Hay una promesa de la inteligencia artificial que me parece mucho más importante que hacer más cosas: devolvernos tiempo.
En Zherpa trabajamos precisamente para que tecnología, automatización y agentes de IA puedan ejecutar actividades reales del negocio que antes reclamaban horas de atención humana. Cuando funciona, una tarea que consumía una mañana puede resolverse en minutos; un proceso puede continuar sin esperar permanentemente a una persona; un profesional puede producir un análisis, un documento o una primera solución mucho más rápido.
La reacción empresarial más inmediata es lógica: si recuperamos cinco horas, podemos producir cinco horas más. Pero cuanto más utilizo estas herramientas, menos me convence que ésa sea la única —o siquiera la más importante— forma de aprovechar el tiempo recuperado.
Hay una segunda pregunta: ¿qué capacidades humanas dejamos de desarrollar cuando la IA hace por nosotros el trabajo que antes nos obligaba a pensar, investigar, practicar y comprender?
Y de ahí surge una idea que cambia para mí la discusión sobre productividad: ejecutar con IA no significa haber aprendido a hacerlo. Ejecución no es comprensión.
La IA puede darte el resultado sin darte el aprendizaje
Puedo pedir a una IA que analice un contrato, escriba código, prepare una proyección financiera, investigue un mercado, construya una presentación, resuma un libro o proponga una estrategia. El resultado puede ser excelente. Incluso puede superar lo que yo habría producido en el mismo tiempo.
Pero hay una diferencia fundamental entre tener acceso a una capacidad y haber desarrollado esa capacidad en nosotros mismos.
Que un sistema produzca una respuesta correcta no significa que yo comprenda por qué es correcta. Que escriba un programa funcional no significa que yo entienda su arquitectura. Que sintetice veinte documentos no significa que yo haya construido el mapa mental que surge al estudiarlos. Que formule una estrategia convincente no significa que yo tenga el criterio necesario para reconocer cuándo esa estrategia deja de ser válida.
Esta distinción ya empieza a aparecer en la evidencia. Una revisión de la OCDE sobre productividad y capacidades señala experimentos en los que personas asistidas por IA mejoraron su desempeño en determinadas tareas, pero esa mejora no necesariamente se convirtió en conocimiento durable cuando después tuvieron que responder sin la herramienta. La misma revisión advierte que los beneficios dependen, entre otras cosas, de la capacidad del usuario para evaluar críticamente las respuestas de la IA.
Un estudio del MIT Media Lab sobre escritura asistida por modelos de lenguaje encontró también diferencias en involucramiento cognitivo, recuerdo y sentido de autoría entre participantes que escribieron sin herramientas, con buscadores o con un LLM. Es un estudio acotado y no autoriza a concluir que usar IA nos vuelva menos inteligentes. Sí plantea una pregunta que vale la pena tomar en serio: cuando externalizamos parte del esfuerzo cognitivo, ¿qué parte del aprendizaje estamos externalizando con él?
La productividad visible puede esconder una deuda de comprensión
En una empresa es relativamente fácil medir la primera mitad de la ecuación. Podemos observar que un reporte ahora tarda veinte minutos en lugar de tres horas, que un agente procesa más solicitudes o que una persona produce más documentos por semana.
Lo difícil es medir lo que quizá dejó de ocurrir durante esas tres horas.
Antes, para producir determinado resultado, una persona podía verse obligada a buscar información, contrastar fuentes, ordenar ideas, detectar contradicciones, probar alternativas, equivocarse y corregirse. Parte de ese recorrido era ineficiencia y merece desaparecer. Pero otra parte era aprendizaje.
El peligro consiste en confundir ambas cosas.
Si eliminamos toda fricción intelectual porque una máquina puede atravesarla por nosotros, podemos conseguir organizaciones extraordinariamente eficientes en la producción de respuestas y progresivamente dependientes de sistemas que cada vez menos personas comprenden suficientemente bien.
No sería una victoria completa.
