos de entrenamiento, mientras más de ellos se generan todos los días, en todas las salas, fuera del registro.

El argumento que sobrevive al futuro

Supongamos que estamos equivocados en todo lo anterior. Supongamos que la IA eventualmente se vuelve mejor que los humanos en todo — especificación, conexión, juicio, todo. ¿Se derrumba el valor humano?

La economía respondió esta pregunta hace doscientos años, y la respuesta es no. La ventaja comparativa — el principio detrás de todo comercio — dice que incluso cuando una parte es absolutamente mejor en todo, ambas partes aún ganan al dividir el trabajo, porque lo que importa no es quién es mejor sino cuánto cuesta cada hora en alternativas abandonadas. Si la IA es mil veces mejor que tú procesando y dos veces mejor en juicio, cada hora de IA gastada en juicio es una hora no gastada donde es mil veces mejor. La asignación racional aún pone a los humanos en el juicio — incluso en el escenario en que la IA gana todas las categorías.

Este es el argumento que no expira. No requiere apostar contra la tecnología. Requiere solo lo que es ciertamente verdad: que la capacidad es finita y la demanda no.

Tu cargo es un paquete de tareas

La ansiedad tiene forma de cargo: "¿la IA me quitará el empleo?". Pero la realidad tiene forma de tarea — y la diferencia importa enormemente.

Un cargo es un paquete de tareas que tuvo sentido empaquetar juntas para una persona. La historia de la automatización no es la historia de cargos desapareciendo; es la historia de paquetes siendo recompuestos. El caso canónico: cuando los cajeros automáticos se extendieron por Estados Unidos, todos asumieron que los cajeros de banco estaban acabados. En cambio, los cajeros por sucursal cayeron de unos 21 a 13 — lo que hizo más barato abrir sucursales — así que los bancos abrieron 43% más sucursales urbanas, y el empleo total de cajeros subió por décadas. El cargo sobrevivió por reempaquetado: menos contar dinero, más relación.

La honestidad exige también el final de la historia: después de 2010, la banca móvil — automatización de casi el paquete entero — finalmente hizo lo que los cajeros automáticos nunca hicieron. La lección no es "la automatización nunca desplaza". La lección es: la automatización parcial recompone un cargo; la casi total lo disuelve. Lo que convierte la pregunta práctica de cualquier profesional no en "¿estoy a salvo?" sino en "¿qué hay en mi paquete?".

Así que haz el inventario. Lista tus tareas reales. El trabajo de profundidad — procesar, redactar borradores, buscar, compilar, hacer seguimiento — va camino a la mitad automatizable del paquete; delégalo tan rápido como las herramientas lo permitan, porque no es en esa mitad donde tu valor se compone. La otra mitad — decidir qué vale la pena hacer, juzgar si lo que vuelve es de verdad bueno para los humanos a quienes sirve, conectar los puntos no registrados, ser quien responde por el resultado — es la mitad en la que doblar la apuesta, porque es alrededor de ella que se construirá el paquete recompuesto.

Una IA puede ser cuidadosa. No puede tener miedo.

Hay una parte del valor humano que casi nadie nombra, quizás porque suena poco halagadora: la gente necesita a alguien a quien culpar.

Eso es menos cínico de lo que parece. Saber quién responde por un resultado es cómo escala la confianza — por eso los contratos tienen firmas y por eso "quien firma, responde" es la regla más antigua de los negocios. Mucho de lo que llamamos diligencia es miedo vestido de traje profesional: el humano revisa dos veces porque su nombre, su reputación, su empleo están atados al resultado. Una IA puede ser cuidadosa — su cuidado es ingeniería, y a menudo excelente. Pero no puede tener miedo. No tiene nada que perder, ningún nombre que manchar, ninguna consecuencia que cargar. Y es el miedo a las consecuencias, no el cuidado, lo que garantiza el comportamiento cuando nadie está mirando.

Las organizaciones que automatizan la responsabilidad junto con la tarea lo descubren por las malas. Dan Davies llama al resultado un accountability sink (sumidero de responsabilidad): un sistema donde las decisiones se delegan a procedimientos tan completamente que, cuando algo sale mal, no hay a quién culpar — todos siguieron las reglas, y el resultado igual fue malo. La gente odia los accountability sinks con una intensidad especial; la furia universal contra los chatbots de atención no es por la calidad de las respuestas, es por enfrentar una pared donde debería haber una persona responsable.

