La conversación sobre inteligencia artificial suele comenzar con una pregunta seductora: ¿qué podemos automatizar? Es una pregunta útil, pero incompleta. Una organización también necesita preguntar qué conviene automatizar, qué riesgos aparecen al hacerlo y qué responsabilidades no deberían desaparecer detrás de una interfaz.
La capacidad técnica no es todavía una decisión de diseño. Un sistema puede redactar, clasificar, resumir, comparar y recomendar. Eso no significa que deba decidir solo qué promesa hacerle a un cliente, cómo comunicar una desvinculación o qué excepción merece una persona en una situación compleja.
Idea central: automatizar bien no consiste en retirar a las personas de todo el proceso; consiste en retirar fricción sin retirar criterio, responsabilidad ni humanidad.
No automatizamos empleos: rediseñamos tareas
La evidencia reciente invita a abandonar el lenguaje de sustitución total. La OIT estima que una de cada cuatro personas trabaja en una ocupación con algún grado de exposición a la IA generativa, pero señala que la transformación del trabajo es más probable que su reemplazo completo. Un puesto reúne tareas diferentes: algunas repetitivas y verificables; otras ambiguas, relacionales o cargadas de consecuencias.
Ese matiz cambia la decisión. En lugar de etiquetar un cargo como “automatizable”, conviene descomponer el trabajo: ¿qué información entra?, ¿qué resultado debe producirse?, ¿cuánto cambia el contexto?, ¿qué ocurre si la respuesta es incorrecta?, ¿quién responde ante la persona afectada?
Las tareas que suelen ser buenas candidatas
Una tarea puede ser una candidata razonable cuando combina cuatro condiciones.
Es repetitiva. Se ejecuta con frecuencia y sigue una secuencia reconocible. Clasificar solicitudes, preparar una primera versión o consolidar información puede liberar tiempo sin eliminar la revisión.
Tiene criterios observables. Es posible explicar qué significa un resultado aceptable y comprobarlo. Cuanto más difícil sea definir calidad, más peligrosa resulta una automatización silenciosa.
Es reversible. Un error puede detectarse y corregirse antes de afectar seriamente a una persona, una relación o una obligación.
Tiene supervisión proporcional. Existe alguien con conocimiento, tiempo y autoridad para revisar. Poner a una persona “en el circuito” solo en el organigrama no sirve si debe aprobar cientos de resultados en minutos.
Estas condiciones favorecen usos como resumir documentos para una primera lectura, proponer borradores, ordenar información, detectar faltantes o convertir datos entre formatos. La IA reduce trabajo mecánico; la persona conserva el propósito y valida el resultado.
Lo que debería seguir siendo profundamente humano
Hay tareas en las que la eficiencia no es el único valor.
Definir el propósito. Una herramienta puede optimizar una meta, pero alguien debe decidir si esa meta merece perseguirse y a qué costo.
Asumir responsabilidad. Cuando una decisión perjudica a alguien, no basta con decir que “el sistema lo indicó”. La rendición de cuentas necesita un nombre, una función y capacidad real de corregir.
Interpretar excepciones. Las políticas ordenan la mayoría de los casos; la vida produce casos que no caben limpiamente en ellas. Allí aparecen contexto, proporcionalidad y justicia.
Sostener conversaciones sensibles. Dar retroalimentación, reparar confianza, acompañar incertidumbre o explicar una decisión difícil no es solo transmitir información. La forma en que alguien es escuchado también forma parte del resultado.
Ejercer juicio ético. Que una opción sea más rápida, barata o predecible no la convierte automáticamente en la mejor.
Una matriz sencilla para decidir
Antes de automatizar, evalúe cada tarea en dos ejes: grado de estructura y costo del error.
- Alta estructura y bajo costo del error: automatización amplia, con controles por muestreo.
- Alta estructura y alto costo del error: automatización asistida, reglas claras y aprobación humana obligatoria.
- Baja estructura y bajo costo del error: IA para explorar alternativas, nunca como única fuente de verdad.
- Baja estructura y alto costo del error: liderazgo humano, deliberación y trazabilidad; la IA puede aportar información, no cerrar la decisión.
El NIST recomienda gobernar, mapear, medir y gestionar los riesgos a lo largo del ciclo de vida de la IA. Traducido al trabajo cotidiano: no basta con probar una herramienta y celebrar que ahorra tiempo. Hay que saber dónde se usa, con qué datos, bajo qué límites, cómo se detectan fallos y quién puede detenerla.
El falso ahorro
Una automatización puede parecer eficiente mientras desplaza trabajo invisible hacia otras personas. Un borrador rápido puede exigir una revisión extensa. Un asistente que responde más mensajes puede aumentar las expectativas de disponibilidad. Un sistema que clasifica casos puede obligar a los colaboradores a corregir excepciones sin que ese esfuerzo aparezca en la métrica.
La revisión de evidencia publicada por la OIT en 2026 encuentra ganancias reales, pero desiguales y todavía difíciles de traducir en mejoras amplias de producción, ingresos o empleo. También advierte efectos sobre autonomía, coordinación y calidad del trabajo. Por eso, medir solo minutos ahorrados ofrece una imagen pobre.
Una evaluación responsable observa al menos cuatro resultados: calidad, tiempo total —incluida la corrección—, experiencia de quienes hacen el trabajo e impacto sobre quienes reciben la decisión.
La conversación que debe ocurrir antes
Antes de incorporar IA a una tarea, un líder debería poder responder:
- ¿Qué problema concreto estamos resolviendo?
- ¿Qué parte es mecánica y qué parte exige interpretación?
- ¿Cuál es el peor error razonablemente posible?
- ¿Quién revisará y con qué evidencia?
- ¿Qué sabrá la persona afectada sobre el uso de IA?
- ¿Cómo podrá cuestionar o corregir el resultado?
- ¿Qué capacidad humana queremos proteger o desarrollar?
La última pregunta es decisiva. Si automatizamos toda oportunidad de practicar, podemos ganar velocidad y perder competencia. Un equipo que deja de escribir, analizar o conversar porque la herramienta siempre produce la primera y la última versión termina dependiendo de una capacidad que ya no sabe evaluar.
Automatizar para elevar el trabajo
La mejor automatización no vuelve irrelevante a la persona. Le permite dedicar más atención a comprender, decidir, crear, cuidar relaciones y responder por las consecuencias.
El criterio no se conserva diciendo que “siempre habrá un humano”. Se conserva diseñando momentos concretos en los que una persona puede ver la evidencia, cuestionar la recomendación, incorporar contexto y cambiar el curso de la acción.
La pregunta madura no es si la inteligencia artificial hará más trabajo. Es qué clase de trabajo queremos que hagan las personas cuando deje de consumirlas lo repetitivo. Allí empieza el verdadero rediseño: no en sustituir manos por software, sino en recuperar tiempo para aquello que hace que una organización sea responsable, confiable y humana.