No toda fricción merece desaparecer
Hay fricción que simplemente consume vida. Copiar datos entre sistemas, reconstruir información que ya existe, perseguir aprobaciones innecesarias, preparar informes que nadie utiliza o repetir mecánicamente una operación son buenos candidatos para automatizarse.
Pero existe también esfuerzo que nos constituye.
Escribir puede enseñarnos a pensar. Resolver un problema desarrolla criterio. Investigar nos obliga a distinguir evidencia de apariencia. Programar ayuda a comprender sistemas. Leer una fuente completa puede revelar matices que desaparecen en un resumen. Enseñar nos obliga a descubrir aquello que todavía no entendemos. Equivocarnos y corregirnos construye una clase de conocimiento difícil de obtener recibiendo únicamente la respuesta final.
Por eso, antes de automatizar una actividad intelectual, ya no me parece suficiente preguntar: “¿puede hacerlo la IA?”. También deberíamos preguntar: “¿qué aprendíamos nosotros al hacerlo y necesitamos conservar ese aprendizaje?”
La respuesta no siempre será conservar la tarea. Muchas veces debemos automatizarla. Pero quizá entonces tengamos que diseñar deliberadamente otro espacio donde siga ocurriendo el aprendizaje que antes venía incorporado en el trabajo.
El tiempo liberado tiene al menos tres destinos
Esto cambia mi manera de pensar el dividendo de productividad de la IA.
Cuando recuperamos tiempo, no tenemos únicamente dos opciones —devolverlo a la empresa o devolverlo a nuestra vida—. Existe al menos un tercer destino que será cada vez más importante: reinvertir una parte en nuestra propia comprensión.
Una parte puede regresar al negocio: atender mejor, crear más valor, mejorar procesos, innovar o crecer.
Otra parte puede dedicarse a aprender, estudiar y comprender: profundizar en nuestro oficio, leer las fuentes que la IA resumió, estudiar los fundamentos detrás de una respuesta, experimentar, conversar con especialistas, desarrollar nuevas capacidades y cuestionar aquello que el sistema produjo.
Y otra parte debe poder volver sencillamente a la vida: familia, amistad, salud, descanso, naturaleza, arte, comunidad, servicio, silencio, fe o cualquier actividad cuyo valor no dependa de producir un KPI.
No propongo porcentajes. Propongo recuperar la decisión.
Automatizar la ejecución para elevar la comprensión
Puede parecer paradójico utilizar una tecnología para ahorrar tiempo y dedicar después parte de ese tiempo a estudiar algo que la propia tecnología podría resolver por nosotros.
Creo que es exactamente al revés.
Una de las mejores razones para automatizar ejecución de bajo valor es liberar capacidad para comprensión de mayor valor.
No necesito hacer manualmente cien veces una operación para demostrar que soy humano. Pero sí necesito comprender suficientemente el sistema, el problema y sus consecuencias para saber cuándo una respuesta tiene sentido, cuándo una excepción importa, cuándo el contexto cambió y cuándo debo detener la automatización.
La IA puede elevar el piso de lo que una persona es capaz de producir. Nuestro reto es utilizar parte de ese beneficio para elevar también el techo de lo que esa persona es capaz de comprender.
De lo contrario, podríamos vivir una paradoja: personas capaces de producir trabajo cada vez más sofisticado con una comprensión cada vez más superficial de aquello que producen.
El criterio se convierte en infraestructura
Esto no es solamente una preocupación educativa. Es una cuestión empresarial.
Cuanto más trabajo delegamos a sistemas inteligentes, más importante se vuelve la capacidad humana para definir problemas, evaluar resultados, reconocer excepciones, cuestionar supuestos y asumir responsabilidad.
La OCDE ha señalado precisamente que la productividad obtenida con IA depende del ajuste entre la herramienta y la tarea, de las capacidades de los usuarios y de su habilidad para evaluar las respuestas. También ha advertido sobre el riesgo de sobredependencia cuando la asistencia sustituye el involucramiento crítico en lugar de fortalecerlo.
