Así que sí—tus paneles se ven geniales. Tu equipo entrega más rápido, resume más, “consigue apalancamiento” con IA… y, mientras tanto, puede que estés intercambiando silenciosamente el único recurso que no puedes volver a comprar con una suscripción: el juicio humano.
En este episodio, me acompaña la Dra. Vivienne Ming—neurocientífica, emprendedora y una “realista de la IA” que no tiene paciencia ni para las utopías ni para la ciencia ficción de Skynet. Vivienne plantea una bifurcación clara en el camino: automatización cognitiva (la IA piensa por ti) vs. aumentación cognitiva (la IA te hace pensar mejor—a menudo haciendo que el trabajo sea más difícil). Si tu estrategia de IA está enfocada principalmente en la comodidad, esta es tu advertencia (más o menos) suave: la comodidad no es una estrategia. Es un sedante.
Lo que aprenderás
- Por qué “la IA facilita la vida” es uno de los argumentos más peligrosos en los negocios modernos
- Cómo los datos de baja calidad pueden descarrilar los sistemas de IA—y por qué los humanos tienen un “superpoder” de filtrado que los LLM aún no poseen
- La diferencia entre una IA que reemplaza el pensamiento y una IA que construye pensamiento
- Por qué los mejores tutores de IA no dan respuestas (y qué implica eso para la IA en el trabajo)
- Cómo la “inteligencia colectiva híbrida” puede superar tanto a humanos como a IA por separado—pero solo si hay suficiente capital humano
- Por qué las métricas de eficiencia no detectan los verdaderos impulsores de la productividad dentro de las organizaciones
Puntos clave
- Si la IA hace las “partes aburridas”, no asumas que los humanos se quedan con las “partes creativas.” El punto de Vivienne es contundente: cuanto más trabajo aburrido hace la IA, más suele expandirse el trabajo aburrido (hola, bucles infinitos de correos electrónicos donde los bots escriben spam a otros bots). El “impulso de eficiencia” puede convertirse en una droga de productividad—genial a corto plazo, desastroso a largo plazo.
- Automatización es cuando obtienes el resultado. Aumentación es cuando mejoras tú. Si eres mejor mientras la herramienta está encendida, pero peor cuando está apagada, eso no es progreso—es dependencia. Vivienne utiliza ejemplos médicos (diagnósticos asistidos por IA) para subrayar el riesgo: la atrofia de habilidades es real y no es un “problema de capacitación.” Es como funcionan los cerebros.
- Construye (o configura) la IA para que sea la “oposición leal”, no el adulador. El mejor ejemplo aquí es su “prompt némesis”: ella escribe el capítulo, luego hace que la IA lo destruya—que encuentre qué está mal, qué es débil, qué es fácilmente refutable y cómo mejorarlo. Eso es aumentación: usar la IA para forzar profundidad, no evitarla.
- Tu empresa es una red neuronal de 500.000 personas—y estás midiendo los resultados equivocados. Vivienne describe investigaciones en las que una fracción relativamente pequeña de empleados generaba una enorme parte de la productividad que no se reflejaba en las métricas individuales. Las personas más importantes no eran siempre las “estrellas.” Eran quienes ayudaban—a veces “inoficientemente”—y hacían que todos a su alrededor mejoraran. La mayoría de los sistemas de productividad ni siquiera contemplan eso.
- El trabajo de entrada no es solo mano de obra barata; es el canal del saber al comprender. Su frase queda marcada: los nuevos graduados suelen “saber todo y comprender nada.” En los primeros roles es donde la gente aprende qué hacer con el conocimiento—juicio, ética, compensaciones, contexto. Si la IA elimina por completo el trabajo de “saber”, no te sorprendas si terminas con una fuerza laboral que produce resultados pero no puede explicar, defender ni mejorar decisiones.
- Los líderes deciden si esto se convierte en una revolución de desarrollo de habilidades o en una “economía Jiffy Lube” desprofesionalizada. El peor escenario de Vivienne no es el desempleo masivo—son trabajos vaciados de contenido que solo rodean a la IA, porque es más barato y “suficientemente bueno.” Excelente para la óptica del CFO. Terrible para la capacidad, la confianza y la sociedad.
Capítulos
- 00:00 – Productividad en alza, habilidades en baja
- 01:48 – «Pereza mental» por IA y datos deficientes
- 04:57 – Qué es (y qué no es) la IA
- 07:00 – El peligro del trabajo “fácil”
- 10:30 – Usar la IA para dificultar el trabajo
- 12:38 – Por qué esto no es la Revolución Industrial
- 17:03 – Humanos + IA: cuando realmente funciona
- 22:04 – El mito de la eficiencia en el trabajo
- 27:29 – Las personas que hacen que todos sean mejores
- 30:22 – Lo que perdemos sin trabajos de nivel inicial
- 39:51 – Por qué dar respuestas mata el aprendizaje
- 43:25 – Desprofesionalización y el futuro “Jiffy Lube”
- 46:18 – Automatización vs. aumento de capacidades
- 47:50 – GPS, comodidad y pérdida cognitiva
- 53:57 – La decisión de liderazgo que importa
Conoce a nuestra invitada

Dra. Vivienne Ming es una visionaria neurocientífica teórica, emprendedora, autora y autodenominada “científica loca profesional” cuyo trabajo abarca el potencial humano, la inteligencia artificial y la transformación social. Es fundadora y presidenta ejecutiva de Socos Labs y cofundadora/científica jefe de iniciativas como The Human Trust y Dionysus Health, aplicando aprendizaje automático y neurociencia de vanguardia en la educación, la salud, la inclusión y el desarrollo humano. Conocida por sus cautivadoras ponencias y liderazgo de pensamiento sobre el papel de la tecnología en potenciar la capacidad humana, Vivienne ha sido destacada por la BBC’s 100 Women, Financial Times, The Atlantic y Quartz, y sigue inspirando a audiencias globales para repensar cómo las personas y los sistemas inteligentes pueden cocrear un futuro más equitativo.
