El peligro de creer que ya entendimos la IA

Danilo Naranjo, presidente ejecutivo de Wingsoft

Desayunando con mi amigo Pablo Zegers, científico chileno, conversábamos sobre el efecto Dunning-Kruger: cómo la falta de conocimiento puede dificultar que reconozcamos nuestros límites. Terminamos hablando de IA y apareció una inquietud: podemos estar subestimando cuánto cambiará nuestras vidas, porque sobreestimamos cuánto la entendemos.

En 1999, Kruger y Dunning observaron que los participantes de menor rendimiento tendían a sobrevalorar sus habilidades. Su interpretación estadística sigue en debate. Conviene recordarlo antes de usar el concepto para descalificar a otros.

Con la IA, la facilidad de uso puede darnos una confianza que nuestra comprensión no justifica. Obtener un texto convincente, evaluar si es correcto y comprender las consecuencias de aplicarlo son capacidades diferentes. Si solo resumimos correos, podemos minimizar el cambio; si resolvemos un problema complejo, creer que la IA está lista para cualquier decisión.

Una investigación publicada en Computers in Human Behavior en 2026 ilustra esa distancia. En un estudio, 246 personas usaron IA en 20 problemas de razonamiento lógico: acertaron, en promedio, tres más que una población de referencia, pero estimaron haber acertado cuatro más de los que realmente acertaron. Otro estudio, con 452 participantes, reprodujo los hallazgos principales. Con IA desaparecía el patrón clásico de Dunning-Kruger en esas tareas, pero persistía una dificultad: mejorar los resultados no garantizaba evaluarlos bien.

Mientras tanto, el AI Index 2025 de Stanford documentó que el costo de consultar modelos con un desempeño comparable al de GPT-3.5 en la prueba MMLU cayó más de 280 veces entre noviembre de 2022 y octubre de 2024. Esa capacidad, al abaratarse, puede incorporarse a más procesos y cambiar el valor de algunas tareas y la organización de las empresas.

La OIT estimó en 2025 que uno de cada cuatro trabajadores del mundo está en una ocupación con algún grado de exposición potencial a la IA Generativa. Considera más probable la transformación de la mayoría de esos empleos que su eliminación. Exposición no equivale a despido, pero tampoco significa que el trabajo seguirá igual.

Pensemos en quienes comienzan una carrera. Si automatizamos las tareas con las que aprenden a revisar antecedentes o detectar inconsistencias, tendremos que construir otras formas de aprendizaje. ¿Cómo formaremos a quienes supervisarán la IA si eliminamos las oportunidades de adquirir el criterio necesario? Exigir experiencia mientras reducimos los espacios para desarrollarla sería una contradicción bastante humana.

Un directorio que anuncia una estrategia de IA debiera explicar qué mejorará, cómo lo medirá y quién recibirá los beneficios. Comprar licencias deja esas preguntas abiertas. Si producimos más en menos tiempo, ¿quién se quedará con el valor del tiempo ahorrado, la empresa, los trabajadores o los clientes?

En Chile, quisiera que esta discusión tuviera tanta fuerza como el entusiasmo por adoptar herramientas. Las universidades deben mostrar cómo enseñan a verificar respuestas; las empresas, medir la calidad del trabajo asistido antes de reorganizar equipos; y el Estado, evaluar sus sistemas y ofrecer vías para revisar las decisiones tomadas con su ayuda.

Creo que la IA alterará profundamente nuestra manera de trabajar y aprender. Eso no convierte mi convicción en un calendario infalible. Necesitamos distinguir qué cambia, qué falla y qué evidencia nos haría revisar nuestra postura. La humildad intelectual se demuestra al corregir una decisión, incluso después de haberla defendido con entusiasmo.

De aquel desayuno con Pablo me quedó una pregunta que también me incluye: ¿cuántas decisiones estamos tomando sobre la IA con una confianza que todavía no hemos hecho el esfuerzo de merecer? Y otra, especialmente para quienes tienen poder: ¿quién pagará por nuestros errores?