La IA amenaza el aprendizaje de los jóvenes en sus primeros empleos
La IA amenaza el aprendizaje de los jóvenes al dar respuestas que reducen la práctica y el juicio propio. Su uso debe diseñarse para guiar, no para sustituir el razonamiento.
Resumen del artículo publicado en charterworks.com y recomendado por Digital Skills Institute el 9 de octubre de 2026.
La preocupación más extendida sobre la inteligencia artificial en el trabajo sostiene que el principal riesgo para los jóvenes es la desaparición de empleos de entrada. Ese temor tiene base: un equipo de Stanford dirigido por Erik Brynjolfsson ha observado que los trabajadores de 22 a 25 años en ocupaciones más expuestas a la IA tienen un nivel de empleo un 19% inferior al que cabría esperar si hubieran seguido el ritmo de sus compañeros de más edad. En julio, el paro entre recién graduados alcanzó el 5,7%, frente al 4,1% del resto de trabajadores. Bill Gates también ha advertido de que los puestos con mayor riesgo son los de nivel inicial e intermedio y de que no existe un plan claro. Entre los menores de 30 años, el 55% afirma hoy estar más preocupado que ilusionado por la IA, frente al 31% de hace cinco años.
La amenaza menos visible, sin embargo, está en cómo la IA altera el aprendizaje de quienes comienzan su carrera. Los despidos y las congelaciones de contratación son ruidosos y medibles; en cambio, el deterioro del aprendizaje avanza con menos atención. Empieza en la educación, donde puede debilitar el pensamiento crítico, y continúa en las empresas, donde la formación suele recortarse cuando hay presión presupuestaria. Una encuesta de Atlassian mostró que los directivos tienen un 84% más de probabilidades de invertir en tecnología que en desarrollar las capacidades de sus equipos para usar IA.
La evidencia más clara procede de un experimento realizado en Wharton con alrededor de mil estudiantes que trabajaron una unidad de matemáticas de secundaria. Quienes utilizaron una herramienta basada en GPT-4 obtuvieron resultados un 48% mejores mientras disponían de ella. Pero al retirarles la herramienta, puntuaron un 17% peor en una prueba sobre la misma materia: habían rendido mejor sin aprender lo suficiente. Cuando la IA se diseñó para ofrecer pistas en lugar de respuestas directas, ese perjuicio desapareció, porque obligaba a los estudiantes a razonar.
Esa brecha ya aparece en entornos laborales. En una empresa se observó que recién graduados fallaban pruebas que candidatos similares habrían superado dos años antes, probablemente porque habían dependido demasiado de la IA durante sus estudios. Andrew Wang, consejero delegado de Valon, exige por ello que los nuevos empleados aprendan primero a hacer su trabajo antes de usar IA. La dificultad también afecta a oficios altamente especializados: en cirugía robótica, el aprendiz pasa de asistir activamente a observar cómo el cirujano principal maneja la máquina, lo que reduce las repeticiones prácticas necesarias para desarrollar destreza.
La interacción con IA introduce además costes cognitivos. Se habla de “deuda cognitiva” cuando existe distancia entre lo que una persona produce y lo que realmente comprende; un estudio del MIT con electroencefalogramas detectó menor actividad cerebral en usuarios de ChatGPT y dificultades para citar ensayos que acababan de elaborar con ayuda del sistema. También aparece la “rendición cognitiva”, cuando se acepta el criterio de la máquina sin revisar su lógica.
Frente a ello se propone proteger las tareas que construyen juicio profesional antes de automatizarlas. La pregunta debería ser qué aprende una persona nueva al realizar una tarea. Si automatizar informes o resúmenes libera tiempo a los mandos intermedios, ese tiempo debería destinarse a feedback y acompañamiento. También puede usarse IA para ampliar la retroalimentación: Hilary Gridley creó un GPT personalizado que evaluaba comunicaciones rutinarias según sus criterios y ofrecía comentarios repetidos bajo demanda.
Las herramientas necesitan límites deliberados para comportarse como tutores y no como máquinas expendedoras de respuestas. Un diseño útil consiste en devolver preguntas exigentes sobre la lógica, el contexto y los supuestos antes de aceptar una recomendación generada por IA. Así se mantiene fricción intelectual allí donde nace el aprendizaje y se evita sustituir experiencia por velocidad aparente.
