La inteligencia artificial ha entrado en las empresas envuelta en una promesa difícil de rechazar: hacer más en menos tiempo. Redacta informes, compara proveedores, resume documentos, clasifica incidencias, propone pedidos, detecta patrones y convierte horas de trabajo administrativo en minutos. En entornos donde siempre faltan tiempo, personal y datos fiables, esa capacidad no es una curiosidad tecnológica. Es una ventaja real.
Pero existe una pregunta mucho menos cómoda que casi nunca aparece en las presentaciones comerciales: ¿qué ocurre cuando una herramienta empieza a realizar las tareas con las que antes aprendíamos a trabajar?
El debate público suele plantearse como una competición entre personas y máquinas. Se pregunta cuántos empleos desaparecerán, qué profesiones serán sustituidas o cuándo llegará una inteligencia capaz de hacerlo todo. Sin embargo, en el día a día de una empresa el riesgo más inmediato puede ser otro: que el puesto continúe existiendo, que el trabajador siga delante de la pantalla y que, aun así, el conocimiento necesario para ejercer su profesión se vaya debilitando.
No porque la persona sea menos inteligente. Tampoco porque la IA tenga intención de sustituirla. Sencillamente, porque dejamos de practicar aquello que hemos delegado.
La automatización también puede vaciar un puesto desde dentro
Un profesional no adquiere criterio leyendo un manual. Lo desarrolla al enfrentarse muchas veces a situaciones imperfectas: datos incompletos, urgencias, excepciones, errores de catálogo, proveedores que cambian plazos y clientes que describen mal lo que necesitan.
En un almacén de recambios, por ejemplo, aprender no consiste solo en memorizar referencias. Consiste en entender por qué dos piezas aparentemente equivalentes no siempre lo son, cómo afecta una devolución a la lectura de la demanda, cuándo una rotura de stock es realmente crítica y cuándo un incremento de ventas es solo una anomalía temporal. Ese conocimiento se construye comparando, preguntando, equivocándose y corrigiendo.
Si una IA resuelve desde el primer día todas las consultas sencillas, el trabajador nuevo gana velocidad, pero puede perder el itinerario que antes le permitía llegar a ser experto. Obtiene la respuesta sin recorrer el razonamiento. Y si ese proceso se repite durante años, la empresa puede terminar con muchas personas capaces de utilizar el sistema, pero muy pocas capaces de detectar cuándo el sistema se equivoca.
El puesto no ha desaparecido. Lo que se ha reducido es la autonomía profesional de quien lo ocupa.
De la ayuda cognitiva a la deuda cognitiva
Una calculadora nos evita hacer operaciones repetitivas, pero no elimina la necesidad de comprender qué estamos calculando. Un navegador GPS nos lleva a destino, aunque cualquiera que lo utilice de forma habitual sabe que también reduce nuestra atención al recorrido. Con la inteligencia artificial sucede algo parecido, pero a una escala mucho mayor: ya no externalizamos únicamente memoria o cálculo, sino también redacción, análisis, síntesis y parte de la toma de decisiones.
La investigación empieza a observar este fenómeno, aunque todavía debe interpretarse con prudencia.
Un estudio de Microsoft Research y la Universidad Carnegie Mellon analizó 936 ejemplos de uso aportados por 319 trabajadores del conocimiento. Sus resultados sugieren que una mayor confianza en la IA se relaciona con un menor esfuerzo de pensamiento crítico, mientras que una mayor confianza del profesional en su propia capacidad favorece la revisión y el cuestionamiento de la respuesta generada. El estudio se basa en experiencias declaradas por los participantes, por lo que no demuestra por sí solo una pérdida permanente de capacidad, pero sí señala un cambio importante: el pensamiento crítico no desaparece necesariamente; se desplaza hacia la verificación, la integración y la supervisión.
