El futuro del aprendizaje humano. ¿Especialista, operador o ritualista?

La pregunta es directa. Si la IA sabe más que tú en cualquier dominio razonablemente codificado que toque, ¿qué tiene sentido aprender? Tres caminos están ya abiertos y conviven en proporción variable en la población profesional de 2026. Primero: ser especialista en una frontera donde la IA aún no llega bien. Segundo: ser operador de la IA, sin saber tú mismo lo que la IA hace. Tercero: aceptar que el aprendizaje pierde su función pragmática y se vuelve identidad, ritual, ejercicio de constitución personal. Las tres están pasando ya. Ninguna es la respuesta correcta. Son las opciones disponibles dentro de un marco que nadie negoció.

Camino 1: especialista en frontera móvil

La idea es reconocible. Si la IA cubre el centro del conocimiento codificado, el profesional sobrevive especializándose en lo que la IA aún no cubre bien. El problema es que la frontera se mueve. Lo que en enero de 2024 era frontera —generación de imagen realista, código razonablemente complejo, razonamiento matemático paso a paso— en mayo de 2025 era capacidad estándar. Cada seis a doce meses, la frontera se desplaza algunos kilómetros más adentro del territorio que antes era humano.

Las especializaciones que aguantan, según los datos disponibles a 2026, comparten al menos una de estas propiedades:

• Dominio físico no trivial. Cirugía manual fina, fisioterapia con manos, odontología, oficios manuales especializados, manipulación de materiales con feedback táctil. La IA está progresando en robótica, pero la integración cuerpo-máquina sigue siendo barrera práctica para muchos años.
• Relación humana donde la presencia importa. Psicoterapia profunda, cuidado paliativo, mediación de conflictos, docencia infantil. Hay versiones IA de estos servicios, pero la fracción de usuarios que prefieren —y pagan— por presencia humana es robusta.
• Responsabilidad jurídica concentrada. Cirujano, juez, médico forense, notario. La firma humana tiene valor legal específico que la firma sintética no asume. Mientras la regulación no cambie, la función queda blindada.
• Microespecialidad rara y de alto valor. Subdisciplinas con poca demanda pero crítica —patólogos de enfermedades raras, especialistas en sistemas legados de software, traductores de lenguas minoritarias para tribunales internacionales. El corpus para entrenar IA en estas tareas es insuficiente y la IA llega tarde o no llega.

Newport, en So Good They Can't Ignore You (Grand Central, 2012), argumentó —antes de la era IA generativa— que el «hazte experto en algo específico» era la estrategia más fiable para construir capital profesional. Su tesis envejece bien en general; pero requiere un anexo: el «algo específico» debe seleccionarse mirando dónde la frontera IA es más estable, no donde el campo es más glamoroso.

Esta vía tiene un coste. Especializarse en una microfrontera requiere muchos años de inversión. Quien apuesta a una microfrontera apuesta a que esa frontera no se cierre durante esos años de inversión. La apuesta es razonable, pero no es segura. La estrategia funciona para una fracción de la población profesional, no para todos.

Camino 2: operador de IA sin conocimiento del fondo

El segundo camino —que en términos numéricos será probablemente el mayoritario— es operar la IA sin tener tú mismo el conocimiento que la IA proporciona. Algunas figuras emergentes:

• El ingeniero de prompts. Especialización en formular bien lo que se pide a un modelo, sin necesariamente comprender lo que el modelo computa.
• El médico que delega diagnóstico. Mantiene el rol clínico —examen físico, contexto del paciente, decisión terapéutica— pero la elaboración del diagnóstico diferencial se hace en conversación con un sistema asistido. Hua y colegas, en World Psychiatry 24(3), 2025, lo documentaron en salud mental; análogos hay en cardiología, radiología, dermatología.
• El abogado que delega borrador. La redacción inicial de contratos, escritos, dictámenes la hace el modelo. El abogado revisa, ajusta, firma. La asunción de responsabilidad queda en el abogado; la elaboración del producto, no.
• El profesor que delega preparación. El plan de clase, los ejercicios, las explicaciones detalladas las prepara el modelo. El profesor ejecuta en aula y modula según interacción.
• El periodista que delega investigación. Recopilación de fuentes, primera versión del artículo, traducciones, fact-checking básico se delegan. El periodista entrevista, contextualiza, firma.

El operador, en todos estos casos, ejerce función nominal sin sostener el conocimiento subyacente. El sistema funciona porque hay capa humana que asume responsabilidad y modula la interacción. Pero si se retira la capa humana, el sistema sigue produciendo —probablemente con error mayor, pero sigue—. La función del operador es tanto técnica como simbólica y jurídica.

