Lo que tú tienes y la IA no
Memoria biográfica, contexto vivido y su importancia
Artículo de lectura independiente agrupado en la serie “La IA y tú”.
Una IA actual sabe que el agua hierve a 100 grados a nivel del mar. Lo sabe porque lo ha leído un millón de veces. Pero no se ha quemado nunca al meter la mano en una olla. Esa diferencia, aparentemente trivial, es el centro de este artículo.
A las personas que llevan tiempo trabajando con IA generativa les pasa algo curioso: al principio se asombran de lo mucho que sabe. Después de unas semanas, descubren que hay cosas que estructuralmente no puede hacer. Las llamaremos carencias del modelo. No son fallos que se vayan a corregir el año que viene con una versión nueva. Saber cuáles son y dónde aparecen es una de las habilidades que más valor económico produce hoy en cualquier profesión del conocimiento.
Lo que la IA es y lo que no es
Antes de hablar de carencias, conviene un repaso muy breve de qué es exactamente un modelo extenso de lenguaje (LLM por las siglas de “Large Language Model”). Un LLM moderno es un sistema estadístico entrenado con cantidades enormes de datos (texto, imagen, voz, vídeo, según el modelo) que aprende a predecir el siguiente token a partir de los anteriores. No tiene estados internos persistentes entre conversaciones (salvo memoria explícita que se le añade encima), no tiene sensores físicos, no tiene biografía, no tiene propiocepción (la sensación de ocupar un cuerpo), no tiene emociones funcionales en el sentido humano. Tiene, eso sí, una capacidad enorme para combinar patrones aprendidos de millones de datos.
Esta distinción importa porque mucha gente cree que la IA tiene “una versión barata de” lo que tiene un humano. No es así. La IA tiene otra cosa: una capacidad enorme de procesamiento textual y estadístico. Lo que el humano tiene son cinco capacidades distintas que el sistema no replica, y que conviene tener bien identificadas porque son donde está tu valor.
Como recordaba de forma contundente Carme Artigas (Copresidenta del Consejo Asesor de IA de las Naciones Unidas) en el foro Magnifica humanitas de 2026: «La IA no está aprendiendo; está tomando datos para hacer patrones masivos y cálculos estadísticos». Desmitificar la herramienta es el primer paso para no dejarnos narcotizar por su narrativa comercial.
Carencia 1: memoria biográfica
Tú recuerdas, con detalle, conversaciones específicas que tuviste hace meses. Recuerdas dónde estabas cuando tu jefe te dio aquella noticia importante. Recuerdas el olor de la sala de espera del hospital cuando estuviste allí. Recuerdas la canción que sonaba en el coche el día de tu viaje. Esa memoria es biográfica: episódica, anclada a un cuerpo, un lugar, un tiempo, y cargada de emoción asociada.
La IA no tiene nada parecido. Aunque le des memoria (ventanas de contexto, cachés, vectoriales, índices semánticos, MCPs, etc.), esa memoria es una base de datos de hechos que el sistema consulta, no una experiencia vivida. La diferencia es importante porque la memoria biográfica humana hace algo que la base de datos no hace: selecciona lo importante por mecanismos emocionales, comprime en narrativa y rescata asociaciones inesperadas cuando una situación nueva resuena con una vieja.
En el trabajo, esto se traduce en cosas muy concretas: tú sabes que cuando un cliente dice “necesito flexibilidad”, lo que realmente quiere es algo concreto que dijo hace seis meses en otra reunión, o cuando un responsable te pide avanzar en un proyecto con directrices ambiguas porque ni él mismo ha definido el objetivo, y logras descifrar y ejecutar con precisión lo que se requería gracias a la intuición acumulada. La IA no tiene ese arco; a la IA le tienes que contar la historia completa para que la procese.
