Madriguera de Datos · Ensayo

Ni verdugo, ni genio, ni gurú

Tres maneras de dejar de pensar frente a la inteligencia artificial, y lo que he aprendido usándola todos los días.

Germán Vargas G. · Consultor en Data Intelligence · Octubre de 2026

Empecé a trabajar con datos, y cada vez con más. El tiempo y la carga que tenía me llevaron a explorar la inteligencia artificial, pero como una herramienta más, no como un oráculo.

Hoy la uso todos los días, y desde ahí veo con preocupación cómo se está dando la conversación pública sobre la IA. La dominan tres actitudes: el miedo, la adoración y los gurús. Las tres tienen algo en común: nos ahorran el trabajo de pensar. Este ensayo es una crítica a esas tres actitudes, una defensa de algo menos ruidoso, el criterio, y una pregunta que casi nadie hace: quién se queda con lo que la IA produce.

01PrimeroEl miedo: la máquina que viene por mi puesto

El miedo a que una máquina nos quite el trabajo tiene más de doscientos años. Entre 1811 y 1816, los luditas destruyeron telares en el centro y el norte de Inglaterra. La historia los recuerda como enemigos de la tecnología, pero eso es injusto: protestaban contra fábricas que usaban las máquinas para bajar salarios y empeorar las condiciones de trabajo.¹ Su pregunta no era si la máquina funcionaba, sino quién se quedaba con lo que producía. Esa pregunta sigue vigente.

Lo que muestran los datos de largo plazo es más interesante que el apocalipsis. David Autor y sus coautores encontraron que cerca del 60 % de los empleos que había en Estados Unidos en 2018 correspondían a oficios que no existían en 1940.² La tecnología elimina tareas, pero también crea trabajo que nadie sabía nombrar.

El caso de las operadoras telefónicas lo muestra con sus dos caras. Era uno de los oficios más comunes para las mujeres jóvenes en Estados Unidos, y entre 1920 y 1940 la conmutación automática lo reemplazó en más de la mitad de la red de AT&T. James Feigenbaum y Daniel Gross estudiaron qué pasó: las jóvenes que venían detrás no tuvieron menos empleo, porque crecieron otros trabajos de oficina y de servicios. Pero las operadoras que ya estaban en el oficio sí pagaron el costo: una década después tenían más probabilidad de estar en empleos peor pagados o fuera del mercado laboral.³ El oficio desapareció y el trabajo no, pero la transición la pagaron personas concretas.

Con la IA generativa ya hay evidencia directa. En un centro de soporte que incorporó un asistente de IA, los casos resueltos por hora aumentaron un 14 %, y un 34 % entre los trabajadores con menos experiencia.⁴ La herramienta no reemplazó a los novatos: los acercó a los expertos.

Pero sería deshonesto decir que no hay nada que temer. Para algunas personas el riesgo es real, sobre todo en tareas repetitivas como la atención básica al cliente. Daron Acemoglu y Pascual Restrepo llaman so-so automation, «automatización más o menos», a la que reemplaza personas sin mejorar de verdad la productividad: se ahorra un salario, se empeora el servicio y nadie gana.⁵ Klarna lo vivió: en 2024 presumió de reemplazar con IA el trabajo de cientos de agentes de servicio al cliente, y en 2025 su director ejecutivo reconoció que la calidad había bajado y que volverían a contratar personas. Pero vale la pena mirar cómo: con un piloto «tipo Uber» de agentes independientes que eligen sus horarios, mientras la empresa mantiene su política de no reemplazar a los empleados que se van.⁶ El trabajo regresó, pero más precario. Este mismo mes, la cadena Kroger anunció que eliminará 3.000 cargos administrativos en tres años mientras amplía el uso de IA, y el grupo Publicis dijo que la IA le quitará el 25 % de las tareas repetitivas a sus empleados, sin precisar si habrá despidos.⁷

La pregunta de los luditas vuelve: ¿quién se queda con la ganancia? Daron Acemoglu y Simon Johnson revisaron mil años de tecnología en Poder y progreso y concluyeron que los beneficios de las grandes innovaciones solo se repartieron cuando los trabajadores y la sociedad presionaron para que así fuera; cuando no, se los quedó una élite.⁸ Con la IA pasa lo mismo. Si la productividad sube y los salarios no, si una persona termina haciendo el trabajo de dos con el sueldo de una, la IA no está mejorando el trabajo: está sirviendo de excusa para empeorarlo.

El miedo apunta al lugar equivocado. Lo que amenaza el empleo no es una IA demasiado buena, sino empresas que la usan para recortar en vez de para mejorar.

02SegundoLa adoración: no es un genio, es un modelo

En el otro extremo está la fascinación. Y tampoco es nueva. En 1770, Wolfgang von Kempelen presentó en la corte de Viena «el Turco», un autómata que jugaba ajedrez y derrotaba a sus rivales. Recorrió Europa durante décadas y se enfrentó a figuras como Napoleón. Era un truco: adentro había un ajedrecista escondido. Siglos después, Amazon bautizó como Mechanical Turk su plataforma de microtareas hechas por personas.

