#Análisis: De la hiperespecialización a los perfiles "T-shaped" o cómo sobrevivir a la disrupción de la IA

Recuerdo una ocasión en Santiago de Chile donde me encontraba pidiendo un Uber y, de manera sistemática, me cancelaban el viaje. Finalmente, un conductor llega pero se queda a unos 25 metros y empieza a gritarme para que vaya hasta donde está.

Una vez dentro del vehículo, me reclama por exponerlo a que lo linchen los taxistas “oficiales” que, de manera unilateral, se atribuían el derecho a recoger pasajeros en ese centro comercial.

El conflicto regulatorio entre las aplicaciones y los servicios tradicionales de taxi es un efecto que oculta uno mayor y permanente: cómo las tecnologías reconfiguran el valor aportado por las personas.

A pesar de que la participación de mercado de las licencias de ‘black cab’ londinense ha caído a un 13% desde un monopolio a inicios del siglo XXI y pese a las trabas aún existentes al a la competencia, todavía hoy se sigue exigiendo aprobar el ‘The Knowledge of London Test’ para poder operar.

La adopción masiva de sistemas GPS mermó el valor agregado por los conductores tradicionales y las apps simplificaron la reserva y la gestión incentivando la competencia. Y a esto hay que sumar que hoy la conducción autónoma es un desafío estrictamente regulatorio, por lo que el deterioro del poder adquisitivo de un chofer seguirá ocurriendo principalmente de la tecnología que facilitó su trabajo.

La promesa de la innovación como motor de productividad ilimitada tiene su lado oscuro: ejecutar más procesos en menos tiempo no garantiza necesariamente un incremento proporcional en el valor aportado al negocio.

La adopción de nuevas herramientas orientadas exclusivamente a la eficiencia operativa empuja al profesional hacia la comoditización, ampliando su capacidad de procesar y responder, a veces por encima de la capacidad que la operación tenga  de absorber su aporte al negocio. Por ejemplo, un ejecutivo de ventas optimizado por herramientas autónomas no generará un crecimiento infinito si el resto de la estructura operativa y el mercado no escalan al mismo ritmo.

El análisis de McKinsey (2025) sobre el despliegue de inteligencia artificial concluye en esta línea al apuntar que el incremento exponencial en el volumen de tareas administrativas o de desarrollo de código conduce a un exceso de oferta que empuja su valor marginal a cero.

El impacto estructural de las innovaciones se puede diferenciar entre aquellas que sustituyen la capacidad humana y aquellas que la aumentan. De acuerdo con el análisis del MIT Sloan (2026), la sustitución persigue la eficiencia mediante la tercerización completa del esfuerzo, como es el caso del GPS, que devaluó el conocimiento espacial eliminando una barrera de entrada crítica al rol.

Hoy, los sistemas autónomos actuales amenazan con suprimir el valor del acto operativo subyacente, reduciendo la aportación de los profesionales que allí laboran.

En contraste, la tecnología orientada al aumento de la capacidad humana opera como un multiplicador de la pericia técnica. Analistas como David Armano (2026) enmarcan este modelo en el concepto de «fricción productiva», donde la herramienta asiste en la ejecución, pero el profesional retiene la carga analítica y el juicio estratégico.

Los arquitectos de software que integran modelos avanzados, los cirujanos asistidos por robótica o los operadores de radar conservan la responsabilidad del resultado final. La premisa fundamental es que ante la ausencia de pericia humana previa o un criterio base consolidado, el factor multiplicador de la tecnología sería nulo.

En este sentido, un estudio reciente de Harvard Business School, MIT y Boston Consulting Group con 244 consultores identificó tres formas de trabajar con IA:

– Los centauros (14 %) decidían qué hacer y cómo hacerlo, y usaban la IA solo para tareas concretas. Fueron los que más acertaron y los que más reforzaron su conocimiento del área.

– Los cíborgs (60 %) trabajaban en un ida y vuelta continuo con la IA. Ganaron poco conocimiento del área, pero aprendieron mucho sobre cómo resolver problemas con ella.

– Los autoautomatizadores (27 %) le delegaban casi todo. No ganaron ninguna habilidad, y el 44 % aceptó lo que produjo la IA sin cambiarlo en absoluto.

La reacción inicial de múltiples organizaciones frente a la inteligencia artificial ha sido centralizar su gestión del conocimiento, delegando el «know-how» corporativo a estas nuevas plataformas. Aquellas que ya habían avanzado en esquemas para la  Gestión del Conocimiento han tenido mucho éxito y ya han madurado sobre su relevancia como un activo de la organización, otras en tanto recurren a soluciones rápidas para construirla apalancada en las oportunidades que ofrece la IA, pero esta tercerización del análisis sistemático induce una severa deuda cognitiva que eventualmente tendrá impacto en la resiliencia de la organización.

