Hoy hablamos de: la preocupación creciente por la pérdida de capacidades humanas después de automatizar procesos con inteligencia artificial, y de por qué recuperarlas puede tomar mucho más tiempo del que tomó perderlas.
El conocimiento que desaparece cuando la IA hace el trabajo y nadie más aprende a hacerlo
Una advertencia de Cory Doctorow sobre cuánto tiempo toma recuperar una capacidad humana que una organización dejó de practicar
¿Qué significa la pérdida de capacidad humana después de automatizar un proceso?
Ocurre cuando una organización delega una tarea a un sistema de inteligencia artificial durante tanto tiempo que las personas dejan de practicarla, de entenderla en detalle o de poder ejecutarla sin ayuda. La capacidad no desaparece de un día para otro: se desgasta de forma gradual, a medida que menos personas la usan y menos veces se transmite de una persona a otra dentro del equipo.
Una empresa que automatiza por completo la elaboración de reportes financieros durante varios años puede descubrir, cuando el sistema falla o cambia de proveedor, que ya nadie en el equipo recuerda cómo armar ese reporte desde cero.
Riesgo MIT asociado Human-Computer Interaction · Loss of human agency and autonomy
106 riesgos catalogados · 18% concern global · MIT AI Risk Repository →
Qué pasó
Un artículo publicado por The Guardian recoge una entrevista con el escritor Cory Doctorow sobre qué pasará con las herramientas de inteligencia artificial que las organizaciones ya construyeron, en caso de que la actual expansión del sector se desinfle. La entrevista se publicó originalmente el 26 de julio de 2026 a las 16:00 hora de Reino Unido, aunque la edición internacional del sitio la fecha el 27 de julio.
Doctorow advierte que las organizaciones que sustituyen conocimiento humano por sistemas automatizados pueden descubrir, más adelante, que recuperar esas habilidades toma mucho más tiempo del que tomó perderlas. Señala también que el conocimiento detallado de cómo funciona un proceso interno se pierde cuando las personas que lo poseen dejan la organización, ya sea porque se jubilan, cambian de trabajo o simplemente dejan de practicar esa tarea con regularidad.
Lo que este caso nos está mostrando
Las evaluaciones actuales de la inteligencia artificial se concentran, casi siempre, en tres métricas visibles: tiempo ahorrado, costo reducido y volumen de producción. Este caso muestra que esas métricas dejan fuera algo igual de importante y mucho más difícil de medir: la capacidad humana que sigue viva dentro del equipo cuando la tecnología deja de estar disponible.
La advertencia de Doctorow no habla de un escenario hipotético lejano. Habla de una dinámica que ya ocurre en cualquier organización donde una tarea pasó de hacerse a mano a hacerse con ayuda de un sistema, y donde nadie se preguntó qué pasaría si ese sistema cambiara, fallara o simplemente se volviera menos confiable con el tiempo. El conocimiento tácito, ese que una persona experimentada tiene pero que rara vez queda escrito en un manual, es particularmente frágil frente a este tipo de sustitución.
Lo que este caso deja ver con claridad es que la pregunta de gobernanza más urgente ya no es solo qué tanto puede hacer la IA. Es qué conocimiento humano una organización está dispuesta a dejar de practicar, sabiendo que recuperarlo después, si hace falta, no será tan simple como reactivar una herramienta.
Mirando el caso con el método S.E.N.S.E.
Seguridad Humana
Una organización que depende por completo de un sistema para ejecutar un proceso crítico, sin nadie capaz de operarlo manualmente, construye un punto único de falla. Si ese sistema se interrumpe, cambia de condiciones comerciales o deja de estar disponible, el equipo entero queda expuesto sin un plan de respaldo humano. Esa fragilidad operativa es, en el fondo, un riesgo de seguridad para la continuidad del negocio y para las personas que dependen de él.
Ética Aplicada
Formar a la siguiente persona que hará una tarea es una responsabilidad que no desaparece porque exista una IA capaz de ejecutarla hoy. Las organizaciones que dejan de invertir en la transmisión de conocimiento entre personas, confiando en que el sistema siempre estará disponible, están tomando una decisión ética con consecuencias a largo plazo, aunque no se sienta como tal en el momento en que se toma.