Otro trabajo, conocido como Your Brain on ChatGPT, utilizó electroencefalografía durante tareas de redacción y encontró menor conectividad cerebral en el grupo que trabajó con un modelo de lenguaje que en quienes escribieron sin herramientas. También observó menor recuerdo del contenido y una sensación de autoría más débil. Es un preprint con una muestra limitada y ha recibido críticas metodológicas, de modo que sería irresponsable convertirlo en una prueba definitiva. Aun así, introduce una expresión útil: deuda cognitiva. Ahorramos esfuerzo hoy, pero podemos pagar ese ahorro mañana si dejamos de ejercitar las capacidades que necesitaremos para trabajar sin asistencia o para reconocer una respuesta incorrecta.
No se trata de demonizar la tecnología. Se trata de entender que la comodidad también tiene un coste cuando sustituye al aprendizaje en lugar de apoyarlo.
El problema no es que la IA responda; es que dejemos de preguntar
He comprobado en la gestión diaria de compras y almacén que la IA puede ser extraordinariamente útil. Permite ordenar información, comparar escenarios, localizar desviaciones y preparar análisis que antes exigían muchas horas. La he utilizado como apoyo en tareas relacionadas con stock, aprovisionamiento, rotación, obsolescencia y organización operativa.
Pero cuanto más la utilizo, más clara tengo una regla: la IA debe ampliar el criterio profesional, no reemplazarlo.
Supongamos que el sistema recomienda aumentar el pedido de una familia de filtros. La propuesta puede estar perfectamente calculada a partir del histórico. Sin embargo, un responsable de compras debería preguntar:
- ¿El crecimiento corresponde a demanda real o a una venta extraordinaria?
- ¿Se han contabilizado devoluciones o traspasos como consumo?
- ¿Ha cambiado el parque de vehículos al que sirve el almacén?
- ¿Existe una promoción del proveedor que esté distorsionando el patrón?
- ¿Hay referencias sustitutas que dividan la demanda aparente?
- ¿Qué ocurrirá con el stock si el plazo de entrega vuelve a la normalidad?
La IA puede ayudar a contestar esas preguntas, pero primero alguien tiene que saber que deben hacerse. Ahí reside el conocimiento profesional: no solo en obtener una respuesta, sino en identificar qué dato falta, qué excepción importa y qué consecuencia tendría equivocarse.
Como expliqué en La inteligencia artificial también se equivoca: cómo evitar que piense por nosotros, una respuesta convincente no equivale a una respuesta correcta. En el recambio de automoción, una equivalencia errónea puede terminar en una devolución, un vehículo inmovilizado o incluso un problema de seguridad. La fluidez de la máquina no reduce la responsabilidad de quien decide.
El conocimiento tácito: aquello que el sistema no ve
Las empresas poseen dos grandes clases de conocimiento. Una puede documentarse: referencias, tarifas, consumos, plazos, procedimientos, condiciones de compra e indicadores. La otra resulta mucho más difícil de capturar. Es el conocimiento tácito de quienes llevan años resolviendo excepciones.
Ese conocimiento permite saber que un proveedor suele cumplir salvo en agosto, que determinada familia genera devoluciones por una confusión recurrente de conectores o que un artículo de baja rotación debe mantenerse porque resuelve una inmovilización crítica. Muchas veces no aparece en el ERP. Vive en la experiencia de las personas.
La IA trabaja especialmente bien con lo que la organización ha registrado. Si los datos están incompletos, si las excepciones nunca se documentaron o si los maestros contienen errores, el sistema producirá conclusiones precisas sobre una realidad deformada. Por eso, antes de automatizar una decisión conviene distinguir tres niveles:
- Dato: lo que el sistema puede leer y comprobar.
- Contexto: lo que explica por qué ese dato significa algo concreto.
- Criterio: la capacidad de decidir qué hacer y asumir sus consecuencias.
Una implantación deficiente entrega los tres niveles a la herramienta. Una implantación madura automatiza el tratamiento del dato, enriquece el contexto y mantiene claramente asignada la responsabilidad del criterio.
