¿Quién consigue el nuevo trabajo cuando la automatización cambia el empleo?

La automatización rara vez elimina una ocupación entera de un solo golpe. Reordena tareas, criterio, formación, supervisión y responsabilidad. La pregunta...

¿Quién consigue el nuevo trabajo cuando la automatización cambia el empleo?

El trabajo nunca es la lista de tareas

Una de las preguntas más engañosas en el debate sobre la automatización es si una máquina ocupará un puesto de trabajo. Un puesto rara vez es una única cosa que pueda extraerse de una persona y colocarse dentro de un servidor. Es un conjunto de tareas, juicios, rutinas, relaciones, permisos y fragmentos de conocimiento local. Algunas de esas piezas pueden recibir asistencia. Algunas pueden estandarizarse. Algunas pueden eliminarse. Otras cobran más importancia precisamente porque el trabajo rutinario se ha trasladado a otro lugar.

Por tanto, el cambio llega antes que el título del puesto. Un sistema de planificación puede alterar a quién se le pide trabajar, aunque el cuadrante siga mostrando los mismos nombres. Un asistente documental puede cambiar lo que se considera una carga de casos razonable, aunque el contrato siga diciendo trabajador social. Un panel de rendimiento puede convertir un juicio informal en un objetivo, aunque nadie llame al panel un gestor. El trabajo ha cambiado. La organización quizá simplemente se haya olvidado de cambiar su vocabulario.

Por eso la pregunta seria no es si la automatización destruye puestos de trabajo en abstracto. Es quién decide qué tareas se trasladan, qué tareas nuevas aparecen, qué riesgos se aceptan, qué personas reciben formación y quién tiene autoridad para impugnar un resultado. La respuesta determina si un cambio técnico se convierte en una transición justa, en una intensificación del trabajo o en una transferencia silenciosa de poder desde las personas que realizan el trabajo hacia el sistema que lo mide.

Imaginemos una jornada laboral compuesta, ensamblada a partir de rasgos conocidos y no de un informe de ningún empleador concreto. Un equipo recibe una herramienta que redacta resúmenes, sugiere prioridades y mide el tiempo dedicado a cada caso. La herramienta se describe como una ayuda. Al equipo se le dice que ningún puesto se va a eliminar. En cuestión de semanas, los casos fáciles se resuelven más rápido, los difíciles permanecen, el objetivo se recalcula a partir de la media más rápida, y quienes cuestionan una sugerencia dedican más tiempo a documentar por qué lo hicieron. Nada en esa secuencia requiere que una máquina ocupe un puesto. Sin embargo, el puesto se ha rediseñado en torno a la máquina.

La distinción importa porque cambia lo que una introducción responsable debe responder. Si el trabajo se está reorganizando, los trabajadores necesitan opinar sobre el mapa, no un cartel motivacional cuando el mapa ya está cerrado. Si el juicio se está trasladando a un sistema de puntuación, las personas afectadas necesitan una forma de inspeccionar e impugnar la puntuación. Si la formación es necesaria para que el nuevo arreglo funcione, la formación es parte del cambio en sí, no un privilegio que se ofrece cuando el presupuesto se siente generoso.

Empieza por lo que la gente hace realmente

Un buen trabajo de transición comienza con la observación. Antes de que un equipo elija un modelo, debe describir el trabajo tal como se realiza, incluidas las partes incómodas que nunca aparecen en el diagrama de procesos. ¿Qué decisiones son rutinarias? ¿Cuáles dependen del contexto? ¿Cuáles requieren una conversación, una relación profesional o una inspección física? ¿Dónde nota la gente que un registro está incompleto? ¿Dónde compensan un sistema que no sabe distinguir entre un caso inusual y uno malo?

Esto no es un argumento para idealizar el trabajo humano. Algunas rutinas son tediosas, repetitivas y poco adecuadas para un ser humano que tiene otras cosas que hacer. Eliminar copias, búsquedas o reformateos innecesarios puede ser una mejora genuina. La cuestión es nombrar la tarea que debe cambiar, en lugar de tratar la ocupación como un bloque único. Un sistema que elimina la entrada duplicada puede devolver tiempo. Un sistema que elimina el tiempo necesario para comprobar una respuesta incierta puede crear una forma más rápida de equivocarse.

Un mapa de tareas útil tiene al menos cuatro capas. La primera es la acción visible: clasificar, redactar, programar, inspeccionar, responder o aprobar. La segunda es el juicio oculto en su interior: qué cuenta como completo, urgente, seguro, justo o relevante. La tercera es la responsabilidad ligada a ese juicio: quién debe explicar la decisión, corregirla y asumir las consecuencias. La cuarta es el bucle de aprendizaje: quién detecta un patrón nuevo, actualiza la práctica y le comunica al sistema que su atajo antiguo ya no funciona.

