La inteligencia artificial está transformando las herramientas con las que trabajamos, las habilidades que generan valor, cómo construimos experiencia profesional y qué significa estar preparados para un mercado laboral que cambia cada vez más rápido.
Si muchas tareas que antes requerían horas de ejecución hoy pueden resolverse o acelerarse con IA, el diferencial empieza a desplazarse hacia la capacidad de formular buenos problemas, tomar decisiones, evaluar resultados, comprender contextos y aplicar criterio.
Sobre esta transformación conversamos con Ulises Martins, Chief AI Officer (CAIO) del Centro de e-Learning de la UTN Buenos Aires, para analizar cómo la IA está redefiniendo el trabajo y qué desafíos plantea para estudiantes, profesionales, organizaciones y universidades.
A lo largo de la entrevista, Martins aborda el impacto de la IA en los primeros empleos, las habilidades que ganan relevancia frente a la automatización y la necesidad de repensar los modelos de formación.
Además, analiza cómo las universidades pueden utilizar inteligencia artificial para comprender mejor las demandas del mercado laboral y cómo tecnologías como el Smart Matching pueden evolucionar la manera en que talento y oportunidades se encuentran.
Una conversación que propone mirar más allá de las herramientas para poner el foco en las capacidades humanas que necesitamos desarrollar para generar valor, en un contexto donde la capacidad de ejecución se amplifica.
¿Cuál es el cambio más profundo que la IA está generando hoy en el mundo del trabajo?
El cambio más profundo es que se movió el cuello de botella. Durante décadas, el trabajo del conocimiento se organizó alrededor de la ejecución: escribir el código, armar el reporte, hacer el análisis. Eso consumía el 70 u 80% del tiempo.
Hoy la cadena pasó de «pensar, decidir, ejecutar, verificar» a «pensar, decidir, instruir, verificar». Cuando la ejecución se comprime, lo escaso pasa a ser el juicio: qué construir, para quién, por qué y cuándo dejar de construir.
Y hay algo más incómodo. Hace más de cincuenta años que la evidencia muestra que en trabajo cognitivo los mejores no son un poco mejores: son 5, 10, a veces 20 veces mejores. Pero ese «10x» tenía un techo: 24 horas, atención limitada, costos de coordinación. La IA rompió ese techo.
Recientemente, escribimos un libro junto a Matias Karlsson en donde lo resumimos así: Impacto = Juicio × Amplificación × Velocidad de iteración. La IA no multiplica a todos por igual; amplifica el juicio. Y eso cambia todo: cómo se evalúa, cómo se paga y cómo se organiza el trabajo.
Teniendo en cuenta que acceder a información y generar respuestas es cada vez más simple, ¿qué habilidades humanas ganan valor?
«Cuando las respuestas se vuelven commodity, las buenas preguntas son la nueva riqueza». Veo algunas habilidades que la IA no reemplaza, sino que amplifica, al menos por ahora:
- La primera es el pensamiento de producto: entender un problema humano en profundidad y saber qué no hacer.
- La segunda es el criterio o el gusto: si la IA te da diez opciones, alguien tiene que saber cuál es la correcta.
- La tercera es el pensamiento sistémico, porque la IA resuelve muy bien lo local pero flaquea en las consecuencias de segundo y tercer orden.
- La cuarta es decidir bajo ambigüedad, con datos incompletos.
- La quinta es el storytelling estratégico: no escribir correcto, sino mover a otros a actuar.
- La sexta, más nueva, es lo que llamamos context engineering: saber dirigir inteligencia, darle a un sistema el contexto, los objetivos y las restricciones para que trabaje bien.
Lo que pierde valor es la ejecución «estándar»: el mail correcto, el análisis rutinario, el código mecánico, la búsqueda y el resumen básico.
En la actualidad, muchas tareas junior pueden ser asistidas por IA. ¿Cómo cambia el desafío del primer empleo y la construcción de experiencia?
Es probablemente el desafío más serio que tenemos, y no quiero minimizarlo. Históricamente el junior aprendía haciendo el trabajo que nadie más quería hacer: ahí se formaba el criterio. Si ese trabajo lo hace la IA, se rompe la escalera de aprendizaje tradicional.
Pero hay una contracara. Por primera vez, una persona que recién empieza puede construir algo real sin pedirle permiso a nadie: un producto, una herramienta, un análisis publicado, un proyecto open source.
La experiencia deja de depender exclusivamente de que una empresa te dé la oportunidad. El portfolio de cosas hechas empieza a pesar tanto o más que el CV.