La falsa productividad: hacer más sin comprender mejor
Uno de los peligros de la IA es que mejora de inmediato los indicadores más visibles. Se redactan más informes, se responden más correos y se producen más análisis. Esa aceleración puede confundirse con una mejora del trabajo, aunque una parte de lo generado no se lea, no se compruebe o no cambie ninguna decisión.
La productividad real no consiste en producir más texto ni más cuadros. Consiste en reducir errores, comprar mejor, disminuir inmovilizado, servir más rápido y tomar decisiones con mayor fundamento.
Un informe de veinte páginas generado en segundos no aporta valor si nadie puede explicar sus supuestos. Una previsión no es buena porque incluya gráficos sofisticados, sino porque mejora el pedido y porque sus errores pueden detectarse. Un chatbot no es eficaz por responder a todas las consultas, sino por saber cuándo debe detenerse y derivar el caso a una persona.
Esta diferencia es esencial. Cuando medimos únicamente velocidad o volumen, incentivamos que los trabajadores acepten la primera respuesta y continúen. Cuando medimos acierto, trazabilidad y calidad de decisión, la IA se convierte en un instrumento de trabajo y no en una máquina de aparentar productividad.
Los empleos probablemente cambiarán antes de desaparecer
La Organización Internacional del Trabajo estima que uno de cada cuatro empleos del mundo presenta algún grado de exposición a la IA generativa, pero considera más probable la transformación de tareas que la sustitución completa de puestos. Esta distinción importa mucho.
Un trabajo es una combinación de tareas. Algunas son repetitivas y documentales; otras exigen relación con clientes, comprensión del contexto, responsabilidad, destreza física o juicio profesional. La IA puede absorber una parte de ese conjunto sin eliminar el puesto. El resultado dependerá de qué haga la empresa con el tiempo liberado.
Hay dos caminos posibles:
- Utilizar la automatización para reducir costes sin rediseñar el aprendizaje, concentrando el conocimiento en menos personas y aumentando la dependencia tecnológica.
- Utilizarla para descargar tareas mecánicas, formar mejor al equipo y dedicar más tiempo a las excepciones, la mejora de procesos y la relación con clientes y proveedores.
La primera opción produce organizaciones aparentemente eficientes, pero frágiles. La segunda crea profesionales aumentados por la tecnología.
La OCDE ha observado que muchas pequeñas y medianas empresas utilizan la IA generativa para compensar carencias de personal o capacidades. Es una oportunidad evidente, aunque encierra una paradoja: si la herramienta tapa permanentemente la falta de competencias sin que la empresa las desarrolle, la solución inmediata puede consolidar el problema estructural.
El trabajador nuevo es quien más puede perder
Los profesionales con experiencia disponen de una ventaja decisiva: aprendieron el oficio antes de delegar partes de él. Pueden comparar la respuesta de la IA con años de casos reales. Detectan con mayor facilidad algo que “no cuadra”, aunque todavía no sepan explicar exactamente por qué.
Un trabajador que entra ahora puede no tener esa referencia. Si desde el primer día recibe la respuesta terminada, corre el riesgo de aprender a manejar una interfaz sin comprender el proceso que existe debajo.
Pensemos en el responsable de compras del futuro. Si nunca ha construido una previsión sencilla, quizá no detecte que el modelo está confundiendo estacionalidad con crecimiento. Si nunca ha revisado manualmente devoluciones, puede aceptar una demanda inflada. Si nunca ha contrastado aplicaciones, la seguridad con la que la IA presenta una equivalencia puede resultarle más convincente que una duda justificada.
Por eso la formación no puede limitarse a enseñar prompts. Saber pedir algo a una IA es útil, pero no sustituye el conocimiento del negocio. Antes de aprender a acelerar una decisión, hay que aprender a reconocer una decisión correcta.
Siete reglas para automatizar sin perder el oficio
1. Exigir una hipótesis humana antes de consultar
En decisiones relevantes, la persona debería formular primero qué cree que ocurre y por qué. Después puede utilizar la IA para contrastar su hipótesis. Este pequeño esfuerzo evita que la respuesta inicial de la máquina se convierta en un ancla mental.
