Private beta

La evidencia más clara hasta ahora viene de la medicina. Después de que la asistencia de IA se volvió rutinaria en cuatro centros de endoscopia, la tasa de detección de los médicos en las colonoscopias que hacían sin IA cayó unos seis puntos porcentuales, y se trataba de médicos con experiencia y miles de procedimientos a sus espaldas (Budzyn et al., 2025). Nadie decidió volverse peor. La destreza se trasladó a la herramienta, y faltó el día en que la herramienta no estuvo disponible.

En una encuesta a 319 trabajadores del conocimiento, cuanto más confiaban en la IA, menos pensamiento crítico decían ejercer, y cuanto más confiaban en su propio juicio, más lo ejercían. El trabajo mismo pasó de producir una respuesta a verificar y gestionar lo que producía la máquina (Lee et al., 2025). El resultado se ve igual, y a menudo mejor, así que este cambio es fácil de pasar por alto.

En un experimento de campo, los estudiantes que tuvieron un tutor de IA sin salvaguardas mejoraron mientras lo usaban, pero después obtuvieron peores resultados por su cuenta que los estudiantes que nunca lo tuvieron, mientras que una versión construida con salvaguardas evitó ese daño (Bastani et al., 2025). La IA no arruina el aprendizaje por sí sola. Hay que configurar la herramienta para que la persona siga pensando, y eso importa más para el personal nuevo que todavía está formando su criterio.

Cuando el borrador, el resumen y el plan llegan ya hechos, el trabajo se convierte en aprobar lo que produjo una máquina. Buena parte de lo que hace bueno a un trabajador de casos es el pensamiento que ocurre mientras escribe la nota, y la incomodidad que lo hace volver al expediente, y esa es justo la parte que la herramienta elimina primero. Dígalo en voz alta en la supervisión. Un trabajador que se siente como el revisor del trabajo de otro está describiendo algo real.

Trabaje primero el caso difícil usted mismo, y después consulte a la herramienta y compare. Déle al personal nuevo casos sin la herramienta, a propósito, tal como se forma cualquier profesión. Trate la regla "la IA redacta, usted decide" como una regla que protege su propia competencia, y no solo la precisión que reciben sus clientes.

Todo lo que tiene el modelo vino de texto que ya existía en una forma que una empresa pudo recopilar. El conocimiento que vive en el habla, en una comunidad, en archivos de papel que nadie escaneó, o en un idioma con poca presencia escrita en internet, está simplemente ausente, y el modelo no puede notar su propia ausencia. Quién tenía dinero, editoriales e infraestructura decidió qué se digitalizó, así que la forma del conocimiento de un modelo sigue la forma de la historia económica y colonial.

El vietnamita, el tagalo, el amárico y el criollo haitiano tienen, cada uno, decenas de millones de hablantes. Se los llama de bajos recursos por una sola razón: poco de ese idioma existe en internet como texto digitalizado y limpio. Investigadores han clasificado los idiomas del mundo en niveles exactamente sobre esa base, y la distancia entre el nivel más alto y el resto es enorme (Joshi et al., 2020).

Donde un idioma es escaso en internet, los corpus se rellenan con lo que se pueda extraer, incluidas traducciones religiosas, avisos gubernamentales y páginas traducidas por máquina. Una auditoría de los conjuntos de datos multilingües estándar extraídos de la web encontró problemas sistemáticos en los corpus de menos recursos, con varios que tenían menos de la mitad de oraciones de calidad aceptable, y decenas que llevaban directamente la etiqueta de idioma equivocada (Kreutzer et al., 2022). Cuando un modelo le responde a su cliente en amárico, ese puede ser el material que hay debajo.

Como el texto no existe, las empresas pagan para crearlo: escanean, transcriben, traducen, graban y escriben en el idioma que falta. Meta publicó un modelo de traducción que cubre 200 idiomas (Meta AI, No Language Left Behind), y agencias como Karya les pagan a trabajadores rurales de India para que graben habla en sus propios idiomas, y después venden esos conjuntos de datos a grandes empresas tecnológicas (Karya). Las dos cosas son ciertas a la vez. Un idioma casi sin registro digital puede llegar a tenerlo, y las personas que lo aportaron por lo general reciben una tarifa por contrato, no se quedan con ninguna propiedad sobre el recurso, y después ven cómo esa misma capacidad se les vende de vuelta. El consentimiento, el pago y quién termina siendo dueño del corpus deciden cuál de las dos cosas ocurre.

