La revolución se volvió rutina

¿Te imaginás el desconcierto de quien vio despegar un avión cuando volar todavía parecía un delirio? ¿O la emoción de una familia reunida alrededor de una radio, escuchando una voz llegada desde lejos? Cada época tiene objetos capaces de volver visible que algo profundo está cambiando. Nuestro problema es otro: muchas tecnologías actuales dejaron de asombrarnos precisamente porque ya organizan la vida cotidiana.

Ese gesto de “confirmar” no invoca magia. Activa una cadena de infraestructura, información y decisiones que aprendimos a no mirar. Por eso vale una frase que atraviesa toda la lectura: no estamos estudiando un fenómeno desde afuera; somos parte viva de él. La tecnología empieza a redefinir hábitos, trabajo y poder cuando se vuelve normal, no cuando todavía parece una demostración futurista.

La expresión Cuarta Revolución Industrial ofrece un mapa para entender esa transformación. Klaus Schwab la popularizó como una etapa construida sobre la revolución digital, caracterizada por la convergencia de sistemas físicos, digitales y biológicos.[2]

Es una lente influyente, no una frontera histórica que todo el mundo acepte. Estudios que miran juntas la tecnología y la organización proponen definiciones distintas y recuerdan que una revolución no es un catálogo de aparatos: involucra instituciones, trabajo y nuevas formas de coordinar.[4]

La secuencia de “cuatro revoluciones” funciona mejor si la vemos como capas acumulativas. El vapor no desapareció con la electricidad; la producción en masa no se evaporó con internet; la inteligencia artificial contemporánea depende de la digitalización, las redes y el cómputo que la precedieron. La Era de la Información —esa reorganización social alrededor de flujos, datos y redes— es condición de posibilidad, no un prólogo que ya terminó.[3]

Durante décadas, la conversación sobre inteligencia artificial quedó atrapada en una imagen fácil de reconocer: una máquina parecida a nosotros que, algún día, decide reemplazarnos. Esa escena sirve al cine; sirve mucho menos para mirar una oficina, un banco, una universidad o una administración pública. Allí el cambio suele llegar como una redistribución silenciosa de funciones.

La IA generativa produce contenido —texto, imágenes, audio, video o código— a partir de los patrones aprendidos en sus datos y de una instrucción.[8] Puede acelerar un borrador, resumir una reunión o proponer alternativas. Una respuesta convincente, sin embargo, sigue siendo una respuesta: alguien debe definir para qué se usa, verificarla y asumir sus consecuencias.

La llamada IA agencial agrega otra función: persigue objetivos, descompone pasos, utiliza herramientas y sostiene acciones con cierta autonomía. El vocabulario todavía se está estabilizando, por lo que conviene describir capacidades concretas antes que enamorarse de una etiqueta.[7] No es lo mismo pedir un borrador de correo que autorizar a un sistema a consultar calendarios, elegir un horario y enviar invitaciones.

Cuanto más puede actuar el sistema, más importante se vuelve el reparto de autoridad y responsabilidad: qué objetivo recibió, qué datos utilizó, qué límites tiene, quién observa, quién puede detenerlo y cómo se corrige un daño. La autonomía funcional de una herramienta no borra la decisión organizacional de desplegarla. Tampoco convierte “había una persona en algún lugar” en supervisión efectiva.

Si el sistema inicia una acción, alguien debe conservar autoridad para corregirla o detenerla.

Volvamos al gesto de “confirmar”. Esa interacción —y las que la rodean— deja rastros: hora, ubicación aproximada, producto, medio de pago, demora o reclamo. Un dato aislado dice poco. Adquiere sentido cuando una organización lo relaciona con contexto, reglas, otros eventos y una decisión posible.

Por eso la metáfora “los datos son el nuevo petróleo” ayuda y engaña a la vez. Los datos no generan valor por acumulación. Hacen falta procesos, capacidades humanas, modelos, criterios de calidad, métricas y mecanismos de aprendizaje. La OCDE describe cómo los datos pueden transformar empresas y mercados, pero también cómo las economías digitales permiten nuevas formas de poder derivadas de escala, redes y control de infraestructuras.[5][6]

Una plataforma hace más que mostrar una aplicación: coordina actores que no tienen el mismo acceso a información ni la misma capacidad para cambiar las reglas. Clasifica, prioriza, verifica, recomienda, cobra, aprende. El recorrido rastro → contexto → coordinación → decisión → acción → retroalimentación explica cómo la Era de la Información se vuelve infraestructura de gestión y, también, una relación de poder.

