Durante buena parte de la historia tecnológica, imaginar algo y ser capaz de construirlo fueron actividades separadas por una distancia considerable. Una persona podía reconocer un problema o concebir una empresa, pero convertir esa intuición en una aplicación, un servicio o una herramienta exigía conocimientos técnicos, capital, tiempo y casi siempre la colaboración de otros; esa dificultad nunca garantizó que el resultado fuera valioso, aunque sí limitaba quién podía intentarlo. La inteligencia artificial está acortando la distancia porque ya permite investigar, diseñar, programar y analizar con una velocidad que hace pocos años estaba reservada a equipos especializados, aun cuando sus resultados sigan necesitando supervisión. La novedad no consiste en que una idea se haya vuelto suficiente, sino en que ejecutarla empieza a ser bastante menos excepcional.
Describir este cambio únicamente como una historia de productividad resulta incompleto. También es una historia sobre escasez, porque cada tecnología que vuelve abundante una capacidad desplaza el valor hacia aquello que todavía resulta difícil: las calculadoras redujeron la utilidad de ciertos cálculos manuales sin volver innecesarias las matemáticas, mientras internet amplió el acceso a la información sin enseñarnos por sí mismo a comprenderla. La IA abarca un territorio mayor porque redacta, compara documentos, propone código y ofrece explicaciones que parecen razonadas. Cuando una primera respuesta convincente cuesta cada vez menos, lo escaso pasa a ser la capacidad de decidir si responde a una pregunta que importa, si merece confianza y qué consecuencias tendría actuar sobre ella.
Como estudiante de Medicina en Ecuador, esa diferencia no me resulta abstracta. La formación clínica obliga a distinguir una respuesta plausible de una decisión responsable, porque un diagnóstico posible no tiene el mismo peso que uno probable, una recomendación general puede ser inadecuada para un paciente concreto y reconocer los límites propios forma parte de la competencia. El lugar desde el que aprendemos también modifica el juicio: un modelo entrenado con datos y prioridades de otros sistemas sanitarios puede ser útil, pero no conoce por defecto la disponibilidad local de pruebas, medicamentos, especialistas o seguimiento. A esto se suma una desigualdad de acceso anterior a la IA; los resultados de la ENIGHUR 2024-2025 difundidos por el INEC en mayo de 2026 situaron el acceso a internet en el 74,3 por ciento de las viviendas del país, con una cobertura del 78,3 por ciento en el área urbana y del 62,2 por ciento en la rural. La idea de que "todos pueden construir" describe una dirección tecnológica, no una realidad distribuida de manera uniforme.
Esa salvedad no reduce la oportunidad. En países donde el capital y el talento especializado son difíciles de reunir, abaratar el experimento permite que una persona sin formación técnica produzca un prototipo, que un programador explore varias soluciones antes de comprometerse con una y que equipos pequeños atiendan necesidades locales que nunca serían prioritarias para una gran empresa extranjera. Sin embargo, la facilidad técnica no aumenta en la misma proporción nuestra capacidad para reconocer buenos problemas; un estudio observacional publicado por el NBER en 2026, basado en datos de más de 100.000 desarrolladores, encontró que el aumento de la actividad de programación asociado con agentes autónomos se reducía con fuerza al medir proyectos terminados y lanzamientos, mientras el mayor número de aplicaciones no produjo un aumento agregado de uso. Es una evidencia inicial, no una ley general, pero muestra por qué ejecutar más no equivale a crear más valor. La antigua dificultad de construir era un filtro imperfecto y a menudo injusto; retirarlo no selecciona mejores ideas, deja expuesto el filtro siguiente.
Podemos llamar criterio a ese filtro, siempre que no usemos la palabra como sustituto elegante de "pensar bien". El criterio reúne conocimiento, experiencia, comparación y disposición a corregirse; permite observar cómo se comportan las personas en vez de asumir cómo deberían hacerlo, distinguir una necesidad persistente de una anécdota llamativa y abandonar una hipótesis cuando la evidencia deja de sostenerla. Tampoco aparece por acumular respuestas ni por aprender una colección de instrucciones ingeniosas para conversar con un modelo, pues depende de haber visto suficientes casos y comprender los mecanismos relevantes. Esta es la confusión más tentadora de la abundancia: acceder a una explicación parece equivalente a estar en condiciones de evaluarla, aunque para detectar una respuesta incorrecta necesitamos saber algo y para elegir entre dos alternativas razonables necesitamos contexto antes de que llegue el momento de decidir.
