La reinvención del trabajo en la era de la IA

La historia corta cabe en una década. En 2017 un equipo de Google publicó «Attention Is All You Need» y con él la arquitectura Transformer, que procesaba todos los tokens en paralelo y capturaba dependencias largas mejor que las redes recurrentes. En 2018 OpenAI mostró con GPT-1 que preentrenar un Transformer sobre texto sin etiquetar y afinarlo después funcionaba, y en 2020 GPT-3 llevó la receta a 175.000 millones de parámetros: con unos pocos ejemplos en la instrucción resolvía tareas para las que nunca fue entrenado, incluida la de escribir código.

El salto al trabajo ocurrió en 2021. El 29 de junio GitHub lanzó Copilot como vista previa técnica —«un programador de a pares con IA», en palabras de su director ejecutivo de entonces— que sugería líneas y funciones completas dentro del editor. Por primera vez el modelo no estaba en un laboratorio ni en una consola aparte: estaba en el lugar donde se escribe el software. El 30 de noviembre de 2022 ChatGPT hizo lo mismo con el resto del mundo, y sumó cien millones de usuarios en dos meses.

Lo que vino después fue el paso de la sugerencia a la tarea. Los asistentes dejaron de completar una línea para tomar un ticket entero: leer el repositorio, proponer cambios en varios archivos, correr las pruebas y abrir la solicitud de integración. En octubre de 2025 IBM presentó Project Bob, un entorno de desarrollo «con IA primero» que orquesta varios modelos —Claude, Mistral, Llama y su propio Granite— para automatizar tareas a lo largo del ciclo de vida, desde la modernización de sistemas antiguos hasta las pruebas y la documentación; quedó disponible en general en marzo de 2026.

Conviene corregir dos detalles que circulan en los informes de divulgación. No existe un producto llamado «GitHub Autopilot», y Project Bob no es de 2021 sino de 2025. La cronología importa porque explica el estado actual: las herramientas de 2021 sugerían; las de 2026 ejecutan, y el trabajo humano se corrió hacia decidir qué pedir y revisar qué llegó.

Casi todo lo que se afirma sobre productividad con IA viene de encuestas o de proveedores. Hay una excepción, y por eso pesa tanto.

En 2025 el instituto METR hizo lo que nadie había hecho: un ensayo aleatorizado con 16 desarrolladores expertos trabajando en sus propios repositorios de código abierto —proyectos con más de veinte mil estrellas en promedio—, con 246 tareas reales asignadas al azar a «con IA» o «sin IA», grabando la pantalla. El resultado fue que con las herramientas tardaban 19% más, con un intervalo de confianza entre 2% y 39% más lentos. Antes de empezar esperaban ir 24% más rápido. Y después de terminar, habiendo sido más lentos, seguían creyendo que la IA los había acelerado un 20%. Ese es el hallazgo que ordena todo lo demás: la sensación de velocidad no mide la velocidad.

En febrero de 2026 METR actualizó el estudio con 57 desarrolladores, 143 repositorios y más de 800 tareas. Los desarrolladores del estudio original que volvieron a participar aparecen ahora alrededor de un 18% más rápidos con IA, con un intervalo que va de 38% más rápido a 9% más lento; los participantes nuevos, apenas un 4%, y no distinguible de cero. El propio instituto califica el dato como «evidencia muy débil», porque cambió el diseño y porque muchos desarrolladores se negaron a participar si tenían que trabajar sin IA. La lectura honesta es que las herramientas y las personas mejoraron en un año, y que todavía no sabemos cuánto.

Las encuestas grandes convergen en un patrón parecido. El informe DORA de 2024 encontró que, cuando la adopción de IA subía un 25%, la productividad individual y la calidad de la documentación subían (7,5%), la calidad del código también (3,4%), pero el caudal de entrega del equipo bajaba 1,5% y su estabilidad, 7,2%. En 2025 la relación con el caudal se volvió positiva y la de la estabilidad siguió siendo negativa: «la IA acelera el desarrollo de software, pero esa aceleración puede exponer debilidades más abajo en la cadena». La frase que DORA eligió para resumirlo es que la IA es un amplificador: magnifica las fortalezas de las organizaciones que ya funcionan y las disfunciones de las que no.