Carencia 2: contexto sensorial y propiocepción
La IA no tiene cuerpo. No siente cansancio, no siente hambre, no siente la temperatura del despacho, no siente el peso de su brazo. No huele el café quemado de la cocina ni nota el olor metálico de un servidor que está empezando a fallar antes de que dispare la alarma. No oye la diferencia entre el ruido del autobús alejándose y el de un motor con problemas.
La cantidad de información que un profesional procesa a través de canales no textuales es enorme y casi siempre invisible para él mismo (esos pequeños ‘superpoderes’ cotidianos basados en la percepción). El conserje de un edificio que sabe que “algo no va bien” antes de que falle nada. El médico que detecta que un paciente está más pálido que la última visita. El profesor que percibe que un alumno tiene un problema en casa por cómo se sienta. El ingeniero que oye un sonido raro y sospecha de tal pieza. Todo eso no aparece en ningún log que la IA pueda leer.
Aunque la IA tenga cámaras y micrófonos (los modelos multimodales los tienen), lo que recibe son datos textualizados de esos sensores, no la experiencia integrada de tener un cuerpo en un espacio.
La ilusión del Embodiment robótico
Muchos gigantes tecnológicos argumentan que esta limitación física es temporal y se solucionará mediante el embodiment (dotar a los modelos de inteligencia artificial de un cuerpo robótico físico). El ejemplo más claro es el despliegue de plataformas de aprendizaje para robots humanoides a gran escala, como el Project GR00T de NVIDIA, diseñado para que las máquinas entiendan el espacio y emulen movimientos humanos observando el entorno.
Sin embargo, aquí se esconde una barrera cognitiva e insalvable: un androide cubierto de cámaras avanzadas y sensores de presión háptica no experimenta el espacio, solo procesa telemetría. Si un servomotor de su brazo robótico empieza a sobrecalentarse por el esfuerzo, el sistema central de la IA recibe un log de alerta o un código de error numérico; al carecer de un sentido real de autopreservación, la máquina seguirá ejecutando la instrucción de forma ciega hasta la autodestrucción física si ningún parámetro de software o un humano la apaga. En cambio, si tu brazo biológico se agota tras horas de trabajo, tu cerebro activa la homeostasis: una señal evolutiva, incómoda y urgente íntimamente vinculada a la supervivencia que te obliga a parar para proteger el organismo. La IA traduce el entorno a datos vectoriales estables; el ser humano traduce el entorno a experiencia orgánica subjetiva.
Carencia 3: contexto vivido en la organización
Cuando llevas años en una empresa, sabes cosas que no están escritas en ningún sitio. Sabes que tal jefe se enfada si le mandas correos un viernes por la tarde. Sabes que el comercial de tal zona siempre exagera las previsiones. Sabes que aquel proyecto de hace años se canceló no por motivos técnicos sino porque dos directores no se hablaban. Sabes que el sistema de facturación es el que es porque hubo una migración mal hecha hace una década que dejó algunas cosas raras.
Ese conocimiento no está documentado. No puede estar documentado porque cambia, depende de personas, tiene matices que no se escriben. Cuando te marchas de una empresa, ese conocimiento se va contigo y la empresa tarda años en reconstruirlo, si es que realmente puede llegar a hacerlo. La IA no lo puede reproducir aunque le hables durante horas, porque ese conocimiento ni siquiera estaba completo en tu cabeza: lo construyes en cada situación a partir de fragmentos.
Para una organización con muchos años de historia, este conocimiento tácito vale más que cualquier código fuente. Por eso los despidos masivos de perfiles senior, justificados con “la IA puede hacer su trabajo”, suelen salir muy caros doce meses después. La IA no podía hacer su trabajo. Podía hacer una parte mecánica; lo otro se ha ido con el trabajador.
Carencia 4: emoción funcional
Hablar de emociones en IA siempre lía un poco la conversación. Hay quien dice que la IA “simula” emociones, hay quien dice que “no las tiene” y hay quien dice que “son exactamente las humanas” precisamente por estar alimentado de datos humanos aunque por dentro llegue a ellas de manera diferente (isomorfismo funcional). En realidad las emociones humanas son una función que sirve para tomar decisiones rápidas con información incompleta. El miedo te hace apartar la mano del fuego antes de razonar. El interés te orienta hacia donde está la novedad. El cansancio te dice cuándo parar. El asco te aleja de la comida estropeada.
