¿Por qué no mejoramos usando IA después de dos años?

Llevamos al menos dos años con modelos de lenguaje capaces de redactar, analizar, depurar código y sintetizar documentos a una velocidad que cualquier profesional de 2020 habría considerado imposible. Y sin embargo, la pregunta que plantea el Financial Times en este artículo sigue sin respuesta satisfactoria: ¿por qué no somos colectivamente mejores en lo que hacemos?

No es una pregunta retórica vacía. Es la clase de incómoda que merece un rato de atención honesta, especialmente para quienes trabajamos cerca del ecosistema Claude o de cualquier otro sistema de IA generativa.

La brecha entre acceso y destreza

El patrón es conocido: las organizaciones compran licencias, los individuos crean cuentas, alguien hace una demo impresionante en una reunión, y luego... el uso se estabiliza en tareas de bajo valor. Redactar borradores de email, generar resúmenes que nadie lee enteros, obtener explicaciones de conceptos que luego no se aplican.

Esto no es un problema del modelo. Claude Opus 4.7 con un millón de tokens de contexto puede ingerir contratos enteros, bases de código completas o historiales de conversación de meses. Sonnet 4.6 y Haiku 4.5 ofrecen velocidad y coste suficientes para integrarse en flujos de trabajo reales. La capacidad técnica no es el cuello de botella.

El problema parece ser otro: la mayoría de personas no ha desarrollado el hábito mental de delegar trabajo cognitivo de manera sistemática. Usamos la IA como un buscador más rápido, no como un colaborador al que vale la pena invertir tiempo en instruir bien.

El coste oculto de la curva de aprendizaje

Aprender a usar bien una herramienta de IA requiere un esfuerzo inicial que a menudo se subestima. No se trata solo de saber escribir prompts, sino de entender qué tareas merece la pena delegar, cómo estructurar el contexto, cuándo verificar el output y cuándo fiarse de él.

En entornos profesionales, ese tiempo de experimentación raramente está presupuestado. Los equipos llegan a fin de semana sin haber podido probar nada nuevo, y los managers miden la productividad en outputs directos, no en la inversión en aprendizaje de herramientas. El resultado es que la adopción profunda queda reservada para quienes tienen curiosidad personal y tiempo propio para experimentar, que no son todos.

Esto crea una divergencia creciente: hay una minoría de profesionales que sí están siendo significativamente más productivos, mientras que la mayoría sigue en el mismo punto que hace dieciocho meses.

El problema de medir lo que mejora

Otro factor que complica el diagnóstico es la dificultad de medir ganancias de productividad cognitiva. Si una diseñadora tarda la mitad en iterar sobre un brief porque usa Claude para generar variaciones rápidas, ese tiempo ahorrado raramente aparece en ningún indicador de negocio. Se absorbe en otras tareas, en reuniones, en correos. La mejora existe, pero es invisible en los dashboards.

Las organizaciones que sí están viendo resultados medibles son las que han tomado decisiones estructurales: integrar herramientas como Claude Code en flujos de desarrollo con hooks y subagentes específicos para sus procesos, construir servidores MCP conectados a sus fuentes de datos internas, o definir skills reutilizables que estandarizan cómo el equipo interactúa con el modelo. No es magia: es ingeniería de procesos aplicada a nuevas herramientas.

Quién tiene más que ganar de esta reflexión

El artículo del FT está dirigido a un público generalista, pero la pregunta resuena especialmente en tres perfiles. Primero, los responsables de adopción tecnológica en empresas medianas, que necesitan justificar inversiones sin poder mostrar métricas claras. Segundo, los desarrolladores individuales que llevan meses con acceso a herramientas potentes pero no han cambiado sustancialmente su forma de trabajar. Tercero, los equipos de formación interna que han organizado talleres de prompting sin conectarlos a casos de uso reales del negocio.

Para todos ellos, la pregunta del FT es un buen punto de partida para una conversación honesta que en muchos entornos laborales todavía no se ha tenido.

---

Desde EP, creemos que la narrativa del "potencial sin explotar" lleva demasiado tiempo sirviendo de excusa para no hacer el trabajo duro de integrar estas herramientas en procesos reales. La tecnología está. El siguiente paso no es esperar al modelo siguiente: es tomarse en serio la parte de aprendizaje que nadie quiere hacer.