Enlaces relacionados:
- Únete a la comunidad de People Managing People
- Suscríbete al boletín para recibir nuestros últimos artículos y pódcast
- Conecta con Vivienne en LinkedIn
Artículos y pódcast relacionados:
David Rice: Así que tu equipo está usando IA para redactar informes, analizar datos y tomar decisiones más rápido. La productividad ha subido, ¿verdad? Tus métricas trimestrales, probablemente lucen bastante bien, pero ¿adivina qué? En silencio, estás volviendo a tu gente más tonta. No estoy siendo dramático con esto. Un estudio reciente con profesionales médicos que usaban herramientas diagnósticas asistidas por IA encontró que se volvieron tan dependientes de la tecnología que, al apagar la IA, su desempeño fue dramáticamente peor que antes de empezar a usarla. Eso no es un problema de formación, es atrofia cerebral.
La invitada de hoy en el pódcast es la Dra. Vivienne Ming. Ella es una neurocientífica teórica, una emprendedora que hace 15 años predijo que la navegación GPS aumentaría causalmente las tasas de demencia. Y hoy, hay evidencia empírica que demuestra que tenía razón, pero eso no es lo que ha venido a contarnos.
Lo que viene a decirnos es que ahora tenemos una elección, en este mismo momento, entre dos caminos completamente diferentes: automatización cognitiva, donde la IA hace el trabajo por ti y logras victorias rápidas pero una pérdida a largo plazo, o aumento cognitivo, donde la IA hace que el trabajo sea más difícil de maneras que realmente mejoran a tu gente.
Vamos a cubrir por qué la IA hace más fácil la vida, es el argumento más peligroso en los negocios en este momento, la diferencia entre la automatización que erosiona habilidades y el aumento que las fortalece, cómo rediseñar herramientas de IA para que las personas sean mejores una vez que terminan de usarlas de lo que eran cuando empezaron, por qué los líderes que eligen la versión perezosa verán beneficios a corto plazo y fracaso estratégico.
Soy David Rice. Esto es Personas que gestionan personas. Y si has estado celebrando ganancias de productividad sin preguntarte qué estás perdiendo en el proceso, esta conversación es algo así como una llamada de atención. Vamos allá.
Muy bien, Vivienne, bienvenida al programa.
Vivienne Ming: Es un placer estar aquí.
David Rice: Antes de empezar, estaba revisando las noticias como a veces suelo hacer, y vi un artículo. Nature publicó un estudio la semana pasada diciendo que cuando se alimenta información, particularmente de redes sociales, la IA se atasca. No logra dar sentido a nada, y solo quería saber tu reacción porque decía que, literalmente, las palabras que usaron fueron: demasiada red social le da putrefacción cerebral a los chatbots de IA.
Vivienne Ming: Sí.
David Rice: Entonces, ¿este contenido no es bueno para nadie?
Vivienne Ming: Putrefacción cerebral es el término de moda en este momento. Brain rot y trabajo basura. Te puedo dar una respuesta muy nerd sobre eso, sobre lo que está pasando y lo que deberíamos hacer al respecto. Pero para una audiencia general, deberíamos preocuparnos, ¿verdad? Realmente se necesita muy poca información de baja calidad para hacer que un gran modelo de lenguaje se desvíe en una dirección salvaje.
E incluso si lo llevas atrás, sabes, a lo que se llama humano-en-el-bucle, ajuste fino, aprendizaje por refuerzo, le cuesta mucho volver alguna vez a su potencial original. Así que mucha gente habla de la importancia de los datos de calidad. Esto es uno de esos ejemplos en que incluso una cantidad relativamente pequeña de información basura no intencionada, o en algunos casos intencionada, como inyectar basura adrede en el sistema y obtendrás, de hecho, es una forma de hackear el cerebro.
Así que esto ni siquiera es putrefacción cerebral, esto es como un gusano cerebral. Entonces, son cosas a tener en cuenta. Aquí va mi respuesta algo nerd, sobre la cual estoy escribiendo un artículo que voy a presentar, y es esta: escucha, los seres humanos somos imperfectos. También estamos llenos de sesgos. También resulta que si nos exponemos a internet, nuestro cerebro también se pudre.
Pero dicho esto de manera honesta, los humanos solemos hacer algo realmente importante. Si recibimos una información que es una locura, una tontería total, la ignoramos. Obviamente hay salvedades para eso. Pero en los casos del estudio de putrefacción cerebral, era a menudo galimatías.
Ningún ser humano encontraría una página de galimatías y pensaría: "Oh, Dios, tengo que memorizar esto." Así que tenemos este superpoder que la IA actual realmente no tiene. Tenemos un modelo del mundo. El mundo de la IA habla mucho sobre modelos del mundo, pero no, realmente no. Miramos el mundo, aplicamos ese modelo y las cosas que no encajan, para bien o para mal,
decimos: "sabes qué, eso es menos importante y no lo voy a memorizar tanto", y debemos pensar cómo lograr que las IAs hagan eso también. La idea de que tenemos que afinar manualmente estos conjuntos de datos perfectos y que nunca podrías mostrarle a una IA una radiografía mala o un poco de basura de internet o se pudrirá el cerebro es una auténtica debilidad de cómo lo estamos entrenando hoy.
David Rice: Se suele escuchar que hemos creado un cerebro tan sofisticado como el nuestro. Lo he escuchado antes, pero yo..., bueno, no sé. Y a menudo me he opuesto al término cerebro. Pero cuando vi esto, pensé: Bueno, quizá sí es un cerebro. El contenido de redes sociales está teniendo el mismo efecto en la IA que en nosotros, así que...
Vivienne Ming: Sí. Me gusta tener un enfoque equilibrado. Soy realista respecto a la IA. El mundo está lleno de tonterías. El utópico de la IA que cree que lo va a solucionar todo y de distopías que piensan que estamos construyendo Skynet. Ojalá tuviéramos un problema como Skynet, solo en el sentido de que ojalá supiéramos cómo construir algo así.
