Referencia del BCCR

Tipo de cambio

Compra

₡...

Venta

₡...

Presentado por
Logo Coopealianza
Imagen principal del artículo: Cuando la IA mejora, ¿quién revisa?

Cuando la IA mejora, ¿quién revisa?

La inteligencia artificial puede producir en segundos lo que antes requería horas de trabajo. Redacta informes, genera código, resume documentos, analiza datos y construye argumentos convincentes. El costo de producir contenido ha caído drásticamente.

Pero hay una pregunta que merece más atención: ¿qué ocurre con nuestra capacidad para distinguir lo correcto de lo plausible cuando producir respuestas se vuelve tan fácil?

Desde S-Lab proponemos una idea central: la inteligencia artificial no elimina la escasez; cambia el lugar donde se encuentra. Cuando producir resultados deja de ser la principal dificultad, el valor se desplaza hacia la capacidad de verificarlos, reconocer sus límites y decidir cuáles merecen convertirse en acciones. Esta transición tiene consecuencias económicas y plantea un problema de incentivos que las empresas, los gobiernos y las instituciones educativas todavía deben comprender.

Un modelo económico sencillo, que desarrollamos en un trabajo académico, permite examinar ese problema. De él se derivan tres resultados.

Primer resultado: una IA más precisa no siempre produce mejores decisiones finales

Supongamos que una persona utiliza una herramienta de inteligencia artificial para preparar un análisis. La herramienta mejora y comete menos errores. En principio, eso debería elevar la calidad del resultado.

Pero también puede cambiar el comportamiento de quien la utiliza. Si la persona considera que la herramienta ya es muy confiable, tiene razones para dedicar menos tiempo a revisar sus respuestas. La mejora reduce los errores iniciales, pero la menor revisión puede contrarrestar parte de esa ganancia.

Por eso, la confiabilidad final no siempre mejora de manera pareja a medida que mejora la IA: puede aumentar o, bajo ciertas condiciones, disminuir temporalmente antes de volver a aumentar. La decisión final nunca queda peor que lo que la herramienta lograría sola, pero sí puede quedar peor que con una herramienta algo menos precisa. Esto ocurre sobre todo cuando acertar vale mucho en comparación con lo que cuesta revisar: ahí la gente revisa con cuidado desde el principio, y una mejor herramienta le permite relajarse más de lo que la mejora compensa.

Una organización no debería evaluar su adopción de inteligencia artificial solo por la precisión declarada de sus herramientas, la velocidad de producción o el ahorro de costos. También necesita observar cómo cambia la revisión que hacen quienes las utilizan. Una respuesta aparentemente impecable puede recibir menos escrutinio precisamente porque parece impecable.

Segundo resultado: lo que se reconoce determina cuánto se valida

Las organizaciones suelen medir lo que resulta fácil contar: informes entregados, tareas completadas, líneas de código, tiempo ahorrado. La inteligencia artificial facilita multiplicar esos indicadores, pero producir más no equivale a producir mejor. Pensemos en un equipo reconocido por entregar más en menos tiempo, sin que nadie reconozca el esfuerzo de comprobar: cada entrega recibe incentivos para menos revisión.

El modelo apunta en la dirección contraria: cuando la organización reconoce y recompensa la validación, las personas validan más, incluso cuando la IA es muy precisa. Para eso la validación debe formar parte de lo que la organización observa y valora. No basta con pedir responsabilidad en un manual o con añadir una advertencia al final de cada informe. Se necesitan procesos que permitan comprobar la calidad, documentar las revisiones y asignar responsabilidades por las decisiones tomadas.

En la práctica, conviene ir un paso más allá y preguntar si la revisión detectó errores relevantes y mejoró la decisión, no solo cuántas revisiones se declaran. Una organización puede tener muchos controles y poca validación efectiva.

Tercer resultado: la validación también se puede simular

Cuando se premia un proceso, aparecen incentivos para aparentar que se cumple. Se completa la lista de verificación sin examinar el contenido; el registro de revisiones se vuelve una formalidad; el número de controles crece sin que aumente la capacidad de detectar errores. La inteligencia artificial puede agravar esta dificultad porque facilita producir explicaciones y documentos que parecen demostrar un trabajo riguroso.

El modelo lo resume así: un premio por validar sostiene la revisión real solo hasta donde simularla resulte más caro que el premio. Si aparentar es casi gratis, el premio no logra más revisión real. Por eso hacer visible la validación no basta: también hay que hacer costoso simularla y comprobar si funciona.

Una forma de lograrlo es distinguir entre las señales de que un procedimiento se cumplió (una firma, una lista marcada) y la evidencia de que detectó problemas. Las organizaciones pueden, por ejemplo, introducir errores controlados en ejercicios de evaluación y verificar si los equipos los detectan, comparando ese desempeño con sus registros de revisión. Estos ejercicios deben hacerse con conocimiento de las personas evaluadas sobre el marco general de auditoría y sin afectar decisiones reales: se trata de medir la capacidad de validar, no de tender trampas.

El principio es sencillo: cuando una medida se convierte en objetivo, hay que comprobar que sigue midiendo aquello que pretendíamos mejorar.

Del volumen al discernimiento

Los tres resultados describen un mismo mecanismo. Una IA más precisa puede reducir la revisión humana; los incentivos pueden sostenerla; y los controles mal diseñados pueden crear una apariencia de validación sin validación efectiva. No se trata de desconfiar de la inteligencia artificial, sino de entender que la tecnología opera dentro de organizaciones cuyos incentivos moldean el comportamiento de las personas.

Esto importa especialmente en los servicios basados en conocimiento, donde Costa Rica ha construido una parte significativa de su capacidad exportadora. En 2025, los servicios empresariales y los de tecnologías de la información aportaron, según Procomer, cerca de un tercio de las exportaciones de bienes y servicios (sin viajes) del país. Si las herramientas permiten producir análisis, código y documentos a menor costo, la ventaja competitiva no dependerá solo de quién produzca más rápido, sino también de quién pueda demostrar que sus resultados son confiables. Eso exige capacidades humanas, protocolos de revisión, trazabilidad y responsabilidades claras, además de evaluar la adopción de IA por sus resultados efectivos y no solo por las promesas de productividad.

En el sector público podría ocurrir algo parecido. Una herramienta que acelera la elaboración de informes no garantiza mejores decisiones; si los incentivos privilegian el cumplimiento formal y la cantidad de documentos, la automatización podría multiplicar la producción sin corregir las debilidades del proceso decisorio. Es una hipótesis que merece investigarse.

Conviene ser claros sobre el alcance. El modelo ofrece un mecanismo para examinar estas relaciones; no demuestra todavía que se manifiesten con la misma intensidad en todas las organizaciones. Eso requiere contrastar las hipótesis con datos, observar comportamientos y comparar resultados. Una explicación teórica puede ser coherente y generar predicciones útiles sin estar todavía validada empíricamente.

La gran pregunta de la economía de la inteligencia artificial no es solo cuánto podemos producir ni cuánto trabajo podemos automatizar, sino cómo preservar la calidad de las decisiones cuando el volumen de respuestas crece más rápido que nuestra capacidad de examinarlas. La IA abarata la producción; la validación protege la calidad; el discernimiento determina qué merece convertirse en decisión.

En una economía de abundancia generativa, la ventaja no será necesariamente de quien produzca más, sino de quien pueda demostrar qué resultados merecen confianza.