Stack Overflow pone el costo en detalle: dos tercios de los desarrolladores señalan como su mayor frustración las respuestas que están casi bien pero no del todo, y el 45% dice que depurar código generado por IA le consume más tiempo. Ahí está el trabajo nuevo. No desapareció el esfuerzo: se movió de escribir a verificar.

La tabla resume, por rol, qué tareas ya está tomando la IA, qué queda en la persona y qué conviene vigilar. Después se detallan los cambios menos obvios.

El programador no deja de programar; deja de escribir primero. El flujo se invierte: la máquina propone y la persona dispone. Google lo describe con precisión: el código generado por IA es «luego revisado y aceptado por los ingenieros». La habilidad que sube de precio es la de leer código ajeno con desconfianza productiva, y la que baja es la de teclear rápido. Las tareas repetitivas —formularios, operaciones básicas de datos, adaptadores— se delegan; la lógica del negocio, la arquitectura y la decisión de qué no construir siguen siendo humanas.

En pruebas y operaciones el riesgo es la confianza automática. Una suite de pruebas generada a partir del código tiende a probar que el código hace lo que hace, no lo que debería hacer: la especificación sigue siendo el trabajo. En operaciones, los sistemas que correlacionan alertas y proponen remediaciones ahorran horas, pero el hallazgo de DORA sobre estabilidad es una advertencia directa a este rol: la velocidad que la IA agrega llega a producción por la plataforma que el equipo construyó, y si esa plataforma no tiene redes de seguridad, lo que se amplifica es el incidente.

El director de IA existe, y ya es una obligación en algunos lugares. No es una moda de organigrama: en abril de 2025 la Oficina de Gestión y Presupuesto de Estados Unidos ordenó por memorando que cada agencia federal «debe identificar un Chief AI Officer» para impulsar sus objetivos de IA y asignarle recursos y responsabilidades. En la empresa privada el rol convive con el CTO: uno sostiene la infraestructura y la escalabilidad, el otro responde por el valor real de los proyectos de IA, la gobernanza y el cumplimiento. Cuando la misma persona hace ambas cosas, lo que suele quedar sin dueño es la gobernanza.

Ciencia de datos e ingeniería de aprendizaje automático se acercan a la ingeniería de software. El científico de datos ya no entrega un cuaderno: entrega un experimento reproducible con criterios de validación y equidad. El ingeniero de ML lleva los modelos a producción con canalizaciones de entrenamiento, despliegue y monitoreo de deriva, y documenta cada modelo en una ficha que diga qué datos lo entrenaron, para qué sirve y para qué no. Es la parte del trabajo que las demostraciones nunca muestran y la que decide si el modelo sigue funcionando en seis meses.

Legal, cumplimiento y gestión de personas dejan de ser áreas de consulta. Con reclutamiento asistido por IA, evaluación automatizada de desempeño y atención a clientes por agentes, las decisiones sobre personas pasan por sistemas que pueden discriminar sin que nadie lo decida. La respuesta que la regulación exige es evaluación de impacto antes, supervisión humana durante y registro de decisiones después.

Las habilidades técnicas que suben de valor son conocidas: programación con criterio para revisar lo que la IA propone; fundamentos de datos y aprendizaje automático; operaciones de modelos —contenedores, orquestación, integración y despliegue continuos, monitoreo—; uso competente de los asistentes de código y de diseño; seguridad de sistemas con IA, incluidas pruebas adversariales y anonimización; y gestión de datos con privacidad por diseño. Las blandas pesan más de lo que el informe original admite: pensamiento crítico para cuestionar una sugerencia plausible, capacidad de explicar un resultado de IA a alguien que no es técnico, y tolerancia a medir mal y corregir.

Sobre formación hay que decir algo incómodo: el catálogo de certificaciones que circula en estos informes envejece más rápido que los informes. Dos de las que se recomiendan con más frecuencia ya no se pueden rendir. Google cerró el examen del TensorFlow Developer Certificate en 2024 —«mientras evaluamos el siguiente paso de nuestro programa», dice la página oficial— y Amazon retiró la certificación Machine Learning – Specialty el 31 de marzo de 2026, reemplazándola por una escalera de tres: AI Practitioner, Machine Learning Engineer – Associate y Generative AI Developer – Professional. Cualquier plan de carrera escrito hace un año necesita revisión.

