Tres meses bastan para que un experto pierda parte de su ojo. Y nadie lo nota, empezando por él.

Enseño desde los 19 años. Hoy dirijo en la Universidad de Pensilvania un programa para educadores que quieren implementar inteligencia artificial en el aula, y fuera del campus he creado empresas que solo funcionan si la gente aprende de verdad. Paso mis días entre quienes celebran la IA y quienes le temen. La pregunta que más me inquieta proviene de un lugar más incómodo que cualquiera de los dos bandos: ¿qué le pasa al juicio de un experto cuando la herramienta empieza a acertar más que él?

Imagine a un médico con 28 años de experiencia. Ha realizado miles de colonoscopias. Sabe leer una pantalla como usted lee un estado de resultados: de un vistazo, con el cuerpo, sin pensarlo. Un día, su hospital instala un sistema de IA que marca en tiempo real los pólipos que él podría pasar por alto. La herramienta es buena. Sus cifras suben. Todos contentos.

Tres meses después le toca un turno sin el sistema. La misma sala, el mismo equipo, el mismo par de ojos entrenados durante casi tres décadas. Y encuentra menos de lo que encontraba antes de que llegara la IA.

Él no lo nota. Su jefe tampoco. Nadie está midiendo eso.

La pregunta que nadie está haciendo

La conversación ejecutiva sobre IA se ha instalado en dos preguntas: cuánto ahorra y a quién reemplaza. Ambas son legítimas. Pero dejan fuera la que más importa para quien dirige gente: ¿qué le pasa a la capacidad humana que la herramienta acompaña en lugar de reemplazarla? Porque el experto sigue ahí. Sigue cobrando. Sigue firmando. Lo que cambia, en silencio, es cuánto de su juicio sigue siendo suyo.

Veintiocho años de experiencia, tres meses de IA

El médico del inicio existe, o más bien existen 19. En 2025, The Lancet Gastroenterology & Hepatology publicó un estudio observacional realizado en cuatro centros de Polonia. Diecinueve endoscopistas, con un promedio de 28 años desde su graduación, empezaron a usar IA para detectar adenomas. Los investigadores compararon las colonoscopias realizadas sin IA de los tres meses anteriores con las de los tres meses posteriores. La tasa de detección bajó de 28.4 % al 22.4 %.

Seis puntos porcentuales en profesionales veteranos en un trimestre. Sin cambios de protocolo ni de equipo ni de personal.

Conviene decirlo con honestidad: es un estudio observacional, no un ensayo controlado. Los propios autores lo presentan como una hipótesis por confirmar, y otros especialistas han señalado diferencias entre los grupos de pacientes. Pero el hallazgo desestabiliza una creencia que casi todos los ejecutivos comparten sin examinarla: que la experiencia acumulada protege. Veintiocho años no protegieron a estos médicos de tres meses de delegación.

Donde la herramienta se equivoca, el experto ya no la corrige

El segundo hallazgo proviene de un mundo muy distinto: 758 consultores de una firma global de estrategia, en un experimento de campo realizado con investigadores de Harvard, Wharton y MIT, presentado en 2023. Con IA, los consultores entregaron trabajo de mayor calidad y más rápido cuando la tarea caía dentro de lo que la herramienta hace bien. Hasta aquí, lo esperado.

Lo inesperado apareció en una tarea de análisis diseñada para que la herramienta se equivocara. Ahí, los consultores que usaron IA tuvieron 19 puntos porcentuales menos de probabilidad de llegar a la respuesta correcta que quienes trabajaron sin ella. Gente muy capaz, con toda la información a mano, se equivocó más por tener ayuda.

