Las advertencias de Jascha Sohl-Dickstein sobre inteligencia artificial, investigación y futuro profesional plantean una pregunta que también afecta a quienes construimos empresas: ¿seguirá importando nuestro trabajo cuando lo terminemos?
Podemos pasarnos una cena hablando de cómo la inteligencia artificial va a cambiarlo todo y levantarnos al día siguiente para ejecutar el mismo plan de siempre. La misma formación, los mismos servicios, los mismos proyectos. A veces incluso con más convicción, porque alguien tiene que poner un poco de orden en tanto entusiasmo tecnológico.
Me interesa esa contradicción. La reconozco porque una cosa es hablar de transformación y otra aceptar que puede afectar al valor de lo que tú sabes hacer. Ahí ya entran los años invertidos, los ingresos, la reputación y las ganas que te quedan de volver a empezar.
Jascha Sohl-Dickstein la aborda en un hilo publicado en su propia cuenta, donde comparte las diapositivas y notas de Advice for a young investigator in the first and last days of the Anthropocene. Se puede leer completo aquí.
Su punto de partida es un doctorando que esperaba una inteligencia artificial general en tres años mientras proyectaba una carrera académica convencional. Sohl-Dickstein considera probable que, en pocos años, la IA supere a los mejores humanos en todas las tareas intelectuales. Esa es su previsión, y desde ella pide revisar las decisiones profesionales.
La afirmación es enorme. Pero incluso sin compartir ese calendario, la pregunta queda encima de la mesa: ¿cuánto de lo que estamos decidiendo necesita que el mundo siga funcionando como hasta ahora?
El problema de terminar un proyecto que la IA ya puede resolver
En investigación hay una diferencia importante entre aprender a investigar y producir una contribución nueva. Un trabajo puede ser excelente como formación y llegar tarde como aportación. Esa posibilidad siempre ha existido; la mejora de las herramientas obliga a tenerla más presente.
En una empresa ocurre algo parecido. Puedes construir con mucho esfuerzo una solución para una dificultad que está desapareciendo. Cuando acabas, el producto funciona, pero el problema por el que alguien iba a pagar ya se resuelve de otra manera.
Esto me parece especialmente relevante para quienes estamos construyendo con agentes. La velocidad de ejecución puede ocultar una mala elección. Como ahora resulta posible poner en marcha más cosas, cuesta menos justificar la siguiente: otra función, otra integración, otra página. Cada entrega parece confirmar que avanzamos.
Pero terminar tareas y mejorar las posibilidades de un proyecto son cosas distintas. Un agente puede ayudarte mucho con lo primero sin que hayas pensado lo suficiente en lo segundo.
Con UXMachine esa pregunta me toca de cerca. Si los agentes que construyen webs mejoran, también pueden mejorar comprobándolas. Sería absurdo organizar el proyecto alrededor de la esperanza de que sigan cometiendo los mismos errores. Me toca averiguar qué utilidad tiene una medida independiente, reproducible y comparable cuando el constructor también es cada vez más competente. No tengo esa respuesta resuelta por haber construido el instrumento.
La Bitter Lesson y el valor de lo que sabemos hacer
En The Bitter Lesson, Richard Sutton describe una pauta histórica de la IA: los métodos generales capaces de aprovechar más computación han acabado superando, en distintos ámbitos, a soluciones basadas en conocimiento humano incorporado a mano.
Lo amargo está en que puedes haber dedicado años a una técnica y ver cómo otra aproximación la desplaza. El esfuerzo invertido explica tu apego. No garantiza su vigencia.
Sohl-Dickstein recomienda escoger proyectos que se beneficien de la escala y evitar aquellos que esta resolverá por sí sola. También insiste en usar las herramientas disponibles, aunque todavía sean incómodas.
Llevado a mi terreno, veo dos preguntas diferentes. La primera es qué puede hacer hoy un modelo que todavía estoy haciendo yo. La segunda, bastante más difícil, es qué parte de mi proyecto se vuelve más útil cuando el modelo mejora.
Si cada avance tecnológico me obliga a explicar por qué todavía hace falta mi solución, tengo un problema que merece atención. Si me permite abordar mejor una necesidad que persiste, tengo una posibilidad. Después habrá que comprobar si alguien la necesita lo suficiente como para usarla y pagar por ella.
AlphaFold 3, descrito en Nature en 2024, ayuda a entender esa diferencia. Amplió la predicción estructural a complejos que incluyen proteínas, ácidos nucleicos y pequeñas moléculas, con mejoras frente a herramientas especializadas en varias evaluaciones. Una capacidad científica cambia; de ahí no se deduce que desaparezca la disciplina. Mi lectura es que se desplaza el esfuerzo hacia otras preguntas, experimentos y decisiones.
No veo una razón para aprender menos. Veo una razón para revisar qué estamos aprendiendo y qué podremos hacer con ello.
Usar IA no equivale a entender cómo trabajar con ella
En mi caso, construir UXMachine con agentes ha sido una forma muy directa de aprender. Programar, revisar, probar y discutir decisiones con ellos me ha permitido hacer cosas que difícilmente habría podido abordar solo.
También me ha obligado a establecer límites. Como conté en La IA está en el taller, no dentro del instrumento, terminé quitando los modelos del diagnóstico para poder responder mejor por las afirmaciones del informe.