La Medicina hace visible ese límite con una claridad incómoda. Un sistema puede enumerar diagnósticos diferenciales, resumir una historia clínica o redactar recomendaciones comprensibles y aun así omitir un dato decisivo, reproducir un sesgo o inducir una confianza excesiva en una respuesta bien escrita; la Organización Mundial de la Salud ha advertido sobre información falsa o incompleta y sobre el sesgo de automatización, que aparece cuando profesionales o pacientes dejan pasar errores que habrían detectado sin la sugerencia de una máquina. Esto no justifica mantener la IA fuera de la salud, donde puede ayudar en educación, documentación, investigación y tareas clínicas bien definidas, pero sí obliga a conservar una distinción que vale para cualquier profesión: delegar una tarea no transfiere automáticamente la responsabilidad por sus consecuencias.
La educación enfrenta una versión menos inmediata del mismo problema. Durante mucho tiempo evaluamos el aprendizaje mediante resultados porque producirlos era una aproximación razonable al proceso que los hacía posibles: un ensayo permitía observar cierta capacidad de argumentación y un programa funcional sugería alguna comprensión del código. La IA debilita esa relación al ofrecer un resultado pulido sin exigir las decisiones, dudas y correcciones que la tarea pretendía ejercitar, de modo que un texto impecable ya no demuestra por sí mismo que su autor sabe construir un argumento, aunque tampoco demuestra lo contrario. Ha perdido parte de su valor como evidencia. La dificultad educativa consiste entonces en precisar qué capacidad queríamos observar y diseñar una evaluación que todavía permita verla.
Un ensayo aleatorizado publicado en 2025 por la revista PNAS, realizado con cerca de mil estudiantes de secundaria en clases de matemáticas, mostró esa separación de forma concreta: el acceso a una interfaz abierta de GPT-4 mejoró el rendimiento durante la práctica, pero quienes la utilizaron obtuvieron calificaciones un 17 por ciento menores que el grupo de control cuando rindieron después sin ayuda. El perjuicio desapareció en gran medida con un tutor configurado para ofrecer pistas diseñadas por docentes en vez de entregar respuestas, aunque tampoco produjo una mejora posterior significativa. Un estudio en una materia y un contexto no permite generalizar a toda la educación, pero sí muestra que el diseño de la asistencia importa tanto como la potencia del modelo.
Prohibir estas herramientas es una reacción comprensible cuando el estudiante delega precisamente la destreza que debía practicar, pero intentar preservar intacta una educación anterior a la IA sería una estrategia frágil. Hay esfuerzos que conviene eliminar y otros que parecen ineficientes porque estamos mirando únicamente el resultado: intentar recordar antes de buscar revela qué sabemos, resolver mal un problema ayuda a localizar el punto en que el razonamiento se desvió y escribir una primera versión deficiente obliga a descubrir que una intuición todavía no era un argumento. En mi formación, formular una hipótesis antes de consultar la respuesta no es una ceremonia nostálgica; sirve para ordenar probabilidades y hacer visibles vacíos que una solución inmediata puede ocultar. Si retiramos toda fricción, corremos el riesgo de ahorrar también el esfuerzo mediante el cual se construye la capacidad que después esperamos delegar con criterio.
La alternativa exige algo más que permitir la IA y pedir una nota al pie. Una evaluación puede obligar a justificar decisiones, comparar versiones, explicar qué evidencia modificaría la conclusión y señalar dónde la herramienta probablemente se equivoca; una defensa oral breve o el análisis de un caso con información incompleta suele revelar más comprensión que un detector automático de texto. También conviene declarar qué parte del trabajo se delegó, verificar las fuentes y responder por la versión final, no como trámites destinados a castigar la asistencia tecnológica, sino como hábitos de responsabilidad intelectual. La UNESCO ha propuesto una adopción centrada en las personas y atenta a la agencia, la inclusión y el diseño pedagógico. La proporción correcta variará según la materia y el momento de formación, porque no tiene sentido ofrecer la misma ayuda a quien está aprendiendo un fundamento que a quien ya demostró dominarlo.
