Tres muestras de una unión de madera en un estuche, junto a una pieza ensamblada y otra muestra sujeta con una mordaza azul.

Quién aprenderá a decidir cuando automaticemos el trabajo de entrada

Automatizar las tareas de entrada también cambia cómo se forma el criterio experto. Renovarlo exige diseñar y comprobar nuevas trayectorias de aprendizaje.

Alejandro Mayorga9 min de lectura

La promesa de liberar a las personas del trabajo rutinario para que se concentren en decisiones de mayor valor contiene una suposición que conviene hacer explícita: habrá personas capaces de tomar esas decisiones. En un equipo con profesionales experimentados, esa condición puede parecer resuelta. Ellos conocen el contexto, reconocen resultados extraños y saben cuándo una respuesta técnicamente correcta resulta insuficiente. Si parte de ese criterio se formó haciendo un trabajo que la organización se dispone a retirar, hay que pensar también en quienes se incorporarán después de la automatización y nunca recorrerán esa trayectoria.

Un profesional experimentado y alguien que comienza pueden utilizar la misma herramienta, recibir la misma recomendación y llegar a resultados parecidos. Eso no permite concluir que hayan adquirido una capacidad equivalente para juzgar la situación. El primero quizá reconoce una omisión porque ha visto sus consecuencias; el segundo puede aceptar la respuesta porque todavía no sabe qué falta. También puede ocurrir que la herramienta ayude al principiante a comprender algo que habría tardado mucho más en descubrir por su cuenta. La diferencia depende de lo que sucede durante el trabajo: qué problemas llegan a sus manos, qué parte debe resolver, qué puede observar y cómo descubre si su interpretación era adecuada.

Por eso, llamar «trabajo de entrada» a ciertas tareas dice menos de lo que parece. Describe su lugar en una trayectoria profesional, pero no explica qué función cumplen dentro de ella. Clasificar solicitudes, preparar un primer análisis o investigar una incidencia puede producir un resultado útil y, al mismo tiempo, permitir que alguien aprenda a distinguir situaciones, formule una hipótesis y reciba correcciones (se abre en una nueva pestaña) antes de asumir consecuencias mayores. O puede consistir en una repetición sin aprendizaje relevante. Haber ocupado históricamente a los principiantes no convierte una tarea en una buena escuela, ni obliga a conservarla cuando existe una forma mejor de realizarla.

La evidencia disponible tampoco justifica identificar automatización con pérdida de capacidad. En el estudio de Erik Brynjolfsson, Danielle Li y Lindsey Raymond (se abre en una nueva pestaña), publicado en The Quarterly Journal of Economics, la introducción de un asistente de IA en atención al cliente produjo mejoras de productividad especialmente importantes entre los trabajadores menos experimentados y de menor desempeño previo. Los autores también encontraron indicios de aprendizaje: durante interrupciones del asistente, quienes ya lo habían utilizado mantenían tiempos de atención más cortos que antes de adoptarlo. Es una señal acotada de aprendizaje: las interrupciones fueron poco frecuentes, las estimaciones resultaron imprecisas y el indicador era el tiempo de atención. La evolución del criterio profesional a largo plazo queda abierta. En conjunto, los resultados sugieren que la tecnología puede acercar a un principiante prácticas que antes estaban concentradas en personas con más experiencia.

Qué cambia en la experiencia de aprender

La mejora inmediata deja abierta otra pregunta: qué aprendizaje incorpora la nueva forma de trabajar y cuál deja de producirse. Las respuestas correctas pueden enseñar; también pueden ocultar las decisiones que hicieron posible llegar a ellas. Para quien está aprendiendo, recibir una solución terminada, examinar por qué funciona y construir una interpretación que después se contrasta son experiencias diferentes. Si solo observamos la calidad de la entrega (se abre en una nueva pestaña), esas diferencias pueden permanecer invisibles precisamente cuando los resultados están mejorando.

En su investigación sobre aprendizaje en cirugía robótica (se abre en una nueva pestaña), Matthew Beane describió cómo una reorganización tecnológica podía reducir la participación de los residentes en la práctica de la que dependía su formación. El trabajo seguía realizándose, pero cambiaba la relación entre quien sabía hacerlo y quien necesitaba aprender. Aunque se trata de otra tecnología y de una práctica profesional distinta, el antecedente ayuda a reconocer un mecanismo relevante: el acceso a las experiencias formativas puede reducirse sin que esa modificación aparezca como un fallo de la operación.

Eso no hace necesario devolver todas las consultas sencillas a las personas. Obliga a preguntarse cómo podrá alguien aprender a reconocer una excepción si apenas tiene acceso a las situaciones que la vuelven excepcional. Podría, por ejemplo, examinar casos ya resueltos con ayuda de la IA y contrastar sus propios diagnósticos con la evidencia del caso. Lo decisivo es que exista una progresión reconocible entre la incorporación y la responsabilidad que se espera asumir; asignar de inmediato «trabajo de mayor valor» no crea por sí mismo la capacidad que ese trabajo requiere.

