Hasta hace poco, una de las formas más claras de demostrar experiencia era tener respuestas que otros no tenían. Saber dónde buscar, recordar antecedentes, conocer excepciones, detectar un error al vuelo o preparar un buen primer análisis daba ventaja. La inteligencia artificial ha cambiado una parte de eso porque hoy permite resumir documentos, comparar opciones, preparar borradores o buscar información en minutos.
Eso no significa que ser experto haya dejado de importar, sino que ya no basta con saber mucho o responder rápido. La pregunta interesante es qué aporta una persona experta cuando casi cualquiera puede obtener una primera respuesta razonable en segundos. Buena parte del valor empieza a desplazarse desde la producción de respuestas hacia la capacidad para juzgarlas, ponerlas en contexto y decidir qué merece confianza.
La IA puede mejorar tu rendimiento antes de mejorar tu experiencia
Una herramienta potente puede elevar mucho el resultado de una persona, y ya hay estudios que muestran ese efecto en profesionales. En 2025, Fabrizio Dell’Acqua y otros investigadores trabajaron con 776 profesionales de Procter & Gamble y compararon personas y equipos que resolvían problemas de innovación con y sin inteligencia artificial generativa.
Uno de los resultados más llamativos fue que una persona trabajando con IA podía alcanzar resultados comparables a los de un equipo que trabajaba sin ella. Es una mejora importante, pero conviene separar dos cosas que pueden parecer iguales: hacer mejor una tarea con ayuda y saber hacerla mejor por uno mismo.
Puedes obtener un análisis excelente y no saber detectar cuándo la herramienta se está equivocando. También puedes preparar una presentación convincente y no tener todavía experiencia suficiente para identificar qué dato sobra, qué conclusión está poco sustentada o qué recomendación sería mala en la práctica. La IA puede elevar tu rendimiento antes de elevar tu experiencia, y esa diferencia importa porque afecta a lo que ocurre cuando la herramienta falla o desaparece.
La experiencia sigue siendo útil porque permite detectar lo que no encaja
Un estudio publicado como documento de trabajo del NBER en 2026 ayuda a entenderlo. David Autor y sus colaboradores siguieron durante tres meses a 133 abogados especializados en patentes de once bufetes estadounidenses. Parte de ellos trabajó con una herramienta de IA para redactar patentes y la asistencia mejoró el trabajo realizado, especialmente entre los abogados más jóvenes.
Lo interesante apareció después, cuando tuvieron que revisar una solicitud de patente sin ayuda de IA. La mejora se concentró entre los abogados sénior, y los autores plantean que la experiencia previa puede ayudar a convertir la asistencia de la herramienta en aprendizaje que permanece. Si conoces bien una materia, una respuesta nueva se compara con casos anteriores, excepciones y referencias que ya forman parte de tu forma de pensar.
Si ese fondo todavía no existe, es posible utilizar muy bien una respuesta sin entender del todo por qué funciona. La diferencia no siempre se ve en el resultado inmediato, pero aparece cuando hay que detectar una excepción, explicar una decisión o resolver una situación que se sale del patrón habitual.
Automatizar una tarea no debería eliminar el aprendizaje que contenía
Muchas profesiones se han aprendido haciendo tareas que ahora podemos acelerar o automatizar. Un publicitario prepara versiones, un periodista contrasta datos, un analista limpia información, un abogado revisa documentos y un comercial escucha muchas conversaciones antes de llevar una negociación difícil. Parte de ese trabajo es repetitivo y tiene todo el sentido del mundo reducirlo.
Sin embargo, no todo era tiempo perdido. Algunas de esas tareas servían para construir criterio porque obligaban a comparar, equivocarse, corregir y repetir. Si la IA hace directamente una parte del proceso que antes generaba aprendizaje, necesitamos encontrar otra forma de construir ese conocimiento sin renunciar a la ventaja de la herramienta.
No tendría sentido obligar a alguien a trabajar peor «para que aprenda como antes». La tecnología está para usarla. Pero sí tiene sentido exigir que una persona pueda explicar el resultado, detectar sus supuestos, comprobar las partes delicadas y defender por qué una opción es mejor que otra. El riesgo aparece cuando producimos mucho antes de haber aprendido a juzgar bien lo que producimos.
Una respuesta bien escrita no demuestra que sea correcta
La inteligencia artificial añade otra dificultad: puede producir respuestas muy convincentes aunque no sean buenas. En 2026, Nature publicó Humanity’s Last Exam, un conjunto de preguntas especialmente difíciles pensado para medir capacidades de IA en conocimiento académico especializado. Los modelos evaluados seguían mostrando una precisión baja en HLE y una calibración deficiente.
Eso no sirve para concluir que la IA «no sabe» ni invalida su utilidad. Sí recuerda algo mucho más práctico: la forma de una respuesta puede hacernos concederle más credibilidad de la que merece. Cuando un texto está ordenado, utiliza términos precisos y parece seguro, resulta fácil confundir una buena presentación con una buena conclusión.