Esta vía es la que más se parece a lo que Carr describió en The Glass Cage (W. W. Norton, 2014) hablando de pilotos de avión: el operador mantiene la responsabilidad y el reconocimiento profesional, pero su pericia efectiva se reduce con cada año en la cabina automatizada. El piloto comercial contemporáneo vuela manualmente unos pocos minutos de cada vuelo. Cuando ocurre lo inesperado —Air France 447, 2009— la capacidad latente no siempre responde como debería.

El operador es vía viable a corto y medio plazo. A largo plazo, cuando la regulación se acomode y la responsabilidad se distribuya de otro modo, parte del trabajo de operador puede desaparecer también. Pero esto es escenario a diez-quince años, no a tres-cinco.

Camino 3: aprendizaje como identidad

El tercer camino es más raro de nombrar en lenguaje contemporáneo, pero está pasando. Algunas personas aprenden no para ser competitivamente más útiles, sino porque el aprendizaje forma parte de quién son. Leer, estudiar, profundizar en algo, no como inversión profesional sino como ejercicio constitutivo.

Esta vía no es nueva. Era, en gran medida, la concepción premoderna del aprendizaje. La paideia griega, el bildung alemán, la cultura humanista renacentista —todas concepciones donde aprender era formar al sujeto, no acumular ventaja competitiva. La modernidad industrial transformó el aprendizaje en inversión pragmática —«estudia para tener un buen trabajo»—. La era IA, paradójicamente, puede devolver al aprendizaje parte de su sentido premoderno, porque la inversión pragmática se devalúa.

Lo que esto implica en concreto:

• Leer literatura clásica porque te da forma, no porque te haga competente. La inversión emocional y cognitiva en una novela rusa del XIX no se rentabiliza profesionalmente. Se rentabiliza identitariamente —si tal cosa es siquiera medible.
• Estudiar idiomas por amor a la lengua, no porque vayas a usarlos —la traducción automática los cubrirá con suficiencia en casi todos los contextos prácticos. Pero aprender alemán para leer a Kafka en alemán sigue dando algo que la traducción no entrega.
• Hacer música, pintura, escultura, no para vivir de ello —la IA generativa ha colapsado el mercado en estas áreas para el productor medio—, sino para constituir una práctica personal.
• Investigar temas obsoletos porque interesan, no porque tengan demanda. Erudición clásica, historia local, geología regional, arqueología amateur.

Esta vía requiere condiciones que no todos tienen. Tiempo libre, estabilidad económica, marco cultural que reconozca el valor de la actividad no productiva. En sociedades donde el ingreso garantizado o estructuras similares emerjan, esta vía puede ser opción razonable para grandes fracciones de la población. En sociedades donde el ingreso siga atado a la productividad medida, la vía queda como lujo de minorías.

Lo que la OCDE y el WEF están proponiendo

Los marcos institucionales han empezado, con desfase, a reaccionar. La OCDE, en Future of Education and Skills 2030 — Learning Compass (OECD Publishing, 2019, con actualizaciones del Global Forum 2024 en Polonia), propone tres transformative competencies que, según el marco, deberían ocupar el centro de la educación frente a las competencias instrumentales:

1. Creating new value —generar lo que la IA no genera bien. 2. Reconciling tensions and dilemmas —operar en situaciones donde no hay respuesta única. 3. Taking responsibility —asumir las consecuencias de las decisiones, incluso cuando las elaboró otro.

El World Economic Forum, en su Future of Jobs Report 2025 (enero 2025), proyecta para 2030: 170 millones de empleos creados, 92 millones destruidos, balance neto positivo de 78 millones. AI and big data aparece como la primera skill en crecimiento. Un 39 % de las skills cambiarán en el horizonte temporal del informe. Un 63 % de los empleadores cita la brecha de skills como barrera principal a la transformación de su negocio.

Las cifras son razonables y, a la vez, no resuelven el problema individual. El profesional medio que lee el informe se encuentra con que «las skills cambiarán», pero el informe no dice exactamente cuáles serán las skills concretas que él, a sus 47 años en su sector concreto, tendrá que adquirir. La conversión del macroinforme en estrategia individual queda a cargo del individuo —que es exactamente la asimetría informacional que vuelve la transición particularmente dura para la mayoría.