Microsoft Research ha encontrado, por otra parte, que las conversaciones cotidianas con LLM no son necesariamente puro descargue cognitivo: también pueden contener comportamientos de aprendizaje. En su análisis de interacciones reales, el aprendizaje más profundo aparecía de manera selectiva y estaba asociado, entre otros factores, con formas de asistencia que promovían una participación más constructiva del usuario.
Eso introduce un matiz importante. El problema no es usar IA para aprender. El problema es utilizarla de una manera que nos permita saltarnos permanentemente el aprendizaje.
Quizá debamos pedir menos respuestas y más aprendizaje
Durante los primeros años de la IA generativa hemos aprendido a formular mejores instrucciones para obtener mejores resultados. La siguiente etapa quizá consista en aprender a diseñar interacciones que no sólo produzcan respuestas, sino que desarrollen capacidad en quien las utiliza.
En ocasiones necesitaremos decirle a la IA: “hazlo”. En otras: “explícame por qué”. También podemos pedirle que cuestione nuestro razonamiento, que no entregue inmediatamente la solución, que nos haga preguntas, que presente evidencia contraria, que nos ayude a practicar o que compruebe si realmente entendimos.
Investigadores del MIT están explorando precisamente distintas formas de interacción educativa con IA, incluyendo sistemas que orientan mediante pistas en lugar de entregar directamente la respuesta final. La investigación todavía está evolucionando, pero la pregunta de diseño es poderosa: ¿queremos una IA que elimine todo esfuerzo o una IA que nos ayude a decidir qué esfuerzo vale la pena conservar?
Estar al mando requiere comprender
En Humano al Mando sostengo que antes de delegar capacidad de actuación a una inteligencia artificial necesitamos definir propósito, evidencia, límites y responsabilidad. La responsabilidad permanece en las personas y en la organización aunque una máquina ejecute.
Este nuevo hallazgo me obliga a extender esa reflexión.
No basta con conservar formalmente la responsabilidad si dejamos erosionar la comprensión necesaria para ejercerla.
Un humano que únicamente aprueba lo que no entiende no está realmente gobernando. Un directivo que depende por completo de una máquina para interpretar aquello que después debe decidir conserva quizá la autoridad administrativa, pero ha debilitado una parte de su capacidad de juicio.
Estar al mando no significa saber ejecutar manualmente cada tarea que realiza un sistema. Sería absurdo. Significa conservar suficiente conocimiento, contexto y criterio para definir el propósito, reconocer riesgos, formular buenas preguntas, evaluar evidencia y saber cuándo no aceptar una respuesta.
Por eso el aprendizaje deja de ser únicamente desarrollo personal. En organizaciones cada vez más agentivas, el aprendizaje continuo es también parte de la gobernanza.
El Arquitecto del Valor no delega su capacidad de aprender
El cambio de operador a Arquitecto del Valor implica dejar de intervenir compulsivamente en cada componente y diseñar sistemas capaces de crear valor. La IA acelera radicalmente esa posibilidad.
Pero dejar de operar no puede significar dejar de comprender.
El Arquitecto del Valor necesita subir de nivel: comprender relaciones, consecuencias, sistemas, riesgos y oportunidades que antes podían quedar ocultos detrás de la operación cotidiana. Si la IA absorbe una parte de la ejecución, el tiempo recuperado debería permitirnos estudiar más profundamente el negocio, la tecnología, a nuestros clientes, nuestra disciplina y también aquello que todavía ignoramos.
La aspiración no debería ser convertirnos en supervisores pasivos de máquinas extraordinariamente capaces. Debería ser construir una relación en la que las máquinas amplíen nuestra ejecución mientras nosotros ampliamos nuestro criterio.
Y aun así, no todo el tiempo recuperado necesita una finalidad
Aquí aparece otra trampa.
Podríamos aceptar que no toda hora liberada debe convertirse en más empleo, pero inmediatamente convertir el aprendizaje en una nueva obligación productiva: estudiar para ser más competitivo, leer para producir más, descansar para rendir mejor, hacer ejercicio para trabajar con mayor energía.