No llegué a esa decisión manteniéndome lejos de la IA. Llegué utilizándola.
Por eso me parece útil incorporarla al trabajo real, donde hay un resultado que revisar y consecuencias si algo sale mal. Las demostraciones sirven para descubrir posibilidades. La experiencia empieza cuando tienes que decidir si una entrega es suficientemente buena, qué falta y quién lo va a comprobar.
Hay una diferencia entre aprender a pedir y aprender a evaluar. Lo primero se nota enseguida: obtienes mejores respuestas. Lo segundo suele ser menos agradecido, porque te obliga a detectar problemas en algo que parecía terminado.
Como docente, me preocupa que enseñemos sobre todo la primera parte. Si el alumno puede producir más pero no sabe reconocer cuándo está equivocado, la mejora es bastante más frágil de lo que parece.
¿Y si la opción segura también tiene riesgo?
Sohl-Dickstein lleva su argumento a las decisiones de carrera: si la disrupción introduce un riesgo inevitable, elegir la vía aparentemente segura puede significar renunciar a oportunidades sin comprar la protección esperada.
Es una idea incómoda porque solemos medir el riesgo de cambiar mucho mejor que el de continuar. Cambiar de actividad tiene costes visibles. Seguir ofrece una sensación de control: conocemos los procedimientos, las personas y los problemas. Lo que cuesta ver es si esa familiaridad seguirá teniendo el mismo valor.
Pienso en una empresa de formación. Actualizar el catálogo es una decisión reconocible. Revisar qué necesita aprender una persona cuando parte de su trabajo puede hacerlo un agente obliga a discutir el producto, la evaluación y el papel del docente. Es más difícil, y además puede poner en cuestión lo que ya vendes.
Aun así, sería irresponsable convertir esto en una invitación a arriesgarlo todo. Tener personas a cargo, recursos limitados o poco margen para recuperarse cambia las decisiones. Lo que me llevo es algo más concreto: cuando valore una opción conservadora, también tengo que explicar qué supuestos la hacen segura.
Quedarse puede ser una buena decisión. Conviene que sea una decisión examinada, no el resultado de no haber querido mirar.
Cómo elegir proyectos cuando ejecutar cuesta menos
En sus notas, Sohl-Dickstein propone valorar el impacto al terminar, el coste de oportunidad, la ventaja propia y la redundancia con otros trabajos. También aconseja probar pronto y conservar aprendizajes reutilizables.
Aquí encuentro la parte más práctica de todo el planteamiento. Yo la traduciría en cinco preguntas para una empresa pequeña:
- ¿Qué habrá mejorado para alguien cuando terminemos? Tener otra función disponible no responde por sí solo a esa pregunta.
- ¿Qué podemos comprobar antes de construirlo entero? Si el principal riesgo es que nadie lo necesite, una implementación impecable no lo resuelve.
- ¿Qué conservaremos si sale mal? Datos, una relación con un cliente o un aprendizaje transferible pueden justificar una prueba. El tiempo consumido, por sí solo, no.
- ¿Por qué podemos hacerlo bien nosotros? La respuesta debería mencionar experiencia, acceso, conocimiento o recursos concretos. Tener entusiasmo y una suscripción a un modelo no diferencia demasiado.
- ¿Qué estamos dejando de hacer? Cada nuevo proyecto compite con atender usuarios, mejorar lo que ya existe y entender por qué alguien no vuelve.
Esta última pregunta se vuelve más importante cuanto más fácil resulta producir. La IA reduce algunos costes de ejecución, pero mi atención sigue teniendo el mismo límite. Puedo encargar más trabajo del que soy capaz de revisar con criterio.
La selección de proyectos acaba siendo también una decisión sobre dónde voy a poner esa atención.
Escribir para saber qué estamos decidiendo
Hay una consecuencia que añadiría desde mi experiencia en formación: necesitamos conservar formas de comprobar que hemos entendido lo que estamos haciendo. Para mí, escribir es una de ellas.
Cuando tienes que explicar por qué eliges un proyecto, aparecen las palabras que estabas utilizando para no concretar. Innovación. Impacto. Potencial. Todo parece razonable hasta que toca decir para quién, mediante qué cambio y con qué evidencia.
La IA puede ayudar en ese proceso. Puede discutir un argumento, ordenar material o señalar un salto lógico. También puede darte una explicación tan fluida que dejes de buscar la que todavía no habías conseguido formular.
Un estudio de Lee y colaboradores presentado en CHI 2025, basado en una encuesta a 319 trabajadores del conocimiento, encontró una asociación entre mayor confianza en la IA generativa y menor ejercicio declarado del pensamiento crítico. Es una encuesta, no una demostración de deterioro cognitivo. Pero da motivos para prestar atención a cómo aceptamos las respuestas.
No me preocupa que un alumno utilice IA para mejorar un texto. Me preocupa que no pueda explicar la decisión que ese texto presenta. Y sería bastante cómodo exigirle a él una disciplina que yo no aplicara a mis propios proyectos.
La próxima vez que un agente me permita terminar en una tarde algo que antes habría requerido una semana, quiero aprovechar esa posibilidad. Pero también dedicar parte del tiempo ganado a una pregunta menos vistosa: si tuviera que decidir hoy, desde cero, ¿seguiría eligiendo hacer esto?