Ese efecto es especialmente relevante cuando la respuesta confirma lo que ya pensábamos. La IA puede entonces alimentar la sobreconfianza profesional: ya no solo podemos estar demasiado seguros de nuestro propio criterio, sino adoptar como propia la seguridad de una herramienta que presenta una respuesta de forma convincente.
El experto aporta contexto, verificación y responsabilidad
Si casi cualquiera puede obtener una primera respuesta razonable, el valor del experto se desplaza hacia otras tareas. Una de ellas es formular mejor el problema. Una respuesta brillante a una pregunta mal planteada sigue siendo una mala ayuda, y la experiencia suele permitir detectar qué falta antes de empezar a responder.
También importa saber dónde hay que comprobar más. No exige el mismo nivel de verificación un borrador interno que una cifra financiera, una decisión jurídica, una campaña cara o algo que va a publicarse. La experiencia permite distinguir qué error sería tolerable y cuál puede tener consecuencias importantes.
Además, el experto aporta contexto. Una IA puede manejar enormes cantidades de información y no saber que ese cliente ya rechazó una propuesta parecida, que el equipo no tiene capacidad para ejecutar lo que recomienda, que existe un compromiso previo o que una solución aparentemente perfecta llega dos meses tarde. Buena parte de las decisiones reales dependen precisamente de ese tipo de información.
Hay otra parte que no deberíamos delegar: la responsabilidad. Una herramienta puede sugerir, resumir o calcular, pero «lo dijo la IA» no sirve como explicación cuando una decisión tiene consecuencias. El profesional sigue teniendo que decidir qué acepta, qué verifica, qué descarta y qué está dispuesto a firmar con su nombre.
La IA también cambia quién parece experto
Durante mucho tiempo, responder rápido era una señal bastante útil. Quien recordaba el dato, preparaba antes un análisis o escribía con soltura parecía saber más. Esa señal ya no vale igual porque una persona con poca experiencia puede producir en pocos minutos un documento que, a primera vista, parece elaborado por alguien que lleva años en el sector.
Eso es una oportunidad enorme porque reduce barreras y permite trabajar mejor a mucha gente, pero también obliga a mirar otras cosas. Si casi cualquiera puede preparar una primera presentación razonable, la diferencia estará en quién sabe detectar qué información falta; si todos pueden generar diez propuestas, valdrá más quien sepa descartar nueve; si la herramienta redacta un buen análisis, importará más quién entiende las consecuencias de convertirlo en una decisión real.
Por eso también cambia la forma de dirigir. Como explico en cómo dirigir a personas que saben más que tú, el responsable no necesita ser siempre quien tiene más información técnica. Necesita saber quién sabe qué, qué criterios utilizar y cuándo una respuesta merece confianza.
Usar IA sin dejar de aprender
Si la IA te ayuda en una tarea que quieres dominar, no basta con recoger el resultado. Conviene preguntarse qué supuestos está haciendo, qué alternativas existen, qué cifras deben comprobarse y por qué una opción es mejor que otra. También resulta útil hacer de vez en cuando parte del trabajo sin asistencia para saber qué has aprendido tú y qué sigue dependiendo de la herramienta.
Separar generación y validación ayuda mucho. Primero puedes utilizar la IA para producir opciones, ideas o borradores; después necesitas otra mirada para comprobarlos. Si usas exactamente el mismo proceso para crear y para verificar, es fácil que los mismos errores pasen las dos veces sin ser detectados.
También merece la pena recordar los fallos. Cuando una herramienta se equivoca y solo corregimos el resultado, aprendemos poco; cuando intentamos entender por qué nos pareció creíble, mejoramos nuestra forma de utilizarla. Ahí encaja bien la humildad expansiva: reconocer que una herramienta hace algunas tareas mejor o más rápido que tú sin sentir que eso te resta valor, y seguir confiando en tu experiencia sin convertirla en una excusa para dejar de aprender.
Ser experto va a consistir cada vez menos en demostrar que sabes algo que los demás no saben. Va a importar más saber qué respuesta merece confianza, qué falta, qué hay que comprobar y qué decisión puedes defender después. La IA hace más fáciles muchas respuestas; el criterio necesario para utilizarlas bien sigue siendo bastante más difícil de automatizar.
Fuentes y lecturas
- Autor, D. y otros. Does AI Assistance Enhance or Erode Expertise? Evidence from a Three-Month Field Experiment in Patent Drafting. NBER Working Paper 35720, 2026.
- Dell’Acqua, F. y otros. The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641, 2025.
- Gonzalez, C. y Heidari, H. A cognitive approach to human–AI complementarity in dynamic decision-making. Nature Reviews Psychology, 2025.
- Center for AI Safety, Scale AI y HLE Contributors Consortium. A benchmark of expert-level academic questions to assess AI capabilities. Nature, 2026.
- Acemoglu, D., Autor, D. y Johnson, S. Building Pro-Worker Artificial Intelligence. NBER Working Paper 34854, 2026.