La IA automatizará lo que se mide
L
a IA no necesita una actualización de ciencia ficción para transformar la economía: los modelos actuales (y las versiones más baratas y potentes que vienen) están a punto de alterar casi todos los rincones del mercado laboral.
Para navegar por este nuevo panorama, los líderes deben comprender y planificar cómo afectará la automatización a sus negocios. Para ello, es necesario comprender qué tareas y responsabilidades tienen más probabilidades de estar bajo presión, y trazar un rumbo para mover a la empresa a lo largo de la cadena de valor de la inteligencia antes de que se acabe el tiempo.
¿Qué es lo que no está en riesgo de ser automatizado?
Investigadores, académicos y profesionales han debatido ampliamente qué trabajos y tareas son más vulnerables a la automatización. Algunas amenazas son obvias: los vehículos autónomos pronto podrían estar en posición de reemplazar a millones de conductores de transporte compartido, autobuses y camiones. Mientras tanto, la traducción de idiomas, la escritura creativa, el diseño e incluso la programación cotidiana están pasando a manos de la IA.
Los pioneros en investigación de IA Ajay Agrawal, Joshua Gans y Avi Goldfarb argumentaron en 2018 que, a medida que avanza la IA, el último bastión de la ventaja humana será el juicio: la capacidad de sopesar opciones y tomar decisiones bajo incertidumbre. Sin embargo, esa perspectiva nos deja una tarea imposible: definir con precisión qué califica como juicio en un momento dado.
Hoy en día, las tareas que exigen juicio humano (elegir un tratamiento médico, revisar un contrato legal, escribir un guion que capture el espíritu de la época) pronto podrían ser realizadas por IA a medida que los modelos acceden a datos más ricos y mayor capacidad de cómputo. Tampoco podemos asumir que las personas siempre preferirán a un terapeuta, consejero o mediador humano, según investigaciones recientes.
Entonces, ¿cómo podemos separar las tareas que la IA automatizará próximamente de aquellas que requerirán nuevos avances tecnológicos para lograrlo? Para responder eso, debemos volver a los principios fundamentales y revisar dónde comenzó todo.
De un concurso de laboratorio a una revolución industrial
A mediados de la década del 2000, la científica computacional Fei-Fei Li observó que el campo de la visión computacional (enfocado en permitir que las computadoras “vean” e interpreten imágenes) enfrentaba un cuello de botella: los algoritmos carecían de datos visuales suficientes para alcanzar el rendimiento humano. Su solución fue contundente: construyó ImageNet, un vasto conjunto de imágenes meticulosamente etiquetadas armado con ayuda de Amazon Mechanical Turk. Pero su verdadero golpe de genialidad llegó en 2010, cuando agregó una clasificación global al conjunto de datos, transformando el reconocimiento de imágenes en una competencia estilo gladiador para investigadores.
Luego, en 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton arrasaron con la competencia. Con dos tarjetas gráficas NVIDIA GTX 580, el trío de Toronto logró entrenar una red neuronal convolucional en solo unos días, un enfoque revolucionario que demostró que era posible alterar la historia de la visión computacional con el presupuesto de un estudiante de posgrado.
Ese momento puso fin al largo invierno de la IA, colocó a las redes neuronales en el centro del progreso y reveló el libro de jugadas con el que sigue funcionando este campo: Primero, reunir datos relevantes. Luego, depender de métricas para cuantificar e impulsar el progreso. Por último, inundar el modelo con datos y GPU hasta que aprenda por sí solo.
Datos, recompensa y cómputo
El marco que impulsó el avance en reconocimiento de imágenes es mucho más general de lo que muchos creen. Puede aplicarse siempre que podamos: a) definir el entorno de la tarea y reunir sus datos; b) especificar una recompensa objetivo; y c) proporcionar el poder computacional para permitir que el sistema itere.
Si se apilan esos tres ingredientes, se obtiene un motor de automatización de uso general. Ahora, dos tendencias de datos aceleran este ciclo. En primer lugar, los modelos pueden generar ejemplos sintéticos ilimitados (por ejemplo, creando “kilómetros de conducción” virtuales que cubran todos los escenarios extraños, en lugar de depender de datos de conductores reales). Y, en segundo lugar, la IA se despliega cada vez más en una variedad de dispositivos y sensores (en teléfonos, autos y otros lugares), capturando y cuantificando señales del mundo real que antes resultaban demasiado costosas o poco prácticas de medir.
Si puede convertir un fenómeno en números, la IA lo aprenderá y lo reproducirá a escala. Eso significa que cualquier trabajo que pueda medirse puede, en teoría, automatizarse.
Prosperar a pesar de las incógnitas desconocidas
Los humanos somos generalistas evolutivos, seleccionados para navegar por mapas incompletos. No solo sobrevivimos a las incógnitas desconocidas: prosperamos con ellas, y esa resiliencia es nuestra mayor ventaja. A lo largo de incontables generaciones afinamos nuestras cuerdas vocales y cerebros sociales hasta que surgió el lenguaje, abriendo la puerta al conocimiento acumulativo, el razonamiento abstracto y el pensamiento simbólico. A partir de allí, superamos nuestros límites biológicos, creando herramientas que expandieron nuestros sentidos, memoria y habilidades.
