Lo que refleja el espejo de la IA, por Valla Vakili

La narrativa actual sobre la IA combina lo mítico –una búsqueda de inteligencia divina– con lo mágico –una capacidad generativa más instantánea y expansiva de lo que esperamos de las máquinas– y lo mundano –la automatización de tareas cotidianas–. Lo que une estas tres dimensiones suele ser una sola idea: la obsolescencia humana.

Es una historia que ya hemos escuchado… pero ¿y si no fuera la historia correcta?

¿Y si la IA no solo superara nuestras capacidades, sino que reflejara una verdad que llevamos tiempo evitando: que gran parte de la economía del conocimiento se basa en actividades que hemos confundido con valor?

Cada semana nos muestra nuevas evidencias del alcance de la IA: resolviendo olimpiadas matemáticas, generando vídeos hiperrealistas en segundos, sustituyendo capas enteras de atención al cliente. Ninguna parte del trabajo del conocimiento parece estar a salvo.

Esta narrativa es tan dominante que pensar más allá de la protección de empleos puede parecer irresponsable. Pero hay otra forma de ver lo que está haciendo la IA: no como un sustituto del trabajo humano, sino como un espejo. No como una herramienta que nos muestra lo que las máquinas pueden hacer, sino como una que revela en qué nos hemos convertido.

La IA no solo replica nuestras capacidades: refleja los sistemas que hemos construido, el esfuerzo que invertimos y el valor que asumimos. Si estamos dispuestos a mirar en ese espejo, lo que nos revela es impactante: una economía del conocimiento sobresaturada que absorbe talento, aunque no siempre genere impacto evidente, mientras que otros sectores –igualmente vitales– permanecen crónicamente desatendidos. Pero también revela una oportunidad: la de darnos cuenta de cómo se ha desconectado la economía del conocimiento del valor real, y empezar a construir una economía más tangible y diversificada en su lugar.

Si estamos dispuestos a mirar en ese espejo, veremos que también revela una oportunidad: la de darnos cuenta de cómo se ha desconectado la economía del conocimiento del valor real, y empezar a construir una economía más tangible y diversificada en su lugar

Por supuesto, hay ámbitos donde la IA sí sustituye trabajos de alto valor: tareas con implicaciones claras y resultados medibles. Pero gran parte de lo que la IA refleja es justo lo contrario: actividades que hemos confundido con valor y sistemas que premian más el movimiento que los resultados.

Tiempos veloces en la economía del conocimiento

El trabajo, dentro de la economía del conocimiento, a menudo genera movimiento sin resultados… y lo sabemos.

Lo sabemos por experiencia. Ascender en la economía del conocimiento –de analista junior a directivo sénior– implica producir, consumir y encargar una cantidad desmesurada de actividad que no produce resultados; tareas, informes y estudios que no llevan a ninguna parte.

Nadie que haya trabajado en este ámbito escapa a esta sensación. Todos hemos creado presentaciones que nadie usó o lanzado estrategias que no cambiaron nada… No es un fracaso de esfuerzos ni de ética, sino la consecuencia de un sistema que recompensa la actividad por encima del resultado, y que gira más alrededor de la repetición que del impacto.

No todos los entornos de trabajo funcionan así. En las tripulaciones de vuelo, las orquestas, las salas de urgencias o las cocinas de un restaurante, la interdependencia es inmediata e innegociable.

Pero las organizaciones del conocimiento –ya sean start-ups de 30 personas o multinacionales, públicas o privadas– operan de una forma diferente. Son entornos que albergan un ritmo constante de actividad sin impacto. Esto puede ser debido a que, en la actual economía del conocimiento, resulta difícil saber cómo las personas, desde un nivel básico hasta el ejecutivo, realmente generan valor.

Las organizaciones del conocimiento albergan un ritmo constante de actividad sin impacto. En la actual economía del conocimiento, resulta difícil saber cómo las personas, desde un nivel básico hasta el ejecutivo, realmente generan valor

Hemos integrado esa opacidad al funcionamiento de las organizaciones: la actividad se confunde con el impacto y el esfuerzo se interpreta como valor, incluso cuando no existen conexiones reales. Las señales de productividad están por todas partes, aunque los resultados brillen por su ausencia. No es un defecto del sistema; es una característica del mismo.