Los autores lo llaman la «frontera dentada»: la IA es excelente en tareas que parecen difíciles y torpe en otras que parecen fáciles, y desde afuera no se ve dónde está el borde. El experto que confía en la herramienta deja de buscar ese borde. Un trabajo previo del mismo investigador principal, todavía sin revisión de pares y con efectos modestos, apunta en la misma dirección con 181 reclutadores: los que recibieron la IA más precisa dedicaron menos esfuerzo a cada candidato y acertaron menos que los que recibieron una IA peor. Tómelo como una señal, no como una ley. Pero la señal es clara: cuanto mejor es la herramienta, más fácil es dormirse al volante.

La aviación lo aprendió hace 40 años

Nada de esto es nuevo. En 1983, la investigadora Lisanne Bainbridge escribió un ensayo breve que se convirtió en un clásico, «Las ironías de la automatización». La ironía central: cuanto más automatizamos una tarea, más depende el resultado de la habilidad humana en los pocos momentos en que la máquina falla, y menos práctica tiene el humano justo para esos momentos.

Tres décadas después, un estudio en la revista Human Factors puso a 126 pilotos de aerolíneas comerciales a realizar una aproximación manual en un simulador. Los pilotos de largo alcance, los que más horas acumulan y menos veces al año toman los mandos, lo hicieron peor que los de corto alcance. La variable que mejor predecía el desempeño era la práctica reciente, por encima de la experiencia total y de los años desde la formación.

Por eso, la regulación estadounidense exige que un piloto haya realizado al menos tres despegues y aterrizajes en los últimos noventa días para transportar pasajeros, sin importar cuántas horas tenga en su bitácora. La aviación entendió que la experiencia caduca. La mayoría de las empresas todavía no.

La «deuda de práctica»

Llamo a esto la deuda de práctica: cada vez que un experto delega una decisión que sabía tomar, está pidiendo prestado contra su propio juicio, y el cobro llega el día en que la herramienta falla, se equivoca o no está disponible.

Como toda deuda, tiene tres propiedades incómodas. Se acumula en silencio: los endoscopistas polacos no sintieron nada durante esos tres meses. Cobra intereses: cuanto más tiempo sin práctica, más caro resulta recuperar la habilidad. Y vence en el peor momento: la máquina falla precisamente en los casos raros, aquellos en los que el experto valía su sueldo.

Un ejemplo cotidiano. Un director financiero deja que el modelo prepare el pronóstico trimestral. Durante los primeros meses lo revisa línea por línea. Al sexto mes lo aprueba en diez minutos. Al año, el modelo hereda un supuesto equivocado sobre una divisa y el director ya no tiene el reflejo que le habría permitido detectar el error. El pronóstico sale firmado. La deuda de práctica venció.

Acción del lunes

Primero, haga un inventario de las decisiones que su equipo ya delegó. Liste las cinco o seis tareas de juicio que hace un año hacía alguien con criterio y que hoy hace una herramienta con alguien que aprueba. Esa lista es su balance de «deuda de práctica».

Segundo, instale turnos sin sistema. Elija una de esas tareas y, una vez por semana, pida que se haga sin la herramienta, y luego compare el resultado con lo que la IA habría propuesto.

Tercero, mida la práctica reciente en lugar de la experiencia acumulada. Es lo que la aviación hace con el simulador. En su próxima evaluación de talento, agregue a cada experto la siguiente pregunta: ¿Cuándo fue la última vez que esta persona resolvió esto por sí sola? Si la respuesta es «no recuerdo», ya tiene un hallazgo.

Cuarto, mapee el borde. Reúna al equipo durante una hora y pídales que compartan tres casos recientes en los que la herramienta se equivocó y alguien lo detectó. Documente cómo lo detectó. Ese mapa vale más que cualquier manual de uso, porque enseña dónde termina la confianza.

Nada de esto es un argumento en contra de la IA. Los consultores mejoraron en más del 40 % la calidad de las tareas correctas, y los médicos detectan más con la herramienta encendida. La cuestión es otra: qué parte del experto queremos que siga siendo experta cuando la pantalla se apague. Esa es una decisión de diseño y hoy casi nadie la toma a propósito.