Casi todo lo que se mide de la IA en el trabajo mira hacia el presente: cuántas horas ahorra, cuántos tickets resuelve, cuánto más rápido sale un borrador. Hay un costo que ninguna de esas métricas registra, y que conviene nombrar antes de que se vuelva irreversible: qué le pasa a la habilidad de tu gente cuando la IA le saca de encima, justamente, las tareas difíciles con las que se aprendía el oficio.
Matt Beane lo estudió en quirófanos y almacenes (The Skill Code, 2024). El camino por el que un novato se vuelve experto se sostiene en tres condiciones —las que llama las tres C: challenge (enfrentar tareas al límite de la propia capacidad), complexity (ver el problema entero, no una rebanada) y connection (el lazo con un experto que corrige en contexto)—. Cuando un sistema inteligente absorbe las tareas de entrada —las “fáciles”, que en realidad eran el terreno de práctica—, las tres se debilitan a la vez: el novato ya no es desafiado, ya no ve el problema completo y deja de necesitar al experto. La productividad sube hoy; la formación del experto de mañana se apaga sin que nadie lo mida.
Erosión del andamiaje
A eso lo llamo erosión del andamiaje: el deterioro silencioso de la vía por la que una organización forma a sus propios expertos. No es el desempleo por automatización —ese se ve y se discute—; es una pérdida de capacidad futura que la métrica de productividad no registra, porque esa métrica mejora mientras el andamiaje se cae. Es el segundo piso, más callado, de otro miedo más conocido: el experto que siente que la IA desautoriza lo que sabe. Acá el problema es aún más difícil de ver, porque no se queja nadie: simplemente dejan de nacer los expertos que vendrían después.
Un experimento de campo lo hace tangible desde otro ángulo. Dell’Acqua y otros (2025), con 776 profesionales de Procter & Gamble, encontraron que los individuos con IA igualaron el desempeño de los equipos sin IA, y que la herramienta rompió los silos —gente de I+D y de Comercial produciendo soluciones equilibradas, como si la IA les prestara el vocabulario del otro lado—. Es potente. Pero el mismo estudio vio algo que conviene subrayar: la IA cubrió parte del rol social del compañero de equipo, motivando sin corregir. Un compañero que motiva pero no forma es, otra vez, andamiaje que se erosiona: la connection de Beane es precisamente lo que un equipo provee y un individuo solo con IA no.
Qué hacer distinto (es diseño, no destino)
La buena noticia es que la erosión del andamiaje no es un efecto inevitable de la IA: es un riesgo de diseño. Se puede intervenir sin renunciar a la productividad:
- Reservar tareas de aprendizaje. Decidir deliberadamente qué tareas se le dejan a la persona aunque la IA pudiera hacerlas, porque su valor no está en el output de hoy sino en la habilidad de mañana.
- Mantener al novato expuesto al problema completo. No darle solo la rebanada que la IA no cubre: asegurar que siga viendo el todo, que es donde se forma el criterio.
- Proteger el lazo experto-novato. La IA puede motivar; no puede corregir en contexto. Ese lazo es un activo, no un costo a optimizar.
- Medir lo que la productividad esconde. Si dejan de formarse expertos, el andamiaje se está cayendo —y ninguna métrica de uso te lo va a avisar—.
La IA bien puesta puede nivelar hacia arriba: la evidencia de journal muestra que los trabajadores menos experimentados son los que más ganan cuando se los asiste bien (Brynjolfsson, Li y Raymond, 2025). Pero “asistir” y “reemplazar el terreno de práctica” no son lo mismo. La diferencia entre las dos —entre una IA que forma y una que apaga— no la decide el modelo: la decide el diseño de cómo se la mete en el trabajo. Ese es, exactamente, el trabajo del puente.
Desarrollo del marco en El puente sociotécnico y en Mi enfoque. Ensayos relacionados: Tu equipo ya adoptó IA sin vos · La pyme no madura en línea recta.