Pero la piedra angular de nuestra ventaja es nuestra corteza prefrontal altamente plástica y densamente conectada. Este centro de comando neuronal nos permite imaginar infinitos “qué pasaría si”, ensayar futuros contrafactuales y ajustar la estrategia en el instante en que cambian las condiciones. A falta de una verdadera singularidad, incluso las máquinas cuánticas tendrán dificultades para igualar nuestro talento para la planificación contrafactual abierta y multidisciplinar.
A medida que la IA acelera el progreso, crea nuevas incógnitas desconocidas, por lo que nuestros mapas siguen redibujándose. Mientras tanto, convierte lo predecible en rutina, tal como la mecanización agrícola nos sacó de la subsistencia, liberando más de nuestra capacidad cerebral contrafactual para problemas de mayor nivel.
La IA también tendrá dificultades en dominios donde la medición roza lo imposible: como lo demuestra el esfuerzo de una década que el Event Horizon Telescope necesitó para capturar una sola imagen de un agujero negro, y los desafíos aún no resueltos de explorar la física a gran escala, el manto profundo de la Tierra, los océanos abisales o las interacciones celulares vivas dentro del cerebro humano. También se quedará atrás donde la medición esté limitada por la privacidad, la ética o la regulación; donde la sociedad exija un razonamiento transparente; y donde las personas simplemente prefieran un toque humano.
Pero una excepción crucial en lo que puede medirse podría resultar decisiva: tareas que desafían la cuantificación porque sus probabilidades de resultado son fundamentalmente incognoscibles.
El crecimiento de una empresa emergente, la asignación de capital o talento a proyectos altamente inciertos, la contención de un nuevo virus, el establecimiento de la política de un banco central durante un cambio de régimen financiero, la redacción de principios éticos de la IA, la invención de un nuevo medio artístico, el inicio de una tendencia de moda o la creación de un nuevo éxito de taquilla que rompa géneros: todas estas tareas se sitúan en zonas donde las probabilidades desaparecen. Algunos actos y descubrimientos creativos no son más que ingeniosas recombinaciones de lo conocido, pero los verdaderamente ambiciosos dependen de nuestra capacidad singular para imaginar nuevos y complejos mundos contrafactuales.
Para los líderes que guían a sus organizaciones en esta transición turbulenta, ¿qué hay más allá de la hoja de cálculo? Todo aquello que no cabe en una celda: las habilidades que se resisten a ser contabilizadas, los problemas abiertos sin precedentes fiables, lo intangible.
En términos generales, la receta es sencilla. Respalde las apuestas arriesgadas con retornos difusos, recompense a los equipos que replantean los problemas y se inclinan por lo desconocido, y rote el talento por las funciones que se enfrentan a la incertidumbre en I+D, nuevos mercados e interacciones complejas con clientes, socios y políticas. Reserve tiempo libre y fomente colisiones entre equipos para estimular la serendipia y la recombinación de ideas. No trate esos espacios de ambigüedad planificada como pasivos, sino como activos estratégicos.
Solo los líderes que presten atención a lo que es medible (y, más crucialmente, a lo que obstinadamente no lo es) estarán listos cuando llegue el próximo cambio.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
AI doesn’t need a sci-fi upgrade to upend the economy — current models, and the cheaper, more capable versions already in the pipeline, are set to disrupt nearly every corner of the labor market.
To navigate this new landscape, leaders need to understand — and plan for — how automation will affect their businesses. That requires understanding which tasks and responsibilities are most likely to come under pressure and charting a course to move the enterprise up the intelligence value chain before time runs out.
WHAT IS NOT AT RISK OF AUTOMATION?
Academic researchers and practitioners have extensively debated which jobs and tasks are most vulnerable to automation. Some threats are obvious: self-driving vehicles may soon be in a position to displace millions of ride-sharing, bus and truck drivers. Meanwhile, language translation, swaths of creative writing, design and even everyday coding are being handed off to AI.
AI research pioneers Ajay Agrawal, Joshua Gans and Avi Goldfarb argued in 2018 that as AI advances, the last bastion of human advantage will be judgment — the ability to weigh options and make decisions under uncertainty. Yet that insight hands us an impossible homework assignment: pinning down exactly what qualifies as judgment at any given moment.
Tasks that demand human judgment today — choosing a medical treatment, reviewing a legal contract, scripting a film that nails the zeitgeist — could soon pass to AI as models tap richer data and greater compute. Nor can we assume people will always prefer a human therapist, counselor or mediator according to recent research.
So, how can we separate the tasks AI will automate next from those that will require new breakthroughs in AI technology to do so? To answer that, we must go back to first principles and revisit where it all began.
FROM LAB CONTEST TO INDUSTRIAL REVOLUTION
Back in the mid-2000s, computer scientist Fei-Fei Li saw that the field of computer vision, which is focused on enabling computers to “see” and interpret images, was dealing with a bottleneck: algorithms were pixel-starved, ingesting too little visual data to reach human performance. Her solution was refreshingly brute-force: she built ImageNet—a vast, meticulously labeled image trove assembled with help from Amazon Mechanical Turk. But her true stroke of genius came in 2010, when she bolted a global leaderboard onto the dataset — transforming image recognition into a gladiatorial contest for researchers.