La reducción de barreras también puede acercar el aprendizaje a la realidad. En muchos ámbitos digitales, donde experimentar es barato y reversible, un estudiante aprende programación mientras intenta crear una aplicación, comprende economía cuando descubre que nadie está dispuesto a pagar por su idea o mejora un diseño al observar que los usuarios interpretan una interfaz de maneras que ninguna presentación había anticipado. Esta posibilidad resulta especialmente interesante en Ecuador y otros países latinoamericanos, donde estudiantes y equipos pequeños conocen problemas próximos que los productos globales apenas registran; la teoría sigue siendo necesaria, pero se encuentra antes con restricciones verdaderas. Construir para otra persona obliga a descubrir que algo debe funcionar fuera de una demostración, que el contexto modifica la solución y que una idea inicialmente convincente puede no sobrevivir al contacto con la evidencia.
No todos los experimentos, sin embargo, admiten el mismo margen de error. Probar una herramienta para organizar turnos, traducir información sanitaria o reducir carga administrativa permite iteraciones que serían inaceptables si el sistema orientara una conducta clínica; allí hacen falta validación, protección de datos, supervisión profesional y una definición estricta de éxito. La diferencia depende del daño posible, de la reversibilidad del error y de quién conserva la obligación de responder, una cautela propia de la Medicina que también sirve para evaluar decisiones en finanzas, derecho, educación o administración pública. La cultura tecnológica suele celebrar la velocidad como si tuviera valor por sí misma, mientras las profesiones de alto riesgo recuerdan que una decisión rápida solo es mejor cuando conserva la seguridad y el contexto.
Cuando crear una empresa tecnológica requiere menos capital y menos conocimiento técnico inicial, aparecen más experimentos, pero el número de problemas humanos relevantes no crece al mismo ritmo. La competencia se desplaza hacia la confianza, la distribución, el acceso a datos pertinentes y el conocimiento situado; para un proyecto de salud, por ejemplo, no basta con que el modelo funcione en una demostración si ignora los flujos de trabajo, el lenguaje, la regulación o las restricciones del sistema donde pretende utilizarse. Abaratar el fracaso ayuda porque permite abandonar antes una hipótesis débil, aunque introduce el riesgo inverso de confundir actividad con progreso: lanzar diez productos no produce diez veces más aprendizaje si ninguno comenzó con una pregunta suficientemente buena. La velocidad adquiere valor cuando acorta el tiempo entre una decisión y la evidencia que permite corregirla.
Algo parecido ocurrirá con la habilidad de usar IA. Formular instrucciones precisas y diseñar flujos de trabajo ofrece hoy una ventaja, pero las interfaces mejorarán y muchas técnicas que ahora parecen sofisticadas terminarán incorporadas en los productos; el conocimiento profundo de un campo seguirá siendo difícil de comprimir porque permite formular preguntas menos evidentes, reconocer excepciones y entender por qué una solución correcta en un contexto puede ser irresponsable en otro. Por eso no estoy completamente convencido de que la tarea principal de la educación sea preparar estudiantes para "los trabajos del futuro", una expresión que presupone que podemos anticipar ocupaciones y herramientas que cambiarán varias veces durante una vida profesional. Parece más sensato formar personas con fundamentos para aprender, autonomía para trabajar sin instrucciones permanentes y honestidad para reconocer cuándo una respuesta convincente excede su comprensión.
La IA puede reducir una de las grandes barreras para innovar: la distancia entre una idea y su ejecución. Sería absurdo conservar esa dificultad solo porque aprendimos a vivir con ella, aunque eliminarla deja a la vista responsabilidades que antes podían confundirse con limitaciones técnicas. Tendremos que decidir qué problemas merecen atención, qué información resulta confiable, qué esfuerzos siguen formando capacidades y qué decisiones no deben entregarse a un sistema incapaz de responder por sus efectos. La educación ya no podrá conformarse con enseñar a producir respuestas escasas, porque las respuestas comienzan a ser abundantes; tendrá que ocuparse de la distancia que aún permanece, la que separa una respuesta convincente de un juicio responsable.