Esas capas suelen estar repartidas entre un equipo. Una recepcionista puede notar un detalle que una analista de políticas formaliza. Un técnico puede reconocer una avería que una ingeniera convierte después en una regla. Una trabajadora social puede saber que una frase de un formulario es señal de angustia y no un campo sin rellenar. El sistema puede apoyar a cada persona de forma distinta, pero no debería borrar la ruta por la que el conocimiento entra en la organización. Si quienes ven la excepción quedan fuera del diseño, el sistema será muy constante pasándola por alto.

El trabajo de la Organización Internacional del Trabajo sobre la IA generativa resulta útil aquí porque separa la exposición de las tareas del destino de ocupaciones enteras. Su análisis concluye que muchos empleos están solo parcialmente expuestos y que es más probable que se complementen que se sustituyan por completo. Eso no significa que la transición sea inofensiva. La OIT señala cambios en la calidad del empleo, la intensidad del trabajo y la autonomía, y afirma que el resultado depende de cómo se introduzca la tecnología. Una tarea puede seguir siendo formalmente humana mientras las condiciones que la rodean se vuelven menos humanas.

El mismo análisis también advierte contra tratar los indicadores de exposición como pronósticos de pérdida de empleo. Una puntuación de exposición puede indicar dónde podría tocar una tecnología el trabajo. No puede decirnos si un empleador usará esa posibilidad para reducir el trabajo pesado, aumentar el rendimiento, eliminar la discreción o crear un mejor servicio. Esa es una cuestión de gestión y social. Un número puede localizar la puerta. No puede decirnos quién tiene permiso para cruzarla.

La automatización cambia una red de trabajo, no una sola casilla en un organigrama. El mapa mantiene visibles el juicio y la responsabilidad.

La aumentación también puede intensificar el trabajo

La palabra aumentación suena tranquilizadora porque sugiere que la persona sigue en el centro de la imagen. No es, por sí misma, una garantía de mejor trabajo. Un sistema puede aumentar el trabajo de una persona dándole un instrumento útil, o dándole una pila más grande de casos y una ventana más pequeña para ocuparse de cada uno. Puede mejorar la calidad de una decisión, o puede hacer que una decisión parezca lo bastante objetiva como para que nadie se sienta autorizado a cuestionarla.

La intensidad del trabajo no es solo el número de tareas completadas. Incluye la velocidad esperada, las interrupciones toleradas, el esfuerzo emocional de gestionar excepciones y la cantidad de atención disponible para una decisión cuidadosa. Una herramienta de redacción puede ahorrar tiempo en una carta rutinaria mientras aumenta el número de cartas que se espera que una persona produzca. Un optimizador de rutas puede acortar los trayectos mientras llena cada minuto ahorrado con otra visita. Un panel de control puede revelar un cuello de botella y, después, convertir silenciosamente ese cuello de botella en un problema de rendimiento individual.

Los hallazgos de la OIT sitúan la calidad del empleo junto a la cantidad del empleo por una razón. Un puesto puede sobrevivir mientras la autonomía se reduce. Una persona puede conservar su título mientras pierde la discrecionalidad que hacía cualificado ese puesto. La transición también puede ser desigual. Los trabajadores que ya tienen acceso a sistemas fiables y a formación pueden ganar ventaja, mientras que los trabajadores de la misma ocupación se quedan para gestionar los casos difíciles con menos tiempo y menos recursos. El panorama general puede parecer productividad mientras la experiencia diaria se convierte en una cola que nunca llega a vaciarse.

Por eso, una propuesta responsable debería describir la mejora prevista en términos que un trabajador pueda comprobar. ¿Eliminará el sistema un paso duplicado? ¿Hará que la información relevante sea más fácil de encontrar? ¿Dejará tiempo para una conversación que no se puede automatizar? ¿Reducirá la exposición a una tarea peligrosa? ¿Qué ocurre con el tiempo ahorrado? Si la respuesta es simplemente que el equipo procesará más, la organización no está hablando de aumento de capacidades. Está hablando de un nuevo objetivo de producción con una interfaz amable.

También hay un problema de calidad. Cuando un sistema gestiona el caso común, las personas ven una proporción mayor de casos poco comunes. El trabajo restante se vuelve más ambiguo, más trascendente o más dependiente de la experiencia. Esa puede ser una buena razón para invertir en experiencia. También puede utilizarse para concluir que el trabajo ahora es demasiado irregular para merecer un proceso adecuado. El primer camino trata el juicio como una capacidad. El segundo lo trata como un centro de costes que aún no se ha comprimido con éxito.

