La máquina ya no espera tus órdenes: espera tus objetivos

Los nuevos modelos de IA trabajan solos durante horas y cambian el papel del profesional. Pero cuanta más autonomía, más criterio hace falta. Y el criterio no viene de serie: se aprende.

 

Por Guillermo Taboada Martínez  ·  Economista · Profesor en la Universidade da Coruña

Durante tres años nos hemos entrenado para hablarle a la inteligencia artificial. Ahora, justo cuando empezábamos a dominar el arte de pedirle tareas, resulta que la pregunta ya no es cómo pedir, sino qué encargar. Y ese cambio, aparentemente pequeño, lo cambia todo.

En las últimas semanas, varios de los modelos de IA más avanzados del mundo han cruzado una frontera que llevábamos tiempo esperando: la de trabajar solos. No responder a una pregunta y callarse, sino recibir un objetivo complejo y pasarse horas —literalmente horas— planificando, ejecutando, revisando su propio trabajo y corrigiéndose antes de entregar un resultado. El profesor de Wharton Ethan Mollick, uno de los observadores más rigurosos de este campo, documentó un modelo capaz de trabajar de forma autónoma durante nueve horas en proyectos que a un equipo humano le habrían llevado más de una semana. Otro laboratorio midió catorce horas de trabajo continuo para construir algo que a un ingeniero le costaría entre dos y diecisiete semanas.

No se trata de un solo fabricante ni de un solo modelo. Es un movimiento de fondo que abarca a los tres grandes laboratorios estadounidenses —Anthropic, OpenAI, Google— y a una segunda ola de competidores que pisa fuerte. El sector entero ha girado en una misma dirección: la autonomía. Los propios test que se usan para medir estos modelos han cambiado de naturaleza: ya no miden si conversan bien, sino si sostienen un trabajo independiente y prolongado sin descarrilar.

La metáfora es exacta y merece detenerse en ella. Durante la era del «chatbot», el valor estaba en saber formular: quien mejor redactaba la instrucción, mejor resultado obtenía. Era un trabajo de operador. La era que se abre ahora es distinta. El profesional ya no recita instrucciones línea a línea: define un objetivo, aporta contexto, fija los criterios de éxito y deja que el sistema trabaje. Pasa de operar una herramienta a dirigir un encargo. De técnico a director.

Las veces que los modelos frontera fallan en tareas reales de producción, según la Universidad de Stanford. Máxima capacidad y fiabilidad irregular conviven: la «frontera irregular».

El espejismo de la potencia

Un Ferrari para ir a por el pan

Aquí aparece la primera trampa, y es más común de lo que parece. La mayoría de las organizaciones que estrenan uno de estos modelos lo usan para lo de siempre: «reescríbeme este correo», «resúmeme este PDF». Tareas de una línea. Es comprar un Ferrari para ir a por el pan. Con encargos triviales, un modelo capaz de trabajar catorce horas seguidas no se distingue apenas de uno diez veces más barato. La potencia se desperdicia porque el problema no está a su altura.

El salto de rendimiento no se nota en la microtarea, sino en el encargo grande, ambiguo, con contexto abundante y libertad para trabajar. Y ahí surge la segunda trampa, la de verdad importante: si el encargo está mal planteado, el resultado es malo, por muy caro y capaz que sea el modelo. La potencia no salva de un mal briefing. Quien aprende a encargar bien le saca diez veces más partido que quien sigue pidiendo tareas sueltas. La ventaja competitiva ya no está en la herramienta, que es la misma para todos. Está en quién sabe usarla con criterio.

La frontera irregular

Brillante y falible al mismo tiempo

Y aquí llega el matiz que el entusiasmo suele pasar por alto, y que para mí es el más importante de todos. Estos modelos, con toda su potencia, siguen siendo profundamente irregulares. El índice anual de IA de la Universidad de Stanford lo cuantifica sin rodeos: los modelos frontera fallan aproximadamente una de cada tres veces en tareas reales de producción. Pueden ganar una medalla de oro en la Olimpiada Internacional de Matemáticas y, acto seguido, ser incapaces de leer la hora con fiabilidad. Mollick bautizó este fenómeno como la frontera irregular: la línea imprevisible donde la IA pasa de brillante a inútil sin avisar.

Conviene entender lo que esto significa para una empresa. Un sistema que trabaja solo durante horas y que acierta espectacularmente dos de cada tres veces es, a la vez, una herramienta extraordinaria y un riesgo si nadie la supervisa. Cuanto más autónoma es la máquina, más caro sale el error que pasa desapercibido. La autonomía no elimina la necesidad de juicio humano: la multiplica.

Un caso de manual

Cuando la capacidad choca con la realidad

Que esto no es teoría lo demostró un episodio reciente. En junio de 2026, uno de los grandes laboratorios lanzó una nueva clase de modelo de altísima capacidad. Tres días después, el Gobierno de Estados Unidos le aplicó controles de exportación al detectarse que unos investigadores habían encontrado la forma de sortear sus salvaguardas de seguridad. El acceso se suspendió a nivel mundial durante casi tres semanas, hasta que se revisaron los controles y se restauró. Capacidad de frontera, salvaguardas imperfectas e intervención regulatoria en tiempo real, todo en el mismo mes. Es exactamente el terreno que el Reglamento europeo de IA viene a ordenar, y una señal de que la potencia sin gobernanza es un problema, no una solución.

La lección que dejan estas semanas no es que la IA sea peligrosa ni que sea milagrosa. Es que se ha vuelto, a la vez, mucho más capaz y mucho más exigente con quien la maneja. El profesional que hace seis meses construyó su método de trabajo alrededor de un chatbot acaba de descubrir que ese método ya se quedó obsoleto. Y el que no entienda cómo encargar, supervisar y auditar a un agente autónomo no va a sacarle partido, por mucho que pague por el mejor modelo del mercado.

LA RESPUESTA NO ES MÁS VELOCIDAD

La máquina corre. A las personas hay que darles criterio.

Ante una tecnología que dobla su autonomía cada pocos meses, la reacción instintiva de muchas organizaciones es acelerar: comprar más licencias, adoptar más deprisa, no quedarse atrás. Pero la carrera no la gana quien corre más, sino quien decide mejor. Y decidir mejor con inteligencia artificial no es una cuestión de herramientas: es una cuestión de personas formadas.

Esa es la esencia del Slow AI, o «IA con criterio»: anteponer el juicio humano a la velocidad, la comprensión al automatismo, la gobernanza a la moda. No es ir despacio por prudencia temerosa; es ir con criterio para ir más lejos. En un mundo donde la máquina hace el trabajo en horas, lo único que de verdad distingue a una organización es la calidad del criterio con que lo encarga y lo supervisa.

Ese criterio no viene instalado de fábrica. Se aprende. Preparar a los directivos y a los equipos para dirigir a la IA en lugar de limitarse a usarla —encargar objetivos, supervisar con rigor, auditar lo que la máquina propone— es hoy la inversión más rentable que puede hacer una empresa. Es, exactamente, el propósito con el que diseñamos el programa Executive AI Reskilling (reskilling.estrategicamente.info).

— Que la máquina corra. Nosotros, con criterio.