2. Separar recomendación, decisión y autorización
La herramienta puede recomendar una cantidad de compra. Otra capa debe validar los datos y una persona identificada debe autorizarla cuando el impacto económico o operativo supere un umbral. Cuanto mayor sea el riesgo, más visible debe ser la intervención humana.
3. Obligar al sistema a mostrar sus fundamentos
No basta con “comprar 40 unidades”. La propuesta debe indicar ventas consideradas, horizonte, plazo de entrega, stock disponible, pedidos pendientes, estacionalidad, nivel de servicio y excepciones aplicadas. Sin trazabilidad no hay supervisión, solo fe.
4. Conservar ejercicios sin asistencia
Los equipos necesitan practicar periódicamente las tareas esenciales sin IA: interpretar un indicador, revisar una equivalencia con una fuente técnica, calcular un punto de pedido o argumentar una decisión. No para volver al pasado, sino para comprobar que la capacidad crítica sigue presente.
5. Convertir cada error en conocimiento documentado
Cuando la IA falla, no basta con corregir el resultado. Hay que registrar qué dato faltaba, qué señal habría permitido detectar el error y qué regla evitará que se repita. Así, el conocimiento tácito se transforma progresivamente en patrimonio de la organización.
6. Hacer que los perfiles expertos formen al sistema y a las personas
El trabajador veterano no debería quedar relegado por la automatización. Su experiencia es necesaria para definir límites, validar excepciones y formar a quienes empiezan. Documentar su criterio antes de que abandone la empresa es una tarea estratégica, no administrativa.
7. Medir calidad de decisión, no cantidad de producción
Los indicadores adecuados son reducción de devoluciones, mejora del nivel de servicio, menor stock inmovilizado, precisión de previsiones, tiempo de resolución y número de intervenciones humanas que evitaron un error. Contar informes generados o consultas respondidas ofrece una imagen cómoda, pero incompleta.
Un ejemplo práctico en compras y aprovisionamiento
Imaginemos una propuesta automática de pedido sobre 5.000 referencias. La forma más pobre de utilizar IA sería aceptar el archivo completo porque el modelo “ha analizado el histórico”. La forma profesional consistiría en construir un proceso por capas:
- El ERP aporta existencias, ventas netas, pedidos pendientes, devoluciones y plazos.
- El sistema calcula cobertura, tendencia, variabilidad y riesgo de rotura.
- La IA identifica anomalías y explica las propuestas más alejadas del comportamiento habitual.
- Las referencias de bajo impacto y alta confianza siguen un flujo automatizado.
- Las referencias críticas, costosas, estacionales o de comportamiento irregular pasan a revisión.
- El comprador registra el motivo cuando modifica la propuesta.
- Esas correcciones se analizan para mejorar el sistema y la formación del equipo.
Así, la IA se encarga del volumen y la persona se concentra en la excepción. Pero, sobre todo, cada intervención humana deja una huella que puede convertirse en conocimiento compartido.
Este enfoque encaja con lo que he defendido al hablar de IA y CLEX para optimizar el stock de recambios: la herramienta no debe limitarse a mostrar un número, pero tampoco debe ejecutar una decisión opaca. Su valor está en ordenar la información, detectar desviaciones y proponer acciones que un profesional pueda entender y validar.
No todas las tareas deben conservarse
Defender el conocimiento profesional no significa mantener procesos ineficientes por nostalgia. Nadie aprende más por copiar datos entre pantallas, renombrar archivos o redactar cien veces el mismo correo. Hay tareas cuyo valor formativo es prácticamente nulo y que deberían automatizarse cuanto antes.
La cuestión es distinguir entre trabajo repetitivo y fricción útil.
La fricción útil aparece cuando comparar alternativas enseña cómo funciona el negocio, cuando investigar una incidencia descubre una regla nueva o cuando justificar una compra obliga a comprender los datos. Eliminar esa fricción puede acelerar el presente y empobrecer el futuro.