Por lo tanto, un plan de transición debería incluir un contrafactual que rara vez se escribe: ¿cómo será el puesto si el sistema es lo bastante preciso para ser útil, pero no lo bastante preciso para que se confíe en él sin revisión? Esa es la condición normal de muchos sistemas de apoyo a la decisión. La respuesta debería identificar dónde se realiza la revisión, cuánto tiempo lleva, qué evidencia necesita y cómo puede una persona rechazar la recomendación sin que se la marque como ineficiente.

El gestor oculto en el software

La automatización se convierte en gobernanza del lugar de trabajo cuando el software empieza a asignar, dirigir, evaluar o controlar el trabajo. No necesita llamarse inteligencia artificial. Una regla fija que asigna una tarea según la disponibilidad puede moldear un día. Un sistema de valoración puede afectar al acceso a trabajo futuro. Un modelo que predice un posible retraso puede cambiar quién recibe el turno difícil. La distinción técnica entre una regla y un modelo aprendido importa para la transparencia, pero el trabajador experimenta ambos a través de la decisión que llega.

El estudio de la Comisión Europea sobre gestión algorítmica describe este campo como un conjunto de prácticas que pueden automatizar o asistir las funciones de gestión tradicionales. Estas funciones incluyen la contratación, la asignación de tareas, la supervisión, la evaluación y las decisiones sobre progresión o cese. El estudio también señala que la respuesta política y legal está repartida entre varios instrumentos en lugar de contenerse en un código laboral único y ordenado. Esa fragmentación es un hecho administrativo, no una licencia para fingir que el software no tiene efectos similares a los de un gestor.

La gestión algorítmica suele introducirse con una promesa operativa modesta. Asignar personas a tareas más rápido. Detectar la capacidad antes de que el cuadrante se rompa. Dar a un supervisor una visión más clara. Detectar un problema de seguridad. Cada promesa puede ser razonable. El riesgo aparece cuando la medida se convierte en un sustituto del trabajo. El tiempo de respuesta sustituye al cuidado. Una puntuación sustituye a la fiabilidad. La actividad en pantalla sustituye al esfuerzo. El sustituto es más fácil de contar, así que la organización empieza a tratarlo como más real que aquello que pretendía describir.

Cuando un sustituto gobierna el acceso al trabajo, la carga de la prueba cambia. Un gestor normalmente puede explicar una decisión en contexto, aunque la explicación sea pobre. Un sistema puede producir una puntuación que parece neutral porque sus entradas están ocultas. El trabajador tiene entonces que cuestionar tanto el resultado como la idea de que el resultado es el tipo correcto de evidencia. Por eso importan el acceso a la información, la revisión humana y una contestabilidad significativa. Una respuesta que dice que el sistema es complejo no es una explicación. Es una invitación a dejar de preguntar.

La vigilancia merece una atención especial. Los datos recogidos para la coordinación pueden reutilizarse para la evaluación. Los datos recogidos para la seguridad pueden reaprovecharse para la disciplina. Los datos recogidos mientras alguien trabaja pueden revelar información íntima sobre salud, responsabilidades de cuidado o afiliación. El hecho de que un sistema pueda recoger una señal no hace que sea justo usarla. Un lugar de trabajo no es un laboratorio en el que se pueda dar por sentado el consentimiento porque el empleado hizo clic en una pantalla antes de empezar el turno.

La Confederación Europea de Sindicatos ha defendido que las aplicaciones intrusivas en el lugar de trabajo necesitan límites más estrictos, que los trabajadores y sus representantes deben recibir información en lenguaje sencillo, y que la consulta debe producirse antes del despliegue y de los cambios sustanciales. Su posición también conecta los sistemas algorítmicos con la negociación colectiva, la formación de los trabajadores y el derecho a comprobar y revisar las decisiones. Estos no son complementos técnicos. Reconocen que un lugar de trabajo es una institución social, y que trasladar la autoridad al software cambia el equilibrio dentro de esa institución.

La consulta forma parte del diseño

A veces se trata la información y la consulta como etapas ceremoniales que siguen a la decisión real. El marco europeo no nos da ninguna razón para tratarlas así. El marco de la Comisión en torno a la Directiva 2002/14/CE presenta la información y la consulta oportunas como parte de cómo las organizaciones gestionan los cambios significativos y las nuevas formas de organización del trabajo. La directiva establece un marco general, con opciones nacionales en cuanto a alcance e implementación. No es un manual de IA. Es un recordatorio de que un cambio sustancial en el trabajo tiene una vida procedimental antes de convertirse en un despliegue técnico.