Mi visión concreta para alguien que busca su primer trabajo: no compitas contra la IA en ejecución, porque vas a perder. Mostrá juicio. Mostrá que sabés elegir qué problema resolver, que sabés evaluar lo que la IA produce y que podés llevar una idea de cero a algo que funciona. Eso un recruiter lo ve enseguida.
Y a las organizaciones les diría: Hay que rediseñar cómo se forma el criterio, no eliminar la entrada.
¿Qué debería aprender hoy un estudiante para un mercado que va a cambiar varias veces?
Primero, aceptar una verdad: no existe más la seguridad laboral permanente. Lo que existe es la empleabilidad durable. Y eso se construye con lo que a veces llamamos un portafolio antifrágil, que tiene cuatro piezas:
- Competencia técnica suficiente para evaluar lo que produce la IA; no hace falta ser el mejor «programador», pero sí darte cuenta cuando algo está mal.
- Profundidad real en al menos un dominio, porque el juicio necesita contexto.
- Capacidad de operar en intersecciones, entre negocio y tecnología, entre datos y personas.
- Práctica deliberada de tomar decisiones, porque el juicio se entrena decidiendo, equivocándose y corrigiendo.
A eso le sumaría algo muy práctico: aprender a iterar rápido y a «soltar». La calidad de lo que hacés es función de cuántos ciclos de pensar, construir, probar y aprender podés hacer. Antes eran días por ciclo; hoy son minutos.
El estudiante que internaliza eso tiene una ventaja enorme sin importar qué herramienta esté de moda.
¿Cómo debería evolucionar el rol de las universidades? ¿Alcanza con incorporar herramientas de IA?
No alcanza. Incorporar herramientas sin cambiar qué y cómo se enseña es poner un motor nuevo en un auto con el diseño viejo.
El sistema educativo se diseñó en la era industrial para formar gente que siga procedimientos, memorice y reproduzca técnicas. Si la ejecución se commoditizó, educar para ejecutar es educar para la obsolescencia.
Hay que moverse hacia otros modelos. Por ejemplo, formular problemas, con proyectos abiertos en lugar de multiple choice. Evaluar críticamente el output de la IA: que los estudiantes pasen más tiempo criticando que produciendo. Dirigir agentes y trabajar con contexto. Integrar disciplinas, porque la hiperespecialización tenía sentido cuando aprender un dominio llevaba décadas. Y ética aplicada, no como una optativa de un cuatrimestre sino atravesando todo.
El modelo que me entusiasma es un continuo de proyectos reales, mentoría con gente que está haciendo y herramientas reales. Más ciclos, feedback más rápido. Las universidades que lo entiendan van a ser aceleradores.
¿Puede la IA ayudar a las universidades a entender qué habilidades demanda el mercado y fortalecer su oferta formativa?
Sí, y es de los usos más valiosos y menos explotados. Hoy una universidad actualiza un plan de estudios con ciclos de años, mientras el mercado cambia en meses o a veces, incluso semanas. Esa asimetría no se resuelve con más comisiones; se resuelve con mejor información y más velocidad de iteración.
La IA puede leer a escala lo que ningún equipo humano puede: miles de búsquedas laborales, cómo cambian los perfiles pedidos, qué habilidades aparecen juntas, qué se está dejando de pedir. Y lo más interesante: puede cruzar eso con lo que la universidad efectivamente enseña y con cómo les va a sus egresados. Ahí aparecen los huecos reales.
Pero hay una advertencia importante. Si la universidad solo persigue lo que el mercado pide hoy, llega tarde siempre. La IA sirve para detectar señales; el juicio sobre qué formar para el mercado de dentro de cinco años sigue siendo humano e institucional. Datos para informar, criterio para decidir.
¿Estamos pasando de «buscar y postularse» a un modelo donde la tecnología acerca oportunidades de forma personalizada?
Sí, y es un cambio de paradigma. El modelo de «buscar y postularse» pone toda la carga en la persona: tiene que saber qué existe, traducir su experiencia a las palabras que el aviso espera y competir en un embudo que filtra por palabras clave. Eso favorece a quien ya sabe jugar el juego, no a quien tiene más potencial.
La tecnología puede invertir esa lógica: que la oportunidad encuentre a la persona. Entender su trayectoria, sus proyectos, cómo piensa, qué le interesa, y acercarle oportunidades que quizás ni hubiera buscado porque no sabía que existían o no creía calificar.