La metáfora sigue vigente, porque detrás de los modelos actuales también hay personas escondidas. En 2023, la revista TIME reveló que OpenAI contrató, a través de la empresa Sama, a trabajadores en Kenia para etiquetar miles de textos con descripciones de abuso, asesinato y tortura, para que ChatGPT aprendiera a filtrarlos. Los peor pagados recibían entre 1,32 y 1,44 dólares la hora, y varios contaron que quedaron marcados por lo que tuvieron que leer.⁹ La «magia» de la IA también se construye con trabajo precario e invisible, muchas veces en países del Sur Global.

En 1966, Joseph Weizenbaum creó en el MIT a ELIZA, un programa sencillo que imitaba a un terapeuta devolviendo las frases del usuario en forma de pregunta. Weizenbaum se asustó al ver cuánta gente le atribuía comprensión. En su libro de 1976 cuenta que su propia secretaria, que sabía cómo funcionaba el programa, le pidió que saliera de la sala para conversar con ELIZA en privado.¹⁰ A esa tendencia a ver una mente donde solo hay un mecanismo hoy la llamamos «efecto ELIZA».

Los modelos actuales son muchísimo más capaces que ELIZA, pero el efecto es el mismo. Emily Bender, Timnit Gebru y sus coautoras los describieron como «loros estocásticos»: sistemas que combinan patrones del lenguaje con una habilidad enorme, sin una comprensión del mundo como la nuestra.¹¹ Se puede discutir la metáfora, pero los experimentos muestran sus consecuencias. En un estudio con 758 consultores de Boston Consulting Group, quienes usaron IA terminaron más tareas, más rápido y con más calidad, pero solo en tareas que la IA hacía bien. En una tarea que quedaba fuera de su alcance, tuvieron 19 puntos porcentuales menos de probabilidad de acertar que quienes trabajaron solos.¹² Los autores lo llamaron una «frontera irregular»: la IA es brillante en unas cosas y torpe en otras que parecen igual de fáciles, y no avisa cuándo cruzaste la línea.

Hay un dato todavía más incómodo. En 2025, METR midió a desarrolladores experimentados trabajando en sus propios proyectos: con herramientas de IA tardaron un 19 % más en terminar sus tareas, aunque creían que la IA les había ahorrado un 20 % del tiempo.¹³ No es un argumento contra la IA; es un argumento contra la sensación de productividad sin medición.

El riesgo de fondo es que dejemos de pensar. Una encuesta de Microsoft y Carnegie Mellon a 319 trabajadores del conocimiento encontró que mientras más confían en la IA, menos pensamiento crítico dicen aplicar a lo que ella produce.¹⁴ Lisanne Bainbridge lo anticipó en 1983 en Ironías de la automatización: mientras más automatizamos, más importante y más difícil se vuelve el papel de quien supervisa, justo porque deja de practicar lo que la máquina hace por él.¹⁵

03TerceroLos gurús: tampoco es para tanto

Entre el miedo y la adoración aparece un negocio: el de los gurús. Venden listas de «los 50 prompts que te harán millonario», certificaciones exprés y conferencias donde la IA lo resuelve todo. Muchos aprendieron la herramienta hace seis meses y nunca han tenido que responder por un resultado. Su producto no es la IA, es la ansiedad de quedarse atrás.

Arvind Narayanan y Sayash Kapoor, de Princeton, llaman «aceite de serpiente» a la IA que no funciona como se anuncia, y muestran que abunda: promesas que no se sostienen cuando alguien las mide.¹⁶ El ciclo de sobreexpectación de Gartner ayuda a entender por qué los gurús prosperan: el negocio está en el pico del entusiasmo, cuando nadie ha medido nada. En 2025, Gartner ya reportaba que la IA generativa había entrado al «valle de la desilusión» en áreas como compras, donde muchas organizaciones veían retornos desiguales o por debajo de lo esperado: la etapa en que las empresas descubren que las promesas no se cumplen solas.¹⁷

¿Cómo reconocer a un gurú? Propongo cuatro señales:

1. Promete sin medir. Habla de transformación, pero nunca muestra una línea base ni un resultado comparado.
2. Habla de herramientas, no de problemas. Sabe qué modelo salió ayer, pero no pregunta qué decisión quieres mejorar.
3. Nunca habla de datos, costos ni personas. La IA seria es aburrida: tiene diagnósticos, métricas, responsables y límites.
4. No reconoce errores. Si en su relato la IA nunca se equivoca, no la ha usado en serio.

Y una advertencia contra mí mismo. En Madriguera también formamos en IA, así que estas cuatro señales aplican para mí. Si algún día prometo sin medir o hablo de herramientas sin hablar de problemas, cualquiera tiene derecho a decírmelo. Ni siquiera los entusiastas serios piden fe ciega: Ethan Mollick, uno de los académicos más optimistas sobre la IA, recomienda usarla en casi todas las tareas, pero siempre con una persona responsable del resultado.¹⁸

04CuartoMi experiencia: por qué esto no me va a quitar el trabajo

Madriguera de Datos nació primero como analítica: observatorios y estudios construidos con datos oficiales. La IA llegó después, por una razón muy práctica: el tiempo y la carga de trabajo.