El temor al desempleo tecnológico no nació con ChatGPT. Schumpeter describió la destrucción creativa como un proceso en el que nuevas combinaciones productivas desplazan estructuras anteriores.[1] La expresión suele usarse como promesa de renovación; conviene recordar su segunda palabra. La transición puede desplazar tareas, empresas y trayectorias concretas, y sus costos y oportunidades no se distribuyen automáticamente de manera pareja.

Para analizar el presente, la profesión completa es una unidad demasiado grande. Pensá en un puesto inicial de administración: ordenar comprobantes, comparar versiones, redactar un correo estándar, interpretar una excepción, llamar a un proveedor, explicar una decisión y asumir la responsabilidad. Es un solo puesto, pero son tareas con grados muy distintos de ambigüedad, estandarización y riesgo.

Conviene seguir varios pasos: exposición a una capacidad técnica; automatización posible de una tarea; adopción en un proceso real; y recién después, tal vez, sustitución efectiva de horas, funciones o puestos.

La OIT estimó en 2025 que una de cada cuatro personas trabajadoras está en una ocupación con algún grado de exposición a la IA generativa. Ese resultado es un índice de exposición modelada, no una predicción de que una de cada cuatro perderá su empleo.[18]

La frontera, además, es dentada. Una herramienta puede rendir muy bien dentro de un conjunto de tareas y fallar fuera de él. Importan la experiencia especializada, la claridad del objetivo, el costo de verificar, la posibilidad de revertir y el daño de un error.

En un experimento prerregistrado con 758 consultores de Boston Consulting Group, Dell’Acqua y sus colegas observaron que la asistencia con GPT-4 mejoró el desempeño en algunas tareas y lo empeoró en otra situada fuera de la capacidad del sistema. El resultado muestra una frontera irregular dentro de un contexto concreto; no describe todo trabajo ni todos los modelos.[10]

Preguntar “¿qué puede hacer la IA?” es apenas el comienzo. En gestión hacen falta dos preguntas adicionales: “¿qué conviene automatizar en este sistema?” y “¿qué termina automatizándose de verdad, bajo qué condiciones?”. Y una pregunta del original sigue siendo incómoda: ¿qué parte del trabajo agrega verdadero valor y cuál era procesamiento rutinario presentado como especialización? Entre capacidad y resultado hay decisiones, incentivos, procesos y personas.

Imaginá un equipo de atención al cliente. Automatiza las consultas frecuentes y el costo por interacción baja. La métrica celebra. Unas semanas después aparecen reclamos más difíciles, derivaciones tardías y clientes obligados a repetir su historia. ¿La iniciativa funcionó? Depende de qué problema queríamos resolver y qué parte del sistema estamos midiendo.

La IA puede ser una herramienta; una organización necesita convertirla en capacidad; esa capacidad debe producir un resultado; y el resultado debería alimentar aprendizaje. Saltar directamente de “tenemos IA” a “creamos valor” es confundir adopción con desempeño. Las tecnologías de propósito general suelen exigir cambiar procesos, formar personas y absorber costos antes de mostrar mejoras; ese patrón se conoce como curva J de productividad.[11]

Diseñar valor empieza por el objetivo: ¿reducir tiempo, resolver mejor, ampliar acceso, detectar fraude, personalizar, aprender? Después vienen métricas que no se anulen entre sí, umbrales de confianza, tratamiento de excepciones, una ruta de revisión y responsables con autoridad. Si todo caso difícil vuelve a una persona demasiado tarde y sin contexto, el sistema automatizó el tramo cómodo y degradó el momento decisivo.

También cambia la vara del cliente: disponibilidad, personalización e inmediatez en un servicio elevan expectativas sobre los demás. Esa presión puede impulsar mejores procesos o producir una carrera por responder rápido sin resolver bien. La experiencia no es un efecto automático de la herramienta; es una decisión sobre el sistema completo.