La consecuencia de diseño es simple: la responsabilidad no es una capacidad, es una relación social — y por eso no puede automatizarse, solo reasignarse de un humano a otro. La IA puede ejecutar el trabajo. La garantía debe venir de un humano que firma.

La mirada funciona en ambos sentidos

Una cosa más que una IA no puede hacer: ser alguien a quien valga la pena impresionar.

Nadie siente orgullo de impresionar a una IA, y nadie siente vergüenza de decepcionarla. El orgullo y la vergüenza requieren un juez que siente — cuya decepción cuesta algo, cuyo respeto significa algo. Por eso la presencia de un gerente motiva de una forma en que ningún dashboard lo ha hecho jamás: ser visto por alguien que puede genuinamente juzgarte cambia cómo trabajas. La mirada funciona en ambos sentidos — el humano lee al equipo a través de la experiencia vivida, y el equipo trabaja para un humano cuyo juicio carga peso sentido.

Por eso también, en una organización híbrida bien diseñada, las máquinas pueden ejecutar la medición, pero el veredicto permanece humano. Una evaluación firmada por una persona ante quien puedes enorgullecerte es un instrumento diferente de una nota computada sobre ti.

Alguien debe poder seguir el trabajo

Pon las piezas en fila y forman una sola estructura. La IA no puede temer consecuencias → entonces no puede cargar responsabilidad → entonces no puede ser el juez → entonces el humano se queda con la firma, la evaluación y la mirada.

La teoría de la gestión tiene un nombre para lo que se rompe cuando falta esta estructura: el problema principal–agente. Siempre que alguien (el principal) delega en otro (el agente), existe una brecha de información — el principal no ve todo lo que hace el agente, y la desalineación crece en esa brecha. La humanidad ya resolvió este problema una vez, para agentes humanos. La solución se llama gestión: planes acordados antes, trabajo hecho visible, rendición de cuentas, evaluación, consecuencias.

La misma solución está siendo reutilizada ahora para la IA — y esa es la forma práctica de todo lo anterior. Si los humanos van a mantener la dirección y garantizar la alineación de intereses, el trabajo de la IA debe ser legible para humanos: seguido y reportado en artefactos que la gente de verdad entiende — planes, plazos, ciclos, evaluaciones — y no en traces y logs. Cuando los humanos no pueden seguir el trabajo, no lo delegaron; se rindieron. (Cómo construimos esa legibilidad — para agentes de IA de cualquier proveedor — es el tema del primer artículo de esta serie, Supervisión de agentes de IA como los humanos la entienden; lo que hace con el papel del gerente es el segundo, Los gerentes no se están volviendo obsoletos. La gestión manual, sí.)

Híbrido por diseño, no por consuelo

Entonces: el futuro del trabajo humano no es un premio de consolación, y no depende de que la IA toque un techo.

Los humanos especifican qué vale la pena querer, porque los deseos son suyos. Los humanos conectan los puntos que viven fuera del registro, porque estaban en la sala. Los humanos cargan la responsabilidad, porque solo alguien con algo que perder puede. Los humanos juzgan, porque solo un juez que siente puede conferir orgullo. Y aun en el caso límite en que la IA nos supere en todo, la ventaja comparativa aún entrega la decisión final a las personas — aritmética, no sentimiento.

La IA va a fondo en cada punto. Los humanos los conectan, los eligen, responden por ellos. Ese no es un papel menor que el que teníamos. Bien hecho, es el papel que siempre dijimos querer — cada lado jugando con su superpoder, por diseño.

Referencias

• Jeff Dean (ex Chief Scientist de Google; cofundador de Google Brain), The 1% Rule for Building in AI — Y Combinator Startup School, 2026 (cita en 32:26; traducción nuestra).
• James Bessen, investigación sobre cajeros automáticos y empleo de cajeros de banco (resumen en AEI) — los cajeros por sucursal cayeron de ~21 a ~13, las sucursales urbanas crecieron 43%, el empleo total de cajeros subió por décadas; el declive solo llegó con la automatización casi total, después de 2010.
• Dan Davies, The Unaccountability Machine (2024) — "accountability sinks": sistemas donde las decisiones se delegan a procedimientos de modo que ningún individuo pueda ser responsabilizado.