No tenemos ni idea. Pero lo que hemos construido es genuinamente inteligente. Es inteligencia artificial. Solo que posee una forma particular de inteligencia, el aprendizaje estadístico. Es lo que nosotros mismos usamos en masa y comparte eso de nosotros. Y en ese sentido, hay muchas similitudes entre lo que hacen los grandes modelos de lenguaje y los seres humanos.
Pero nosotros tenemos todas estas otras formas de inteligencia, ideas computacionales de bajo nivel, otras de nivel alto. Un tipo famoso, Henry Markham, se sometió a una operación para prevenir la epilepsia de joven y nunca formó una nueva memoria a largo plazo en toda su vida. Gente como yo solo lo conoce como sujeto famoso de toda esa investigación.
Sabía tocar la guitarra, pero no recordaba haber aprendido nunca. En ese sentido, hay distintos tipos de inteligencia, ¿verdad? No podía formar nuevas memorias, pero sí podía aprender a tocar guitarra. Así que existen diferentes fortalezas que aportan las máquinas y los humanos. Si dejáramos de intentar construir humanos artificiales y simplemente celebráramos lo que la inteligencia artificial hace bien...
Estaríamos en un lugar mucho mejor ahora mismo.
David Rice: Estoy de acuerdo contigo y me resulta curioso porque es justo hacia donde pensaba que llevaría la conversación de hoy, que es esta noción de que la IA hará todo más fácil. Más conveniente, más eficiente, productiva, rentable.
Creo que esa es la que muchos ejecutivos se repiten actualmente. Pero cuando hablamos antes, desafiaste esa narrativa un poco, preguntando: "¿Y si la IA no hace la vida más fácil y la hace más difícil?" O de maneras que nos hacen mejores. Quiero saber, en tus palabras, ¿cómo sería eso?
Vivienne Ming: De hecho, acabo de compartir una investigación completamente no relacionada con IA este fin de semana en mi boletín, y una de ellas en particular revelaba que la gente tiene más probabilidad de invertir, digamos, un capitalista de riesgo, invirtiendo en un emprendedor. Controlando todo tipo de factores, como raza, género, edad, etc., es más probable que inviertan en personas cuyos rostros sean más similares.
Fue un experimento genial, en cierto modo solo posible con IA, porque puedes medir literalmente la similitud numérica de los rostros y ver: "Guao, eres un 3% más probable de lograr inversión si le presentas tu proyecto a un VC que se parece a ti, y sin embargo eres un 7% menos probable de generar retorno." Traigo esto porque, como dije antes, estamos llenos de sesgos.
¿De qué sirve? Tenemos este sesgo de invertir en gente que se parece a nosotros, y aún así produce peores retornos y queremos creer que somos racionales, y no lo somos. Y resulta que una de las maneras en que somos irracionales y esto es cierto para unos más que para otros, pero deberíamos ser honestos.
Es cierto para la mayoría: queremos tomar el camino fácil. En psicología, hablamos de procesamiento superficial y profundo. La mayoría de las veces, incluso las personas más brillantes, van por la vida de manera bastante superficial, y está bien. Realmente lo está. Pero de vez en cuando tienes que profundizar.
Y lo curioso es que hemos construido la herramienta perfecta para vivir el resto de tu vida de la manera más superficial imaginable. Y si añadimos a esto que los líderes empresariales tampoco toman siempre las mejores decisiones. Puede ser que contratan a quien se les parece, no al mejor para el puesto.
Otro artículo que compartí reveló que el principio de Peter -sorpresa- es real: en los equipos de ventas, promueven por la calidad en ventas, no por potencial directivo, y eso tiene grandes consecuencias económicas en las empresas. Así que hacemos todo esto mientras las mismas personas deciden sobre ascensos, inversiones y cómo desplegar IA.
Estamos comprando este discurso de que el valor de la IA es hacer nuestra vida fácil. Hará todo lo aburrido y tú lo realmente creativo. En mi investigación, resulta que cuanto más trabajo aburrido se hace con IA, más trabajo aburrido existe para todos. Un ejemplo obvio: he visto muchas empresas anunciar internamente a sus equipos, tener IA que lee todos tus correos, que los responda, y así ahorras comunicación inútil.
Resulta evidente que si la IA genera más basura de correos, recibes más correos, no menos, que debes gestionar tú. Así que esta idea de que la IA aporta estos aumentos rápidos de eficiencia, como si fuera cocaína para la productividad, es en mi opinión un callejón sin salida.
No solo porque erosiona el capital humano cuando lo sustituye. Hay más investigaciones que podría citar al respecto. Así que sí, la idea de que la IA hará todo lo aburrido y mágicamente nos volveremos súper creativos simplemente no es cierto. Si quieres mejores seres humanos y te entusiasma la IA, como a mí desde hace 30 años,
debes construir una IA que apoye explícita e inequívocamente la creatividad, y resulta que la mejor IA para eso no te facilita la vida. Te la complica. Te dice: eso no es una buena idea. Te muestra tres cosas que prueban que estás equivocado. Es la oposición leal. Así, en mi próximo libro, escribo sobre esto y lo llamo el "prompt némesis".
Lo usé para escribir el libro. Escribía un capítulo y, aunque ojalá pudiera delegarlo, pero es un libro técnico con mi propio sentido del humor, y no podía encargarlo ni a un escritor fantasma ni a una IA. Así que pasé por el proceso, durísimo para mí, de escribir un capítulo.
Y luego le decía: Gemini, eres mi némesis, mi peor enemigo de la vida. Aquí tienes el nuevo capítulo. Encuentra todo lo que he dicho mal, todas las malas ideas, todos los hechos fácilmente refutables, y explícamelo en detalle, y si puedes, dime cómo mejorarlo.