Eso seguiría entregando toda nuestra existencia a la misma lógica, sólo que con una definición más sofisticada de productividad.
Creo que debemos aprender más. Creo que la llegada de sistemas capaces de ejecutar trabajo intelectual hace urgente estudiar, comprender y cultivar criterio. Pero también creo que una persona no existe para satisfacer un KPI.
Una parte del tiempo recuperado puede y debe quedar libre de cualquier obligación de retorno.
Tiempo para conversar sin agenda, acompañar a nuestros padres, estar con nuestros hijos, cuidar el cuerpo, crear sin monetizar, contemplar, servir, construir amistades o simplemente permanecer en silencio.
La IA puede devolvernos tiempo. No deberíamos apresurarnos a encontrar una nueva forma de quitárnoslo.
Mi respuesta final no es tecnológica
Hasta aquí puedo hablar desde nuestra experiencia trabajando con empresas, automatización e inteligencia artificial y apoyarme en una conversación científica que apenas comienza a comprender los efectos cognitivos de estas herramientas.
Pero hay una parte de mi respuesta que es personal y quiero distinguirla como tal.
No creo que hayamos venido al mundo para maximizar nuestro output. Creo que existe algo anterior a nuestra productividad: encontrar nuestra esencia, desarrollar plenamente las capacidades humanas que nos fueron dadas y procurar retornar íntegros al Creador.
Desde esa convicción, una tecnología que nos devuelve tiempo me interesa no solamente porque puede hacer más eficiente una empresa. Me interesa porque puede abrir espacio para desarrollar aquello que somos.
Eso incluye aprender. Comprender. Estudiar. Pensar con profundidad. Construir criterio. También amar, cuidar, crear, servir, contemplar y descansar.
La inteligencia artificial puede ayudarnos a hacer cosas que antes no podíamos hacer y a realizar en minutos tareas que antes necesitaban horas. Eso es extraordinario. Pero el verdadero dividendo no aparecerá únicamente en cuántas unidades adicionales producimos durante las horas recuperadas.
También aparecerá en qué hacemos con nosotros mismos gracias a esas horas.
La pregunta que deberíamos empezar a medir
Las empresas aprenderán a medir horas ahorradas, automatizaciones ejecutadas, costos reducidos y capacidad adicional. Deben hacerlo.
Pero quizá necesitemos añadir preguntas más difíciles:
¿Qué aprendieron las personas gracias al tiempo liberado? ¿Qué comprenden ahora que antes no comprendían? ¿Qué criterio nuevo desarrollaron? ¿Qué capacidades decidimos preservar aunque una IA pudiera sustituir parte de su ejecución? ¿Qué tiempo conseguimos devolver realmente a la vida?
Porque el éxito no puede consistir en utilizar IA para vaciar nuestras agendas y después llenarlas exactamente igual.
Ni tampoco en producir conocimiento aparente a una velocidad extraordinaria mientras dejamos de construir conocimiento propio.
La IA puede ejecutar por nosotros. Comprender sigue siendo una responsabilidad nuestra.
Si conseguimos utilizarla para liberar ejecución repetitiva, elevar nuestra capacidad de aprender y recuperar una parte de nuestro tiempo para vivir, entonces estaremos ante algo bastante más valioso que una nueva herramienta de productividad.
Estaremos utilizando la tecnología no sólo para hacer más, sino para comprender mejor y elegir mejor qué merece nuestra vida.
Fuentes y lecturas:
- OECD, The effects of generative AI on productivity, innovation and entrepreneurship (2025).
- OECD, Unlocking productivity with generative AI: Evidence from experimental studies (2025).
- MIT Media Lab, Kosmyna et al., Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task (2025). Resultados preliminares; interpretar dentro de los límites del estudio.
- Microsoft Research, Informal Learning Emerges in Everyday Human-LLM Interaction (2026).
- MIT Media Lab, Comparing Interaction Strategies for AI systems in a Learning Context using Brain Sensing (2026).