Neuroergonomía
El conocimiento humano funciona de forma parecida a una habilidad física: se mantiene con la práctica y se debilita con el desuso. Cuando una tarea se delega por completo a un sistema durante años, las conexiones cognitivas que permitían ejecutarla con criterio empiezan a desvanecerse. Esto no es un juicio moral sobre quien delega. Es una descripción de cómo funciona la memoria de procedimiento humana, y por eso conviene tomarlo en cuenta al diseñar cualquier automatización de largo plazo.
Sentido / Sociedad
Cuando esta dinámica se repite en muchas organizaciones a la vez, el resultado no es solo una empresa con menos capacidad interna. Es una industria completa perdiendo, generación tras generación, el conocimiento acumulado que permitió construir esa industria en primer lugar. La transmisión de saber entre personas con experiencia y personas nuevas ha sido, históricamente, uno de los mecanismos más importantes de resiliencia colectiva.
Estrategia / Autonomía
La sugerencia más práctica que deja este caso es incorporar una métrica nueva a la evaluación de cualquier automatización: capacidad humana preservada. No basta con medir cuánto tiempo o dinero ahorra un sistema. Conviene medir también qué tan capaz sigue siendo el equipo de operar sin ese sistema, y decidir con esa información qué conocimientos merecen seguir practicándose con regularidad, aunque la IA pueda ejecutarlos.
La lectura neurohumanista
Desde el método S.E.N.S.E., este caso ilustra con precisión la diferencia entre delegar una tarea y perder una capacidad. Delegar es una decisión reversible: la persona sigue entendiendo el proceso y puede retomarlo si hace falta. Perder una capacidad es otra cosa: implica que la comprensión misma se fue diluyendo hasta que ya no queda una base sobre la cual reconstruirla con rapidez.
La integridad cognitiva de un equipo no se protege evitando la automatización. Se protege siendo deliberado sobre qué parte del conocimiento humano necesita seguir viva, entrenada y transmitida, incluso en un entorno donde la mayoría de las tareas diarias las ejecuta un sistema. Esa decisión, tomada con tiempo, es mucho más barata que la alternativa de reconstruir una capacidad perdida bajo presión.
Preguntas que vale la pena hacerse
- ¿Qué procesos de nuestra organización dependen hoy por completo de un sistema de IA, sin que nadie pueda ejecutarlos manualmente?
- ¿Quién en el equipo posee el conocimiento detallado de cómo funcionan nuestros procesos más importantes, y qué pasaría si esa persona se fuera mañana?
- ¿Cuánto tiempo nos tomaría recuperar una capacidad que dejamos de practicar hace dos o tres años?
- ¿Estamos documentando el conocimiento tácito de nuestro equipo, o solo confiando en que la herramienta seguirá funcionando?
- ¿Qué habilidades merecen seguir entrenándose de forma manual, aunque la IA pueda ejecutarlas más rápido?
Lo que podemos aplicar desde hoy
- Identificar qué procesos críticos dependen hoy por completo de un sistema de IA y asignar a alguien responsable de mantener viva la versión manual de ese conocimiento.
- Documentar el conocimiento tácito de las personas con más experiencia del equipo antes de que ese conocimiento se concentre únicamente en una herramienta.
- Incorporar la capacidad humana preservada como una métrica más, junto al tiempo ahorrado y el costo reducido, al evaluar cualquier automatización.
- Practicar de forma periódica, aunque sea de manera reducida, las tareas más importantes que ya están automatizadas, para conservar la comprensión de cómo funcionan.
- Diseñar procesos de mentoría donde las personas con más experiencia transmitan conocimiento a las más nuevas, incluso cuando la ejecución diaria ya no requiera esa transmisión.
Una idea para recordar
Un equipo conserva su fortaleza no por lo que la IA puede ejecutar, sino por lo que sus personas todavía recuerdan cómo hacer.
¿Por qué recuperar una habilidad perdida por automatización toma más tiempo que perderla?
Una habilidad se pierde de forma gradual, casi sin que nadie lo note, porque simplemente deja de practicarse mientras un sistema ejecuta la tarea. Recuperarla, en cambio, requiere reconstruir de forma deliberada el conocimiento, la práctica y el criterio que se fueron perdiendo con el tiempo, muchas veces sin la persona original que lo tenía disponible para transmitirlo.
