La paradoja de la supervisión: automatizamos el trabajo, pero seguimos necesitando a las personas

Las organizaciones están incorporando cada vez más supervisión humana a sus modelos de gobernanza de IA. Alguien debe validar resultados, reconocer excepciones, cuestionar recomendaciones y asumir responsabilidad cuando una decisión asistida por un sistema tiene consecuencias reales.

Pero esa exigencia contiene una paradoja que empieza a ser difícil de ignorar: Cuanto más capaces se vuelven los sistemas de IA, más necesitamos personas preparadas para cuestionarlos. Al mismo tiempo, estamos automatizando el trabajo mediante el cual esas personas aprendían a desarrollar esas competencias.

McKinsey acaba de alertar sobre ello desde el desarrollo del talento. Tareas como investigación inicial, documentación, limpieza de datos, programación básica o análisis preliminar están siendo simplificadas o absorbidas por sistemas de IA. Muchas eran tareas de entrada, pero también formaban parte del recorrido mediante el cual un profesional aprendía a reconocer patrones, cometer errores en contextos de menor riesgo y entender cómo piensan quienes tienen más experiencia.

No se trata de conservar trabajo rutinario porque siempre haya existido. La oportunidad de eliminar tareas mecánicas y permitir que profesionales jóvenes accedan antes a problemas más complejos es real. El reto consiste en comprobar si, al rediseñar esas tareas, estamos rediseñando también el mecanismo que construía expertise.

Porque mantener a una persona formalmente en el circuito no garantiza que exista supervisión humana de calidad. Para cuestionar una respuesta hay que tener suficiente criterio independiente para detectar cuándo debe ser cuestionada.

La IA puede permitir que una persona con poca experiencia produzca antes resultados que tradicionalmente requerían más trayectoria. Esa aceleración puede ser muy positiva.

Un estudio de Erik Brynjolfsson, Danielle Li y Lindsey Raymond, publicado por NBER, analizó la introducción de un asistente generativo entre 5.179 agentes de atención al cliente. La productividad aumentó un 14% de media y un 34% entre trabajadores noveles y menos cualificados. Los autores encontraron además indicios de que el sistema difundía prácticas asociadas a los trabajadores de mayor rendimiento y ayudaba a los nuevos a avanzar más rápidamente por la curva de experiencia.

Es una evidencia importante porque evita una lectura defensiva del cambio. La IA también puede democratizar el acceso a conocimiento experto y acelerar el aprendizaje.

Pero conviene separar dos curvas que pueden avanzar a velocidades distintas: la de rendimiento y la de expertise. La IA puede hacer que una persona produzca antes como alguien experimentado sin que haya adquirido todavía todo el criterio que normalmente exigía esa experiencia.

McKinsey plantea esta diferencia al analizar el futuro de los perfiles de entrada: si la IA realiza parte del primer razonamiento, un empleado puede trabajar más deprisa sin haber practicado suficientemente cómo estructurar problemas, contrastar hipótesis o construir juicio independiente. Por eso propone que los nuevos roles no se definan simplemente por las tareas que queden después de automatizar, sino por combinaciones deliberadas de experiencias que sigan desarrollando capacidad.

Microsoft Research aporta otro dato relevante. En un estudio presentado en CHI 2025, 319 profesionales del conocimiento aportaron 936 ejemplos reales de utilización de IA generativa. Una mayor confianza en la IA estaba asociada con menor esfuerzo declarado de pensamiento crítico, mientras una mayor confianza del trabajador en sus propias capacidades se relacionaba con más pensamiento crítico. Los investigadores observaron además que la naturaleza de ese pensamiento cambia: parte del esfuerzo se desplaza hacia verificar información, integrar respuestas y supervisar el resultado de la tarea.

No es una prueba de que utilizar IA deteriore el pensamiento crítico. Sí sugiere algo relevante para la supervisión: cuanto más trabajo realiza el sistema, más importante es saber qué debe ser verificado y disponer del conocimiento para hacerlo.

