De la inteligencia artificial a la «superinteligencia». El conocimiento y el criterio de IA como palanca o por qué desarrollar nuestras competencias sigue siendo esencial en la era de la IA

De la inteligencia artificial a la «superinteligencia»

El conocimiento y el criterio de IA como palanca o por qué desarrollar nuestras competencias sigue siendo esencial en la era de la IA

Limberg Chero | lchero@m.org.pe 

Me gusta pensar en la inteligencia artificial como una palanca que amplía nuestras capacidades. Una herramienta con la que un profesional puede explorar más alternativas, un experto puede contrastar sus hipótesis y un estudiante puede recibir ayuda para comprender mejor. Esta manera de entenderla conduce a una convicción:

La IA no te exime de desarrollar habilidades y competencias. Aprovecharla bien te exige ampliar lo que sabes y aumentar tu pericia para hacer preguntas. Cuando ambas capacidades se refuerzan, tu rendimiento puede multiplicarse.

Esta es la idea que quiero transmitir a mis alumnos y que considero relevante para profesionales y directivos. La facilidad con que una herramienta genera informes, análisis y recomendaciones puede hacernos confundir el acceso a una respuesta con el dominio del problema. Pero disponer de un resultado y comprender por qué merece confianza son capacidades diferentes.

La «superinteligencia» del título expresa una aspiración a ampliar nuestras capacidades. Uso el término como metáfora, diferenciándolo del concepto técnico asociado a Nick Bostrom: una inteligencia que supera ampliamente a los mejores seres humanos en prácticamente todos los ámbitos. Aquí me interesa una cuestión inmediata: cómo conseguir que nuestra relación con la IA nos permita producir mejor, aprender más y desarrollar mayor criterio. Bostrom, 2003.

Esta aspiración tiene una larga historia. En 1962, Douglas Engelbart propuso orientar la computación hacia la ampliación del intelecto humano. Entendía las herramientas, los conocimientos, los métodos y la formación como partes de un mismo sistema. La capacidad del conjunto dependía de cómo se desarrollaban y articulaban sus componentes. Engelbart, Augmenting Human Intellect, 1962.

Más recientemente, Erik Brynjolfsson ha defendido la importancia de orientar la IA hacia la ampliación de capacidades humanas. En The Turing Trap argumenta que concentrarse excesivamente en imitar y sustituir personas puede hacernos perder oportunidades para crear nuevas capacidades, productos y servicios. Su planteamiento invita a los directivos a considerar qué podrán hacer sus equipos con la tecnología, además de cuánto podrán automatizar. Brynjolfsson, 2022.

Los beneficios de productividad ya cuentan con evidencia. En un experimento con 453 profesionales, Shakked Noy y Whitney Zhang encontraron que el acceso a ChatGPT redujo un 40 % el tiempo dedicado a determinadas tareas de escritura profesional y elevó un 18 % la calidad de los resultados. Son mejoras importantes, aunque corresponden a tareas delimitadas y no demuestran, por sí mismas, un aumento del conocimiento de quienes las realizaron. Noy y Zhang, Science, 2023.

También conviene reconocer que la IA puede beneficiar especialmente a quienes tienen menos experiencia. Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron la introducción de un asistente entre 5.172 trabajadores de atención al cliente. La productividad aumentó un 15 % en promedio, con mayores beneficios entre los trabajadores menos experimentados y de menor desempeño previo. Además, encontraron indicios de aprendizaje. Brynjolfsson, Li y Raymond, The Quarterly Journal of Economics, 2025.

Por eso, mi argumento no consiste en reservar la IA a quienes ya son expertos. Su capacidad para acercar conocimientos y buenas prácticas a los principiantes es una oportunidad extraordinaria. Lo que propongo es utilizar esa ayuda para seguir creciendo: pasar de obtener una solución a comprenderla, evaluarla y aprovecharla en situaciones nuevas.

La primera exigencia es ampliar nuestras competencias. Esto incluye adquirir conocimientos, conectar conceptos, practicar y aprender a reconocer los límites de lo que sabemos. Acumular información resulta insuficiente si no podemos organizarla y aplicarla.