No usé IA para facilitarme escribir el libro. La usé para complicarme la tarea, como dices, de las formas que me hicieron mejor.
David Rice: Esto se ve por toda la cultura alrededor de la IA, ¿verdad? La vemos como un atajo a la productividad o una herramienta de conveniencia para volverte más eficiente, pero no la presentamos lo suficiente como un catalizador de crecimiento o de evolución en la formación de líderes.
O como decías, antes se ascendía por calidad de ventas, ¿no? Ni siquiera ponemos a prueba nuestras ideas o preguntamos más y mejor. No solemos plantearlo así. Lo presentamos como cualquier otra tecnología de los últimos 50 años: será fácil y nos hará la vida cómoda, lo que no nos ha ido bien en otros ámbitos de la vida tampoco, así que...
Vivienne Ming: Cuando empecé a dejar mi carrera académica y fundé mis primeras empresas, también me empezaron a invitar a dar conferencias sobre cómo va a cambiar el futuro del trabajo.
Y habiendo fundado empresas de IA en educación y en fuerza laboral, e IA en medicina, en cierto sentido, ¿quién mejor? Así que subo al escenario y la persona que comparte conmigo dice: Esto es como la Revolución Industrial. No hay de qué preocuparse. Creará más empleos de los que destruye, será un futuro brillante, como si decir "es como la Revolución Industrial" fuera una prueba matemática irrefutable.
Recuerdo una vez compartir escenario con el mansplainer más odioso. Un tipo que soltaba datos ficticios sacados de sus orificios biológicos durante todo el evento y estaba tan frustrada... Terminé escribiendo: esto no es la revolución industrial.
Terminé escribiendo cien mil palabras, que fueron un capítulo de ese libro amarillo que tengo detrás, sobre ¿entendemos realmente lo que fue la revolución industrial? Eso es historia de la economía, pero también, ¿es este momento solo una fábrica? ¿Es simplemente electricidad o motor de combustión? Apuntamos a estos momentos de cambio, y vale la pena comprenderlos. Pero la IA no levanta desde abajo. De hecho, para la IA no hay abajo. Puedes pedirle que escriba el tuit más tonto del mundo o que genere una imagen desechable, o puedes pedirle no solo diagnosticar cáncer,
sino también idear una nueva concepción de cómo surge el cáncer y cómo podemos cambiar para siempre. A la IA no le importa, no distingue la diferencia entre esas dos cosas. Son dos ejecuciones de... el consumo energético doméstico del día, y el resultado es que o enriqueces el mundo con algún chiste efímero gracioso a cien personas durante 35 milisegundos, o cambias el futuro de la humanidad. Eso no es una fábrica. No es la revolución agrícola. No es ningún evento pasado. No significa que será malo, pero tampoco bueno.
Creo que hasta que admitamos que los humanos somos caóticos y la IA también es un poco como nosotros, pero en otras cosas, si juntas esas dos cosas bien, sucede algo asombroso y si las conectas mal, los endocrinólogos diagnostican peor el cáncer y los estudiantes aprenden menos y se degrada su actividad cerebral con el tiempo.
No es bueno ni malo. Al final es un sistema dinámico, grande y complejo y depende de cómo lo usemos. Más que un argumento de la segunda enmienda, de si las armas matan gente o no... la IA no hace peor el mundo. Los algoritmos de YouTube tampoco, pero la interacción entre nuestras elecciones y estos algoritmos, eso es lo que produce el futuro.
Si no nos animamos a profundizar ahora, estoy preocupado.
David Rice: Lo que siempre pienso es cuando todos hablan de eventos históricos previos, digo: sí, pero no ocurrieron a este ritmo. El cerebro no está cableado necesariamente para asimilar el cambio al nivel del que hablamos, ¿verdad?
Los cambios que vendrán con esto, ya puedes verlo en la capacidad de la gente para discernir qué es real o qué no lo es cuando miran contenido en internet. No saben a veces si es, o no es, de IA. O dicen que lo es y no lo es, y ya no pueden distinguir qué es real.
Y nunca antes pasó que tuviéramos que cuestionar la realidad de esa forma. Así que es una tarea mucho más difícil para nosotros como humanos. Y lo más importante es cómo lo usamos. Si tenemos problemas para entenderlo y lo usamos, tenemos mucho espacio para usarlo mal.
Vivienne Ming: Actualmente trabajo en un estudio piloto y quiero entender la inteligencia colectiva híbrida. Lo bueno, lo malo y lo feo de cómo interactúan máquinas y humanos y qué pueden hacer juntos. Son los primeros días. Quien quiera leer mi artículo tendrá que esperar a que complete el estudio y esté segura de los resultados.
Pero si me permites, esto es muy preliminar. Vi una oportunidad para medir el impacto profundo de las personas en el mundo analizando qué tan bien predicen cosas. Algo así ya existe; el sitio Poly Market, donde puedes apostar dinero sobre apuestas del mundo, todo tipo de cosas. Hace poco salieron en prensa por las elecciones recientes, por ejemplo.
Donde hubo una anomalía rara, aparentemente equivocada. ¿Y si tomo un grupo de participantes de experimentos universitarios y los hago venir en equipos de 3 a 5, y les doy una hora para hacer una serie de predicciones de Poly Market? Deciden en conjunto.
No son expertos. No apuestan dinero. Pero tarde o temprano sabremos el resultado. Sabremos cómo lo hizo Poly Market. Sé cómo lo hicieron mis participantes, puedo hacer la prueba también con Gemini y GPT, ver qué tal lo hacen. Luego junto humanos y máquinas e investigo cómo les va cuando interactúan.
Y la parte más interesante es... Estos humanos inexpertos no lo hacen bien. Desde luego, no tan bien como los profesionales en Poly Market. Las IAs lo hacen bastante bien. No tan bien como Poly Market, pero sí hacen buenas predicciones, sobre todo cuando la idea era la obvia.