Ahora, la personalización es poderosa en las dos direcciones. Bien hecha, abre puertas. Mal hecha, encierra a la gente en lo que ya fue. Un buen sistema no solo tiene que mostrarte lo que se parece a tu pasado, sino también lo que es compatible con tu potencial.
La plataforma de empleabilidad Talentia aborda el Smart Matching. ¿Qué puede aportar la IA más allá de las palabras clave de un CV?
Las palabras clave miden cómo alguien describe lo que hizo, no lo que es capaz de hacer. Son un proxy muy pobre, y además sesgado: premian a quien sabe escribir un CV, no a quien tiene criterio.
La IA puede entender semántica y contexto. Sabe que alguien que coordinó la logística de un evento universitario con 500 personas tiene habilidades de gestión de proyectos aunque nunca haya escrito «project management». Puede inferir habilidades transferibles entre industrias, leer proyectos y producciones concretas y no solo títulos, y detectar patrones de aprendizaje: qué tan rápido alguien incorporó cosas nuevas.
Lo más valioso, para mí, es que puede empezar a acercarse a la variable que realmente importa hoy, que es el juicio. No perfectamente, pero sí mejor que un filtro de palabras. Y del lado de la organización, puede entender qué necesita realmente el puesto, más allá de un aviso que muchas veces es una lista de deseos copiada del anterior.
¿Puede el Smart Matching detectar potencial en personas sin trayectoria extensa que quedarían fuera de procesos tradicionales?
¡Claro que puede!, y creo que es donde más valor social tiene. Hay un dato de una investigación que es muy revelador: en los estudios clásicos sobre programadores no se encontró una correlación clara entre años de experiencia y productividad. Los años no son juicio. Y sin embargo los procesos de selección siguen filtrando por años.
Un buen sistema puede mirar otras señales: proyectos propios, velocidad de aprendizaje, capacidad de resolver problemas, trayectorias no lineales. Eso es clave para jóvenes, para gente que viene de otros sectores y también para perfiles neurodivergentes, que muchas veces tienen un pensamiento lateral excepcional y quedan afuera por filtros que miden conformidad y no capacidad.
Y en América Latina esto es todavía más importante. El juicio no tiene código postal, pero las oportunidades sí. Si la IA ayuda a que el talento de un estudiante de una ciudad del interior sea visible en igualdad de condiciones, eso cierra brechas en lugar de agrandarlas. La condición es diseñarlo a propósito para eso, porque un sistema entrenado solo con decisiones del pasado reproduce los sesgos del pasado.
¿Hasta dónde debería llegar la IA en la conexión entre talento y organizaciones? ¿Qué decisiones deberían seguir siendo humanas?
La IA debería hacer lo que hace mejor que nosotros: leer a escala, descubrir candidatos que nadie estaba mirando, ampliar el universo de opciones, sacar a la luz señales que un recruiter con 300 CVs por día no puede ver.
Las decisiones que tienen que seguir siendo humanas son las que involucran relaciones personales, valores, contexto y consecuencias sobre la vida de una persona: a quién se contrata, a quién se descarta, cómo se evalúa el encaje con una cultura, cómo se interpreta una trayectoria atípica. Ahí el criterio humano no es un trámite: es responsabilidad y también puede ser asistido con IA.
Hay un principio del libro que aplica perfecto: tu responsabilidad escala con tu amplificación. Un sistema de matching toma miles de decisiones por día. Si tiene un sesgo, lo multiplica por miles. Por eso necesita transparencia sobre por qué recomienda lo que recomienda, auditoría constante y que la persona pueda entender y cuestionar el resultado. La IA amplifica el juicio de quien la diseña; tiene que ser buen juicio.
¿Cuál es el valor agregado que aporta Talentia al ecosistema de empleabilidad, con foco en la IA?
Para mí el valor está en cambiar la pregunta. El ecosistema tradicional pregunta «¿quién tiene las palabras correctas en el CV?». Una plataforma como Talentia puede preguntar «¿quién tiene el potencial para este desafío, aunque todavía no lo haya demostrado en un título?». Eso tiene tres capas de valor.
Para las personas, visibilidad: que su talento sea encontrado aunque no tenga una trayectoria extensa ni sepa jugar el juego de los filtros.
Para las organizaciones, mejores matches y más rápidos, basados en capacidades reales y no en proxies.
Y para las universidades, algo que me parece clave: un circuito de feedback entre lo que se forma y lo que el mercado necesita, con datos reales y actualizados.