

Escrito por: Dr. Carlos Daniel Londoño Santamaría
Hablar hoy de inteligencia artificial en educación y trabajo es, casi siempre, hablar de promesas: automatizar lo repetitivo, personalizar lo que antes era masivo y asistir lo que antes dependía solo del esfuerzo individual. Organismos internacionales y grandes empresas tecnológicas repiten que la IA puede elevar la productividad, mejorar la calidad del empleo y hacer los sistemas educativos más flexibles y efectivos (OECD, 2023, 2025). Pero si dejamos de mirar la IA desde el PowerPoint y la observamos desde el aula y la oficina, las tres promesas se vuelven menos inocentes. Automatización, personalización y asistencia no son solo capacidades técnicas; son también formas de redistribuir agencia, responsabilidad y riesgo. La cuestión ya no es si la IA funciona, sino a favor de quién lo hace y bajo qué condiciones.
La automatización suele presentarse como la cara menos conflictiva de la historia. Delegar en sistemas de IA las tareas rutinarias promete liberar tiempo para la creatividad, la innovación o, al menos, para trabajos menos agotadores. Los análisis de la OCDE muestran, de hecho, que la IA puede aumentar la productividad y mejorar algunos indicadores de calidad del empleo, especialmente en tareas peligrosas o altamente repetitivas (OECD, 2025). Sin embargo, cuando se observa el impacto en la vida de los trabajadores, el cuadro es más ambiguo. Nazareno y Schiff (2021) analizaron la relación entre automatización, IA y bienestar laboral y encontraron un patrón inquietante: quienes trabajan en ocupaciones con mayor riesgo de automatización no necesariamente están mejor; en muchos casos se asocian con peor salud y efectos limitados o negativos sobre la satisfacción laboral, incluso cuando conservan el empleo. El trabajo puede ser menos físico, pero también menos significativo y más vigilado.
Este cambio no es un detalle técnico, sino una transformación organizacional profunda. La misma OCDE advierte que junto con la automatización avanza la gestión algorítmica: sistemas que monitorizan continuamente la productividad, el cumplimiento de objetivos y hasta la interacción con clientes (OECD, 2025). La promesa de “te quito tareas” viene acompañada de un silencioso “te mido en todo lo demás”. Quien trabajaba con criterios negociados en un equipo ahora responde ante métricas definidas lejos del puesto de trabajo, a menudo sin posibilidad de discutirlas ni de contextualizarlas. La automatización, así, no solo reorganiza tareas; también reconfigura quién tiene derecho a decir qué es un buen trabajo.
En educación, algo similar ocurre con las plataformas que corrigen exámenes, detectan plagio o generan materiales. El OECD Digital Education Outlook 2023 reconoce que estas herramientas pueden aliviar la carga administrativa de docentes y gestores, pero documenta también riesgos claros de sesgo y errores sistemáticos cuando la evaluación se automatiza sin suficiente supervisión humana (OECD, 2023). Investigaciones sobre evaluación automática han mostrado, por ejemplo, que los sistemas de puntuación automatizada pueden reflejar sesgos de quienes entrenaron o supervisaron los modelos, penalizando a ciertos grupos de estudiantes según su origen, su variedad lingüística o su contexto educativo (Loukina et al., 2019). La consecuencia no es solo un “ahorro de tiempo”: es un desplazamiento de la capacidad de juzgar, desde el docente que conoce al estudiante hacia sistemas cuyos criterios rara vez son transparentes para quienes son evaluados.
La segunda gran promesa, la de la personalización, se construye en nombre del cuidado. ¿Quién se opondría a adaptar contenidos, ritmos y trayectorias a las necesidades particulares de cada persona? Revisiones recientes sobre aprendizaje personalizado con IA muestran que, en educación superior y formación continua, los sistemas adaptativos pueden mejorar el ajuste entre el ritmo de enseñanza y el de aprendizaje, ofrecer retroalimentación más oportuna y apoyar ciertas formas de autoorganización del estudio (Vorobyeva et al., 2025). No se trata de negar ese potencial. El problema es el coste oculto: solo se puede personalizar lo que antes se ha convertido en dato. La persona pasa a ser el rastro que deja en plataformas, evaluaciones, historiales de desempeño. Y ahí la literatura sobre sesgo algorítmico es clara: cuando se entrenan modelos con datos históricos, lo más probable es que reproduzcan desigualdades ya existentes, salvo que se tomen medidas explícitas para corregirlas (Le, 2021; OECD, 2023).