El momento es importante. Una reunión después de que se haya seleccionado al proveedor y se haya configurado el flujo de trabajo no es lo mismo que una conversación mientras la organización todavía está decidiendo qué problema quiere resolver. La participación temprana permite a los trabajadores preguntar qué datos son necesarios, qué tareas se están cambiando realmente, cómo se gestionarán los errores y cómo es el plan de respaldo. También expone conocimiento que es difícil de comprar desde fuera. Las personas que hacen el trabajo saben dónde es frágil el proceso porque han pasado años manteniéndolo en pie.

La consulta no exige que cada decisión sea unánime. Exige que las personas afectadas sean tratadas como participantes en un cambio, no como sensores que informarán de la resistencia después del lanzamiento. Un proceso serio debe registrar qué se propuso, qué cuestionaron los trabajadores, qué cambió como resultado y qué desacuerdos persisten. Si una propuesta se adopta de todos modos, la organización debería poder explicar por qué. Eso es más maduro que fingir que la falta de acuerdo significa que nadie tenía una opinión.

Hay una razón práctica para dejar constancia explícita de este registro. Los sistemas cambian después de su puesta en marcha. El modelo se actualiza, la fuente de datos cambia, se añade un nuevo departamento, se ajusta una métrica de evaluación o un proveedor reescribe un motor de políticas. Una consulta puntual no puede cubrir un sistema en movimiento. Los representantes de los trabajadores necesitan una vía permanente para detectar efectos y solicitar una revisión. De lo contrario, la organización habrá consultado sobre la versión uno y estará gobernando una máquina diferente para la versión tres.

La propuesta de la CES para una directiva sobre sistemas algorítmicos en el trabajo exige una evaluación de impacto antes de la implantación y a intervalos regulares después, con la participación de los trabajadores y sus representantes. Es un principio de diseño útil incluso allí donde la propuesta no es ley. Una evaluación de impacto no debe ser un documento que demuestre que la decisión ya estaba tomada. Debe ser un espacio donde la organización nombre quiénes pueden verse afectados, qué podría salir mal, qué evidencia se vigilará y quién tiene la autoridad para cambiar el rumbo.

El mismo principio se aplica a las organizaciones pequeñas. Un empleador más pequeño puede no tener comité de empresa ni una oficina de datos dedicada, pero aun así necesita comprender qué cambia un sistema para las personas que lo utilizan. El papeleo puede ser más ligero. Las preguntas no pueden desaparecer. De lo contrario, un despliegue modesto puede convertirse en un gran problema de gobernanza sin que nadie tenga asignada la tarea de detectarlo.

La formación es poder de trabajo

La formación suele ser la primera promesa que se hace y lo primero que se recorta. Un plan de lanzamiento dice que el personal recibirá una sesión. La sesión se convierte en una presentación de diapositivas. La presentación se convierte en una grabación. La grabación se convierte en un enlace en un portal de aprendizaje que se espera que todos hayan visto antes de que el nuevo sistema cambie silenciosamente las reglas del trabajo.

Eso no es lo que la gente necesita. Necesitan comprensión suficiente para reconocer qué está haciendo el sistema, qué no está haciendo, qué datos utiliza, cómo debe comprobarse su resultado, cuándo debe ignorarse, cómo notificar un error y qué ocurrirá si rechazan una recomendación. Necesitan tiempo para practicar con los casos reales y las condiciones límite de su trabajo. Necesitan saber quién puede responder a una pregunta sin convertirla en un ticket que desaparece en una cola del proveedor.

La Ley de IA convierte este punto práctico en lenguaje jurídico. Los proveedores y los responsables del despliegue deben adoptar medidas para garantizar un nivel adecuado de alfabetización en IA de las personas que utilicen sistemas en su nombre, teniendo en cuenta sus conocimientos técnicos, experiencia, educación, formación y el contexto en el que se utilizará el sistema. Para determinados sistemas de alto riesgo especificados, las personas asignadas a la supervisión humana necesitan competencia, formación y autoridad. La Ley también preserva los derechos existentes de información y consulta de los trabajadores y sus representantes. La alfabetización está, por tanto, vinculada a la autoridad, no solo a la familiaridad con una pantalla de producto.

La posición de la CES sobre el desarrollo de competencias de los trabajadores va más allá en una dirección que importa para la equidad. Trata la alfabetización en IA como la capacidad de comprender críticamente cómo afecta la IA al trabajo y a las ocupaciones, no solo la capacidad de manejar una herramienta para el empleador. Esa distinción es fácil de pasar por alto. Si la formación enseña a una persona a aceptar una sugerencia pero no a cuestionar el sistema que la produjo, la organización ha formado en cumplimiento, no en capacidad.

