Gobernar agentes sin vaciar el aprendizaje humano

Un agente puede acelerar una tarea y, al mismo tiempo, debilitar el sistema de trabajo que la rodea si borra puntos de revisión, vuelve opacas las decisiones o elimina los momentos en que un equipo aprende a juzgar mejor. Medir solo el tiempo ahorrado deja fuera esas consecuencias.

Respuesta breve: gobernar agentes exige decidir tres cosas antes de automatizar: qué se delega, dónde entra una revisión humana con autoridad y qué práctica debe conservarse para que el equipo siga aprendiendo. La velocidad cuenta, pero no compensa la pérdida de criterio, trazabilidad o responsabilidad.

La evidencia reciente sitúa el problema en la organización del trabajo. Las mejoras aparecen con claridad en tareas definidas, pero no escalan por arte de magia. Entre una ganancia puntual y una ventaja estable intervienen la reorganización, las capacidades complementarias, la supervisión y la forma en que la empresa documenta excepciones y aprendizaje.

La señal más reciente del mercado empuja en la misma dirección. El 2026-07-22, OpenAI Presence presentó los despliegues agentic con políticas, acciones aprobadas, evaluaciones y escalamiento humano como parte explícita del producto. No es evidencia independiente de impacto organizacional. Pero sí es una señal útil: incluso los proveedores están empaquetando la autonomía con controles visibles. La discusión ya no gira solo alrededor de lo que el agente puede hacer, sino de la arquitectura humana que permite usarlo sin vaciar criterio ni aprendizaje.

La productividad existe, pero no escala sola

La OIT revisó evidencia empírica reciente sobre GenAI y encontró ganancias de productividad reales, aunque desiguales, junto con cambios en coordinación, autonomía y organización del trabajo. Esa foto coincide con otro diagnóstico de la misma organización en The Aggregation Paradox of AI: las mejoras micro en tareas definidas no se traducen automáticamente en ganancias visibles a escala si faltan reorganización, difusión, habilidades complementarias e infraestructura institucional.

La implicación es incómoda para cualquier empresa que quiera mover rápido. Medir un agente solo por el tiempo que ahorra en una interacción es parecido a medir una capacitación solo por la asistencia. La cifra existe, pero no dice todavía si el sistema tomó mejores decisiones, si creó nuevas capacidades o si solo desplazó trabajo valioso fuera de la vista. Un tablero puede verse más limpio mientras el equipo entiende menos lo que está pasando por debajo.

Por eso la unidad de análisis cambia. Ya no basta con preguntar cuánto reduce el tiempo de una tarea. También hay que mirar qué le pasa al criterio que la rodea, quién detecta el error cuando el agente falla, quién conserva el contexto y si la organización está creando una dependencia que luego le costará más de lo que hoy le ahorra.

La revisión humana no es fricción: es parte del valor

Un working paper del NBER publicado con fecha de issue en julio de 2026 modela la IA dentro de un entorno de decisión donde también operan verificación humana y otras señales. Su punto central es importante para cualquier discusión sobre agentes: maximizar precisión incondicional no siempre maximiza valor dentro del sistema real de uso. Traducido a lenguaje de gestión, eso significa que el mejor modelo aislado no necesariamente produce el mejor proceso organizacional si la arquitectura de revisión está mal diseñada.

La idea se refuerza con otro paper del NBER, Building Pro-Worker Artificial Intelligence, que distingue entre IA meramente automatizadora e IA que expande capacidades humanas o crea nuevas tareas. La diferencia importa porque muchas promesas sobre agentes se formulan como si cualquier sustitución parcial fuera una mejora neta. No lo es. Una organización puede automatizar superficie y, al mismo tiempo, empobrecer la capacidad humana que necesita para supervisar, interpretar, enseñar y rediseñar.

En ese sentido, la revisión humana no es una vergüenza del sistema. No es el parche que queda cuando la automatización todavía no está lista. En muchos contextos es parte del mecanismo que genera valor económico y reduce riesgo. Si el agente prepara, ordena, filtra o resuelve una parte del trabajo, pero la organización diseña bien dónde entra el juicio humano, el resultado puede ser mejor que una simple sustitución. Si borra esos puntos de control, la velocidad inicial puede venir acompañada de más retrabajo, menos aprendizaje y más dependencia.

El riesgo no es solo el error: también es el vaciamiento del aprendizaje

La presión por delegar más trabajo a agentes puede producir un daño menos visible que un fallo factual: la erosión del aprendizaje dentro del flujo real de trabajo. Si un sistema resuelve demasiado pronto lo que antes obligaba a diagnosticar, contrastar y explicar, parte de la organización puede ganar velocidad a costa de perder criterio. No se trata de afirmar que toda automatización erosiona desarrollo. Se trata de reconocer que el riesgo existe y que depende del diseño.

La misma revisión de la OIT sobre trabajo, productividad y organización llama la atención sobre efectos desiguales por perfil, tarea y posición laboral. Y el Work Trend Index 2026 de Microsoft empuja la discusión hacia otra frontera: a medida que los agentes asumen más ejecución, la agencia humana se desplaza hacia dirección, decisión y aprendizaje organizacional. Esa afirmación, por sí sola, no prueba que todas las empresas estén rediseñando bien el trabajo. Pero sí ayuda a nombrar el problema correcto: si la agencia humana cambia de lugar, la organización debe decidir qué prácticas mantienen vivo ese aprendizaje y qué errores le cuesta más tercerizar que resolver.

