Expertise: cómo la I.A. reorganiza qué tipos de trabajos se vuelven valiosos.
Por qué la automatización no solo cambia qué hacemos, sino qué tan valiosos nos volvemos
Ed 76
En nuestra edición anterior exploramos estrategias prácticas para delegar tareas a la inteligencia artificial. Hablamos de cómo identificar qué actividades traspasar a herramientas automatizadas y cuáles mantener bajo control humano para maximizar productividad sin sacrificar calidad.
Sin embargo, recientemente me topé con una investigación del MIT que cambió completamente mi perspectiva sobre este tema.
El paper "Expertise" (2025) de David Autor y Neil Thompson presenta un framework que va mucho más allá de la simple pregunta "¿qué tareas automatizar?" Lo que me parece revolucionario es que revela algo que pocas veces consideramos: cómo la automatización reorganiza fundamentalmente qué tipos de conocimiento se vuelven valiosos.
Y esto me parece crucial para quienes trabajamos integrando IA en nuestros flujos de trabajo, porque las implicaciones van mucho más allá de la productividad inmediata.
El Framework de Expertise: Una Nueva Forma de Ver la Automatización
La idea central de Autor y Thompson es simple pero reveladora: la automatización no afecta uniformemente a todos los trabajadores, sino que simultáneamente reemplaza expertos en algunas ocupaciones mientras aumenta expertise en otras.
Su framework se construye sobre tres conceptos:
Jerarquía de Expertise: Las tareas se pueden ordenar de menos a más expertas. Los trabajadores con mayor expertise pueden realizar tareas de menor expertise, pero no viceversa.
Agrupación de Tareas: Los trabajos combinan múltiples tareas de diferentes niveles de expertise. Para ser productivo en una ocupación, necesitas suficiente expertise para la tarea más difícil.
Automatización que Desplaza Expertise: Cuando se automatiza una tarea, no solo se ahorra trabajo humano, sino que se elimina la necesidad de esa expertise específica.
El Ejemplo que lo Cambia Todo: Contadores vs Empleados de Inventario
Para entender cómo funciona esto, consideremos dos ocupaciones transformadas por la computarización: contadores auxiliares y empleados de inventario.
Los contadores auxiliares vieron cómo las computadoras automatizaron sus tareas más rutinarias (registrar transacciones, reconciliar balances), pero les quedaron las actividades complejas: resolver discrepancias, analizar patrones, tomar decisiones sobre clasificaciones. Resultado: salarios más altos porque el trabajo restante requiere mayor expertise, pero menos empleos porque no cualquiera puede hacerlo.
Los empleados de inventario vieron automatizarse algunas de sus tareas más especializadas (cálculos de precios, verificaciones complejas), quedándoles principalmente trabajo físico de contar y almacenar. Resultado: salarios más bajos porque el trabajo restante es más genérico, pero más empleos porque más gente puede realizarlo.
La misma tecnología, impactos opuestos. ¿Por qué? Porque en cada caso, la automatización alteró de manera diferente el nivel promedio de expertise requerido para las tareas restantes.
Desmitificando la Automatización en UX
Este framework desmonta narrativas que escuchamos constantemente en nuestra industria. Como esas visiones de startups funcionando solo con un CEO dirigiendo agentes de IA especializados.
Estas ideas revelan una comprensión superficial de cómo funciona realmente la automatización. El mito del "CEO con agentes" asume que supervisar es más simple que ejecutar, cuando el framework sugiere exactamente lo opuesto: supervisar efectivamente herramientas especializadas requiere expertise exponencialmente más complejo que ejecutar tareas individuales.
Si automatizamos completamente el proceso creativo, el único rol humano restante sería "selector entre opciones" - una posición que requiere muy poca expertise específica y por tanto comandaría salarios bajos.
La Pregunta que Define Nuestro Futuro
Pero consideremos lo contrario. ¿Qué pasa si automatizamos específicamente la creación técnica de wireframes, flujos y componentes de UI, pero mantenemos la toma de decisiones estratégicas en manos humanas?
Aquí las tareas que permanecen requieren un nivel de expertise significativamente más alto:
Conexión estratégica: Traducir objetivos de negocio complejos en requisitos de experiencia específicos
Evaluación sistémica: Determinar si las soluciones generadas mantienen coherencia visual e interactiva en todo el sistema
Constraints técnicos: Entender limitaciones de implementación y hacer trade-offs inteligentes
Juicio de calidad: Evaluar si las propuestas realmente resuelven problemas de usuarios identificados
De repente, el rol del diseñador UX se transforma en algo que requiere convergencia de conocimientos que antes podían existir separados: estrategia de producto, psicología visual, arquitectura técnica, metodología de investigación.
Esta transformación no es automática ni inevitable. Depende completamente de cómo decidamos integrar IA en nuestros procesos. Y esa elección determinará si nos volvemos más valiosos o más intercambiables.
En la siguiente edición exploraremos cómo aplicar este framework de manera estratégica y cómo las organizaciones pueden navegar esta transformación para elevar a sus equipos en lugar de comodotizarlos.
Nos vemos la próxima semana.
Para ver 👀
B2B-agents disponibles Github
Alysson Franklyn tiene un interesante proyecto que el mismo define como “Una lista completa con más de 40 agentes (y sigue creciendo) para escalar tu startup B2B o impulsar equipos empresariales”. Sigue a Alysson en LinkedIn para que puedas estar al tanto con cada una de sus actualizaciones.
Continua dándonos ese gran contenido Ulises, gracias a ti me estoy transformado de Diseñador Grafico al UX/UI.
Tengo mis asegunes con respecto al tema. Yo considero algo diferente a la alta especialización para la toma de desiciones; sobre todo si se basa en estructura de datos; ya que estás habilidades podrían ser facilmente superadas por un modelo artificial que tiene mayor y más preciso manejo de cantidades ingentes de datos... creo que, sin darnos cuenta, estamos en un punto interesante de volver a poner a los humanos en el centro y qué es lo que la máquina aún no logra hacer fuera de su modelo predictivo: Analizar, responder y resolver ante el complejo mundo de la elasticidad humana... lo cual también está interesante, porque la máquina, el algoritmo y todo nos está uniformando (globalizando) cada vez más y elimina esas ligas diferentes para asimilarlas al sistema... justo en este punto puedo decir que estamos en una interesante paradoja...