Por: Carlos Daniel Londoño S
Hay tres ideas que se repiten con una facilidad sospechosa cada vez que se habla de inteligencia artificial: automatización, personalización y asistencia. Se presentan como avances casi naturales, como si describieran un destino más que una elección. Y, sin embargo, cuando uno las observa con cuidado —especialmente en entornos relacionados con educación y trabajo—, lo que aparece no es solo progreso, sino también una serie de tensiones que rara vez entran en la conversación pública.
La automatización, por ejemplo, se ha instalado como sinónimo de eficiencia. La promesa es simple: liberar tiempo eliminando lo repetitivo. Pero esa narrativa omite algo importante. Automatizar no es solo quitar tareas; es redefinir cómo se organiza el trabajo y quién tiene control sobre él. En muchos entornos laborales, la automatización ha venido acompañada de sistemas de seguimiento, métricas en tiempo real y decisiones mediadas por algoritmos que pocas personas entienden del todo.
El resultado no es necesariamente un trabajador más libre, sino uno más condicionado por lógicas de optimización constantes. Se trabaja más rápido, sí, pero también más ajustado a criterios externos. La autonomía no desaparece, pero se estrecha.
En educación, el entusiasmo por la automatización sigue un patrón parecido. Delegar la calificación, generar materiales automáticamente, sistematizar procesos administrativos: todo esto responde a problemas reales, especialmente en sistemas educativos sobrecargados. Sin embargo, el riesgo aparece cuando empezamos a tratar procesos profundamente humanos como si fueran plenamente traducibles a reglas y datos.
Evaluar, por ejemplo, no es solo asignar un resultado. Es interpretar, entender procesos, leer matices. Cuando esa complejidad se reduce a patrones automatizables, lo que se gana en eficiencia puede perderse en profundidad. Y ese intercambio rara vez se discute abiertamente.
La segunda promesa, la personalización, parece ofrecer una solución a los límites de los sistemas masivos. La idea de adaptar la educación o el trabajo a cada individuo es, en principio, difícil de cuestionar. Pero aquí hay una premisa que conviene problematizar: que los datos pueden capturar de manera suficiente quiénes somos o qué necesitamos.
Los sistemas de personalización no descubren al individuo; lo reconstruyen a partir de comportamientos pasados. Y eso tiene consecuencias. En lugar de abrir posibilidades, muchas veces las estrechan. En educación, esto puede significar estudiantes que avanzan dentro de trayectorias cada vez más predecibles, recibiendo contenidos alineados con su perfil, pero con menos oportunidades de ruptura o exploración.
En el ámbito laboral, la personalización se traduce en gestión algorítmica: recomendaciones, evaluaciones de desempeño, asignación de tareas o incluso decisiones de contratación. Todo ajustado a modelos que prometen objetividad, pero que inevitablemente reflejan las desigualdades y sesgos de los datos con los que fueron entrenados. La personalización, en ese contexto, deja de ser un beneficio y empieza a parecerse a una forma sofisticada de clasificación.
La tercera promesa —la asistencia— es probablemente la más aceptada, precisamente porque no se presenta como sustitución, sino como apoyo. La IA como copiloto: ayuda a escribir, a programar, a analizar, a decidir. Y es cierto que puede aumentar la productividad de manera significativa. El problema es que su impacto más profundo no está en lo que hace por nosotros, sino en lo que dejamos de hacer por nosotros mismos.
Cuando la asistencia se vuelve permanente, empieza a modificar la relación con nuestras propias capacidades. Pensar con ayuda no es lo mismo que pensar sin ella. Decidir con sugerencias constantes cambia la forma en que se construye el juicio. Y esto no ocurre de manera abrupta, sino gradual, casi imperceptible.
En educación, esto plantea una tensión particularmente delicada. Si el aprendizaje implica enfrentarse a la dificultad, al error y a la incertidumbre, ¿qué ocurre cuando esas fricciones son sistemáticamente suavizadas por sistemas que anticipan respuestas y corrigen en tiempo real? Es posible que estemos formando estudiantes más eficientes, pero menos acostumbrados a sostener procesos cognitivos complejos por sí mismos.
En el trabajo, la asistencia también redefine lo que significa ser experto. Ya no se trata únicamente de lo que una persona sabe, sino de su capacidad para operar con sistemas que concentran conocimiento. Esto desplaza la autoridad: del individuo hacia la infraestructura. Y con ese desplazamiento aparece una pregunta incómoda sobre responsabilidad. Cuando una decisión asistida falla, ¿quién responde realmente?
Nada de esto implica que las promesas de la inteligencia artificial sean falsas. Automatizar, personalizar y asistir son capacidades reales, con beneficios concretos. Pero asumirlas como verdades únicas, en el mejor de los casos, ingenuo; en el peor, irresponsable.
Lo que está en juego no es solo la adopción de una tecnología, sino la forma en que reconfigura prácticas fundamentales: cómo aprendemos, cómo trabajamos, cómo tomamos decisiones. Y esas no son cuestiones técnicas, sino políticas y culturales.
Quizás el problema no es que la inteligencia artificial prometa demasiado, sino que nosotros preguntamos demasiado poco. Porque mientras repetimos sus beneficios, dejamos intactas las preguntas más difíciles: quién define sus objetivos, bajo qué valores operan sus sistemas y qué tipo de sujetos estamos contribuyendo a formar.
Si esa conversación no se da ahora, es poco probable que aparezca después. Y para entonces, las promesas ya no serán promesas: serán estructuras y depende de cada uno automatizar, personalizar o generar asistencia en su propio campo.