El informe de Greenlining Institute ha mostrado cómo algoritmos usados en crédito, empleo o servicios públicos pueden discriminar sistemáticamente a comunidades racializadas o de bajos ingresos, incluso cuando no usan raza o ingresos como variables directas (Le, 2021). En educación, la OCDE recoge casos de sistemas de evaluación y recomendación que penalizan a estudiantes por su lengua materna, por el centro en el que estudian o por patrones de comportamiento asociados a su contexto socioeconómico (OECD, 2023). Lo que se presenta como una atención más fina a la singularidad corre el riesgo de ser, en la práctica, una forma elegante de clasificación. Un algoritmo de “riesgo de abandono”, por ejemplo, puede terminar etiquetando como problemático todo lo que se sale de la norma estadística, sin preguntar qué condiciones materiales están detrás de esos datos.
En el ámbito laboral, los sistemas de recursos humanos que prometen identificar talento, predecir rendimiento o asignar trayectorias personalizadas pueden encerrar a las personas en perfiles estadísticos difíciles de abandonar. Un historial fragmentario o “atípico” puede traducirse en menos oportunidades, no porque alguien lo haya decidido explícitamente, sino porque el modelo optimiza para la continuidad de lo que ya funcionó antes (Nazareno & Schiff, 2021; Le, 2021). Estas herramientas, si no se auditan y regulan, corren el riesgo de consolidar una especie de meritocracia algorítmica en la que los méritos se definen a partir de patrones del pasado, recodificados como objetividad técnica. La personalización deja de ser entonces una herramienta de cuidado para convertirse en un filtro silencioso que decide quién es “prometedor” y quién no.
La tercera promesa, la asistencia, se vive de forma aún más íntima. Asistentes de escritura, de programación o de análisis de datos se integran sin fricción en la vida cotidiana de estudiantes y profesionales. Pocas personas se oponen a que una herramienta sugiera ideas, mejore frases o detecte errores. Sin embargo, la investigación empírica empieza a mostrar lo que muchos intuyen: cuanto más delegamos en la IA, menos ejercitamos ciertas capacidades. Gerlich (2025) estudió la relación entre uso de herramientas de IA y pensamiento crítico en cientos de participantes y halló una correlación negativa significativa entre uso frecuente y desempeño en tareas de pensamiento crítico, mediada por la externalización cognitiva; es decir, por la tendencia a sacar fuera del propio cerebro procesos de memoria, análisis y decisión. El problema no es usar IA, sino acostumbrarse a que piense siempre primero.
En educación superior, Moluayonge (2025) encontró un patrón similar con estudiantes de Camerún: el uso de IA predice un aumento de la externalización cognitiva y esta, a su vez, se asocia a una disminución del pensamiento crítico. Su modelo estadístico mostró que la externalización actúa como mediadora: no es la herramienta en sí, sino el modo en que desplaza el esfuerzo mental lo que termina perjudicando el desarrollo de habilidades profundas. Otros trabajos señalan que estos efectos son especialmente fuertes en usuarios jóvenes y en quienes carecen de una formación sólida en pensamiento crítico: tienden a aceptar las respuestas de la IA con menos distancia, a comprobar menos y a practicar menos el contraste de fuentes y argumentos (Gerlich, 2025). El resultado es paradójico: se produce más, se siente menos esfuerzo, pero se piensa menos por cuenta propia.
Este fenómeno tiene implicaciones directas en contextos laborales basados en conocimiento. La asistencia puede volver más eficiente a un equipo en el corto plazo, pero también puede generar profesionales que saben operar herramientas sin comprender del todo los problemas que esas herramientas ayudan a resolver. A medio plazo, la experticia corre el riesgo de definirse menos por lo que una persona sabe hacer y más por su capacidad de orquestar sistemas que encapsulan el conocimiento. Y cuando una recomendación algorítmica se equivoca, la línea de responsabilidad se vuelve borrosa: ¿fue la persona que hizo clic, fue el sistema que sugirió la opción o fue la organización que lo impuso sin discutir sus límites?