Lo que no se está calculando

Esto es opinión personal pero documentable. Las tres vías —especialista, operador, ritualista— no son sustituibles entre sí y no son equiprobables para cada persona. La elección de cuál camino seguir depende de:

• Edad y horizonte temporal disponible.
• Recursos económicos para invertir en formación o para aceptar reducción de ingresos.
• Disposición psicológica al cambio o a la estabilidad.
• Sector y país donde se opera.
• Suerte —en sentido fuerte: estar en un microsector que la IA no toca por azar.

La pregunta seria es qué tipo de sociedad sale de la distribución agregada de elecciones. Si la mayoría de la población profesional acaba en el camino 2 —operadores sin conocimiento de fondo—, hay una pregunta sobre quién sostiene el conocimiento estructural a medio plazo. Si la mayoría acaba en el camino 1 —especializados en microfronteras móviles—, hay una pregunta sobre cómo se sostiene la infraestructura cognitiva común. Si una fracción significativa acaba en el camino 3 —aprendizaje como identidad—, hay una pregunta sobre cómo se financia esa fracción.

Nadie ha hecho el cálculo agregado en serio. Hay informes parciales —WEF, OCDE, Stanford HAI— pero ninguno aborda la pregunta política central: qué distribución es deseable y cómo se llega a ella. La discusión se queda en upskilling y reskilling como si fueran soluciones técnicas, cuando el problema es estructural y la respuesta requiere debate público que aún no está ocurriendo.

Una observación sobre el momento

Los siguientes diez años son el periodo en que la generación que ahora tiene entre 20 y 35 años va a tomar las decisiones individuales que determinarán, agregadamente, qué proporción de cada camino constituye el tejido profesional de 2040. Estas decisiones se están tomando con información incompleta, en un mercado laboral en transición, sin marcos institucionales adecuados, sin debate público proporcional. Lo cual es lo normal en transiciones técnicas mayores —ocurrió con la industrialización, con la suburbanización, con la digitalización— y lo cual es también, en términos democráticos, problemático.

Definiciones

• Frontera móvil de capacidades IA: línea que separa lo que los sistemas IA hacen razonablemente bien de lo que aún no; se desplaza típicamente cada seis a doce meses con cadencia variable según subdominio.
• Operador profesional sin fondo cognitivo: profesional que ejerce función formal cuya elaboración delega en sistemas asistidos, manteniendo responsabilidad jurídica y supervisión simbólica sin sostener el conocimiento subyacente.
• Aprendizaje constitutivo: aprendizaje cuya finalidad principal no es producir competencia mensurable sino formar al sujeto que aprende; concepción dominante en marcos premodernos (paideia, bildung), residual en la modernidad industrial.
• Transformative competencies (OCDE): tres competencias —generar nuevo valor, reconciliar tensiones, asumir responsabilidad— propuestas como centro del currículo del siglo XXI frente a competencias instrumentales más sustituibles por sistemas IA.
• Upskilling / reskilling: prácticas de actualización (subir el nivel en la misma profesión) y recapacitación (cambio de campo) habitualmente propuestas como respuesta individual a transiciones técnicas mayores; eficacia desigual según campo de origen y destino.

Referencias

• Newport, C. So Good They Can't Ignore You: Why Skills Trump Passion in the Quest for Work You Love. Grand Central, 2012.
• Brynjolfsson, E.; McAfee, A. The Second Machine Age. W. W. Norton, 2014.
• Carr, N. The Glass Cage: Automation and Us. W. W. Norton, 2014.
• OECD. Future of Education and Skills 2030 — Learning Compass. OECD Publishing, 2019; actualizaciones del Global Forum 2024 en Polonia.
• Susskind, D. A World Without Work. Metropolitan, 2020.
• World Economic Forum. Future of Jobs Report 2025, enero 2025.
• Stanford HAI. AI Index Report 2026.

Para profundizar

• Arendt, H. The Human Condition. University of Chicago Press, 1958. La distinción entre labor, trabajo y acción —que aparece de modo subyacente en cualquier discusión seria sobre el sentido del trabajo humano cuando la labor se automatiza.
• Sennett, R. The Craftsman. Yale University Press, 2008. Marco sobre por qué la combinación entre habilidad manual, juicio profesional y orgullo del oficio sigue importando para la constitución del sujeto, incluso cuando la productividad medida ya no requiere esa combinación.

También te interesa

• El fin del experto clásico. La justicia no era el criterio
• El trabajo como residuo. La frontera se mueve cada año
• El conocimiento como flujo. De stock a stream
• Aprender a desaprender

En otros sitios

• Supporting Cognition With Modern Technology: Distributed Cognition Today and in an AI-Enhanced Future (PMC)
• Ethics of Artificial Intelligence and Robotics — sección sobre empleo (Stanford Encyclopedia of Philosophy)