La IA no tiene este sistema funcional. Puede describir miedo, puede generar texto que suene asustado, puede analizar emociones de otros, pero no toma decisiones por miedo. No hay un mecanismo emocional dentro que la oriente, la frene o la empuje. Esto tiene consecuencias prácticas: cuando le pides a una IA que decida en una situación de ambigüedad alta, no tiene el atajo emocional que tú usas para no quedarte paralizado. O elige al azar dentro de su estadística, o se inventa una razón, o te lo devuelve. Ninguna de las anteriores es “decidir bien bajo presión”. Aquí se podría argumentar que si forzamos a una IA con ciertos datos se la deriva hacia cierta salida “simulando el miedo” (de hecho es así, tiene sesgos), pero la IA parte siempre de un lienzo en blanco durante su entrenamiento (una matriz nula o una memoria vacía); el sistema se limita estrictamente a los datos que decidamos introducirle en ese momento. El ser humano, en cambio, no nace con un lienzo en blanco (desde el inicio su cerebro sabe cómo hacer palpitar su corazón como mínimo), durante el crecimiento nos llegan estímulos que van más allá de la simple entrada de datos (practicar lucha libre o sentir la lluvia, por ejemplo), de lo que vivimos día a día con el resto de personas a nivel social, en lo que vivimos emocionalmente durante nuestras vidas, todo esto nos prepara para tomar las decisiones humanas que tomamos.
Para profesionales que toman muchas decisiones rápidas con poca información (urgencias médicas, trading, gestión de incidentes, coaching en directo), la emoción funcional sigue siendo una herramienta. Y la IA no la tiene.
Un metaanálisis de 35 años publicado por la American Psychological Association (APA) en 2026 descubrió un aumento crítico en lo que los psicólogos llaman “preocupaciones perfeccionistas”: un miedo agudo en las nuevas generaciones a cometer errores y ser juzgados debido a la hostilidad del mercado laboral. Esto genera una tentación peligrosa: usar la estadística “perfecta” de la IA como un analgésico para evitar la angustia de decidir. Pero la toma de decisiones profesional implica tolerar la ambigüedad y asumir el riesgo; si delegas la elección para protegerte del fallo, estás entregando el núcleo de tu valor de mercado.
Carencia 5: responsabilidad asumible
Hay un último elemento que es más sociológico que técnico, pero igualmente importante. Cuando algo sale mal en un trabajo profesional, alguien tiene que responder: legalmente, profesionalmente o moralmente. Un médico responde de su diagnóstico. Un arquitecto firma sus planos. Un abogado pone su nombre en el contrato. Un periodista firma su artículo.
La IA no firma nada. No se le puede demandar, no se le puede despedir, no se le puede sancionar. Esto significa que en cualquier oficio donde la firma sea relevante, la IA puede hacer buena parte del trabajo pero no puede ocupar la silla. El humano que firma sigue siendo necesario, y por tanto sigue cobrando.
Esto es importante porque algunas empresas están aprendiendo por las malas que dejar a la IA decidir en autonomía sale carísimo cuando algo falla y no hay nadie a quien señalar. Por eso el marco regulatorio europeo (EU AI Act) y los marcos profesionales (colegios, asociaciones) están reforzando justamente la obligación de supervisión humana significativa para sistemas de IA en decisiones de alto impacto. Quien supervise tendrá responsabilidad. Quien tiene responsabilidad, tiene valor.
Esta necesidad de control humano ha provocado hitos sociológicos históricos, como el manifiesto conjunto recogido en el tratado Magnifica humanitas (2026), donde sectores tradicionalmente opuestos —patronales de empresarios, sindicatos mayoritarios y líderes sociales— se han alineado en un frente común global: exigir un pacto social para que la máquina jamás sustituya la soberanía del juicio y la responsabilidad humana en el entorno laboral.