Al ceder el procedimiento y el criterio de decisión a modelos predictivos o generativos, el profesional experimenta una degradación de sus competencias fundamentales, debilitando su capacidad de respuesta en situaciones que la delegación a la tecnología no contemplaba.

Investigaciones recientes relacionadas a operaciones automatizadas (Koji, 2026) demuestran que esta dinámica fomenta el sesgo de automatización y provoca el denominado «Automation Surprise», un fenómeno de la industria aeronáutica que surge cuando el sistema genera anomalías sutiles que el operador, desprovisto de su agudeza analítica original, resulta incapaz de detectar y corregir, originando desastres como el vuelo Air France 447.

Es un fenómeno que ya tiene evidencia desde las innovaciones de la IA: en un estudio con endoscopistas experimentados en Polonia, se identificó una baja de detección de adenomas sin apoyarse en el uso de IA del 28,4% al 22,4% tras unos meses usándola a diario (The Lancet Gastroenterology & Hepatology).

Históricamente, la estructura corporativa impulsó la segmentación taylorista del trabajo, restringiendo la versatilidad de los empleados en pro de la especialización funcional.

Actualmente, la inteligencia artificial debilita las barreras técnicas que justificaban dicha hiperespecialización aislada y, según investigaciones sobre el trabajador del conocimiento (SEA, 2024), la adopción tecnológica facilita la consolidación de perfiles «T-shaped«, impulsando una hibridación natural de roles que permite asumir responsabilidades transversales sin comprometer el rigor técnico.

Por supuesto, esto no significa que la especialización no sea un requisito en roles y sectores altamente especializados y competitivos, pero su definición como objetivo principal o incondicional hoy puede incluso estar restando valor y escondiendo oportunidades.

La adopción de innovación impone al profesional la necesidad de escalar hacia una capa de abstracción superior para garantizar su relevancia. Un administrador de bases de datos en la década de los 90 centraba su valor en el mantenimiento operativo de los servidores físicos, pero hoy, frente a arquitecturas cloud y bases de datos autónomas, ese rol carece de valor.

La viabilidad profesional requiere una evolución hacia la arquitectura estratégica, priorizando la resiliencia del negocio, la gobernanza de datos y la optimización de los modelos OPEX.

Adoptar herramientas de IA con el único propósito de acelerar la ejecución de tareas operativas asegura que la compensación del profesional se reduzca para alinearse al bajo coste del proceso.

Desde el punto de vista profesional, mantener e incrementar el valor aportado exige utilizar estas innovaciones no para eludir el esfuerzo analítico y reducir los tiempos de entrega, sino para desarrollar nuevas competencias que permitan redefinir el alcance de nuestras funciones y evitando en paralelo la atrofia del criterio experto.

Las organizaciones deben abordar el  problema de la devaluación del  trabajo y la construcción/incentivo de criterio profesional en los jóvenes y los experimentados. Algunas recomendaciones que han surgido de los estudios en este camino son las siguientes:

– Rediseñar los puestos de entrada como espacios de aprendizaje, en los que la IA potencie las capacidades del junior en lugar de reemplazarlas.  Los datos de Stanford muestran que el empleo joven cae donde la IA autómata tareas, pero se mantiene donde las complementa.

– Introducir una “fricción productiva”: que el junior haga primero su propio análisis y después lo contraste con la IA, explicando en qué coinciden y en qué no.

– Evaluar el criterio y no solo la velocidad: valorar la capacidad de verificar, cuestionar e integrar lo que produce la IA. Según el estudio de Microsoft, hacia ahí se está desplazando el pensamiento crítico.

– Reforzar la mentoría y el acompañamiento, para que el conocimiento tácito de los seniors se transmita de forma explícita.

Algunas empresas ya avanzan en esta dirección; por ejemplo, PwC certificará en pensamiento crítico a más de 85.000 profesionales para incentivar su escepticismo activo sobre  los resultados generados por la IA, pero esto es sólo parte del reto.

A medida que los aspectos técnicos y los costos de adopción de estas tecnologías se simplifiquen, la paradoja del valor se desplazará hacia el factor humano: el desafío estratégico radicará en cómo mitigar la depreciación de las competencias analíticas y el criterio experto para que nuestro negocio no sea el próximo avión en no llegar a su destino; un asunto que deberá figurar prioritariamente en las agendas directivas, los planes académicos universitarios y la mentalidad de cada profesional comprometido con preservar y hacer evolucionar su propuesta de valor.

Lea más contenido interesante y actual: 

• NABEP reacondiciona 32 equipos de gas y generación eléctrica que se encontraban inactivos en Venezuela 

• Verónica Ávila (Banplus): «La banca está preparada para enfrentar un mayor crecimiento en 2027»