El caso Klarna volvió visible ese péndulo. En 2024 la empresa anunció que su asistente atendía dos tercios de los chats de servicio durante su primer mes y comparó su carga de trabajo con la de cientos de agentes.[13] Son métricas declaradas por la compañía, no una evaluación independiente.

En comunicaciones posteriores mantuvo el foco en eficiencia y crecimiento, mientras reportes periodísticos describieron una corrección: recuperar una vía humana y reconocer el costo de haber llevado demasiado lejos la reducción de atención personal.[14][15]

El péndulo de Klarna deja una lección más incómoda: una métrica puede mejorar mientras la experiencia empeora. Automatizar atención puede crear valor, mover el problema o sumar moda y complejidad. La diferencia depende de la tarea, el momento, el daño posible, la información disponible y la capacidad real de corregir.

Aprender el oficio

Tu primer día en un equipo. Antes, alguien que recién empezaba limpiaba datos, preparaba reportes, revisaba documentos o respondía casos repetitivos. Ahora ese flujo llega parcialmente automatizado. Parece una buena noticia: menos rutina. Pero te asignan directamente una excepción compleja, sin haber visto suficientes casos normales como para reconocer por qué esa excepción importa.

Las tareas iniciales no eran valiosas solo por su resultado. También enseñaban vocabulario, patrones, criterios tácitos, relaciones y umbrales de calidad. Eran peldaños.

Automatizar el primero puede liberar tiempo, pero obliga a diseñar otra forma de aprender el oficio: observación guiada, simulación, revisión de casos, trabajo entre pares, devoluciones y exposición gradual a excepciones. Sin esa alternativa, la organización ahorra trabajo de entrada mientras debilita la formación de quienes mañana deberían dominar el oficio.

Entrar a una clase desde un teléfono con datos móviles puede resolver el acceso. En esa misma pantalla, comparar documentos, revisar una cita extensa, trabajar con varias fuentes o producir un informe con control fino puede volverse agotador. Hay conexión, pero la capacidad de estudiar no es equivalente: la brecha nunca fue un interruptor de “conectado” o “desconectado”.

La UIT estimó que en 2025 alrededor de 6.000 millones de personas usaban internet y 2.200 millones seguían fuera de línea.[29] Incluso ese enorme dato mide un primer umbral. No informa, por sí solo, estabilidad, precio, velocidad, dispositivo disponible, accesibilidad, habilidades ni posibilidad de convertir el acceso en aprendizaje o ingreso.

La brecha de IA agrega capas. Una herramienta puede estar disponible y ser demasiado costosa para un uso sostenido; su utilidad puede variar según el contexto y las condiciones de acceso; puede resolver una tarea y no integrarse a los procesos de una pyme, una universidad o un organismo público.

Del otro lado hay cómputo, centros de datos, energía, software, modelos, sistemas de pago y propiedad intelectual. La nube no flota: tiene infraestructura, propietarios y reglas.

Las capas describen condiciones disponibles. Con ellas, una persona, una organización o una región puede limitarse a usar una herramienta, integrarla en un proceso, producir soluciones, poseer activos o capturar valor. Capturar valor significa conservar ingresos, conocimiento y capacidad de decidir.

Una región puede formar talento, desarrollar software e integrar soluciones valiosas sin controlar todos los cuellos de botella. Esa posición mixta evita dos simplificaciones: “no tenemos nada” y “el acceso nos iguala”. La infraestructura, las herramientas y las capacidades digitales amplían oportunidades; apropiarse del valor exige activos y competencias complementarias.[12]

En Argentina y América Latina, la pregunta productiva no se reduce a consumir o rechazar herramientas extranjeras. Es qué problemas locales se eligen, qué capacidades se construyen, cuánto conocimiento queda, quién gobierna los datos, qué dependencia se acepta y en qué tramo de la cadena puede negociarse.

No todas las organizaciones necesitan entrenar un modelo desde cero; todas necesitan comprender dónde se crea y dónde queda el valor. La brecha decisiva es qué puede hacer cada actor con la conexión y qué capacidad conserva para decidir.