Que la IA "alucine" –o genere lo que podríamos llamar "basura convincente"– no debería juzgarse únicamente por no alcanzar el nivel de un trabajo humano fiable. Debería verse como un espejo de esa amplia economía del conocimiento que la moldeó: una economía del conocimiento llena de tonterías producidas con confianza. Planes trimestrales, hojas de ruta anuales, estrategias a cinco años… rituales a menudo más performativos que productivos, y raramente diseñados para resistir el escrutinio.

Esto ya lo sabemos. Lo sentimos en los proyectos que se estancan, las iniciativas que nunca despegan, los días ocupados que no dejan huella.

El espejo de la IA nos muestra algo asombroso: una incalculable cantidad de horas de talento humano mal asignado; talento no dedicado a crear mercados, resolver problemas o ampliar fronteras, sino a mantener la maquinaria en marcha.

El espejo de la IA nos devuelve el reflejo de una incalculable cantidad de horas de talento humano mal asignado; talento no dedicado a crear mercados, resolver problemas o ampliar fronteras, sino a mantener la maquinaria en marchaY, aun así, la economía del conocimiento sigue creciendo: más roles, más procesos, más capas de abstracción. Hemos construido un sistema que, por su propio diseño, se lo pone difícil a la gestión orientada a resultados.

OKR’s a tope

Hemos creado sistemas para medir resultados… pero la mayoría del trabajo se escapa de su control.

Uno de los grandes desafíos del trabajo del conocimiento –desde que el término apareció– ha sido entender cómo crea valor. Sabemos que nuestros equipos están ocupados, pero nunca estamos del todo seguros de si ese trabajo es lo que está detrás de los resultados. Y si somos honestos, todos hemos tenido momentos en los que nos hemos preguntado lo mismo respecto de nuestro propio trabajo.

Queremos menos actividad y más impacto. No queremos: “El trimestre pasado hicimos un estudio y obtuvimos conclusiones”. Sí que queremos: “El trimestre pasado integramos esas conclusiones en el producto, aumentando un 5% la retención y un 10% el gasto de nuevos clientes”.

Los OKRs –objetivos y resultados clave– se hicieron para forzar ese cambio. Para traducir actividad en resultados. Un equipo que adopta los OKRs no debería reportar lo completado; debería reportar el cambio.

Pero en la mayoría de las organizaciones, los OKRs acabaron siendo listas de cosas por hacer glorificadas. Los trabajos rara vez iban más allá de “estudios realizados, conclusiones obtenidas”. No hubo vínculos claros con los cambios, ni si estos importaron. 

Un equipo que adopta los OKRs no debería reportar lo completado, sino el cambio; pero los trabajos rara vez van más allá de “estudios realizados, conclusiones obtenidas”. No hay vínculos claros con los cambios ni si estos importan

Podríamos cambiar estos marcos por otros –objetivos trimestrales, métricas de éxito, cuadros de mando– y llegaríamos al mismo resultado; aunque algunos equipos y organizaciones sí que trazan una línea clara entre esfuerzo e impacto, la mayoría no. Nuestras herramientas para medir el trabajo del conocimiento todavía no ofrecen la claridad que deseamos.

Ahora, contrastemos lo anterior con la promesa –y trayectoria– de la IA. Cuanto más se integra la IA en el trabajo del conocimiento, más se traslada ese trabajo del mundo ambiguo de la actividad al espacio del flujo digital que se puede medir; en un flujo de trabajo digital, todo se puede medir.

Tu club de lectura mensual puede no saber si estás fingiendo haber leído La Odisea. Las reuniones imponen una estructura y responsabilidad, pero todos saben cómo disimular… en cambio, tu Kindle sabe que te detuviste en la página 15; conoce tu ritmo, la duración de tus sesiones, el tamaño de letra... Cada interacción es rastreable.