Un plan de formación útil tiene al menos tres audiencias. La primera es la persona que utiliza el sistema en el trabajo ordinario. Necesita alfabetización operativa: entradas, salidas, incertidumbre, escalado y uso seguro. La segunda es la persona que revisa o supervisa el trabajo. Necesita alfabetización para la toma de decisiones: evidencia, sesgo, desacuerdo, anulación y consecuencias. La tercera es el grupo que representa a los trabajadores o inspecciona la organización. Necesita alfabetización en gobernanza: propósito, flujos de datos, impacto, cambios, acceso a la experiencia y vías de reparación.

La formación también tiene un problema de distribución. Las personas con menos tiempo y una posición negociadora más débil suelen ser las que reciben una sesión genérica y breve. Quienes diseñan el sistema reciben sesiones informativas detalladas y una línea directa con el proveedor. El resultado es una jerarquía del conocimiento que sigue al poder. Si un sistema nuevo va a cambiar el trabajo de muchas personas, la organización debería dedicar más esfuerzo a quienes deben convivir con el sistema que a quienes darán la presentación de lanzamiento.

La formación debe tratarse como una prueba de preparación, no como una tasa de finalización ceremonial. ¿Puede un trabajador identificar un caso que requiera revisión humana? ¿Puede explicar por qué se rechazó una recomendación? ¿Puede un supervisor pausar el flujo de trabajo? ¿Puede un representante solicitar la información necesaria para evaluar un cambio? ¿Puede la organización mostrar qué ocurrió cuando alguien planteó una preocupación? Si la respuesta es no, el problema no es que los trabajadores no estén lo bastante entusiasmados. El sistema no se ha introducido de forma responsable.

Las habilidades cobran sentido cuando van acompañadas de la autoridad para cuestionar, anular y remodelar el sistema.

¿Quién recibe el nuevo puesto?

Cuando una tarea rutinaria pasa al software, el trabajo no desaparece en una nube. Reaparece en algún lugar. Alguien escribe las reglas, selecciona los datos, comprueba las excepciones, gestiona las apelaciones, mantiene la integración, supervisa la seguridad y explica el resultado. Esas tareas pueden ser funciones nuevas, responsabilidades nuevas dentro de funciones existentes o trabajo invisible que se añade a quienes ya tienen menos tiempo libre.

La cuestión de la distribución es, por tanto, concreta. ¿Quién hace el trabajo técnico? ¿Quién hace el trabajo interpretativo? ¿Quién está expuesto al riesgo cuando el sistema falla? ¿Quién recibe el tiempo que ahorra la automatización? ¿De quién se espera que aprenda un proceso nuevo sin un cambio de salario, carga de trabajo o estatus? Una transición que solo responde a la primera pregunta puede crear un grupo pequeño de especialistas y un grupo mucho más numeroso de personas cuyo trabajo se mide con más atención.

No existe una regla universal según la cual todo ahorro deba convertirse en ocio o toda tarea nueva deba convertirse en un puesto nuevo. Las organizaciones tienen propósitos y convenios colectivos distintos. Pero la distribución debe ser deliberada y discutible. Si la automatización elimina la administración repetitiva, el beneficio podría ser más tiempo para la atención, la investigación, el mantenimiento o el contacto con el público. Si crea tareas de supervisión, esas tareas necesitan capacidad y reconocimiento. Si aumenta el valor del conocimiento contextual, quienes lo poseen no deben ser tratados como obstáculos temporales para un conjunto de datos más limpio.

La política sobre competencias importa porque la transición puede ampliar las desigualdades existentes. La OIT señala que, en su análisis, la exposición del empleo femenino a la IA generativa es mayor, en parte porque las mujeres están sobrerrepresentadas en el trabajo administrativo. Esta es una afirmación sobre la exposición potencial, no una previsión de quién perderá el empleo. Sí demuestra por qué un despliegue de tono neutral puede tener efectos desiguales. Si los puestos más afectados son también los que ofrecen menos oportunidades de formación remunerada o de progresión, los beneficios no se distribuirán por arte de magia. La magia sigue siendo una estrategia poco fiable de recursos humanos.

La edad, la discapacidad, las responsabilidades de cuidado, el idioma y la situación laboral también pueden determinar quién se beneficia de un nuevo sistema. Una herramienta que presupone disponibilidad ininterrumpida puede penalizar el cuidado. Una medida de rendimiento que ignora formas accesibles de trabajar puede convertir un ajuste razonable en una desviación. Un sistema que utiliza un modelo lingüístico limitado puede generar comprobaciones adicionales para quienes se comunican en otro idioma. Estos no son casos excepcionales que deban aplazarse hasta un informe posterior sobre igualdad. Son parte de lo que significa que el sistema organice el trabajo.