Una parte considerable de la formación profesional nunca estuvo formalmente diseñada como formación. Se aprendía preparando una primera versión que alguien corregía, participando en reuniones que inicialmente se comprendían solo a medias, resolviendo problemas pequeños antes de asumir otros mayores, observando cómo un profesional experimentado manejaba una excepción o un imprevisto o descubriendo por qué una solución aparentemente correcta no funcionaba en un contexto concreto. Producción y aprendizaje estaban parcialmente integrados.

McKinsey sostiene que ese mecanismo ya no puede darse por supuesto y propone integrar knowledge management, diseño de roles, aprendizaje dentro del propio flujo de trabajo y coaching directivo como un único sistema. Una de sus propuestas más interesantes consiste en crear procesos paralelos en los que el empleado intenta primero resolver una tarea y después compara su razonamiento con el resultado generado por la IA. La diferencia se convierte en material de aprendizaje y conversación con el manager.

El orden importa. Si la IA produce sistemáticamente la primera respuesta, el aprendizaje puede concentrarse en editar, verificar o completar outputs. Si el profesional conserva determinadas oportunidades para formular primero su propio razonamiento, la IA puede funcionar también como contraste y feedback.

Eso permite formular el cambio de una manera más organizativa: El aprendizaje profesional está dejando de ser, en algunos trabajos, un subproducto relativamente automático de la producción. Empieza a necesitar diseño deliberado.

Cedefop aporta una perspectiva europea útil. Su European Training and Learning Survey, basada en más de 44.000 trabajadores de los 27 países de la UE, Islandia y Noruega, muestra que el desarrollo de capacidades depende tanto del contexto laboral como de la formación formal: autonomía, oportunidad para aprender, apoyo directivo y una cultura que permita reflexión y desarrollo influyen en lo que las personas consiguen aprender trabajando.

La consecuencia es que sustituir una tarea que producía aprendizaje no puede resolverse necesariamente añadiendo un curso. Hay que entender qué experiencia proporcionaba esa tarea y decidir cómo reproducirla de otra manera.

Aquí surge un reto menos visible. Si una IA puede producir en segundos un análisis que una persona junior tardaría varias horas en preparar, pedirle que lo haga primero por sí misma puede parecer una pérdida de productividad. A corto plazo, incluso puede serlo.

Sin embargo, algunas de esas horas eran también inversión en capacidad futura. Permitían estructurar un problema, probar una hipótesis, descubrir una excepción o recibir una corrección que más tarde se convertiría en criterio propio. La eficiencia inmediata y la construcción de expertise no siempre van a optimizarse con el mismo workflow.

Esta situación modifica también el papel del manager. McKinsey propone que, cuando los profesionales jóvenes acceden antes a tareas de mayor valor gracias a la IA, el coaching se desplace desde la mecánica de la tarea hacia juicio, contexto, comunicación e interpretación. Entre los modelos que sugiere está el de preceptor: un profesional senior acompaña formalmente a un pequeño grupo de juniors y observa qué aceptan de la IA, qué rechazan y dónde se equivocan.

La idea es interesante, pero tiene una consecuencia operativa que no debería quedar en segundo plano. Ese modelo consume capacidad senior. Si automatizamos parte del trabajo junior para aumentar productividad y, al mismo tiempo, necesitamos más dedicación de profesionales experimentados para desarrollar criterio en la siguiente generación, la organización tendrá que decidir explícitamente cuánto valor atribuye a esa actividad.

Un manager medido casi exclusivamente por producción, velocidad y resultados inmediatos tiene pocos incentivos para dedicar tiempo a un aprendizaje cuyo retorno aparecerá dentro de varios años. Formar expertise deja entonces de ser solo una cuestión de formación. Entra en el diseño de roles, cargas de trabajo, métricas e incentivos.

La misma transformación afecta al conocimiento organizativo. Las empresas que quieren introducir IA en procesos complejos necesitan hacer más explícita una parte de la experiencia que antes permanecía distribuida entre documentos, personas, precedentes y prácticas informales.