Un buen diseño de procesos automatiza lo que no enseña, asiste en lo que desarrolla criterio y reserva la responsabilidad humana para aquello que puede causar un daño económico, técnico, legal o de seguridad.
La empresa resiliente debe saber trabajar cuando la IA falla
Existe además una razón operativa para conservar capacidades humanas. Los sistemas fallan. Puede caer el servicio, cambiar un proveedor, degradarse un modelo o desaparecer una herramienta de la que dependía un proceso. También pueden producirse errores silenciosos: respuestas plausibles que nadie cuestiona porque el sistema suele acertar.
Una empresa que ya no sabe reconstruir la lógica de sus decisiones queda expuesta a una forma nueva de dependencia. No basta con tener copias de seguridad de los datos; hay que conservar copias vivas del conocimiento.
Eso implica procedimientos comprensibles, fuentes identificadas, responsables claros y personas capaces de operar temporalmente sin automatización. La resiliencia no consiste en rechazar la tecnología. Consiste en poder utilizarla sin quedar cautivo de ella.
El futuro pertenece a quien sepa pensar con la IA y también sin ella
En La mejor IA para gestionar un almacén aftermarket no es una sola defendí que no existe una herramienta milagrosa. La ventaja está en saber cuál utilizar, para qué tarea y con qué límites. A esa idea añadiría ahora otra: también hay que saber cuándo no utilizarla.
El profesional valioso no será quien haga todo manualmente ni quien delegue todo en la máquina. Será quien pueda alternar ambos modos. Alguien capaz de aprovechar la velocidad de la IA, pero también de detenerse, reconstruir el razonamiento y decir: “esto no encaja”.
Esa capacidad no surge espontáneamente. Hay que protegerla mediante formación, práctica, documentación y una cultura que premie las preguntas incómodas.
Conclusión: automatizar no debe significar abdicar
La inteligencia artificial no tiene por qué quitarnos el trabajo. Puede eliminar tareas tediosas, aumentar nuestra capacidad de análisis y permitir que profesionales y pequeñas empresas accedan a herramientas antes reservadas a grandes organizaciones.
Pero existe un riesgo más silencioso que el desempleo tecnológico: continuar trabajando mientras perdemos gradualmente la comprensión de lo que hacemos.
Si la IA propone y nadie sabe revisar, la empresa no se ha vuelto inteligente; se ha vuelto dependiente. Si el trabajador nuevo obtiene siempre la respuesta sin aprender el proceso, la organización está consumiendo conocimiento sin regenerarlo. Y si la productividad se mide por la cantidad de contenido generado en lugar de por la calidad de las decisiones, la velocidad solo servirá para equivocarnos más deprisa.
La tecnología debe ayudarnos a pensar mejor, no evitarnos pensar. Debe convertir la experiencia en un recurso compartido, no hacerla innecesaria. Debe liberar tiempo para comprender las excepciones, hablar con clientes, mejorar procesos y formar a quienes llegan.
El verdadero desafío no consiste en competir contra la inteligencia artificial. Consiste en construir empresas donde, después de implantarla, las personas sepan más, decidan mejor y sigan siendo capaces de trabajar cuando la pantalla no tenga la respuesta.
Porque una herramienta que aumenta nuestras capacidades es progreso. Una herramienta de la que ya no podemos prescindir para comprender nuestro propio oficio es otra cosa.
Fuentes y lecturas recomendadas
- Xavier Olessa-Daragon, ¿Es la IA un virus cognitivo?, El Grand Continent, 13 de septiembre de 2026.
- Hao-Ping Lee et al., The Impact of Generative AI on Critical Thinking, Microsoft Research / Carnegie Mellon University, 2025.
- Nataliya Kosmyna et al., Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task, preprint, 2025.
- Organización Internacional del Trabajo, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025.
- OCDE, Generative AI and the SME Workforce, 2025.
Deja un comentario