Entonces las IAs aciertan, pero si la predicción va por caminos extraños, aciertan mucho menos. Cuando mezclas humanos y máquinas, la cosa se complica y se enreda mucho. Ya no depende tanto de la IA: puedes usar GPT-5 o una lambda open source. Es el capital humano lo que predice cómo les va, porque eso determina cómo se relacionan con la IA. Cuando el capital humano es bajo, hacen lo que dice la IA. Así que el resultado de estos equipos híbridos es igual que el de la IA sola.
Si hay capital humano alto, no se limitan a aceptar lo que dice la IA. Se genera una dinámica: las personas proponen ideas, la IA las perfecciona, las personas idean más, la IA refina, y así pasan algunas rondas. Y, de forma provocadora (a confirmar), en una hora estos humanos inexpertos trabajando con IA logran resultados comparables a Poly Market.
Lo más emocionante es que aciertan mucho cuando el resultado es especialmente impredecible. Cuando ocurre lo inesperado, la inteligencia híbrida parece funcionar mejor. Pero todo depende de cómo la usamos. Sé que suena técnico pero lo que quiero transmitir es un reflejo de lo que decías tú.
Solo cuando nos comprometemos a fondo con el sistema, sin delegar por completo, integrándolo activamente en nuestro proceso de innovación, es cuando surgen los auténticos beneficios. Si no te convence, créeme: es un hallazgo enorme. Lo más inteligente del planeta hoy es la inteligencia híbrida.
No es una súper IA aislada ni un genio de fama mundial. Ni Terrence Tao, por brillante que sea. Es un grupo apenas superior a la media empoderado con IA. Casi nada puede compararse. Es realmente asombroso.
David Rice: Fascinante. Tengo muchas ideas ahora mismo.
¡Porque justo leí sobre Poly Market este fin de semana! Nunca había escuchado de él. Y estoy viendo que hay más webs donde apostar por cualquier cosa. Qué raro que esto se vuelva común...
Pero ya que avanzamos, quería hablar del mito de la eficiencia. Lo vemos en todas partes, en el trabajo y es lo que vivimos, ¿verdad? Y la eficiencia en los flujos de trabajo, etc. ¿Crees que la narrativa de la eficiencia está descarrilando el potencial de la IA para transformar el trabajo?
Vivienne Ming: El supuesto de eficiencia da por hecho muchas cosas. Una es que tenemos un buen modelo de eficiencia. Que las líneas de código de tus ingenieros o el pipeline de tu equipo comercial realmente captan lo que hace grande a tu empresa. Si miras gran parte del trabajo, estas son ideas esotéricas, pero si ves el crecimiento económico en EEUU en los últimos 30 años,
y personas como el reciente Nobel Daron Acemoglu y otros han hablado del capital intangible, un término que surgió al hablar de las súperempresas, la mayoría del crecimiento no es general, sino de un subconjunto de empresas transformadoras.
Es difícil precisar qué aportan al mundo, pero son mucho más productivas; si miras márgenes de beneficio, especialmente en tecnológicas, aunque las fronteras ya se difuminan. Sus números por empleado son enormes y no creo que sea porque escriban emails más rápido,
o programen más rápido o cierren ventas antes. De hecho, estudios internos en Google indican que los equipos realmente buenos no son muy eficientes; dedican poco tiempo a interactuar entre sí, y más tiempo contactando a otras áreas de la empresa, luego se agrupan por breves períodos.
Confían mucho los unos en los otros. No necesitan mando directo, y su colaboración es excelente. Yo investigué algo que llamé productividad de orden superior: cómo una persona mejora a quienes la rodean. Prácticamente todas las métricas de eficiencia son personales o de equipo y quizá capten algo de esto, pero no realmente.
Entonces pensé: ¿Qué pasa si una empresa de 500.000 personas es una red neuronal con 500.000 neuronas artificiales? Entonces tendríamos la matemática para hacer asignación de crédito: cómo cambiar una persona afecta a la salida global. Hay más cosas, pero esa es la idea. Lo apliqué a una empresa real y vimos que el 11% del personal generaba el 80% de la productividad no registrada por métricas individuales. Así que una minoría significativa mejoraba a su alrededor.
Y lo mejor es que pudimos ver, porque 70.000 empleados aceptaron compartir datos diarios, que quienes tenían un gran impacto se diferenciaban porque simplemente ayudaban. Es decir, si acaso eran ineficientes. Cuando veían que alguien necesitaba ayuda (aunque estuviera fuera de sus tareas) ayudaban, y mejoraban a todos.
¿Qué métrica de eficiencia mide eso? Diré que fue un impulsor enorme y no registrado de productividad total en estas empresas. Y no lo estamos midiendo. Hacen falta modelos matemáticos sofisticados para captar esto, pero ahí está.
Si crees que automatizar tu centro de atención reemplazando gente con chatbots es bueno porque reduces costes, lo es para tu cuenta de resultados. Pero si eso genera problemas en la gestión de clientes más adelante, o al automatizar la generación de código implica que tus programadores senior corrigen más errores,
no has mejorado nada. Pero cuando los individuos de capital humano elevados usan IA para profundizar en su código, en el momento son más lentos, pero a la larga, el impacto de su código es mejor. Hay mejoras de calidad que compensan sobradamente la menor eficiencia tradicional.
Sé que estoy siendo nerd, pero a lo que voy es que nuestras intuiciones sobre la eficiencia y cómo se mide fallan totalmente en un mundo donde deberíamos permitir que la gente cometa errores productivos y explore vías alternativas usando IA, en vez de dejar que la IA haga siempre la tarea conocida más barata, rutinariamente.
Porque estamos haciendo lo segundo y no vamos a ningún sitio.
David Rice: Me encanta que hayas mencionado el ejemplo de personas cuya salida perjudica tanto al equipo. Todos hemos vivido equipos donde alguien se va y desde fuera no pareciera ser importante, pero es el típico "pegamento" en el vestuario deportivo, quien mantiene unido al grupo: se va y el equipo no funciona ni se coordina por un tiempo.
