Cuando empecé, una de mis primeras actividades consistía en configurar el sistema para que funcionara como una empresa nueva. Había que preparar los datos y las reglas de facturación, compras, producción y contabilidad, y conseguir que los procesos del cliente pudieran operar allí como se esperaba.
Era una configuración manual que obligaba a conocer mucho más que las pantallas. Para hacerla correctamente, teníamos que entrar en las entrañas del sistema: entender qué dependía de qué, cómo una definición afectaba otra parte de la operación y por qué algo no funcionaba aunque, a primera vista, pareciera estar bien configurado.
El resultado era una empresa preparada para trabajar en el sistema. Pero, durante ese recorrido, también se estaba formando quien hacía la configuración.
Hoy imagino cuánto de ese proceso podría resolverse mediante instrucciones bien construidas a una IA, con los accesos adecuados y las validaciones necesarias. Además de facilitar la configuración inicial, podría acercarnos prácticas conocidas y alternativas que antes dependían de nuestra experiencia o de encontrar a alguien que ya hubiera enfrentado una situación parecida.
Me parece un avance que vale la pena aprovechar. No quisiera que alguien tuviera que repetir todo aquel trabajo manual solamente porque así aprendí yo.
Pero la experiencia me deja una pregunta: si ya no necesitamos recorrer el sistema de esa manera para ponerlo a funcionar, ¿cómo aprenderá quien empieza a comprender lo que está haciendo funcionar?
Aprenderemos de otra forma, seguramente. Lo que necesitamos es darle forma a ese aprendizaje.
El aprendizaje que venía incluido en la tarea
Una actividad aparentemente sencilla puede acercarnos a la lógica de un negocio.
Revisar documentos, investigar una diferencia o elaborar la primera versión de un informe permite descubrir qué información falta, qué explicación necesita comprobarse y cuándo corresponde preguntar antes de continuar.
El aprendizaje ocurre al investigar, formular una hipótesis, contrastarla y recibir una corrección. Con el tiempo, una persona empieza a reconocer situaciones que antes ni siquiera sabía que debía mirar.
Eso no significa que repetir una tarea cientos de veces garantice aprender. También podemos pasar años ejecutando pasos sin comprenderlos. Una rutina mal diseñada puede consumir capacidad sin desarrollar ninguna.
Por eso, antes de automatizar una actividad, intentaría identificar qué parte de ella ayudaba a formar criterio y cómo podríamos conservar o mejorar ese aprendizaje en el nuevo proceso.
El valor formativo de una tarea no siempre aparece en el cálculo de lo que cuesta ejecutarla.
Pedimos experiencia, pero podemos estar quitando dónde adquirirla
La preocupación ya forma parte del debate sobre empleo. En una nota de Reuters del 22 de octubre de 2026, reproducida por MarketScreener, se recogieron advertencias del FMI y la OCDE sobre una distribución desigual de los beneficios de la IA. Entre los riesgos señalados estaba la vulnerabilidad de quienes comienzan su carrera si desaparecen tareas mediante las cuales adquirían experiencia.
No lo interpreto como una predicción de que todos los puestos iniciales desaparecerán. Me parece una pregunta que cada organización debería llevar a su propia operación.
Si reducimos la contratación de personas con poca experiencia porque una herramienta ya resuelve parte de sus actividades, ¿cómo prepararemos a quienes tendrán que asumir responsabilidades más complejas dentro de algunos años?
Podemos responder que contrataremos profesionales experimentados. Es una posibilidad para una empresa. Pero alguien tendrá que haberlos formado.
Además, conocer una disciplina no equivale a conocer una operación. Entender sus clientes, sus excepciones y las consecuencias de sus decisiones también requiere contacto con el trabajo real.
La sucesión técnica empieza mucho antes de que un especialista anuncie que se va. Se construye mientras otras personas tienen oportunidades de aprender con él.
Revisar a la IA también se aprende
En las conversaciones sobre IH+IA aparece con frecuencia una distribución aparentemente clara: la herramienta ejecuta y la persona revisa.
Me parece una orientación útil, pero incompleta.
Para revisar una respuesta hace falta saber qué comprobar. Una explicación puede estar bien escrita, presentar una secuencia coherente y aun así apoyarse en un supuesto equivocado. Quien empieza quizá todavía no tenga referencias suficientes para reconocerlo.
Pedirle que valide el resultado no le proporciona automáticamente esa capacidad.
Podemos terminar asignándole una responsabilidad exigente sin haberle dado experiencias suficientes para ejercerla. Y, si su trabajo consiste en aceptar respuestas que parecen correctas, será difícil distinguir cuánto comprende de lo que entrega.
La formación debería incluir preguntas concretas: qué evidencia respalda la respuesta, qué información falta, qué cambiaría la conclusión y en qué momento corresponde pedir ayuda.
También necesitamos observar si la persona puede explicar el razonamiento con sus propias palabras y reconocer sus límites.
La IA también puede acercar la experiencia
Sería incompleto hablar solamente del riesgo.