La economía de plataformas ofrece a Europa un lugar claro para estudiar estas dinámicas. La Directiva sobre el trabajo en plataformas, adoptada como Directiva (UE) 2024/2831, aborda la situación laboral y la gestión algorítmica en el trabajo en plataformas. Incluye normas sobre transparencia, protección de datos, supervisión humana y revisión de decisiones significativas, junto con derechos a explicaciones y a impugnación. La directiva se centra en el trabajo en plataformas, pero su lógica es más amplia: cuando el software dirige y evalúa el trabajo, la persona trabajadora necesita algo más que un enlace a las condiciones del servicio y una notificación alegre.

La directiva también es un recordatorio útil de que el control técnico puede tener significado jurídico. Pide a las organizaciones que reserven espacio para la supervisión y revisión humanas, que expliquen las decisiones significativas y que traten con cuidado determinadas categorías de datos de las personas trabajadoras. Eso no produce un modelo perfecto para cada lugar de trabajo. Establece un suelo a partir del cual puede comenzar la conversación más amplia: si el software organiza el trabajo, las personas necesitan derechos que sobrevivan a la interfaz del software.

La impugnabilidad es una condición de trabajo

Una persona trabajadora no puede impugnar de manera significativa una decisión que no se puede localizar. La organización necesita saber qué sistema la produjo, qué versión estaba en vigor, qué datos se utilizaron, qué regla o resultado del modelo fue determinante y quién está autorizado a revisarla. La persona trabajadora necesita una vía que no dependa de adivinar el nombre interno de una función del proveedor. La persona revisora necesita tiempo e información suficientes para hacer algo más que aprobar el resultado con una firma humana.

La Directiva sobre el trabajo en plataformas da forma jurídica a este principio para las personas a las que cubre. Exige supervisión humana de los sistemas automatizados de supervisión y toma de decisiones, prevé explicaciones de las decisiones adoptadas o respaldadas por dichos sistemas y crea vías para impugnar decisiones significativas. También establece límites en torno a categorías de datos personales que las plataformas pueden procesar para la gestión algorítmica. Estos detalles importan porque un derecho sin una vía operativa suele ser una sugerencia disfrazada de salvaguarda.

Para otros lugares de trabajo, la arquitectura de la impugnabilidad sigue ofreciendo una prueba útil. Pregunte si una persona puede pausar la acción antes de que el daño se extienda. Pregunte si puede ver el motivo en términos que se relacionen con el trabajo. Pregunte si la persona revisora tiene autoridad para descartar el resultado. Pregunte si las impugnaciones repetidas pueden conducir a un cambio en el sistema, en lugar de una colección de excepciones individuales que nadie analiza. Pregunte si una persona trabajadora puede presentar una impugnación sin arriesgarse a una penalización oculta en la siguiente asignación.

La impugnabilidad también es colectiva. Una puntuación discutida puede parecer un desacuerdo personal. Un patrón de puntuaciones discutidas puede revelar una entrada deficiente, un criterio injusto o una carga de trabajo que el sistema nunca ha sido diseñado para representar. Los representantes de los trabajadores y los inspectores necesitan acceso al patrón, no solo a las pantallas individuales. La organización debería poder agregar las impugnaciones sin convertir a quienes las plantean en una nueva categoría de riesgo.

Existe la tentación de tratar la revisión humana como un mero trámite final. Eso es inseguro e injusto. Un revisor al que se le mide por la velocidad, al que no se le da acceso a la información subyacente y al que se le dice que el sistema es más preciso que él no está ejerciendo supervisión. Está prestando un rostro humano a una decisión automatizada. Las referencias del Reglamento de IA a la competencia, la formación, la autoridad y la capacidad de ignorar o interrumpir un sistema de alto riesgo son útiles porque hacen explícita la diferencia. Una persona en el flujo de trabajo no es automáticamente una persona al mando.

El mínimo legal y el techo organizativo

La legislación europea establece mínimos. No redacta todos los buenos procesos laborales de una organización. El Reglamento de IA incluye requisitos sobre alfabetización en IA, información a los trabajadores y sus representantes en los despliegues de alto riesgo pertinentes, supervisión humana y evaluaciones de impacto en los derechos fundamentales para usos específicos. El marco de información y consulta añade un contexto más amplio de derecho laboral. Las normas de protección de datos limitan lo que puede recopilarse y cómo pueden tomarse las decisiones. La Directiva sobre trabajo en plataformas añade protecciones específicas cuando las plataformas digitales organizan el trabajo.