Si juntamos las tres promesas, el patrón se hace visible. La automatización reconfigura el control sobre el trabajo, muchas veces a favor de métricas opacas; la personalización refina desigualdades antiguas con un lenguaje amable de adaptación; la asistencia aligera el esfuerzo inmediato, pero puede erosionar el ejercicio cotidiano del juicio y la deliberación. Nada de esto es inevitable, pero tampoco se corrige solo. Los estudios comparativos muestran que el impacto de la IA en el empleo depende tanto de la tecnología como de las políticas laborales, de la fuerza de la negociación colectiva y de la capacidad de los Estados para regular usos concretos, como la gestión algorítmica o la vigilancia en el trabajo (Nazareno & Schiff, 2021; OECD, 2025). En educación, el efecto sobre equidad, calidad y formación del pensamiento crítico varía según si la IA se integra en un ecosistema con salvaguardas de transparencia, participación docente y evaluación de impacto, o si se adopta como paquete cerrado de proveedores sin capacidad real de auditoría (OECD, 2023; Vorobyeva et al., 2025).
Por eso, más que discutir en abstracto si la IA es “buena” o “mala”, la tarea urgente es formular un contrato socio técnico mínimo alrededor de sus tres promesas. En el terreno de la automatización, esto implica vincular cualquier despliegue significativo a evaluaciones de impacto laboral y educativo, con participación efectiva de trabajadores, sindicatos, docentes y estudiantes en las decisiones de diseño y uso (OECD, 2025). En el ámbito de la personalización, se vuelve imprescindible exigir auditorías de sesgo, transparencia en los criterios con los que se toman decisiones y mecanismos de apelación accesibles para quienes consideren que han sido injustamente clasificados (Le, 2021; OECD, 2023). La personalización no puede seguir presentándose como neutra: o se la orienta deliberadamente hacia la justicia, o seguirá amplificando las desigualdades que encuentra en los datos. Y en cuanto a la asistencia, la cuestión clave es pedagógica y profesional: necesitamos diseños que usen la IA para fortalecer capacidades, no para sustituirlas. Esto significa, por ejemplo, situar los asistentes al final del proceso de pensamiento —para revisar, contrastar, enriquecer— y no al inicio; limitar la automatización de tareas formativas críticas; y hacer explícita en las instituciones la idea de que, con IA o sin IA, el criterio último no puede ser subcontratado (Gerlich, 2025; Moluayonge, 2025). Solo si avanzamos en esa dirección las tres promesas dejarán de ser un relato de marketing tecnológico para convertirse en compromisos verificables: menos tiempo capturado por tareas absurdas, sí, pero también más control democrático sobre las infraestructuras que decidirán cómo aprendemos y cómo trabajamos en las próximas décadas.
Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Le, V. (2021). Algorithmic bias explained: How automated decision-making becomes automated discrimination. The Greenlining Institute.
Loukina, A., Madnani, N., & Zechner, K. (2019). The many dimensions of algorithmic fairness in educational applications. En Proceedings of the Fourteenth Workshop on Innovative Use of NLP for Building Educational Applications (pp. 1–10).
Moluayonge, G. E. (2025). Cognitive offload as a mediator of AI usage and critical thinking development in Cameroonian higher education learners. Asian Journal of Education and Social Studies, 51(8), 467–476. https://doi.org/10.9734/ajess/2025/v51i82253
Nazareno, L., & Schiff, D. S. (2021). The impact of automation and artificial intelligence on worker well-being. Technology in Society, 67, 101679. https://doi.org/10.1016/j.techsoc.2021.101679
OECD. (2023). OECD Digital Education Outlook 2023: Towards an effective and equitable digital education ecosystem. OECD Publishing.
OECD. (2025). AI and work. OECD Publishing.
Vorobyeva, K. I., Belous, S., Savchenko, N. V., Smirnova, L. M., Nikitina, S. A., & Zhdanov, S. P. (2025). Personalized learning through AI: Pedagogical approaches and critical insights. Contemporary Educational Technology, 17(2), ep574. https://doi.org/10.30935/cedtech/16108