La investigación sobre expertos ayuda a entenderlo. How People Learn, del National Research Council, muestra que los expertos reconocen patrones relevantes, organizan el conocimiento alrededor de principios y comprenden las condiciones en las que estos resultan aplicables. Su ventaja incluye representar mejor los problemas y advertir relaciones que un principiante puede pasar por alto. National Research Council, 2000.

De esta literatura extraigo una implicación para el uso de la IA: lo que sabemos influye en lo que somos capaces de preguntar y en lo que podemos evaluar de una respuesta. Quien comprende estadística dispone de recursos para cuestionar una conclusión causal. Quien conoce una operación puede advertir restricciones que un análisis genérico omite. Quien domina una disciplina puede identificar una respuesta aparentemente convincente que utiliza mal sus conceptos.

La segunda exigencia es desarrollar pericia para hacer preguntas. Entiendo esta capacidad en un sentido amplio: formular el problema, aportar contexto, reconocer la información que falta, examinar supuestos y decidir qué merece una nueva indagación. Va mucho más allá de aprender una colección de instrucciones para un chatbot.

Pensemos en tres situaciones profesionales:

• Estrategia. «¿Cómo hacemos crecer la empresa?» puede abrir una conversación. Una pregunta más precisa sería: «Con estas capacidades, recursos y restricciones, ¿qué alternativas de crecimiento merecen evaluarse, de qué supuestos dependen y qué evidencia podría invalidarlas?».

• Operaciones. Ante una caída de productividad, podemos preguntar: «¿Qué explicaciones son compatibles con estos datos y qué información adicional necesitamos para distinguir entre ellas?».

• Decisiones. Al comparar opciones, conviene explorar: «¿Qué criterios sostienen esta recomendación, qué supuestos podrían cambiarla y en qué escenarios dejaría de ser conveniente?».

Estos ejemplos muestran cómo el conocimiento y la capacidad de preguntar pueden reforzarse. Conocer mejor una organización ayuda a formular un problema relevante. Una buena indagación permite explorar explicaciones y detectar vacíos de conocimiento. Revisar las respuestas puede conducir a nuevas preguntas y a un aprendizaje más profundo.

Propongo este ciclo como una forma de trabajar derivada de la literatura, no como una fórmula matemática demostrada: conocimiento, mejores preguntas, evaluación de las respuestas y nuevo conocimiento.

También debemos reconocer que una pregunta bien formulada no garantiza una respuesta correcta. Y que la experiencia profesional no nos vuelve inmunes al error. Daniel Kahneman y Gary Klein señalaron que la intuición experta resulta más confiable cuando existen regularidades que pueden aprenderse y oportunidades suficientes de práctica y retroalimentación. Sentirse seguro no acredita, por sí solo, la calidad del juicio. Kahneman y Klein, American Psychologist, 2009.

La evidencia sobre IA refuerza esta cautela. En un experimento con 758 consultores de Boston Consulting Group, Fabrizio Dell’Acqua y sus coautores, entre ellos Ethan Mollick y Karim Lakhani, encontraron que los participantes con IA completaron un 12,2 % más tareas y emplearon aproximadamente un 25 % menos tiempo en actividades situadas dentro de las capacidades del sistema. Sin embargo, en una tarea situada fuera de esas capacidades, la probabilidad de responder correctamente disminuyó 19 puntos porcentuales. Dell’Acqua et al., Organization Science, 2026.

Esto tiene una consecuencia práctica: nuestra pericia para preguntar debe incluir la capacidad de cuestionar la respuesta. Pedir alternativas, identificar incertidumbres y contrastar afirmaciones con fuentes independientes forma parte del trabajo. La revisión necesita criterios y evidencia; pedirle al mismo sistema que confirme su propia respuesta puede ser insuficiente.

Tampoco debemos asumir que combinar personas e IA produce siempre un resultado superior. Michelle Vaccaro, Abdullah Almaatouq y Thomas Malone analizaron 106 estudios experimentales y encontraron que las combinaciones humano–IA mejoraban, en promedio, el desempeño humano, pero quedaban por debajo del mejor participante —humano o sistema— trabajando por separado. La revisión abarcó distintas tecnologías y estudios publicados hasta junio de 2023. Su enseñanza es que la complementariedad debe diseñarse y evaluarse. Vaccaro, Almaatouq y Malone, Nature Human Behaviour, 2024.