Then, in 2012, Alex Krizhevsky, Ilya Sutskever and Geoffrey Hinton blew the competition away. Using two off-the-shelf NVIDIA GTX 580 graphics cards, the trio from Toronto was able to train a breakthrough convolutional neural network in just a few days — a groundbreaking approach that proved you could bend computer-vision history on a grad student budget.
That moment ended the decades-long AI winter, put neural nets at the center of progress, and revealed the playbook the field still runs on. First, gather relevant data. Next, rely on metrics to quantify and drive progress. Last, flood a model with data and GPU muscle until it teaches itself.
DATA, REWARD, COMPUTE
The framework that propelled the image recognition breakthrough is far more general than most realize. It can be invoked whenever we can a) define the task environment and assemble its data; b) specify a target reward; and c) provide the computational power to let the system iterate.
Stack those three ingredients and you get a general-purpose automation engine. Two data trends now accelerate the flywheel. First, models can mint limitless synthetic examples—for instance, generating virtual “driving miles” that cover every oddball scenario, rather that relying on data from real world drivers. And second, AI is increasingly fielded across a variety of devices and sensors — on phones, in cars and elsewhere, capturing and quantifying real-world signals that were once too expensive or impractical to measure.
If you can shoehorn a phenomenon into numbers, AI will learn it and reproduce it back at scale. That means that any job that can be measured can, in theory, be automated.
THRIVING DESPITE UNKNOWN UNKNOWNS
Humans are evolutionary generalists, selected to navigate half-drawn maps. We don’t merely survive unknown unknowns — we thrive on them, and that resilience is our defining edge. Over countless generations we fine-tuned our vocal cords and social brains until language emerged — opening the door to cumulative knowledge, abstract reasoning and symbolic thought. From there we pushed beyond our biological limits, forging tools that stretched our senses, expanded our memory and multiplied our abilities.
But the cornerstone of our advantage is our highly plastic, densely wired prefrontal cortex. This neural command center lets us spin endless “what-ifs,” rehearse counterfactual futures and pivot strategy the instant conditions shift. Short of a true singularity, even quantum machines will struggle to match our talent for open-ended, cross-domain counterfactual planning.
As AI accelerates progress, it creates fresh unknown unknowns, so our maps keep being redrawn. Meanwhile, it routinizes the predictable — much as mechanized farming lifted us from subsistence — freeing more of our counterfactual brainpower for higher-level problems.
AI will also struggle in domains where measurement verges on the impossible — witness the decade-long, globe-spanning effort the Event Horizon Telescope needed to capture a single black-hole image, and the still-unsolved challenges of probing extreme-scale physics, Earth’s deep mantle and abyssal oceans, or live cellular interactions inside the human brain. It will also lag where measurement is throttled by privacy, ethics or regulation; where society requires transparent reasoning; and where people simply prefer a human touch.
But one crucial carve-out in what can be measured may prove decisive: tasks that defy quantification because their outcome odds are fundamentally unknowable. Scaling a startup, allocating capital or talent into highly uncertain ventures, containing a novel virus, setting central bank policy during a financial regime shift, drafting AI ethics, inventing a new artistic medium, igniting a fashion trend or creating a new genre-bending blockbuster — all sit in zones where probabilities vanish. Some creative acts and discoveries amount to little more than clever recombinations of the familiar, but the truly ambitious hinge on our singular ability to envision genuinely new and complex counterfactual worlds.
For leaders steering their organizations through this turbulent transition, what lies beyond the spreadsheet? It’s everything that won’t fit in a cell: the skills that refuse to be tallied, the open-ended problems with no reliable precedent, the intangibles.
Directionally, the prescription is simple. Back wild card bets with fuzzy ROI, reward teams that reframe problems and lean into the unknown, and rotate talent through roles that confront uncertainty across R&D, new markets, and complex customer, partner and policy interactions. Carve out slack time and engineer cross-team collisions to spark serendipity and idea recombination. Treat those pockets of planned ambiguity not as liabilities, but as strategic assets.
Only leaders who pay attention to what is measurable — and, more crucially, to what stubbornly isn’t — will be ready when the next shift arrives.
Las claves para tener éxito con un nuevo jefe
Saber que tendrá un nuevo jefe puede despertar una mezcla de emociones: desde alivio y entusiasmo hasta frustración, inquietud y sensación de pérdida.
Nuestros consejos favoritos de gestión sobre cómo dar retroalimentación
A continuación, presentamos una selección de nuestros consejos favoritos sobre cómo dar (y pedir) retroalimentación.
Lo que las empresas internacionales pierden cuando la toma de decisiones gira en torno a la sede central
Cuando las organizaciones cierran la brecha entre la sede central y el resto, se generan mejores decisiones, mayor flujo de información y menos frustración derivada de trabajar alrededor del mundo.