Un tipo de trabajo aparte hace que el modelo sea seguro y agradable: calificar respuestas, decidir cuál réplica es mejor, y filtrar material violento y sexual de los datos de entrenamiento. La mayor parte ocurre en inglés, y se subcontrata en países donde el inglés se habla ampliamente y los salarios son bajos, una combinación que existe por los sistemas educativos coloniales. Un reportaje documentó a trabajadores kenianos a los que se les pagaba del orden de dos dólares la hora por leer material traumático para que un chatbot no lo repitiera (Perrigo, 2023), y una investigación revisada por pares sobre plataformas de trabajo de datos en América Latina encontró la misma estructura, en la que las personas que producen los datos tienen el menor poder dentro de la cadena (Miceli & Posada, 2022).

El material publicado tampoco tenía, en su mayor parte, licencia. Un grupo de autores demandó a Anthropic por millones de libros, incluidas copias tomadas de bibliotecas piratas y libros impresos que la empresa compró, desarmó y escaneó (Washington Post, 2026); ese caso se resolvió por unos 1500 millones de dólares. Un grupo de periódicos encabezado por el New York Times sigue en litigio contra OpenAI (Reuters, 2026). Un juez federal ha resuelto que entrenar con libros obtenidos legalmente es uso legítimo, y que descargar copias pirateadas no lo es. Otros casos siguen abiertos, y la cuenta final todavía no está clara.

Google midió a su propio asistente y reportó que un prompt de texto mediano consume unos 0.24 vatios-hora de electricidad y 0.26 mililitros de agua, más o menos nueve segundos de televisión y cinco gotas (Google, 2025). Otras estimaciones para una consulta a un chatbot se acercan más a 2.9 vatios-hora, unas diez veces una búsqueda web (MIT Technology Review, 2025). Las estimaciones difieren en un orden de magnitud, casi siempre dejan fuera el entrenamiento del modelo y la fabricación del hardware, y las empresas que podrían zanjar la pregunta casi nunca publican esos datos.

Los centros de datos de Estados Unidos usaron cerca del 4,4 por ciento de la electricidad del país en 2023, y un laboratorio del Departamento de Energía proyecta entre 6,7 y 12 por ciento para 2028, impulsado sobre todo por la IA (Lawrence Berkeley National Laboratory, 2024). Su prompt es un margen de redondeo. Lo que hace que se construya una planta eléctrica es la curva de demanda que resulta de sumar muchísimos prompts.

Un modelo de razonamiento (reasoning model) que piensa durante un minuto, un documento largo procesado por un modelo grande, y una imagen o un video cuestan mucho más que una pregunta corta a un modelo liviano. Más allá de la velocidad y del dinero, esta es una tercera razón para dejar el modelo liviano como opción predeterminada y recurrir al pesado solo cuando de verdad hace falta. Un modelo pequeño dedicado a una sola tarea concreta es el arreglo más barato en todos los sentidos, incluido este.

Los centros de datos se construyen en algún lugar, y ese lugar casi nunca es un lugar adinerado. En Memphis, una empresa alimentó un centro de datos de IA con docenas de turbinas de gas junto a un barrio históricamente afroamericano que ya cargaba con una fuerte contaminación, lo cual provocó una demanda bajo la Ley de Aire Limpio y una oposición comunitaria organizada (TIME, 2025). En Santiago, un tribunal ambiental devolvió a revisión el permiso de un centro de datos después de que los residentes impugnaran un plan para extraer unos 7,6 millones de litros de agua potable al día de un acuífero ya presionado (Municipality of Cerrillos v. Evaluation Commission, 2024). El beneficio es global y el agua es local, y las personas que viven junto a las turbinas son quienes deberían decidir si se construyen.

No mucho por sí solo, y eso no es razón para mirar hacia otro lado. Use la herramienta cuando se lo gane, y prescinda de ella cuando una plantilla alcance. Deje el modelo liviano como opción predeterminada. Cuando su agencia compre una herramienta, incluya esta pregunta en la conversación de adquisiciones y pídale cifras al proveedor. Y si se propone un centro de datos cerca de las comunidades a las que atiende, que los residentes tengan voz en la decisión es lo importante, no un trámite.