El estudio Generative AI at Work, de Erik Brynjolfsson, Danielle Li y Lindsey Raymond, publicado en 2025, analizó el uso de un asistente de IA en atención al cliente. Encontró mejoras especialmente importantes entre trabajadores menos experimentados y evidencia de aprendizaje en ese entorno.
Es un resultado situado en una actividad concreta, no una garantía para cualquier herramienta o profesión. Pero ayuda a evitar una conclusión apresurada: usar IA no implica necesariamente aprender menos.
Podemos utilizarla para comparar alternativas, practicar con casos, explorar excepciones y recibir explicaciones adaptadas al nivel de quien aprende. También puede facilitar el acceso a conocimientos que antes dependían de encontrar a una persona disponible.
La diferencia está en cómo organizamos esa interacción.
Si la herramienta entrega la solución y seguimos adelante, quizá ganemos velocidad sin desarrollar comprensión. Si pedimos una propuesta, discutimos sus supuestos y contrastamos el resultado con evidencia y revisión humana, podemos crear otra forma de práctica.
Las explicaciones generadas también necesitan comprobarse. Una herramienta que responde con seguridad puede enseñar un error con la misma fluidez con la que explica un acierto.
Comprender la configuración, aunque ya no la hagamos igual
Si vuelvo a aquella configuración inicial, imagino un aprendizaje distinto. La IA podría preparar una propuesta y quien empieza tendría que recorrerla, explicar sus decisiones y comprobar cómo responde a los procesos del cliente.
Podría seguir una operación desde la compra hasta su efecto contable, probar qué sucede cuando cambia una condición de facturación o investigar por qué una configuración válida para una empresa no sirve para otra. También tendría que distinguir qué práctica sugerida resulta pertinente y cuál necesita adaptarse.
Alguien con experiencia podría acompañar ese recorrido, revisar las explicaciones y ayudar a interpretar los resultados. La práctica seguiría existiendo, pero dedicaríamos menos tiempo a introducir parámetros y más a comprender sus consecuencias.
Ese sería un avance importante: aprovechar la configuración que la IA ayuda a construir para aprender a cuestionarla, probarla y mejorarla.
En un Centro de Servicios podríamos aplicar una lógica similar. Una selección de casos ya resueltos, con información protegida, permitiría que quienes comienzan propongan explicaciones, comparen alternativas y conversen sobre las decisiones tomadas.
Los casos tendrían que avanzar en dificultad. Retirar todas las tareas sencillas y dejar a los principiantes únicamente las excepciones más complejas tampoco sería una buena forma de enseñar.
Formar también necesita tiempo dentro de la operación
Nada de esto sucede solo porque compramos acceso a una herramienta.
Hay que preparar casos, reservar tiempo para conversar y dar a las personas responsabilidades que puedan asumir progresivamente. También hace falta permitirles acompañar una operación entre áreas: entender de dónde viene la información, qué necesita quien la recibe y qué ocurre cuando llega incompleta.
Esa exposición enseña consecuencias que una tarea aislada no siempre permite ver.
El trabajo de quienes enseñan también necesita reconocimiento. Si un profesional experimentado es evaluado únicamente por cuánto entrega, dedicar tiempo a formar a otro puede convertirse en una actividad que siempre queda para después.
La productividad que obtenemos con IA podría ayudarnos a abrir ese espacio. Pero tendríamos que decidir hacerlo. El tiempo ahorrado también puede llenarse inmediatamente con más entregas, sin que nadie haya aprendido algo nuevo.
Y conviene que esas oportunidades sean visibles. El desarrollo profesional no debería depender exclusivamente de tener la suerte de encontrar un buen mentor o de estar cerca de quienes toman decisiones.
La productividad también necesita mirar quién está creciendo
Al revisar una automatización, me gustaría que pudiéramos conversar sobre dos resultados: qué mejoró en la operación y qué nuevas capacidades está desarrollando el equipo.
Las horas ahorradas importan. También importa si más personas pueden explicar una excepción, resolver un caso con autonomía o reconocer cuándo necesitan apoyo.
No bastaría contar cursos completados u horas de capacitación. Necesitaríamos observar lo que alguien consigue comprender y hacer después.
Automatizar también exige decidir cómo vamos a formar a las personas que todavía no saben hacer ese trabajo.
Esa responsabilidad me parece parte del liderazgo. Nos corresponde mejorar los procesos y, al mismo tiempo, cuidar que exista un camino para aprender a comprenderlos.
Cuando pienso en aquella primera actividad, no siento que debamos conservarla intacta. Me entusiasma que alguien pueda llegar más lejos, más rápido y con mejores herramientas que las que tuve.
Lo que quisiera conservar es la oportunidad de descubrir por qué las cosas funcionan, qué pasa cuando dejan de hacerlo y cómo encontrar una respuesta.
Aprenderemos de otra forma, seguramente. Me gustaría que esa nueva forma nos permitiera entender más, además de terminar antes.