Una respuesta llega en segundos. Está bien escrita, ordena el tema y cita una investigación con un título perfecto. Buscás la fuente: no existe. La experiencia revela dos cosas al mismo tiempo. La herramienta puede producir una buena estructura; la apariencia de calidad no reemplaza la comprobación.

En educación conviene separar cuatro resultados que suelen mezclarse. Usar una herramienta indica adopción. Producir una entrega muestra que se obtuvo un resultado. Comprender exige poder explicar relaciones, reconocer límites y justificar decisiones. Transferir implica aplicar lo aprendido en un problema nuevo, incluso cuando la ayuda inmediata ya no está.

Hasta ahora, los estudios cuentan una historia mezclada: encuentran mejoras en ciertos desempeños bajo algunos diseños, junto con resultados heterogéneos, tiempos de seguimiento cortos y fuerte dependencia del contexto.[23] Una mejor redacción puede ser útil y, aun así, no probar comprensión duradera. Más esfuerzo tampoco garantiza aprendizaje si la práctica está mal diseñada.

La distinción decisiva es entre asistencia y delegación. Pedir ejemplos para contrastar, recibir una crítica inicial o explorar explicaciones puede ampliar la práctica. Encargar el encuadre, la lectura de fuentes, la decisión y la voz propia puede vaciar justamente el tramo donde se construye criterio. No hay una frontera moral idéntica para toda tarea: importan el propósito, el momento del aprendizaje y la posibilidad de verificar.

Esto no vuelve obsoletos los contenidos. Para detectar una cita falsa, evaluar una cifra o reconocer una explicación superficial hace falta conocimiento. La universidad debe combinar conceptos, práctica, comparación de fuentes, formulación de problemas, comunicación, colaboración y responsabilidad. También exige criterio de negocio y ético, y capacidad de reaprender cuando cambian la herramienta o el contexto. La alfabetización en IA no consiste solo en saber usar una interfaz: exige entender qué clase de ayuda se recibió, qué quedó sin comprobar y quién responde por la entrega.

Si la respuesta parece buena, ¿qué aprendiste y qué podrías explicar sin la herramienta?

Un trámite automatizado puede resolverse en segundos. Eso puede significar menos espera, formularios más simples y mejor capacidad estatal. Pero imaginá que la respuesta es negativa y nadie puede decirte qué dato influyó, quién revisa el caso o dónde apelar. La velocidad sigue ahí; la legitimidad, no.

El Estado ocupa una doble posición. Usa tecnología para prestar servicios, administrar recursos y detectar problemas. Al mismo tiempo, regula sistemas que pueden afectar derechos, mercados y confianza pública. Digitalizar un formulario o desplegar un modelo demuestra actividad; no prueba calidad, justicia ni impacto.

Las mismas capacidades que facilitan identidad, intercambio de datos entre sistemas y atención también amplían observación, cruce de información y control. Esa doble cara obliga a mirar fines, límites y salvaguardas, no solo eficiencia.

e-Estonia describe una arquitectura basada en identidad digital, registros e intercambio de datos para ofrecer servicios en línea.[28] El caso muestra que transformar el Estado requiere acuerdos, procesos y diseño institucional, además de software; la fuente presenta el propio modelo y se usa con ese alcance.

La supervisión efectiva empieza donde termina el eslogan “hay una persona en el circuito”. Esa persona necesita información sobre lo ocurrido, tiempo y competencia para evaluar, autoridad para modificar o detener, trazabilidad de las decisiones y una vía de recurso. Si solo valida una recomendación opaca o aparece cuando el daño ya ocurrió, la presencia humana es decorativa.

Impugnar significa no quedar atrapado frente a una pantalla que solo responde “rechazado”. La persona afectada necesita saber qué pasó, sumar información y llegar a alguien con poder real para revisar, corregir y, si corresponde, reparar. No es una norma jurídica idéntica para toda jurisdicción; es una prueba concreta de si la institución todavía puede escuchar y responder.

¿De qué sirve una decisión rápida si nadie puede entenderla, revisarla o apelarla?

Imaginá cuatro usos posibles: generar un borrador descartable, imitar una voz para engañar, usar obras sin permiso o autorizar a un sistema a ejecutar una acción que afecta a terceros. Todo puede caber bajo la etiqueta “IA”; el impacto no cabe en una sola regla.