Todos lo hemos visto, pero ¿cómo cuantificas eso con datos?
Vivienne Ming: Sí. Y obviamente en deportes se toma todo esto muy en serio. Puedes mirar cosas como valor por sustitución u otras métricas que dicen... Bueno, tienes cuatro estrellas que son las mejores, pero cuando miras quiénes anotan más o menos bajo estos modelos aparecen personas inesperadas, gente que no pensabas desaparece de la lista, porque gestionas una comunidad.
No tienes que ser sentimental. Solo tienes que entender que son sistemas complejos que deben encajar. Tomas en serio la complejidad de tu cadena de suministro, ¿por qué no la de tu capital humano? Alguien puede ser genial en un equipo y no en otro, hay buenos encajes para cada quien.
A veces pasa que, si no anotara ninguno, funcionaría mejor, pero tienes a un Djokovic dando ese plus que hace a un equipo corriente ser finalista mundial cada año.
Y en nuestros datos, sí, algunos que mejoran a su entorno son evidentes, son estrellas totales. Pero no hay fuerte correlación con métricas individuales: algunos tienen malos números, pero si entiendes su impacto en el resto, sería insensato despedirlos.
Y, modelado así, el potencial humano es muy emocionante. Quizá todos podríamos practicar nuestra versión Moneyball viendo qué gafas encajan con qué equipo y jugando con estadísticas, pero eso solo es para fanáticos de los números deportivos. Realmente se trata de:
Cuando piensas en IA, tienes que pensar en cómo hace mejor a la gente, no cómo les sustituye.
David Rice: Mencionaste el ejemplo de la red neuronal de 500.000 personas. Pensándolo así, hay puntos de vista que solo puedes ver teniendo toda esa variedad en la red.
Y preocupa la desaparición de roles junior. Los que escuchan esto ya saben el coste de eliminar el aprendizaje de entrada y los daños en la sucesión. Pero creo que también pierde la perspectiva fresca, ojos nuevos.
¿Hay un mayor coste cognitivo a largo plazo, una mayor factura sobre cómo entendemos nuestro rol en la organización y la sociedad en un mundo donde la IA "no sabe nada", como has dicho antes? ¿Qué perdemos si eliminamos la experiencia de entrada, el primer trabajo?
Vivienne Ming: Esa frase que mencionaste antes, déjame darle contexto. Mis estudiantes de doctorado en UC Berkeley y en otros sitios son de las personas más inteligentes con las que he trabajado. Aunque sean jóvenes, son brillantes, y sobre su tema de tesis saben tanto o más que nadie en el mundo (más que yo).
Esto es, para mí, máximo una hora a la semana durante seis o siete años; para ellos es 24/7. Son brillantes. ¿Por qué estoy yo allí? Podrían aprender todo esto, las bibliotecas existen. Podrían leerlo todo, entender la matemática, los cerebros, la IA. ¿Por qué estoy yo? Ellos lo saben todo y no entienden nada. Mi trabajo es dar comprensión.
Mi trabajo no es enseñar hechos, es enseñar a comprender. ¿Cómo ser científico? ¿Cómo explorar el cerebro? Que es mucho más complejo que GPT-5, más que el sistema más elaborado que exista hoy. Y no es vanidad: el cerebro es asombrosamente complejo.
Tienen todo al alcance, pero el trabajo como científicos es explorar lo desconocido. El trabajo no es saber el próximo dato, sino la próxima pregunta. ¿Qué vamos a investigar del mundo? Pues trabajar con un LLM para mí es como trabajar con mis doctorandos salvo que el LLM lo sabe todo de todo, ¿verdad?
Puedo preguntarle de derecho, de neurociencia, de ingeniería, de matemáticas, incluso de sincronía, ¡qué horror! Pero responde. ¿Acierta? A veces sí... Al igual que las personas. Pero puede darme, lo sabe todo, pero no entiende nada. No sabe cuándo no sabe por cómo lo hemos construido. Así que mi trabajo, como el de los humanos en el experimento Poly Market, es explorar lo desconocido. Eso es lo que hace grandes a los humanos. Así que al comienzo de tu carrera, para por fin llegar a tu pregunta: cuando contratamos a alguien recién salido de derecho, medicina, o tal vez comunicación y empieza esa primera experiencia en marketing...
No es lo que sabe lo valioso. Estamos alquilando ese saber para que los seniors no lo hagan. Ve a revisar casos, contratos. Haz tus prácticas de residente en urgencias. Yo no llego a todo.
¿Y qué haré por ti? Enseñarte no el derecho, sino qué hacer con el derecho. Me pasó en una conferencia privada ante chief legal officers y heads de asesoría jurídica de grandes compañías. Pensé que serían cínicos, pero se lo tomaron en serio. Uno me dijo: Yo me reservo las dos últimas semanas del primer mes tras las contrataciones. Porque todos llegan a la vez y son de las mejores escuelas. Les doy tiempo para leer todos los contratos.
Todos reservan luego una hora conmigo y dicen: Esto es increíble, he leído todos los contratos y he encontrado errores, podemos aprovechar esto y lo otro.
Les dejo explayarse, y entonces les digo: Me alegra que hayas hecho el esfuerzo, pero no vamos a hacer eso porque está mal. Si lo hiciéramos, nos lo devolverían. Ya sabíamos que esos defectos existían, pero sabemos también qué hacer con ellos. Eso es lo que ahora te tocará hacer algún día, porque no querrás estar revisando casos 80 horas a la semana toda la vida.
Algún día vas a querer decidir y para eso necesitas saber cosas y comprender cosas. Y si eliminamos los trabajos de entrada, ¿cómo van a entender? ¿Cómo se aplicará? Nadie va a salir iluminado. Admito que hay un caso donde quizá funcione: la economía de creadores de YouTube o TikTok, donde alguien empieza a crear y uno entre un millón conecta y se hace influencer, o Andy Samberg y The Lonely Island.