McKinsey propone codificar no solo información, sino también cómo piensan los mejores profesionales: marcos de análisis, reglas de decisión, supuestos, precedentes y trade-offs. En un ejemplo, un sistema para un abogado junior no se limita a localizar contratos anteriores, sino que muestra los precedentes relevantes y los patrones de decisión utilizados por profesionales más experimentados.

Este proceso de codificación puede servir para dos objetivos diferentes. Podemos estructurar el conocimiento para que una IA llegue más rápidamente a una buena respuesta. O podemos diseñar esa misma infraestructura para que una persona comprenda también por qué esa respuesta es buena, qué alternativas se descartaron, qué excepciones importaron y qué razonamiento llevó hasta la decisión. En ambos casos digitalizamos expertise. Solo en el segundo ayudamos deliberadamente a crear nueva expertise humana.

La distinción gana importancia porque la OECD observa que la IA no está reduciendo de forma general la importancia de las capacidades avanzadas. En manufactura y finanzas, más de la mitad de los empleadores que ya habían adoptado IA señalaban una mayor necesidad de trabajadores con educación elevada. Junto con las capacidades digitales y de análisis de datos, la OECD destaca la continuidad de skills como problem solving, creatividad y capacidades manageriales.

La cuestión, por tanto, no se limita a enseñar a utilizar nuevas herramientas. También afecta a cómo se sigue produciendo el juicio necesario para trabajar con ellas cuando los sistemas proporcionan cada vez más conocimiento y capacidad bajo demanda.

La gobernanza de IA suele formularse mediante políticas, niveles de riesgo, controles, trazabilidad, validaciones y accountability. Todo ello es necesario, pero cualquier mecanismo de supervisión humana contiene una condición previa menos visible: alguien debe saber suficientemente bien qué está supervisando: debe reconocer una excepción aunque la respuesta parezca plausible, debe identificar cuándo falta contexto y debe poder apartarse de la recomendación del sistema y explicar por qué.

La OECD señala que skills y formación forman parte de la infraestructura necesaria para que la adopción de IA funcione y que las capacidades manageriales y humanas siguen siendo esenciales. La OIT, por su parte, advierte de que el efecto de la IA no se limita a productividad y empleo: también está modificando la propia organización del trabajo y puede afectar especialmente a las oportunidades mediante las que los trabajadores jóvenes construyen experiencia.

Por eso esta discusión termina siendo más amplia que una política de talento. Si una organización espera que las personas supervisen sistemas cada vez más capaces, también necesita conservar las condiciones mediante las que esas personas desarrollan criterio independiente. Un “human in the loop” puede existir sobre el organigrama y ser débil en la práctica. La supervisión solo aporta valor cuando quien la ejerce tiene capacidad real para disentir de la máquina.

Formar a la siguiente generación empieza así a formar parte de la infraestructura con la que las organizaciones podrán gobernar la IA. Y quizá convenga incorporar una última comprobación antes de automatizar una tarea porque la tecnología ya puede realizarla mejor o más rápido: qué estaba aprendiendo alguien al hacer ese trabajo y cómo vamos a conseguir que siga aprendiéndolo cuando la tarea desaparezca.

• McKinsey & Company — Building expertise in the age of AI: Who trains the next generation? https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/building-expertise-in-the-age-of-ai-who-trains-the-next-generation
• McKinsey & Company — Rethinking early-career talent in the agentic organization https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-organization-blog/rethinking-early-career-talent-in-the-agentic-organization
• NBER — Erik Brynjolfsson, Danielle Li & Lindsey R. Raymond, Generative AI at Work https://www.nber.org/papers/w31161
• Microsoft Research — The Impact of Generative AI on Critical Thinking https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/
• OECD — AI and skills: What we know so far https://www.oecd.org/en/publications/ai-and-skills_f843b352-en/full-report.html
• Cedefop — Beyond training: what drives skills development at work? https://www.cedefop.europa.eu/en/news/beyond-training-what-drives-skills-development-work
• International Labour Organization — The impact of GenAI on jobs, productivity and work organization: a review of the empirical evidence https://www.ilo.org/publications/impact-genai-jobs-productivity-and-work-organization-review-empirical