Podemos habilitar, condicionar, exigir evidencia, limitar o prohibir según lo que esté en juego. La pregunta útil es qué prueba necesitamos, quién responde y cómo se detiene o repara. Cuanto mayor y menos reversible sea el daño posible, mayor debe ser la exigencia.

El Reglamento europeo de Inteligencia Artificial ofrece un ejemplo de enfoque basado en riesgo. Al corte de esta lectura —27 de julio de 2026— su aplicación continuaba por etapas. El criterio que importa aquí es estable: usos diferentes reciben obligaciones y límites diferentes.[27]

El impacto cambia qué evidencia pedir, qué límite fijar y quién debe responder. Conviene separar cuatro familias que suelen mezclarse: datos y obras, autenticidad, escala material y sistemas capaces de actuar.

Mirar la escala material significa reconocer el soporte físico y medir el impacto con una unidad, una fecha y un escenario comparables. La Agencia Internacional de Energía calculó una demanda eléctrica mundial de centros de datos de alrededor de 415 TWh en 2024 y, en su escenario base, proyectó cerca de 945 TWh hacia 2030, con la IA como impulsor importante.[26] Es una proyección, no un destino asegurado, y no mide por sí sola el costo de un uso concreto.

Un enfoque basado en riesgo tampoco debería volverse un formulario automático. La clasificación inicial necesita revisión cuando cambian el uso, la población afectada o la escala. Una regla de responsabilidad ayuda a orientarse: la autoridad para decidir debe venir acompañada por capacidad de responder. Ni el proveedor ni la organización pueden desaparecer detrás del otro.

Compará dos decisiones. En la primera, pedís alternativas para un título de un borrador que vas a revisar. Es reversible, el impacto es bajo y podés verificar rápido. En la segunda, delegás la evaluación de evidencia que define si una persona recibe una oportunidad, si una inversión continúa o si un trabajo académico sostiene su conclusión. El costo de equivocarse y la dificultad de comprobar cambian la respuesta.

La IA puede ahorrar tiempo, ampliar acceso y ofrecer una primera ayuda cuando no hay un especialista disponible. El riesgo más sutil no es “usar demasiado” en abstracto, sino tercerizar una capacidad que necesitábamos practicar.

Probalo con las cuatro preguntas del dilema: propósito, impacto, reversibilidad y verificabilidad. Una revisión sistemática basada en catorce publicaciones tempranas advierte que aceptar una respuesta fluida sin evaluarla puede debilitar el pensamiento crítico; el corpus es pequeño y los efectos dependen del diseño y del contexto.[25]

La autonomía no consiste en rechazar herramientas. Consiste en conservar capacidad de formular el problema, comprender la evidencia y asumir consecuencias. A veces eso implica automatizar. Otras, dejar deliberadamente un tramo más lento porque allí se construye la voz o el criterio.

La mediación tecnológica también toca privacidad, atención, identidad, reputación y tiempo. Cada problema necesita su propio desarrollo, pero todos dejan la misma advertencia: ganar velocidad puede trasladar costos que la interfaz no muestra.

Volvé por un instante al botón de “confirmar”. Sigue durando un segundo, pero ahora detrás ves infraestructura, trabajo, reglas, costos y decisiones que antes quedaban escondidas.

La revolución se volvió rutina, pero sus resultados no quedaron decididos. Personas, organizaciones y Estados participan desde posiciones desiguales: algunos diseñan infraestructuras; otros eligen procesos; muchos reciben una interfaz y condiciones ya fijadas. Orientar el cambio exige volver visibles esas diferencias.

Schwab también presentó la Cuarta Revolución Industrial como una agenda sobre cómo orientar el cambio, no solo describirlo.[2] Los cinco verbos siguientes sintetizan las tensiones recorridas: una brújula para la próxima herramienta, promesa o urgencia, siempre que tenga actor, evidencia y consecuencias.

Entre inclusión y precariedad no hay un destino tecnológico escrito. Importan los valores que se vuelven reglas, los incentivos que organizan el trabajo y la capacidad desigual de participar en esas decisiones.