Un mínimo legal es valioso porque frena el peor argumento de la sala: que no hay que hacer nada hasta que un regulador señale esa característica concreta. No es un techo. Un sistema puede cumplir un requisito específico y aun así hacer que el trabajo sea más agotador, menos comprensible o más difícil de impugnar. Las organizaciones que quieren una transición duradera deberían fijar un estándar interno más alto, especialmente cuando la ley es deliberadamente general o cuando el despliegue queda fuera de una norma sectorial concreta.

Ese estándar puede expresarse como una cadena de preguntas. ¿Cuál es el propósito del sistema y qué queda fuera de él? ¿Qué tareas cambian y qué juicios deben seguir siendo visibles? ¿Qué datos son necesarios y qué datos están simplemente disponibles? ¿A quién afecta directa e indirectamente? ¿Qué evidencia demuestra que el sistema es útil en este contexto? ¿Quién puede anularlo, con qué formación y protección? ¿Cómo impugnará un trabajador un resultado? ¿Qué ocurre cuando cambian el modelo, el proveedor o la política? ¿Quién decide pausar o retirar el sistema?

Estas preguntas deberían responderse antes de que se complete la contratación, no esconderse en un anexo después del primer incidente. Un proveedor puede aportar documentación y soporte. No puede conocer el significado completo de un flujo de trabajo dentro de una organización que no gestiona. El responsable del despliegue conoce el contexto, las personas afectadas y las consecuencias de un atajo deficiente. Por eso el Reglamento de IA trata a los responsables del despliegue como actores importantes en los sistemas de alto riesgo. La responsabilidad no desaparece en la frontera del contrato.

También es útil especificar qué no es el éxito. Un despliegue exitoso no es una alta tasa de adopción si los trabajadores adoptan el sistema porque rechazarlo perjudica sus perspectivas. No es un tiempo medio de gestión más bajo si los casos difíciles se postergan. No es un panel con indicadores verdes si las personas más cercanas al trabajo han dejado de notificar errores. No es una cifra de formación completada si nadie puede explicar cómo detener el flujo de trabajo. Las métricas son herramientas para el juicio, no un sustituto de él.

Una transición que deja huella

Un cambio responsable necesita memoria. La organización debería registrar el propósito previsto, el mapa de tareas, las fuentes de datos, la consulta, la formación, las pruebas, los límites y las decisiones tomadas cuando la evidencia era incierta. Debería registrar qué versión se utilizó y cuándo cambiaron las condiciones de funcionamiento. Un trabajador no debería tener que reconstruir la historia de una decisión a partir de mensajes, capturas de pantalla y la memoria de un compañero. Esa es una mala manera de tratar tanto el trabajo como la evidencia.

El registro debería incluir el desacuerdo. Un archivo de despliegue pulido que solo contiene aprobaciones no es un relato de la consulta. Es un certificado de optimismo. Las preguntas de los trabajadores, los representantes, el personal de seguridad y los especialistas en igualdad forman parte de la evidencia del diseño. Muestran dónde podría fallar el sistema y qué supuestos no eran compartidos. Mantenerlas visibles también facilita revisar una decisión sin fingir que la preocupación apareció por primera vez después del despliegue.

El seguimiento debería seguir el trabajo y no solo el modelo. Hay que vigilar los cambios en la combinación de tareas, el tiempo de revisión, los patrones de error, el acceso a la formación, las apelaciones, las ausencias, las horas extra y quién recibe los casos difíciles. No todos son métricas de IA. Son señales de las condiciones de trabajo. Un modelo puede mantener la misma precisión mientras el trabajo que lo rodea se vuelve menos sostenible. Si la organización solo supervisa el modelo, puede pasar por alto el trabajo que se ha reorganizado a su alrededor.

Debería haber una historia de caducidad. Un sistema introducido para un propósito no debería volverse permanente por inercia. Establezca una fecha de revisión, un umbral de cambio y un responsable claro. Si cambian los datos, la tarea, la base legal o las personas afectadas, la organización debería saber si se necesitan una nueva evaluación y consulta. El mantenimiento no es una admisión de que la primera decisión fue débil. Es un reconocimiento de que tanto el trabajo como el software se mueven.

Esto puede sonar pesado para una intervención pequeña. La respuesta es la proporcionalidad, no la desaparición. Un asistente de redacción sin acceso a registros personales puede necesitar un proceso más ligero que un sistema que determina el acceso a turnos, prestaciones, cuidados o empleo. Pero incluso una herramienta pequeña merece una declaración de lo que puede hacer y de lo que no puede hacer. La claridad se reduce mejor que la burocracia porque dice a la gente dónde detenerse.