Ese mismo cambio está llegando al trabajo del conocimiento. A medida que las tareas pasen de ser de “humano-a-humano” y sean de “humano-a-IA”..., y luego IA-a-IA, la medición será inevitable. No porque la IA supere a los humanos en cada tarea, sino porque por fin podremos ver aquellas tareas que nunca debieron haberse hecho.

No es que la IA supere a los humanos en cada tarea, sino que por fin podremos ver aquellas tareas que nunca debieron haberse hecho

El verdadero desafío de gestionar por resultados no solo es una cuestión de mejores herramientas; es una cuestión del trabajo en sí. Demasiado de lo que hoy hacemos es movimiento sin impacto. Hemos intentado arreglarlo con objetivos más precisos y marcos más inteligentes. Sin embargo, la dura realidad es esta: gran parte del trabajo quizás sea innecesario. Hemos asignado a la economía del conocimiento más talento del que, con lógica, podía absorber.

Atentos a la brecha

La economía del conocimiento no solo desaprovecha esfuerzos; desvía potencial humano.

Este no es solo un problema a nivel de empresa. Y no es una crítica a quién hace el trabajo o hacia dónde se dirige. La economía del conocimiento claramente distribuye recompensas de manera desigual y atiende mejor a ciertos clientes que a otros –según raza, género, edad, geografía y otras dimensiones de ventaja social y económica–.

Pero el problema más profundo es estructural: demasiadas veces resulta que nadie sabe qué es un buen trabajo, ni lo que en realidad significa valor. Y, aun así, seguimos absorbiendo talento en medio de esa ambigüedad.

Parte de esto tiene que ver con cómo creció la economía del conocimiento. Conforme más personas accedieron a estudios superiores y las herramientas digitales facilitaron la producción y distribución de ideas, el sector se expandió rápidamente. No solo creció; se convirtió en un estatus, atrayendo una proporción desmesurada del talento. Y, como todo status system, este creó su propia inercia, generando un trabajo que validaba y reforzaba al propio sistema.

Pero ese crecimiento tuvo un coste.

Se produjo a expensas de otros sectores –cuidados, alimentación, oficios cualificados, sanidad, infraestructuras– donde persisten las carencias de mano de obra, los mercados siguen siendo desiguales y las necesidades esenciales a menudo no se satisfacen.

Ahora la oportunidad es la reasignación hacia sectores desatendidos, más allá de los límites de la actual economía del conocimiento.

Por encima de los límites de la actual economía del conocimiento, ahora la oportunidad es la reasignación hacia sectores desatendidos

Parte de esa reasignación ya está en marcha. El auge de las llamadas carreras de “cinturón de herramientas” –donde el valor es tangible y el trabajo habla por sí mismo– es una señal de que algo está cambiando. Pero cuando ese cambio está motivado más por el miedo a perder el empleo que por el reconocimiento del desequilibrio, se demuestra cuán fuerte sigue siendo la narrativa dominante.

Seamos claros sobre qué es, y no es, ese desequilibrio:

No es que todo el trabajo del conocimiento sea inútil.

No es que la IA deba reemplazar a las personas.

No es que la respuesta sea trabajar menos.

Hemos sobredimensionado una parte de la economía e infrafinanciado otras. La IA no solo automatiza lo que hacemos, sino que revela lo estrechamente que hemos definido dónde aplicar el esfuerzo humano.

Es momento no solo de reaccionar, sino de repensar; de reevaluar hacia dónde se dirige el esfuerzo humano, y dónde es más necesario.

Más allá de la actual economía del conocimiento

Se debate mucho sobre hasta dónde llegará la IA –cuántos empleos transformará o reemplazará, y cuán pronto–. Sin embargo, hay una verdad más inmediata: la IA ya nos muestra con qué facilidad se puede reproducir gran parte de lo que hacemos. Eso no significa que todo deba ser reemplazado. Significa que por fin debemos preguntarnos: ¿qué merece la pena preservar y qué no?

Incluso si la IA nunca sustituye a todos los del trabajo del conocimiento, la conmoción, por sí sola, debería bastar para hacer frente a algo que ya sabíamos: hemos absorbido demasiado talento humano en una economía basada más en la actividad que en el resultado, en establecer y recrear un estatus, y todo esto a costa de otras formas de trabajo necesarios. La amenaza, para exponer lo que siempre ha estado roto, no necesita materializarse del todo.