Sobre el aprendizaje práctico, la evidencia disponible es indirecta pero apunta en una dirección: los mismos desarrolladores que en 2025 se hicieron más lentos con IA aparecen en 2026 más rápidos, y METR atribuye parte de eso a que aprendieron a usar las herramientas. La formación que sirve es la que se hace sobre el trabajo propio, con una medición antes y otra después.

La adopción cambia la estructura tanto como las tareas. Cinco movimientos se repiten en las organizaciones que lo están haciendo con método.

Gobernanza que se pueda auditar. Comités, políticas de uso, evaluaciones de impacto y auditorías de algoritmos, con responsables con nombre. El marco de referencia más amplio sigue siendo la Recomendación sobre la Ética de la Inteligencia Artificial de la UNESCO, adoptada por 193 Estados en noviembre de 2021, con diez principios: proporcionalidad, seguridad, privacidad, gobernanza multiactor, responsabilidad, transparencia y explicabilidad, supervisión humana, sostenibilidad, alfabetización y equidad. Su frase central vale como regla interna: «los sistemas de IA no deben desplazar la responsabilidad humana última». Las consultoras ofrecen versiones propias —Deloitte, por ejemplo, empaqueta su marco de IA confiable como servicio—; lo que importa no es cuál marco se elige, sino que alguien responda por él.

Equipos mixtos y un centro de excelencia. Las organizaciones más maduras crean unidades de IA que trabajan con cada área en vez de reemplazarla, y aparecen perfiles híbridos: ingenieros de software con especialización en aprendizaje automático, personal legal dedicado a IA, responsables de datos. El centro de excelencia evita que el conocimiento quede en una isla y sostiene la documentación de buenas prácticas.

Métricas nuevas, y con desconfianza de las viejas. El porcentaje de código generado por IA es el indicador que más se cita y el menos útil: las cifras de Google y Microsoft son autodeclaradas y miden volumen, no valor. DORA propone medir lo que se entrega —caudal, tiempo de cambio, tasa de fallas, tiempo de recuperación— y sus siete capacidades para que la IA amplifique lo bueno: entre ellas, una postura de IA clara y comunicada, conectar la IA al contexto interno de la empresa, prácticas básicas sólidas como control de versiones y trabajo en lotes pequeños, redes de seguridad para atrapar errores, una plataforma interna de calidad y foco en el usuario final. A eso se agregan métricas de equidad y robustez para cada modelo que llega a producción.

Cultura de aprendizaje y tolerancia al error medido. Pilotos chicos, hipótesis escritas y permiso para parar. La organización que no puede decir «esto no funcionó» tampoco puede decir «esto funcionó»; solo puede repetir la percepción de sus entusiastas, que es exactamente lo que METR mostró que falla.

Contratación con criterio nuevo. Se piden habilidades de IA en roles técnicos y no técnicos, y las entrevistas empiezan a incluir el uso de herramientas generativas. Ante la escasez, las empresas capacitan adentro y se asocian con universidades. Lo que no cambia es que la persona que entiende el negocio y la herramienta a la vez sigue siendo la más escasa.

Los casos que siguen vienen de publicaciones de los propios proveedores —Microsoft y Amazon Web Services—. Son reales y verificables, pero fueron seleccionados por quien vende la herramienta, y sus métricas son de volumen y tiempo, no de resultado de negocio. Se leen con ese descuento.

Bancolombia, con un equipo técnico de 4.000 personas, incluidos 3.400 ingenieros de software e infraestructura, reporta un aumento de 30% en la generación de código con GitHub Copilot, con un promedio de 18.000 cambios automatizados de aplicaciones al año y 42 despliegues productivos diarios. La versión que circula habla de «miles de despliegues diarios»: son 42, y ya es mucho.

Access Holdings, un grupo financiero con sede en Lagos, Nigeria, y más de 56 millones de clientes —no una empresa manufacturera, como dice el informe original—, describe que escribir código pasó de unas ocho horas a dos o tres cuando los desarrolladores parten de un esqueleto generado, que un chatbot que tomaba dos o tres meses se completó en unos diez días, y que una presentación para inversionistas se preparó en 45 minutos en vez de cinco o seis horas.