Cómo es una parte justa

La expresión transición justa se utiliza a menudo como si la justicia llegara una vez que la tecnología se instala correctamente. No será así. La justicia es un conjunto de elecciones sobre tiempo, voz, capacidad, riesgo y recompensa. Pregunta si los trabajadores pueden dar forma al cambio, si pueden entenderlo, si pueden cuestionarlo y si las ganancias se comparten en lugar de convertirse silenciosamente en expectativas más altas.

Compartir la ganancia no siempre significa un pago directo. Puede significar una cola más corta, más tiempo con las personas, un trabajo menos peligroso, mejor equipo, la oportunidad de aprender una habilidad valorada, una vía hacia un nuevo rol o un juicio profesional que se toma más en serio porque el trabajo rutinario ya no lo desplaza. La elección debería hacerse con las personas cuyo trabajo está cambiando. De lo contrario, la organización puede optimizar un resultado que parece eficiente desde la sala de juntas y se siente como una aceleración permanente en el taller.

También hay una dimensión cívica. Los lugares de trabajo forman a las personas para las instituciones que las rodean. Si cada sistema digital enseña que una puntuación es más creíble que una persona, el hábito viaja a los servicios públicos y a la vida diaria. Si los lugares de trabajo enseñan que la evidencia puede cuestionarse, que las decisiones pueden explicarse y que la autoridad puede interrumpirse, esos hábitos también viajan. El diseño de un flujo de trabajo automatizado no es, por tanto, solo un asunto interno. Es una práctica de cómo una sociedad trata el juicio.

La insistencia de Europa en la información, la consulta, el diálogo social, la protección de datos y la supervisión humana a veces se caricaturiza como un freno a la innovación. Una lectura más acertada es que estas son formas de decidir quién asume las consecuencias de una nueva capacidad. La velocidad no es neutral cuando quienes no pueden frenar el sistema son los que quedan expuestos a sus errores. Una transición que pueda debatirse, inspeccionarse y revisarse puede tardar más en ponerse en marcha. También es más probable que siga siendo útil cuando la novedad se haya desgastado.

En Dweve, esta es la pequeña parte de la cuestión a la que volvemos una y otra vez en Ground truth y en nuestro trabajo de alfabetización en IA. Un sistema se gana la confianza cuando quienes lo rodean pueden nombrar sus fuentes, sus límites, su incertidumbre y su autoridad. Eso no es afirmar que una biblioteca o un producto puedan resolver las relaciones laborales. Es una postura de diseño: la evidencia debe permanecer cerca de la decisión, y quienes son responsables de la decisión deben contar con la estructura suficiente para cuestionarla. El trabajo más amplio corresponde a empleadores, trabajadores, representantes, reguladores y al público.

El nuevo puesto es una decisión colectiva

La automatización cambia el trabajo antes de cambiar el organigrama. Desplaza la atención, el criterio y el riesgo. Crea trabajo de mantenimiento, de revisión, de formación y el trabajo de explicar un sistema a quienes no lo eligieron. Puede mejorar un puesto, o puede convertirlo en una ruta más rápida por un pasillo más estrecho. La diferencia no está oculta solo en el modelo. Se forja en las decisiones que lo rodean.

Quienes vayan a ocupar el nuevo puesto no deberían elegirse solo después de que se hayan eliminado las tareas antiguas. Deberían participar en decidir en qué consiste el nuevo trabajo. Deberían tener tiempo para aprender, autoridad para cuestionar, protección cuando lo hagan y una parte de la capacidad que genera el cambio. Quienes están representados por las métricas deberían poder inspeccionar qué significan esas métricas. Quienes asumen las consecuencias deberían poder detener un sistema que ya no es seguro ni justo.

Una buena transición deja atrás algo más que una herramienta que funciona. Deja un mapa de tareas más claro, competencias más sólidas, una vía para el desacuerdo, un registro de lo que cambió y una institución que sabe quién es responsable. Son logros modestos en comparación con las promesas de una demostración de producto. También son lo que evita que un lugar de trabajo se convierta en un sitio donde el software toma decisiones y todos los demás aportan las coartadas.

Así que plantea la pregunta práctica desde el principio. Cuando esta tarea se traslade, ¿qué trabajo aparece? ¿Quién lo hará? ¿Qué autoridad tendrá? ¿Qué formación hará real esa autoridad? ¿Quién puede cuestionar el acuerdo? ¿A dónde va el tiempo ahorrado? Si la organización no puede responder, no está lista para automatizar la tarea. Está lista para esperar que el puesto se resuelva solo de algún modo. Los puestos rara vez son tan considerados.

Fuentes