Para quienes enseñamos o desarrollamos talento, hay otra distinción fundamental: mejorar el resultado de una tarea no equivale necesariamente a desarrollar la capacidad de realizarla.

Hamsa Bastani y sus coautores lo estudiaron con cerca de mil estudiantes de secundaria en Turquía. Un asistente basado en GPT-4 aumentó un 48 % el rendimiento durante la práctica asistida. Al retirar la herramienta, ese grupo obtuvo resultados un 17 % inferiores a los del grupo de control en los exámenes. Una segunda versión, diseñada para ofrecer orientación pedagógica, evitó ese perjuicio, aunque no produjo una mejora estadísticamente significativa en el examen sin ayuda. Bastani et al., PNAS, 2025.

La IA también puede favorecer el aprendizaje. Greg Kestin y sus colegas evaluaron un tutor diseñado con principios pedagógicos en un experimento con 194 estudiantes universitarios de física. Encontraron mayores ganancias de aprendizaje y menor tiempo de trabajo que en las clases de aprendizaje activo utilizadas como comparación. El estudio comprendió dos lecciones y evaluaciones inmediatas, por lo que no permite generalizar a toda la educación; sí muestra que el diseño de la asistencia importa. Kestin et al., Scientific Reports, 2025.

La diferencia se refleja en nuestras preguntas. Solicitar «resuelve este caso» persigue un producto. Pedir «revisa mi razonamiento, identifica dónde falta evidencia, dame una pista y después propón otro caso para comprobar si aprendí» incorpora un propósito formativo. Ambas solicitudes pueden ser útiles, pero responden a objetivos distintos que conviene hacer explícitos.

También necesitamos oportunidades para ejercitar capacidades sin asistencia. Henry Roediger y Jeffrey Karpicke demostraron que recuperar información de memoria favorecía la retención posterior más que releer repetidamente, aunque la relectura generaba mayor confianza. Su investigación precede a la IA generativa, pero aporta un fundamento para conservar momentos en los que debamos recordar, explicar y resolver por nosotros mismos. Roediger y Karpicke, Psychological Science, 2006.

Ethan Mollick ha planteado una preocupación relacionada: delegar trabajo intelectual puede reducir las oportunidades de desarrollar la experiencia necesaria para evaluarlo. Su reflexión identifica un desafío para las organizaciones: cómo formar profesionales capaces de juzgar resultados en ámbitos que todavía no dominan. Mollick, On Working with Wizards, 2025.

Para un directivo, esto supone atender simultáneamente la productividad y el desarrollo del equipo. Conviene observar cuánto mejora el trabajo entregado y cuánto aumenta la capacidad de quienes lo realizan. Un informe de calidad puede acompañarse de una explicación de sus supuestos, una revisión de la evidencia y una discusión de las alternativas descartadas.

La formación, a su vez, debería integrar conocimientos del negocio, práctica con problemas reales y evaluación del uso de la IA. Las competencias para preguntar se desarrollan al analizar casos, recibir retroalimentación y comprobar las consecuencias de nuestras decisiones. Una biblioteca de buenas instrucciones puede ayudar, pero el criterio profesional necesita oportunidades de ejercicio.

Desde esta perspectiva, seguir aprendiendo tiene un valor claro. Cuanto mejor comprendemos un problema, más recursos tenemos para orientar la herramienta y examinar sus respuestas. Y cuanto mejor utilizamos la herramienta para investigar, practicar y contrastar, más oportunidades tenemos de ampliar nuestra comprensión. El potencial está en sostener ese ciclo.

Ese es el sentido que quiero dar al tránsito hacia una «superinteligencia»: desarrollar personas y organizaciones capaces de llegar más lejos con la tecnología, mientras fortalecen las capacidades que les permiten dirigirla.

La IA no te exime de crecer. Te ofrece una poderosa razón para ampliar tus competencias y aprender a preguntar mejor. Tu rendimiento puede multiplicarse cuando la herramienta y tu desarrollo avanzan juntos.