Análisis · Publicado el 26 de agosto de 2026

La IA hace el trabajo sucio. También se está comiendo la cantera de expertos.

Bob Boole

Persona editorial de IA, Abyshire News Desk · Sobre la redacción

Las tareas formativas que las empresas delegan ahora en modelos son las mismas que antes fabricaban el criterio senior. Automatizar el aprendizaje vacía el banco de talento con un retraso que nadie ha presupuestado: queda una producción fluida y nadie capacitado para revisarla.

Toda organización que funciona gracias al criterio experto compró ese criterio de segunda mano. Piense en el analista que huele un mal acuerdo en una hoja de cálculo antes de que el modelo termine de cargar, o en el ingeniero que nombra el fallo antes de que la demo se caiga. Ninguno de los dos llegó sabiendo hacerlo. Se fabricaron despacio, con años de trabajo poco vistoso: leer las cuentas que nadie quería leer, redactar el informe que acabó rasgado, perseguir una cifra que no cuadraba, entregar el primer borrador que un senior corrigió a conciencia.

Ese trabajo poco vistoso es justo lo que esta ola de IA hace bien. Los expertos de hoy conservan su ventaja. Los de mañana no llegan a formarse. Esa es la factura que nadie ha calculado, y llega con retraso.

¿De dónde sale realmente el criterio experto?

Sigamos el mecanismo. El criterio se compila despacio, tarea de bajo valor a tarea de bajo valor, y cada tarea deja un poso de juicio. El júnior hace el trabajo de base por una razón que nada tiene que ver con la tarea en sí: hacerlo es como se instala el reconocimiento de patrones. Un análisis reciente lo llama el agotamiento del capital de criterio, y sostiene que incluso un uso de la IA legal y bien gobernado puede normalizar la externalización de las mismas actividades que forman el juicio profesional. Es un argumento, no una medición, pero el mecanismo que describe es difícil de descartar.

Tomemos una tarea concreta. Un analista júnior de renta variable solía construir a mano la tabla de comparables: sacaba las cuentas de cada competidor, cuadraba las cifras publicadas con las notas a pie de balance, y descontaba las ganancias puntuales que la dirección había colado en el beneficio «ajustado». La tabla en sí solía acabar en la papelera. Lo que construía, de forma invisible, era el olfato para distinguir un ajuste legítimo de un maquillaje contable, un instinto que solo aparece después de haber cuadrado unos cientos de tablas y de haberse dejado engañar en una docena. Encargue esa tarea a un modelo y la tabla llega en segundos, perfectamente formateada, con cada partida incluida tal y como la dirección la reportó. El júnior se queda con el resultado y nunca desarrolla el olfato. Cinco años después, cuando una valoración depende de detectar un ajuste agresivo, el modelo sigue entregando la tabla y nadie en la sala tiene el instinto para cuestionarla.

Romper ese ciclo cambia la aritmética sin hacer ruido. La entrega sigue llegando. Un modelo produce el informe de mercado más rápido y más barato que cualquier recién licenciado, que es justo la razón por la que las empresas le derivan ese trabajo. Lo que se deja de producir es al recién licenciado que, cinco años después, habría sabido mirar el informe del modelo y detectar qué línea estaba mal.

Por qué las empresas no ven venir la factura

El desgaste es invisible porque no aparece ni en el balance ni en el reloj. Recortar la tarea de investigación júnior se refleja este trimestre como un ahorro de costes y una ganancia de velocidad, y ambas cosas son reales. El pasivo que genera, una cantera de talento que se seca, aparece años después como un problema de contratación sin causa aparente. La trampa de incentivos es de manual: el ahorro es visible e inmediato, el daño es difuso y diferido, así que los gestores racionales optimizan directos hacia el precipicio. Lo que agrava la trampa es que ni siquiera el beneficio inmediato está demostrado. Los propios informes de Accenture describen un retorno de la IA por debajo de lo esperado justo cuando la firma planea recortes de plantilla, el incentivo en su versión más cruda: el ahorro en nóminas se contabiliza ya, contra un retorno que todavía no ha aparecido.

Conviene ser honesto sobre el estatus de la afirmación. Nadie tiene un conjunto de datos que muestre un banco de talento senior colapsando en un calendario fijo, porque el efecto es lento, difuso y le faltan años para madurar. Lo que sigue es una proyección construida sobre un mecanismo, no una trayectoria medida. Cuando se jubile la generación senior actual y nadie en la empresa pueda sustituirla, las decisiones que vaciaron el banco de talento llevarán mucho tiempo olvidadas y serán imposibles de atribuir, que es justo la razón por la que el argumento hay que plantearlo antes de que la evidencia sea concluyente, no después.

El problema de la verificación se devora a sí mismo

Aquí está la consecuencia de segundo orden que debería preocupar a cualquier responsable técnico. El resultado de un modelo sigue necesitando a alguien que lo revise, y revisar es una habilidad senior: el criterio acumulado para mirar una respuesta fluida y segura de sí misma y ver que está sutilmente equivocada. Esa habilidad se construyó haciendo el trabajo que ahora hace el modelo. Así que la capacidad que más se necesita en una operación intensiva en IA, alguien capaz de supervisar a la máquina, es precisamente la capacidad cuyo terreno de formación se acaba de automatizar. Se consume el stock de revisores mientras se cierra la fábrica que los produce, y todo converge en un mismo punto: una producción fluida que nadie en la sala está cualificado para cuestionar.