Este es el punto central de la advertencia de Cory Doctorow: el desgaste de una capacidad es silencioso y progresivo, mientras que su reconstrucción exige un esfuerzo activo, visible y con frecuencia más costoso de lo previsto.
¿Qué es el conocimiento tácito y por qué la inteligencia artificial no puede reemplazarlo por completo?
El conocimiento tácito es aquel que una persona posee por experiencia, pero que resulta difícil de escribir por completo en un manual o procedimiento. Incluye matices, criterio situacional y ajustes que se aprenden practicando, no leyendo. Una IA puede ejecutar una tarea basada en patrones observables, pero no posee el mismo tipo de comprensión contextual que una persona con años de práctica.
Cuando una organización automatiza una tarea sin capturar antes ese conocimiento tácito, corre el riesgo de perderlo por completo el día en que la persona que lo poseía ya no está disponible para consultarlo.
Fuente: Stanford Encyclopedia of Philosophy, entrada sobre conocimiento práctico
¿Cómo puede una empresa medir la capacidad humana preservada, y no solo el tiempo que ahorra con IA?
Medir la capacidad humana preservada implica evaluar, de forma periódica, si el equipo todavía puede ejecutar un proceso sin depender del sistema automatizado. Esto puede hacerse con ejercicios simples: pedir a alguien que realice la tarea de forma manual una vez al trimestre, documentar cuánto tiempo le toma y comparar ese resultado con el desempeño de años anteriores.
Una empresa que automatizó su proceso de cierre contable puede, por ejemplo, pedir a un miembro del equipo que reconstruya un cierre simplificado a mano cada cierto tiempo, únicamente para verificar que el conocimiento sigue disponible dentro del equipo.
¿Qué papel juega la neuroergonomía en la pérdida de habilidades después de automatizar?
La neuroergonomía estudia cómo el cerebro humano interactúa con la tecnología y cómo esa interacción afecta el desempeño cognitivo. Aplicada a este caso, explica por qué una habilidad que deja de practicarse se debilita con el tiempo: el cerebro reasigna recursos y refuerzo a las tareas que sí ejecuta con frecuencia, dejando en desuso las conexiones asociadas a procesos que ahora resuelve un sistema externo.
Esto significa que la pérdida de capacidad no es un fenómeno exclusivamente organizacional. Tiene una base real en cómo funciona el aprendizaje y la memoria de procedimiento en las personas.
Fuente: Método S.E.N.S.E., IAConSentido
¿Qué acciones concretas ayudan a mantener vivo el conocimiento de un equipo aunque la IA ejecute la tarea?
Entre las acciones más efectivas están documentar el conocimiento tácito de las personas con más experiencia, practicar de forma periódica las tareas automatizadas más importantes, diseñar procesos de mentoría entre generaciones dentro del equipo y agregar la capacidad humana preservada como una métrica de evaluación junto al tiempo y costo ahorrados.
Ninguna de estas acciones requiere abandonar el uso de la inteligencia artificial. Requieren, simplemente, tratar el conocimiento humano como un activo que merece mantenimiento propio, igual que cualquier sistema técnico.
Fuente: Método S.E.N.S.E., IAConSentido
Herramientas para recuperar tu criterio
Si reconoces estas señales en tu trabajo o en tu equipo, el Kit Pensamiento Propio con la IA ofrece un sistema para recuperar la autoría de tus elecciones cuando el automatismo ya instaló sus propias reglas. Con método. Con calma. Sin drama técnico.
Karine Boucher
Guardiana de la Humanidad Digital
Soy Karine, profesional franco-mexicana con más de 25 años de experiencia en entornos internacionales. Creé el Método SENSE para ofrecer lo que los marcos técnicos de gobernanza no dan: herramientas protectoras, claras y utilizables en la vida real — especialmente para familias y educadores.
Formada en Ciencia de Datos en el MIT y especializada en gobernanza de IA y ética aplicada. Creo que la pregunta más urgente de nuestro tiempo no es cómo usar mejor la IA, sino cómo seguir siendo humanos mientras lo hacemos.