Honeywell reporta que sus empleados ahorran 92 minutos por semana con asistentes de IA, unas 74 horas al año por persona. Y Perplexity, un motor de respuestas conversacional, redujo hasta 40% el tiempo de entrenamiento de sus modelos al usar la infraestructura administrada de Amazon, duplicando el rendimiento de sus experimentos.

El patrón de negocio detrás de estos casos es el que el informe original describe bien: productos y servicios inteligentes, personalización a escala, automatización de conocimiento y venta de la IA como copiloto dentro de productos que ya existen, con modelos freemium, suscripción por asiento o cobro por uso. Lo que conviene mirar con más cuidado es el tamaño del mercado. La cifra que circula —de 71.360 millones de dólares en 2025 a 890.590 millones en 2032, creciendo 43,4% al año— es una proyección de la consultora MarketsandMarkets, publicada en marzo de 2026. Otra consultora, Fortune Business Insights, valora ese mismo 2025 en 103.580 millones y proyecta 1,26 billones para 2034 con un crecimiento de 29,3%. Dos mediciones del mismo año que difieren en un 45% no son mediciones: son estimaciones de quienes venden informes. El mercado es grande y crece; cuánto exactamente, nadie lo sabe.

Los riesgos son conocidos y ninguno es teórico.

Sesgo y discriminación. Un modelo aprende de datos reales y reproduce sus prejuicios. En selección de personal puede descartar candidatos por edad o por comuna sin que nadie lo haya decidido. La respuesta es pruebas de equidad antes de desplegar, diversidad en los datos y auditorías periódicas de los resultados, no de las intenciones.

Privacidad y seguridad. Los sistemas de IA concentran datos personales y abren superficies de ataque nuevas: entradas diseñadas para confundir al modelo, filtración de datos de entrenamiento, agentes con permisos de más. Exigen cifrado, control de accesos y pruebas adversariales como parte del ciclo normal.

Confiabilidad. Los modelos de lenguaje inventan información con la misma fluidez con que aciertan. La supervisión humana de las salidas críticas no es una opción cultural sino la única defensa conocida, y su costo es real: recuerda que el 45% de los desarrolladores dice que depurar código generado le toma más tiempo.

Responsabilidad y dependencia. Quién responde cuando falla un sistema, y qué pasa cuando el proveedor cambia el modelo, el precio o las condiciones. La dependencia de un solo proveedor es un riesgo de continuidad que rara vez aparece en la evaluación inicial.

Regulación. La AI Act europea entró en vigor el 1 de agosto de 2024. Las prohibiciones rigen desde febrero de 2025, las obligaciones para modelos de propósito general desde agosto de 2025 y las de transparencia del artículo 50 —declarar que un contenido o una interacción fue generado por IA— desde el 2 de agosto de 2026. El régimen de alto riesgo, que exige evaluación de conformidad y supervisión humana, se postergó a diciembre de 2027 y agosto de 2028 por el acuerdo político del «Digital Omnibus» de mayo de 2026. Las multas máximas son de hasta 35 millones de euros o el 7% de la facturación mundial anual para prácticas prohibidas, 15 millones o 3% para las demás obligaciones y 7,5 millones o 1% por entregar información incorrecta, aplicando el monto mayor, con topes más bajos para pymes. Cualquier empresa chilena que venda a Europa o procese datos de europeos está dentro.

En Chile la Ley 21.719 de protección de datos personales ya está promulgada y crea una agencia fiscalizadora, y el proyecto de ley que regula los usos de la inteligencia artificial —con un enfoque de riesgo inspirado en el europeo— fue despachado por la Cámara al Senado en octubre de 2025 y sigue en tramitación. No es ley vigente, pero conviene diseñar como si lo fuera, porque el costo de adaptarse después es mayor.

