La Confirmación de la Brecha
Hace poco, Ethan Mollick publicó un post que resonó con fuerza en Linkedin. Su planteamiento, breve, fue el siguiente: “Entre las muchas cosas extrañas de la IA, está el hecho de que los expertos en fabricarla no son los expertos en usarla. Construyeron una máquina de propósito general cuyas capacidades para cualquier tarea particular son, en gran medida, desconocidas”.
La respuesta a estas palabras fue inmediata y voluminosa. El post generó 1.531 reacciones, 134 reposts y 222 comentarios. Esta respuesta hace evidente que Mollick no solo compartió una curiosidad técnica, sino que puso en palabras una realidad que muchos profesionales están experimentando en su día a día, la brecha entre la potencia de la IA y la falta de instrucciones para su aplicación práctica.
Con la curiosidad de entender realmente qué ideas y patrones hay detrás de la reacción al post de Mollick, decidí aplicar un enfoque de experimentación activa, y diseñé un asistente de Inteligencia Artificial para codificar semánticamente cada una de las respuestas y analizarlas en busca de pistas claras sobre cómo profesionales y directivos están intentando llenar esta brecha, y qué piensan al respecto.
Lo que revelan los datos
Lo primero que muestran los números es un consenso claro. El 61% de los participantes respalda la tesis de Mollick. Pero quedarse con ese dato sería engañoso, pues la forma en que estos profesionales procesan esa realidad varía bastante. Al analizar los argumentos, aparecen tres posturas muy distintas sobre cómo convivir con esta “caja negra”.
El grupo más numeroso, al que llamé los Exploradores Pragmáticos, asume una postura práctica. No les agrada la “falta de manuales”, pero entienden que esperar uno es inútil. Su argumento es que, si ni siquiera los creadores conocen los límites de la IA, la única forma válida de conocimiento es la experimentación directa. Para ellos, el descubrimiento ha dejado de ser una etapa previa para convertirse en la habilidad profesional central: probar, fallar y ajustar (tinkering) hasta encontrar aplicaciones efectivas.
Luego está el grupo que aporta el matiz más sofisticado, los Defensores del Contexto. Aquí el énfasis se desplaza de la curiosidad técnica hacia la reivindicación del criterio experto. Son personas que plantean que la IA aporta sintaxis (código, texto, patrones), pero carece de semántica (significado y consecuencias). Su punto es que la IA ha democratizado la producción de contenido, pero ha hecho más escaso y valioso el criterio experto para evaluar ese contenido. Como bien resumió un participante: “El modelo genera contenido; el experto identifica el riesgo”.
Finalmente, cerca del 20% opta por mirar hacia atrás. Son los Normalizadores. Ante la incertidumbre de una tecnología que parece no tener reglas claras, su reacción es buscar patrones históricos. Recurren constantemente a analogías, por ejemplo de la industria automotriz, la música, o la electricidad, para argumentar que la separación entre “quien fabrica” y “quien usa” es la norma en cualquier industria madura. “Los ingenieros de Fórmula 1 no son quienes ganan las carreras, son los pilotos”, repiten, buscando poner orden en el fenómeno.
A simple vista, esa analogía del automóvil parece sólida. Nos da una sensación de terreno conocido. Pero es precisamente aquí donde debemos detenernos, porque esa comparación esconde una confusión fundamental que impide entender lo que realmente está pasando.
Las limitaciones de la analogía
Es comprensible por qué la analogía del automóvil resulta tan seductora para los “Normalizadores”. Nos ofrece una narrativa de continuidad y control. En ella la tecnología avanza, se encapsula, y el usuario final solo necesita aprender a manejar la interfaz, ignorando la mecánica. Sin embargo, aplicar esta lógica a la Inteligencia Artificial Generativa es un error mayor, que conlleva riesgos operacionales graves.
La diferencia radica en la naturaleza del diseño. Un automóvil es un sistema determinista. El ingeniero que diseña la suspensión sabe exactamente qué problema está resolviendo y cómo ese componente afectará la experiencia del conductor. Existe una cadena causal clara entre la intención del creador y la utilidad del usuario.
La IA Generativa, por el contrario, es probabilística y emergente. Sus creadores no han diseñado una herramienta para un fin específico, sino que han entrenado un modelo general capaz de completar patrones, pero cuyas capacidades y aplicaciones específicas son desconocidas incluso para ellos. A diferencia del ingeniero automotriz, que diseña para cumplir expectativas, el creador de IA diseña un “espacio de posibilidad”.
Tratar a la IA como si fuera un coche nos expone a malas decisiones. Si un conductor gira el volante, el auto gira con una respuesta coherente. Si un ejecutivo le pide un análisis de mercado a una IA, la respuesta puede ser una alucinación perfectamente articulada. Creer que, en el caso de la IA, estamos conduciendo una máquina determinista nos expone a ser víctimas de errores costosos, tales como tomar decisiones estratégicas basadas en información que suena verosímil pero que es contextualmente falsa.
Tras haber realizado workshops de aplicación de la IA con más de 800 profesionales, he detectado un patrón recurrente. Muchas organizaciones intentan gestionar la adopción de la IA como si fuera un proyecto de TI tradicional (por ejemplo, un ERP o un CRM). Esta mentalidad genera expectativas deterministas que no se condicen con la necesidad de experimentación y la importancia del conocimiento experto funcional interno. Claramente, esto ayuda poco a la adopción exitosa.
Una nueva perspectiva … Ciencia Básica vs. Ciencia Aplicada
Si la relación no es la de un ingeniero con un conductor, ¿cuál es la metáfora correcta? La evidencia sugiere una brecha mucho más profunda, la que existe entre las Ciencias Básicas y las Ciencias Aplicadas.