El punto es especialmente sensible para rutas junior o para equipos que todavía están construyendo criterio en una función. Si el agente se convierte en la primera y última instancia sobre una tarea, la empresa puede quedarse sin el espacio intermedio donde alguien aprendía a detectar una anomalía, justificar una excepción o comprender una consecuencia. Lo que desaparece no es solo una tarea. Puede desaparecer una ruta de desarrollo.

Dos fuentes independientes ayudan a separar aprendizaje de simple exposición a herramientas. La OCDE concluye que prosperar con IA requiere una mezcla de capacidades fundacionales, digitales y complementarias, no solo habilidades técnicas específicas. En Perú, el Banco Mundial reportó que una formación breve y práctica elevó el uso activo entre 1.270 docentes y mejoró su capacidad para evaluar críticamente las salidas de IA. El contexto educativo no se traslada sin más a una empresa, pero refuerza el mecanismo: herramienta, práctica, criterio y soporte deben diseñarse juntos.

Lo que ya puede verse en América Latina

En América Latina la evidencia sigue siendo más escasa de lo deseable, pero ya no es correcto decir que no existe ningún caso nominable. El Banco Mundial estimó que entre 8% y 12% de los empleos de la región tiene potencial de productividad con GenAI, mientras una fracción menor enfrenta automatización y una zona relevante queda en ambigüedad entre aumento y sustitución. Esa ambigüedad es precisamente donde importa más la gobernanza del trabajo.

También hay un contraste útil desde política pública. En el piloto argentino Poné tus habilidades a trabajar, la IA ayudó a volver visibles habilidades que antes no aparecían con claridad, pero el uso efectivo dependió de talleres, oficinas y apoyo humano. Según el propio Banco Mundial, 55% de los usuarios no había accedido antes a programas activos de empleo y el promedio fue de 42 habilidades por participante. El punto no es solo que la IA ayudó. Es que la mediación humana siguió siendo parte del resultado.

Ahora existe además un caso corporativo regional con nombre propio. Coca-Cola Andina documentó en abril de 2026 el despliegue de Andi, un agente para RR. HH. en Argentina que responde según el perfil del colaborador y deriva el caso a una persona responsable cuando hace falta. Microsoft Customer Stories confirmó el mismo caso y reportó uso activo por más de 300 empleados, incluso vía WhatsApp. Por separado, la empresa publicó una evaluación regional del aprendizaje en IA y el caso AcademIA, con 87,9% de satisfacción, 78,1% de aprobación, 10,3% de transferencia verificable y una mejora atribuida de 10,85 puntos porcentuales en adopción de IA.

Conviene no inflar lo que este caso permite decir. No prueba por sí solo un patrón regional. No demuestra causalidad amplia. Pero sí cierra un vacío importante: ya existe al menos una organización latinoamericana donde agentes, escalamiento humano y preocupación explícita por transferencia del aprendizaje conviven dentro del mismo sistema. Para una revista como PowerSkills, eso alcanza para pasar de hipótesis abstracta a análisis con evidencia nominable y cautela metodológica.

Una arquitectura de tres decisiones y cinco controles

Antes de elegir herramienta, el equipo puede dibujar cada flujo en tres zonas: delegar lo repetible y reversible; revisar donde una excepción cambia calidad, riesgo o responsabilidad; y conservar las prácticas que forman criterio. Sobre ese mapa conviene aplicar cinco controles observables:

1. Alcance: ¿qué parte exacta del flujo se delega y qué condición obliga a detenerlo?
2. Autoridad: ¿quién puede corregir, rechazar o revertir la salida del agente?
3. Aprendizaje: ¿qué diagnóstico, explicación o revisión debe seguir practicando el equipo?
4. Evidencia: además de tiempo ahorrado, ¿cómo se medirán calidad, retrabajo, escalamiento correcto y transferencia?
5. Frontera: ¿en qué contexto deja de ser válida la evidencia usada para diseñar el flujo?

El resultado no es un comité permanente ni una revisión de todo. Es una división explícita del trabajo: autonomía donde el error es recuperable; intervención humana donde cambia una decisión; y práctica deliberada donde desaparecería una capacidad crítica.

La pregunta correcta, entonces, ya no es cuánto tiempo ahorra un agente. Es qué sistema de trabajo deja detrás. Si la organización puede responder con claridad qué delega, dónde revisa y qué aprendizaje conserva, probablemente esté construyendo algo más sólido que una automatización vistosa. Si no puede hacerlo, tal vez solo esté moviendo más rápido una fragilidad que todavía no entiende.

Ese es también el siguiente paso lógico después de pensar capacidades por tareas, como planteamos en No capacites a toda la empresa como si fuera un equipo de IA. Una vez que una empresa entiende qué capacidades necesita cada tarea, la decisión madura es otra: cómo gobernar la delegación para que la IA no borre justamente las capacidades humanas que pretende multiplicar.