Mitigación práctica. Definir quién revisa cada salida de IA que afecta a una persona; documentar cada modelo; evaluar impacto antes de desplegar; medir sesgo con herramientas y no con opiniones; registrar decisiones automatizadas para poder explicarlas; y comunicar internamente cómo funciona cada sistema y qué no sabe hacer. Los riesgos no aconsejan parar la adopción. Aconsejan gestionarla con la misma seriedad con que se gestiona el dinero.

Una hoja de ruta útil no es una lista de tecnologías por instalar sino una secuencia de mediciones. La primera regla sale directamente del estudio de METR: medir antes de tocar nada, y medir tiempos y resultados, no percepciones.

Indicadores sugeridos, con su advertencia.

• Productividad técnica: tiempo de ciclo y caudal de entrega medidos por el sistema, no reportados; porcentaje de código generado como dato de contexto, nunca como objetivo.
• Calidad: tasa de cambios fallidos, defectos detectados después del lanzamiento, tiempo de recuperación. Es el grupo que DORA muestra en riesgo con la IA.
• Adopción: porcentaje de equipos que usan IA en su flujo diario y pilotos convertidos en proyectos productivos.
• Financieros: horas recuperadas valorizadas y ingresos de servicios nuevos, atribuidos a casos específicos.
• Culturales: horas de formación completadas y confianza declarada en las herramientas, leídas como contexto y no como resultado, porque la confianza y la velocidad real no coinciden.

Un enfoque escalonado permite mostrar resultados intermedios: al inicio cuentan las formaciones completadas y los pilotos lanzados; después, los indicadores de negocio. Lo que no debe pasar es que el programa se declare exitoso con la misma encuesta con que se lanzó.

El componente humano decide tanto como el técnico, y la mayoría de los programas fracasan ahí.

Una narrativa clara, sin promesas de más. La IA como herramienta que devuelve tiempo para lo que importa, no como amenaza ni como milagro. Los casos que se cuentan adentro deben tener el mismo estándar que los de afuera: con línea de base y con número después.

Formación para todos, no solo para ingeniería. Gerentes de cuentas, analistas, personal administrativo. Talleres con las herramientas reales, demostraciones sobre problemas propios y espacios para practicar sin consecuencias. La alfabetización es uno de los diez principios de la UNESCO por una razón: la persona que no entiende la herramienta no puede supervisarla.

Liderazgo con el ejemplo. Directivos que usan la IA en sus propias presentaciones y decisiones, y que participan en la formación en vez de delegarla. La adopción se contagia hacia abajo; la desconfianza también.

Expectativas realistas. Decir en voz alta que dos tercios de los desarrolladores se frustran con respuestas casi correctas, que un tercio de los profesionales no confía en el código generado y que la sensación de velocidad engaña. Fijar hitos tempranos y alcanzables —un asistente interno que responda las preguntas frecuentes, un flujo de documentos que deje de copiarse a mano— y medirlos antes de escalar.

Retroalimentación continua. Canales para reportar fallas y sugerencias, y evidencia visible de que se usan. Los usuarios que se sienten escuchados ajustan la herramienta; los que no, la abandonan en silencio.

Un lugar al que preguntar. Un centro de excelencia o equipo de soporte de IA que responda dudas técnicas, mantenga la documentación de buenas prácticas y coordine proyectos compartidos. Sin él, el conocimiento se queda con la persona entusiasta, y se va con ella.

Si diriges un equipo técnico, hay cinco cosas que se pueden hacer esta semana sin comprar nada.

Primero, anota cuánto tarda hoy tu equipo en llevar un cambio pequeño desde que se pide hasta que está en producción, y cuántos cambios fallan. Sin ese número, cualquier resultado futuro será una opinión.

Segundo, escribe en una página la política de uso: qué herramientas, con qué datos, qué se revisa siempre por una persona y quién responde. Comunícala.

Tercero, elige un problema repetitivo y medible —no el más vistoso— y prueba durante cuatro semanas con la herramienta más barata que sirva. Vuelve a medir.

Cuarto, revisa las descripciones de cargo y los planes de carrera: si piden certificaciones que ya no existen o ignoran la revisión de código generado, están desactualizados.

Quinto, nombra a alguien responsable de la gobernanza, aunque sea a tiempo parcial. La IA amplifica lo que la organización ya es; lo primero que conviene amplificar es la capacidad de mirarse con honestidad.