Pensemos en los creadores de estos modelos, los investigadores de OpenAI, Anthropic o Google, como matemáticos puros o biólogos teóricos. Su dominio es el pensamiento abstracto y su objetivo es expandir la frontera de lo posible. Pero jamás esperaríamos que un matemático puro haga los cálculos para la construcción de un puente colgante, ni que un biólogo teórico realice una cirugía. Para eso confiamos en el ingeniero civil y en el cirujano, que son profesionales del pensamiento concreto y aplicado, conscientes de que un error no es un “dato interesante”, sino un puente que se cae o un paciente que muere.
Esta distinción es crítica. Quienes desarrollan la tecnología la hacen más poderosa, pero operan sin conciencia plena de cómo se traduce ese poder en un entorno real. Entregan capacidad latente, no soluciones.
Aquí es donde la granularidad del experto se vuelve insustituible. En un entorno probabilístico, la máquina puede construir frases que suenan a verdad. Pero solo el experto del dominio específico, con conocimiento granular, tiene la capacidad de distinguir entre una alucinación verosímil y una respuesta contundente. El detector de mentiras no está en el software, sino está en la experiencia acumulada del usuario. Por eso, esperar que la empresa tecnológica nos enseñe a usar la herramienta es un contrasentido. Ellos tienen el mapa teórico, pero solo el experto funcional conoce lo suficiente su metro cuadrado de conocimiento para no dar por cierto algo falso.
Mapas, territorios y la inflación de expertos
Si aceptamos que los creadores operan en la ciencia básica, su rol se asemeja al de los antiguos cartógrafos. Dibujan mapas teóricos de un Nuevo Mundo posible, llenos de conjeturas sobre dónde hay tierra firme y dónde hay dragones. Pero el mapa es solo una descripción parcial y gruesa del territorio.
Aquí entra el verdadero protagonista, el Explorador de Frontera. Su trabajo es validar empíricamente el mapa. Y esta labor introduce una distinción brutal, la diferencia entre visibilidad y conocimiento.
Hoy, tenemos una avalancha de “expertos instantáneos”, una proliferación de perfiles que, apenas descubren una funcionalidad, ofrecen una masterclass, y así confundimos la novedad con la profundidad. Como señaló uno de quienes comentó el post de Mollick, “Proof, not hype is required”. Este fenómeno es peligroso porque la validación social hoy se da por el “like” en las redes, no por resultados visibles y sostenidos, como ocurría en los antiguos gremios de artesanos. El verdadero explorador no es quien comenta la última funcionalidad de moda, sino quien se ha sumergido en el esfuerzo riguroso de construir soluciones robustas: documentando errores, mapeando dificultades e iterando obsesivamente hasta dar con un resultado confiable.
Esta mentalidad de “explorador serio” implica una estrategia de adopción contraintuitiva. En el software tradicional (como un ERP), actualizarse siempre es bueno. En la IA Generativa, “nuevo” no siempre significa “mejor”. Un modelo más avanzado puede perder capacidades específicas que el anterior dominaba. Por eso, la sofisticación técnica hoy se manifiesta a veces en la decisión de no actualizarse en forma instantánea, sino quedándose en un mapa viejo pero validado, en lugar de saltar al vacío de un modelo nuevo recién estrenado cuyo comportamiento aún no conocemos.
Y sobre el experto generalista, aquel que puede pasar de un nicho de conocimiento a otro, el perfil necesario es híbrido y escaso. Requiere fluidez en el razonamiento abstracto, casi académico, para entender la lógica del funcionamiento estructural, pero la obsesión práctica, de tipo ingenieril, para probar, fallar y documentar rigurosamente. Si tienes a alguien con ese perfil cerca, tienes suerte, pues la combinación de abstracción y orientación concreta, en simultáneo, es poco frecuente.
La crisis de confianza y los tesoros ocultos
Esto nos lleva al desafío final, que no es tecnológico, sino institucional y social, la crisis de confianza.
En las conversaciones durante los workshops, he visto que muchos profesionales y directivos están desorientados y no saben a quién recurrir en busca de ayuda para incorporar la IA en sus negocios. Esto sucede, en parte, porque quienes facilitan la tecnología proponen casos de uso genéricos que son implementados por terceros, quienes no necesariamente entienden el negocio central del cliente ni los puntos críticos que requieren certeza.
Históricamente, el conocimiento técnico se certificaba por pares o gremios. Hoy, ante el vacío de autoridad, la única forma de generar conocimiento válido es a través de la experimentación distribuida. Pero aquí surge un dilema humano, pues el conocimiento granular sobre cómo hacer que la IA funcione en un caso real toma tiempo y esfuerzo, y cuando se obtiene es un verdadero “tesoro”. Es una ventaja competitiva directa que no se sabe cuánto va a durar, pero que es importante aprovechar.
Para que las organizaciones avancen, necesitamos Comunidades de Práctica donde los pares compartan sus hallazgos. Pero compartir un tesoro requiere un capital social que hoy escasea, la confianza y la reciprocidad. Sin un entorno seguro donde el error no sea castigado y la generosidad sea recompensada, los verdaderos expertos, aquellos que han logrado domar la herramienta, guardarán silencio, convirtiendo sus hallazgos en secretos industriales.
No podemos esperar que Google, OpenAI o Anthropic nos enseñen a aplicar la IA. Ellos están ocupados expandiendo la frontera de lo posible. Las soluciones concretas, y la creación real de valor, son el dominio y responsabilidad de quienes se atrevan a explorar el territorio de lo posible con creatividad, rigor, escepticismo y, ojalá, la generosidad para compartir el “mapa de lo factible” que van descubriendo.