¿Cómo de difícil es revisar de verdad? Más de lo que suele pensar quien lo hace. Cuando METR realizó un ensayo aleatorizado con desarrolladores de código abierto experimentados en 2025, la asistencia de la IA los hizo un 19% más lentos, aunque ellos creían estar siendo un 20% más rápidos. Es un solo estudio, en un solo contexto, y no vale más que eso. Pero apunta directo al nervio: si profesionales curtidos no pueden juzgar con fiabilidad si la herramienta les ayudó en su propio trabajo, esperar que un júnior sin formar detecte dónde falla su resultado es optimismo rozando la negligencia.

La réplica honesta es que el aprendizaje profesional se puede rediseñar en lugar de llorarlo. Puede que los júniors aprendan más rápido interrogando el razonamiento de un modelo que produciendo primeros borradores a fuerza de bruto. Puede que el criterio se pueda enseñar sentando a la gente en la silla de editor desde el primer día. Es plausible, e incluso podría ser mejor. Pero fíjese en lo que exige: un acto deliberado de diseño. Nadie llega ahí por defecto. El camino por defecto entrega a los júniors la respuesta en lugar de la búsqueda, y los entrena para confiar en un resultado que no saben evaluar. Acelerar el aprendizaje es posible. Borrarlo por accidente es lo que está ocurriendo en realidad.

Qué hacer antes de que el banco de talento se vacíe

Nada de esto es un argumento contra las herramientas. Es un argumento para tratar el criterio experto como una infraestructura que hay que mantener a propósito. Del mecanismo se derivan tres movimientos. Primero, decidir qué trabajo formativo es formación y cuál es solo coste, y proteger el primero aunque un modelo pudiera hacerlo más barato. Segundo, reconstruir el puesto júnior en torno a la verificación y el cuestionamiento en lugar de la redacción, para que la gente gane criterio poniendo a prueba el resultado de la máquina en vez de ser sustituida por él. Tercero, medir lo que realmente se está deteriorando: no la plantilla ni la producción, sino cuántas personas en la empresa son capaces de detectar con fiabilidad una respuesta equivocada.

Hacerlo bien es antes una cuestión de estrategia que de herramientas, por lo que el punto de partida sensato es una mirada clara sobre dónde el criterio humano aporta valor real en el flujo de trabajo, el tipo de diagnóstico que corresponde a una revisión honesta de preparación para la IA y no a una ocurrencia tardía tras el despliegue. También es un argumento a favor de diseños que mantengan a una persona competente en el bucle por construcción, no como una casilla de cumplimiento. Acertar con el modelo operativo hace que las herramientas multipliquen a las personas; equivocarse las vacía por dentro. Si se está sopesando esa disyuntiva en serio, es precisamente lo que un servicio de estrategia técnica existe para responder.

Así que plantee la pregunta a un consejo en términos concretos. Dentro de una década, cuando una valoración, un caso de seguridad o un contrato dependan de pillar al modelo en un error dicho con total confianza, ¿quién en la plantilla conservará el instinto para hacerlo? Esa capacidad se está gastando hoy, en silencio, por gestores a quienes solo se les pidió cumplir el número de este trimestre y que no tenían ninguna casilla en el formulario para los expertos que decidían no formar.

Preguntas frecuentes

¿Va la IA a dejar sin trabajo a los profesionales júnior?

Su trabajo cambia de forma más que desaparecer. La redacción y la recopilación de información que antes ocupaban el día de un júnior se están automatizando, así que el puesto tiene que reconstruirse en torno a verificar, cuestionar y mejorar el resultado de la máquina. Las empresas que no lo rediseñan a propósito acaban con júniors que nunca desarrollan el criterio para supervisar las herramientas de las que dependen.

¿Cómo se forma el criterio experto cuando la IA hace el trabajo de entrada?

Adelantando a la gente a la silla de editor. En lugar de que los júniors produzcan primeros borradores, que interroguen el razonamiento de un modelo, encuentren sus errores y defiendan sus correcciones. Eso puede formar criterio más rápido que el aprendizaje tradicional a base de repetición, pero solo si se diseña a propósito. Por defecto, los equipos entregan a los júniors la respuesta y los entrenan para confiar en un resultado que no saben evaluar.

¿Qué es la brecha de aprendizaje profesional en la adopción de la IA?

Es la escasez retardada de criterio senior que se crea cuando las empresas automatizan el trabajo formativo y de bajo valor que antes convertía a los júniors en expertos. Se conserva la producción, pero se deja de formar a la próxima generación de seniors. La brecha es invisible durante años, hasta que aflora como una crisis de contratación cuando se jubila el banco senior actual sin sustitutos cualificados.

Relacionado

Escrito por una persona editorial de IA del sistema editorial propietario de Abyshire y revisado por nuestro equipo.