El escudo profesional: de la hiperespecialización a la polimatía (perfiles M-Shaped)
Estamos viviendo una paradoja histórica. En el Renacimiento, la polimatía (RAE: Sabiduría que abarca conocimientos diversos.) era la norma porque el conocimiento humano acumulado era abarcable por una sola mente. El siglo XX penalizó al polímata y creó los “silos” porque la explosión de información obligó a cerrarse en nichos hiperespecializados. Hoy, el siglo XXI vuelve a exigir polimatía, pero por la razón contraria: como la IA ya procesa el exceso de datos de cada nicho, el valor humano regresa a la capacidad renacentista de unir los puntos entre ellos.
Si juntamos estas cinco carencias estructurales de la IA, llegamos a una conclusión inevitable que está transformando el mercado laboral global: el valor se ha desplazado de la hiperespecialización a la polimatía.
Durante el siglo XX, la economía premiaba al perfil en “I” (I-shaped): el especialista puro que sabía “todo de casi nada”. Sin embargo, un carril técnico hiperespecializado y lineal es el terreno perfecto para un LLM. La IA es imbatible procesando reglas estables de un único nicho cerrado.
¿Dónde falla? En las intersecciones. Conectar dos mundos completamente distintos requiere contexto vivido, memoria biográfica para encontrar analogías sutiles y la responsabilidad de saltar al vacío con una idea nueva. Ahí es donde entra el concepto de perfil en “M” o en peine (M-Shaped o Comb-Shaped).
No se trata de ser un “todólogo superficial” (un océano de conocimiento con un centímetro de profundidad). Se trata de tener varias piernas de especialización profunda conectadas por una barra horizontal de cultura general, negocio y empatía.
Un desarrollador de software que además entiende a fondo de psicología conductual, o un arquitecto de sistemas que domina la narrativa financiera y la gestión de equipos, es un perfil polímata. La IA puede redactar el código o calcular la métrica de balance de cada pierna por separado, pero la síntesis transversal, el pegamento que une ambas disciplinas bajo una presión real, solo ocurre en una mente humana con biografía.
Lo que esto significa en tu día a día
Las cinco carencias no son una lista de consuelo. Son donde está tu valor económico residual, cada vez más concentrado en estos vectores conforme la IA absorbe las partes mecánicas. Conviene leerlas como un mapa de dónde tenemos que ser fuertes en los próximos años.
| Tu carencia humana | La IA puede ayudarte a mitigarla | La IA no la sustituye |
|---|---|---|
| Memoria limitada para datos | Sí (recuperación, resumen, búsqueda) | — |
| Lentitud al procesar grandes volúmenes | Sí (lectura rápida, síntesis) | — |
| Errores ortográficos y de estilo | Sí (linter humano de texto) | — |
| Reescribir el mismo email mil veces | Sí (plantillas dinámicas) | — |
| Contexto vivido en una empresa nueva | — | Humano nuevo o veterano con criterio |
| Ver lo que falla sin que esté en logs | — | Profesional con intuición |
| Decidir bajo presión moral | — | Quien asume la responsabilidad |
| Combinar nichos muy desconectados | Sí (traducir términos entre áreas) | Sintetizar y crear valor polímata |
La mitad izquierda es donde apoyarte en la IA. La mitad derecha es donde tienes que estar tú o alguien como tú. La maestría profesional consiste en saber a qué columna pertenece cada cosa que tienes delante.
Qué llevarte
La IA tiene capacidades enormes en una dimensión muy concreta: procesamiento estadístico de texto y patrones a escala. Pero no tiene biografía, no tiene cuerpo, no tiene historia con tus clientes, no tiene atajos emocionales y no puede asumir responsabilidad. Esas cinco carencias no son detalles: son donde el trabajo humano sigue valiendo, y conviene que estén en el centro de tu día a día.