¿Qué significaría mirar en el espejo de la IA y alejarnos de la economía del conocimiento actual?

Durante años, hemos visto escasez de mano de obra en sectores como el cuidado, los oficios, las infraestructuras, los sistemas alimentarios, el clima y la energía, y la enseñanza; mientras que las industrias del conocimiento se han sobresaturado. Los altos salarios, el estatus cultural y la portabilidad de las habilidades de cuello blanco atrajeron talento. Tras el COVID, incluso los docentes abandonaron, optando por trabajos más flexibles y mejor pagados.

Hoy, la IA introduce precariedad en lo que antes parecía la permanencia del trabajo del conocimiento –y con ello, el espacio para reconsiderar dónde se necesita más el esfuerzo humano–. Esto ofrece la posibilidad de reequilibrar: de sectores sobreatendidos a sectores desatendidos, de industrias sobredimensionadas a otras descuidadas.

Visto así, la IA no es solo una amenaza para los empleos, es un catalizador para repensar dónde pertenece el talento. Como sacar una pieza de una torre de Jenga y darse cuenta de que no necesitamos reconstruir hacia arriba, sino hacia los lados.

¿Estamos dispuestos a tomar esa decisión?

El COVID fue un tráiler. La economía del conocimiento se volvió remota, con poco impacto en la productividad o los beneficios –y con ganancias reales en el bienestar–. Pero también reveló cuán dependientes somos de aquellos sectores que no pudieron volverse remotos: el cuidado, la alimentación, las entregas, las infraestructuras. Ellos sostuvieron el mundo.

Aún estamos negociando qué significa separar el trabajo del lugar; sin embargo, ese desequilibrio más profundo –entre los sectores que valoramos y aquellos de los que dependemos– sigue sin resolverse.

Hemos visto en otros contextos que saltarse infraestructuras heredadas puede ser una ventaja. Muchas economías emergentes se saltaron la era del PC para construir sistemas financieros nativos móviles. Al no haber desarrollado sectores del conocimiento sobresaturados, ahora pueden estar mejor posicionadas para adoptar la IA de maneras que diversifiquen en vez de concentrar.

En las economías más avanzadas, la oportunidad es diferente. Requiere ir más allá de la economía del conocimiento que hemos construido –dejar de intentar optimizarla– y comenzar a repensar dónde realmente se debe aplicar el esfuerzo humano. Y eso no ocurrirá a menos que entendamos que nuestra mayor limitación no es tecnológica. Es la narrativa.

La IA no solo conlleva poder computacional, sino peso narrativo. Estamos atrapados tanto en una historia como en una automatización.

La IA no solo conlleva poder computacional, sino peso narrativo. Estamos atrapados tanto en una historia como en una automatización

Podemos elegir: aceptar el relato de la obsolescencia y el desplazamiento, o escribir uno nuevo sobre redirección y una más amplia comprensión de dónde debe estar el esfuerzo humano.

La historia de la obsolescencia se basa en una concepción del ser humano como finito –en los límites de nuestra inteligencia y en la variedad de nuestras necesidades y deseos–, pero lo que revela la IA no son nuestros límites, sino cuán estrechamente los hemos definido.

El espejo de la IA nos muestra lo que ya sabíamos: que la economía del conocimiento está inflada, desequilibrada y llena de trabajos cuyo valor es difícil de defender.

Pero también nos muestra lo que es posible: un futuro donde el esfuerzo esté más conectado con la necesidad y donde se construyan nuevas escaleras, no solo en las industrias actuales, sino en aquellas que hemos ignorado por demasiado tiempo.

Una historia más realista comienza aquí: muchas de nuestras necesidades siguen insatisfechas. Nuestros deseos siguen siendo ilimitados –y a menudo impredecibles–.

La pregunta que plantea la IA no es sobre la obsolescencia; es sobre el reconocimiento de: cuánta capacidad humana hemos pasado por alto y cuánta necesidad y deseo humanos aún no hemos satisfecho.