Tienen ese golpe de suerte y triunfan, pero ¿queremos que esa sea la carrera profesional, una lotería donde quien lo consigue es por azar?
Sería mejor si lográramos que todos pudieran crecer profesionalmente, como en los trabajos tradicionales. No creo que queramos el modelo de carreras de la comunidad de creadores, donde todo es suerte, mucho trabajo y azar, porque ni siquiera hay datos que digan que la calidad predice el éxito. Es mucho azar, mucho, trabajo y mucha suerte. Pero eso no es lo ideal, es malo social y económicamente.
Pero aquí va lo bueno, y sé que me extiendo, lo resumo: La decisión más inteligente no surge cuando la IA analiza la hoja de cálculo y tú decides; ocurre cuando tú y la IA la analizáis juntos y dices: hagamos esto, probemos aquello. Ahora lo entiendo, creo que pasa esto. Eso sí es más eficiente en términos clásicos que hacerlo solos: puede escribir rutinas, hacer pruebas que te tardarían, y eso sí puede acelerar las cosas.
Pero funciona porque eres parte activa del proceso. No delegas todo, no es cuestión de que el trabajo sea mitad humano y mitad IA, sino de ser cíborg, el trabajo es combinado. Mejora la calidad y permite aprender a todos.
David Rice: Hay mucho que analizar ahí, pero siempre regreso a que la IA no tiene contexto del mundo. Como dijiste, no conoce la experiencia humana, y el criterio práctico es algo que formas con el tiempo, con las experiencias pequeñas que moldean tu visión del trabajo, del jefe, de ti mismo... Por eso temo la pérdida de crecimiento, del proceso por el cual creces como persona. No sé si exagero...
Vivienne Ming: Hay una aparente paradoja, al menos para científicos nerds, que no es tan buena para la humanidad.
Uno de los ámbitos donde más se ha investigado la IA es la educación. Llevan años desarrollándose tutores inteligentes y si hay una regla de oro replicada ahora también con LLMs punteros es que, cuando el tutor da la respuesta al estudiante, nunca aprende nada.
Trabajo en MIT y en Anthropic confirma esto, y también en los comienzos laborales. Si la LLM da las respuestas, si extrapolas 50 años de investigación, nunca aprenderás tu profesión, o siendo justos, la mayoría nunca aprenderá.
Algunos sí profundizan y se comprometen, pero ya vemos que es una minoría menor al 10% de universitarios. ¿Y si llegáramos al 20%? ¿Al 50%?
He aquí la paradoja: el mejor tutor de IA nunca da las respuestas, aunque pueda hacerlo. Ni siquiera obliga a pensar primero. Es puro Sócrates: ¿Tú qué opinas?, ¿cómo resolverías esto?, ¿leíste aquel artículo? No es arbitrario. Las LLMs con lo que dicen llevan a descubrir por uno mismo. Pero nunca te lo dan hecho.
Deben guiarte hacia esa percepción, y el LLM está diseñado para eso. Esto se conecta con mis intereses en neuroprótesis/ cíborgs: la tecnología no solo debería mejorarte mientras la usas (aunque la mayoría mejora la creatividad, escribe mejor, tiene más ideas; no los mejores, pero sí la mediana),
sino que también seas mejor cuando la apagas que cuando iniciaste. Hay muchas pruebas, incluso mías, de que en promedio, emplear LLMs o modelos generativos hace que la habilidad se erosione: la gente termina siendo peor en aquello para lo que usaba la IA. No tiene por qué ser así. La IA no es la villana, es la interacción lo problemático.
Se puede arreglar desde el lado de la oferta (construir IA que no dé respuestas) o desde la demanda (fomentar el capital humano para que, como en mi experimento en Poly Market, la gente elija comprometerse). Ya ocurre espontáneamente en menos del 10% de universitarios. ¿Y si logramos que sea el 20% o 50%?
No voy a ser ingenua, no será todo el mundo. Pero, ¿y si logramos que la IA dé lo que necesitas para mejorar, no lo que quieres? De eso va mi ética.
David Rice: Estoy de acuerdo. Usaste antes la frase "economía Jiffy Lube". Me pareció una de-profesionalización, ¿puedes explicar eso?
Vivienne Ming: Mencioné antes que, sobre si esto es como la Revolución Industrial o no, uno de los mitos es "la IA creará más empleos de los que destruye, como los telares dieron paso a una industria fuerte un siglo después de arrasar con India o China".
¿Pero y este momento de la historia? Teóricamente estoy de acuerdo, la IA debería crear muchos más empleos. Pero la diferencia con una fábrica, con la electricidad o cualquier otro gran invento, es que cuando crea un nuevo empleo, si ese trabajo es regular y económicamente valioso, en seis meses habrá una IA que lo haga.
La cuestión no es si crea más empleos que destruye, sino quiénes estarán calificados para los trabajos que la IA no puede hacer. Y ahora mismo, son muy pocos.
Porque, en vez de una economía donde… ese era el gran engaño de la IA: todos los médicos serían súper doctores recogiendo datos del paciente, que podrían diagnosticar todo, con tu smart watch, tus expedientes, etc. Y eso sería posible. Lo más interesante es la inteligencia colectiva híbrida en diagnóstico y medicina: ahí es realmente emocionante.
Pero ¿es eso lo que estamos haciendo, o bien la colonoscopia tipo Jiffy Lube, donde un joven con diploma de secundaria y voluntad de ir cada día al trabajo te conecta a una computadora, y por un salario bajo, en vez de pagar a un médico carísimo, te examina una IA y obtienes el 80% de valor por el 20% del coste?
Muchos directivos lo verían como un éxito. Así que aquí no ves desaparición de empleos, sino de profesionalización.
Puede que aparezcan muchos trabajos de baja cualificación simplemente porque no vale la pena hacer una IA para ese trabajo, y eso genera una división social profunda: saber que tu trabajo existe solo porque no es rentable automatizarlo.