Esa auditoría no es un trámite. La IA se equivoca con la misma seguridad con la que acierta, y un error publicado destruye la confianza que tanto cuesta construir. Por eso reviso cada cifra, cada fuente y cada conclusión antes de que algo salga con el nombre de Madriguera.

Ajay Agrawal, Joshua Gans y Avi Goldfarb lo explican con economía sencilla: la IA abarata la predicción, y cuando algo se abarata, sube el valor de lo que lo complementa, que es el juicio.¹⁹ Mi experiencia lo confirma. En el estudio de Madriguera sobre Saber Pro, la IA me ayudó a programar, revisar y publicar más rápido.²⁰ Pero no decidió que valía la pena estudiar Saber Pro, ni qué comparación era justa entre programas virtuales y presenciales, ni qué fuente oficial era la correcta, ni cómo contar una cifra incómoda sin exagerarla. Eso es criterio, y el criterio es mi trabajo.

05Para cerrarNi miedo, ni fe, ni gurús: criterio

La IA es la herramienta más poderosa que he tenido en mi carrera, y precisamente por eso merece menos fascinación y más disciplina. No es un verdugo: sus efectos sobre el empleo dependen de las decisiones de quienes la implementan. No es un genio: es un modelo que predice muy bien y se equivoca con seguridad. Y no necesita gurús: necesita personas que la usen en lo que conocen, que aprendan antes de opinar y que respondan por el resultado.

El debate que vale la pena no es si la IA nos va a reemplazar. Es si vamos a tener el criterio para usarla bien: para qué, con qué datos, con qué límites y con qué forma de medir. Quien responda esas preguntas no tiene que temerle a la IA. Quien no las responda tampoco debería temerle a ella, sino a su propia falta de criterio.

Y el criterio no es solo individual. Usar bien la IA también es negarse a que se use como excusa para precarizar: exigir que la ganancia de productividad se refleje en mejores condiciones y no solo en menos puestos, y recordar que detrás de cada sistema «automático» hay personas que merecen un trabajo digno. Yo estoy del lado de esas personas, no del de quienes ven en la IA solo una forma de pagar menos.

—FuentesReferencias

1. Merchant, B. (2023). Blood in the Machine: The Origins of the Rebellion Against Big Tech. Little, Brown and Company.
2. Autor, D., Chin, C., Salomons, A. y Seegmiller, B. (2024). New Frontiers: The Origins and Content of New Work, 1940–2018. The Quarterly Journal of Economics, 139(3).
3. Feigenbaum, J. y Gross, D. P. (2024). Answering the Call of Automation: How the Labor Market Adjusted to Mechanizing Telephone Operation. The Quarterly Journal of Economics, 139(3), 1879–1939.
4. Brynjolfsson, E., Li, D. y Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2).
5. Acemoglu, D. y Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30.
6. Fortune (2025, 9 de mayo). Klarna plans to hire humans again, as new landmark survey reveals most AI projects fail to deliver. Con base en una entrevista de Bloomberg al director ejecutivo de Klarna y la aclaración de la empresa.
7. Vigía de la Madriguera (2026, 14 de octubre). IA y empleo: Kroger recorta 3.000 puestos mientras Publicis promete recortar tareas, no personas. madrigueradatos.com/blog/noticias.
8. Acemoglu, D. y Johnson, S. (2023). Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity. PublicAffairs.
9. Perrigo, B. (2023, 18 de enero). Exclusive: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic. TIME.
10. Weizenbaum, J. (1976). Computer Power and Human Reason: From Judgment to Calculation. W. H. Freeman.
11. Bender, E. M., Gebru, T., McMillan-Major, A. y Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of FAccT ’21, ACM.
12. Dell’Acqua, F., McFowland, E., Mollick, E. et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.
13. Becker, J., Rush, N., Barnes, E. y Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR.
14. Lee, H.-P., Sarkar, A., Tankelevitch, L. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of CHI ’25, ACM.
15. Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775–779.
16. Narayanan, A. y Kapoor, S. (2024). AI Snake Oil: What Artificial Intelligence Can Do, What It Can’t, and How to Tell the Difference. Princeton University Press.
17. Gartner (2025, 30 de julio). Gartner Says Generative AI for Procurement Has Entered the Trough of Disillusionment. Comunicado de prensa.
18. Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio/Penguin.
19. Agrawal, A., Gans, J. y Goldfarb, A. (2018). Prediction Machines: The Simple Economics of Artificial Intelligence. Harvard Business Review Press.
20. Vargas, G. (2026, 8 de octubre). Cómo está el país en Saber Pro 2025. Madriguera de Datos, Observatorio Rastro Educativo, Estudio 02.