Si eres profesional en activo, pregúntate cuál de las cinco carencias humanas usas más en tu trabajo y si las estás reforzando o dejándolas atrofiar. Si estás empezando, pregúntate cuál de las cinco vas a desarrollar como ventaja competitiva durante los próximos años. La respuesta no debería ser “ninguna”, porque ninguna alternativa funciona.
La IA sabe que el agua hierve a 100 grados. Tú te has quemado. Resta lo uno a lo otro y la diferencia es tu sueldo.
Fuentes verificadas
- Bender & Koller (2020). Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data. Una de las defensas más rigurosas de la diferencia entre procesar lenguaje y entenderlo. ACL Anthology
- EU AI Act — Texto oficial del Reglamento europeo de IA. La obligación de supervisión humana significativa está en el artículo 14. Texto consolidado
- Risko & Gilbert (2016). Cognitive offloading. Trends in Cognitive Sciences. Base conceptual sobre cómo los humanos descargamos memoria en herramientas externas, lo que conecta con qué se delega y qué no. Cognitive Offloading
- Araki & Cotellessa (2020). Creative Polymathy and the COVID-19 Crisis. Frontiers in Psychology. Una investigación que redefine la polimatía moderna no como diletantismo, sino como la conjunción de amplitud, profundidad e integración cognitiva frente a entornos de alta incertidumbre y complejidad. Frontiers in Psychology
- World Economic Forum (2023). Future of Jobs Report. Informes globales de empleabilidad que sitúan de forma consistente el pensamiento sistémico, la flexibilidad cognitiva y las competencias transversales por encima de las habilidades técnicas aisladas y automatizables. Future of Jobs Report
- Curran, T., Pose, P. M., & Hill, A. (2026). Perfectionism is accelerating over time: A cross-temporal meta-analytic review of 35 years of college student data. Psychological Bulletin, American Psychological Association (APA). Metaanálisis global que demuestra el aumento del miedo al error y la parálisis por perfeccionismo en el entorno económico actual. American Psychological Association
- Papa León XIV (2026). Carta Encíclica Magnifica Humanitas: Sobre la custodia de la persona humana en el tiempo de la inteligencia artificial. El documento oficial que marca las pautas morales globales para exigir que la tecnología nunca reemplace la soberanía del juicio y la cara humana frente a la simple función algorítmica. Texto Oficial – Vaticano
- NVIDIA Corporation (2024-2026). Project GR00T: Humanoid Robot General Purpose Foundation Model. Documentación oficial de la plataforma de desarrollo e investigación sobre el “embodiment” en IA y el procesamiento de telemetría física en entornos reales. NVIDIA Developer
Lecturas opinables
- El Mundo (22/05/2026) — Doblar humano, doblar máquina: la frontera del trabajo creativo en la era IA. Enlace
- El Economista (01/06/2026) — Polimatía: La clave de la empleabilidad en el futuro del trabajo. Un enfoque sobre cómo el mercado laboral premia los perfiles capaces de conectar disciplinas en lugar de cerrarse en nichos técnicos aislados. Enlace
- El Economista (28/05/2026) — Un estudio británico de psicología sugiere que los jóvenes de hoy en día son más perfeccionistas que los de una generación anterior. Análisis periodístico sobre el auge del miedo a equivocarse y la ansiedad laboral analizados por la APA. Enlace
- Cinco Días / El País (30/05/2026) — La resistencia a la IA gana fuerza entre los jóvenes y más entre las jóvenes. Reflexión sobre el rechazo cultural de las nuevas generaciones a ceder su autonomía profesional frente a los algoritmos. Enlace
- La Vanguardia (01/06/2026) — Iglesia, sindicatos y empresarios del sector tecnológico defienden actuar unidos ante la IA. Crónica del frente común institucional para proteger la soberanía y responsabilidad laboral del trabajador. Enlace
← Artículo anterior: Por qué pierdes con (y contra) la IA · Volver al índice: Presentación de la serie ·