David Rice: Uf. Se habla mucho ahora de aumento y parece que es lo que todos quieren de la IA, pero muchas veces se desvía hacia lo que llamaríamos automatización cognitiva. Para la audiencia: ¿cuál es la diferencia entre automatización cognitiva y aumento cognitivo y por qué importa para el liderazgo?
Vivienne Ming: Dios, ¿quieres que dé la ultrateórica respuesta neurocientífica? ¿Qué partes del cerebro se activan? Una forma de verlo: si realmente usas tu cerebro, es costoso; si usas lo que nos hace humanos, el lóbulo prefrontal, ves mucha actividad. Gestionas emociones, problemas complejos, planeas. En neurociencia llamamos actividad gamma a cierta frecuencia que indica que piensas fuerte. Antes aludí a un estudio en el MIT: allí hallaron que esa proxy disminuía muchísimo en los estudiantes que usaban LLM para escribir ensayos,
a diferencia de los que solo tenían Google o nada. Los que no usaban nada pensaban más, su puntuación en ortografía era peor, su escritura menos elaborada, pero mostraban mayor actividad gamma y luego,
recordaban lo que habían escrito, lo sentían propio, mientras que quienes escribieron con LLM apenas recordaban nada, ni lo sentían suyo — y esos ensayos resultaban menos persuasivos para terceros.
Así que, al mirar aumento vs automatización cognitiva, pensemos en algo que usamos todos: GPS. Hace años se estudió a los taxistas de Londres. Debían memorizar direcciones, el flujo de calles. Tenían recuerdos fuera de lo normal, y su hipocampo (área clave de la memoria) era mucho mayor. Y mantenían buena salud mental más adelante.
Ahora subes a un Uber y casi siempre solo siguen el mapa. Son mejores usando el GPS que sin él. Yo uso Google Maps en todo el mundo cuando voy a pie y no conozco la ciudad.
Pero hace 15 años predije que la navegación automática aumentaría las tasas de demencia porque dejas de ejercitar el cerebro. La actividad frontal que mencioné está ausente cuando solo sigues un mapa. Soy mejor usando el GPS, pero hay datos empíricos de que después eres peor, pues te privas de salud cerebral futura. La automatización cognitiva me lleva, pero el aumento cognitivo me ayudaría a llegar por mis propios medios.
Desafío a mi clase en UC Berkeley: ¿cómo rediseñarían Google Maps para no solo llegar, sino llegar mejor cognitivamente hablando?
Salen ideas muy buenas y complejas, pero aquí va una simple: Enciendo Google Maps, le pido ir al supermercado, me da la ruta y entonces utilizo lo que yo sé para ganarle. Sé cosas de Berkeley, LA, Londres... Sé los atascos, sé que el giro a la izquierda será un desastre con un partido de los Bears, o que puedo atajar por un patio público no marcado en el mapa.
Esa es mi mente trabajando junto con el AI. Parece trivial, pero eso es aumento cognitivo: mi cerebro participa y me beneficio del AI. Lo bueno es que podemos construir AI que aumente de esta manera, aunque no es lo habitual hoy día en los LLM.
David Rice: Es curioso. Me mudé hace poco a otra ciudad y quise construir mi propio mapa mental, así que después de unos meses dejé de usar el GPS. Pero descubrí que sigue siendo útil si quiero saber qué ruta es más rápida ahora. Así que le pregunto eso y luego decido yo cómo ir. Interesante.
Vivienne Ming: Y navegas tú mismo. Pero si lo piensas, como mencioné antes, el estudio en Portugal con gastroenterólogos encontró que, con ayuda de IA, los médicos hacen colonoscopias mejor, pero si apagas la IA, son mucho peores que antes de usarla. Si la IA te ayuda pero luego daña tu competencia, hay que cuestionarlo.
Típicamente se responde: da igual, pues con IA trabajan mejor. Pero si eso erosiona habilidades a largo plazo, es preocupante. Además, humano e IA cometen errores distintos y tienen fortalezas distintas.
Si solo delegas en la IA, es automatización; no aprovechas la capacidad humana de decir, tengo una corazonada… esto es distinto a los datos de entrenamiento del AI, voy a mirar este pólipo aunque la IA diga que no pasa nada. Precisamente ahí es donde la inteligencia híbrida brilla. Pero la automatización no te da nada de eso.
David Rice: Ha sido un diálogo fascinante, Vivienne, gracias por acompañarnos hoy. Me encanta este tema: el cerebro, la IA, cómo interactuamos y, por supuesto, las consecuencias a largo plazo.
Así que gracias por venir.
Vivienne Ming: Gracias a ti. Para terminar, creo que tenemos que entender que, en definitiva, todo esto de la inteligencia colectiva humano-IA depende de los líderes. Si optan por lo fácil y sustituyen personas, verán ganancias rápidas y pérdidas a la larga. Si invierten —porque habrá que invertir— en el lado del capital humano, verán retornos de verdad, pero hace falta coraje. Hay que gastar capital político en la empresa para lograrlo.
David Rice: Exacto. La semana pasada hablé ante líderes de RRHH y les dije: “Sé que no entrasteis en este sector para debates filosóficos necesariamente, pero ha llegado la hora de tener uno. Todos debemos hacerlo. Acostúmbrense.” Gracias por venir y por esa reflexión final.
Vivienne Ming: Un placer. Muchas gracias.
David Rice: Bueno, oyentes, si no lo han hecho ya, asegúrense de suscribirse al boletín. Vayan a peoplemanagingpeople.com y véanlo. Tenemos ahí nuestro Explorador de Transformación de IA que quizás quieran revisar también. Si no se han creado una cuenta gratuita, háganlo: les da acceso al Explorador de Transformación.
Y hasta la próxima: la clave aquí es lo humano, y ustedes son quienes marcan el camino.