Una persona compara un esquema dibujado en su cuaderno con gráficos de una carpeta abierta; un portátil queda a un lado.

Qué se aprende mientras mejora el desempeño

Un asistente que permite explorar alternativas, consultar antecedentes y comprobar una hipótesis puede enriquecer la experiencia disponible si conserva el contacto con el problema y amplía lo que el principiante puede entender. Incluso podría hacer accesibles situaciones que antes dependían de coincidir con el experto adecuado en el momento oportuno. Pero esa posibilidad exige prestar atención a la tarea que efectivamente realiza la persona. Una interfaz que ofrece explicaciones no demuestra, por el solo hecho de ofrecerlas, que alguien las examine, las comprenda o aprenda a discutirlas.

La distinción entre desempeño asistido y aprendizaje aparece con claridad en un experimento de Hamsa Bastani y sus coautores (se abre en una nueva pestaña) con estudiantes de secundaria que practicaban matemáticas. El acceso a un asistente basado en GPT mejoró sus resultados mientras disponían de la ayuda, pero una de las versiones produjo un desempeño inferior al del grupo de control en la evaluación posterior sin ella. Una versión diseñada para orientar el aprendizaje mitigó ese perjuicio. En ese contexto escolar y de corto plazo, la forma de ofrecer ayuda cambió la relación entre resolver y aprender. Para el diseño del trabajo, el resultado deja una precaución útil: examinar separadamente lo que una persona consigue con una herramienta y lo que está aprendiendo a hacer mediante ella.

Tampoco tendría sentido definir el criterio experto como la capacidad de reproducir a mano todo lo que hace el sistema. El trabajo cambia, y las capacidades necesarias para responder por él también pueden cambiar. Quien supervise una solución automatizada necesitará comprender aspectos que quizá no eran centrales en el procedimiento anterior: la procedencia de la información, las condiciones en que una recomendación resulta aplicable o la diferencia entre un resultado plausible y uno que merece confianza. Algunas destrezas perderán importancia. Otras se volverán indispensables. Diseñar una trayectoria de aprendizaje exige decidir cuáles son esas capacidades y qué experiencias permiten desarrollarlas en la nueva práctica.

Renovar el criterio que sostiene la operación

El desfase temporal hace difícil advertir una carencia de este tipo. Una implantación puede apoyarse durante años en el criterio de personas formadas antes de que cambiara el trabajo. Son ellas quienes interpretan las excepciones, detectan lo que el sistema no muestra y deciden cuándo intervenir. Mientras lo hagan bien, los indicadores operativos pueden confirmar que la automatización funciona. Sin embargo, ese desempeño no responde a la pregunta de si alguien que ingresa bajo las nuevas condiciones está aprendiendo a asumir esa responsabilidad. La organización puede conservar una capacidad que todavía no ha demostrado saber renovar.

Ese es también el límite de resolver el problema contratando experiencia externa. Para una empresa concreta, hacerlo puede ser una decisión razonable. Pero traslada a otro lugar la formación de esa experiencia y mantiene la dependencia de que haya alguien produciéndola. No permite concluir que el nuevo diseño del trabajo forme expertos. Si se toma esa opción, conviene reconocerla como una dependencia deliberada y examinar su viabilidad, en vez de presentar la disponibilidad actual de profesionales como una propiedad permanente del mercado.

La responsabilidad por esta continuidad alcanza a quienes deciden la automatización. Si se eliminan tareas, se redistribuyen casos y se cambia el acceso al contexto, también se están cambiando las condiciones en las que las personas pueden aprender. Pedir después a un área de formación que cierre la brecha, sin revisar esas decisiones, puede dejarla intentando compensar una ausencia de experiencia con contenidos. La dirección que aprueba el rediseño necesita poder explicar qué recorrido ofrecerá a las nuevas incorporaciones y cómo sabrá que ese recorrido está produciendo la capacidad requerida.

Para empezar a comprobarlo, conviene distinguir los resultados de quienes se formaron antes de la automatización de la evolución de quienes se incorporan después. Un indicador que reúne a ambos puede mejorar gracias a la experiencia acumulada y decir muy poco sobre lo que la nueva trayectoria está produciendo. Seguir esa evolución exige observar qué situaciones empiezan a comprender las nuevas incorporaciones y cuánto apoyo necesitan para interpretarlas, atendiendo a los casos que realmente llegan a sus manos. La calidad de las entregas sigue importando, pero la continuidad de la capacidad requiere otra evidencia: que haya personas aprendiendo a hacerse cargo de decisiones que hoy descansan en otros.

Automatizar el trabajo de entrada puede abrir una forma mejor de aprender y de ejercer una profesión. Puede retirar una carga innecesaria, acelerar el acceso al conocimiento y permitir que una persona participe antes en problemas relevantes. Para que esa promesa resulte defendible, la organización tiene que hacerse cargo de la trayectoria que está creando. La decisión queda incompleta si resuelve cómo se ejecutará el trabajo, pero deja al azar cómo se formarán quienes deberán responder por él.