Automatización con criterio: qué delegar y qué debe seguir en manos de las personas

El taller se desarrolló el 28 de agosto de 2026 en el marco de Edutechnia, feria de tecnología e innovación para la educación. Participaron 44 personas de distintas organizaciones e instituciones educativas: la Universidad Nacional de Colombia, la Universidad Popular del Cesar, la Corporación Universitaria Minuto de Dios, la Universidad Jorge Tadeo Lozano, el Politécnico Grancolombiano y la Corporación Unificada Nacional, junto con colegios, seminarios y empresas del sector productivo.

En la sesión, la pregunta habitual —si la inteligencia artificial reemplazará el trabajo universitario— se reformuló en clave institucional: cómo construir un procedimiento para que cada organización pueda responderla sobre sus propios procesos y con criterios explícitos. Tres momentos organizaron el trabajo: fundamentación conceptual, ejercicio individual de análisis y socialización de resultados. De allí salieron catorce propuestas de delegación tecnológica sobre procesos misionales reales.

Las instituciones suelen discutir la automatización sobre el proceso completo: ¿se automatiza la admisión?, ¿la evaluación?, ¿la gestión de la investigación? Formulada así, la pregunta empuja a responder con un sí o con un no que ningún proceso universitario tolera, porque un mismo procedimiento reúne tareas de naturaleza muy distinta: unas regladas, repetitivas y verificables; otras deliberativas, contextuales o de alta sensibilidad relacional.

El taller propuso entonces un cambio metodológico: analizar tareas, no ocupaciones o procesos completos. Con esa unidad, la pregunta toma una forma operativa y admite tres términos: qué componente de la tarea puede apoyarse tecnológicamente, en qué proporción y bajo qué salvaguardas humanas, técnicas y éticas.

La diferencia entre ambas formulaciones es práctica. La primera termina en un intercambio de posiciones entre entusiastas y cautelosos; la segunda produce decisiones defendibles ante un consejo académico, un comité de ética o un par evaluador.

La evidencia disponible respalda ese cambio y matiza las lecturas apocalípticas que circulan con facilidad. Los estudios recientes separan con cuidado tres fenómenos —exposición, transformación y automatización efectiva—, y sus estimaciones varían según la unidad analizada, la tecnología considerada y el umbral aplicado.

La OCDE (2023) calcula que cerca del 27 % del empleo en sus países miembros se concentra en ocupaciones con alto riesgo frente a distintas tecnologías de automatización. Cazzaniga y colaboradores (2024), desde el Fondo Monetario Internacional, estiman que alrededor del 40 % del empleo mundial presenta algún grado de exposición a la inteligencia artificial, con posibilidades tanto de sustitución como de complementariedad. Gmyrek y su equipo (2025), en la Organización Internacional del Trabajo, encuentran que un 24 % del empleo está expuesto a la IA generativa, aunque solo un 3,3 % alcanza el nivel de mayor potencial de automatización real.

La distancia entre ese 40 % de exposición y ese 3,3 % de automatización plena delimita el terreno donde se juegan las decisiones institucionales: que una tecnología intervenga en algunas tareas de un puesto dice poco sobre la desaparición del puesto. Esa diferencia aparece con claridad al descender al nivel de la tarea, como mostró la corrección que Arntz, Gregory y Zierahn (2016) introdujeron frente a las estimaciones tempranas basadas en ocupaciones completas.

El marco conceptual proviene de la economía del trabajo. Autor, Levy y Murnane (2003) establecieron que la tecnología sustituye las tareas rutinarias —aquellas cuyo procedimiento puede explicitarse en reglas— y complementa las no rutinarias, dependientes del juicio contextual, de la resolución de problemas mal estructurados o de la interacción interpersonal.

La distinción se apoya en el tipo de criterio que organiza el trabajo. En un grupo están las tareas cuyo criterio puede escribirse de antemano; en el otro, aquellas cuyo criterio se construye caso a caso. Un cálculo complejo de programación académica pertenece al primer grupo, por laborioso que sea; una conversación con un estudiante en riesgo de deserción pertenece al segundo, aunque tome quince minutos.

Sobre esa base, el taller trabajó con cuatro grados de delegación, coherentes con la literatura sobre niveles de automatización en factores humanos (Parasuraman, Sheridan y Wickens, 2000): automatización alta, para tareas regladas de alto volumen con salidas verificables y supervisión por excepción; automatización asistida, cuando el sistema prepara o prioriza y una persona valida antes de actuar; automatización limitada, en trabajo intelectual o contextual donde la tecnología apoya partes acotadas y el profesional conserva la interpretación; y tareas esencialmente humanas, cuando intervienen decisión, cuidado, deliberación ética o relación sensible, con responsabilidad directa e indelegable. Cada grado compromete a la vez un rol humano, un riesgo dominante y un principio ético.

El taller ilustró esa frontera con un caso del proceso de docencia y evaluación. Dos de sus tareas evalúan, y sin embargo admiten niveles muy distintos de delegación: calificar ítems objetivos con reglas explícitas frente a valorar desempeño complejo y conversar con el estudiante. Cambie entre los dos supuestos de ejecución y toque cualquier tarea del flujo para ver qué conserva la persona en cada caso.

Ese marco fue formulado para la producción, donde toda tarea sirve a un fin externo y hacerla más rápido suele entenderse como una ganancia. Una institución educativa introduce una condición adicional: incorpora tareas cuyo propósito reside en el proceso mismo, donde el esfuerzo de ejecutarlas constituye el mecanismo del aprendizaje.

De ahí la premisa que orientó el taller: lo que conviene automatizar en un contexto puede perder sentido en otro. Tomemos la tarea de limpiar, codificar y documentar un conjunto de datos. Para un investigador senior es trámite, y automatizarla le libera tiempo para el trabajo que sí demanda su juicio. Para un estudiante que aprende a investigar es la competencia misma: automatizarla le quita el trabajo y, con él, la posibilidad de desarrollar el criterio que la tarea entrena.

La investigación sobre aprendizaje respalda esta cautela. Bjork y Bjork (2011) mostraron que el procesamiento esforzado, aunque más lento e incómodo, produce aprendizajes más duraderos y transferibles; Biggs (1996) plantea la necesidad de mantener coherencia entre lo que se declara que el estudiante debe aprender y lo que efectivamente ejecuta. Suprimir mediante automatización aquello que se pretendía desarrollar rompe esa coherencia, aun cuando el producto final luzca mejor.

El análisis institucional incorpora entonces una segunda pregunta, ajena a la ingeniería: además de quién ejecuta la tarea, ¿ejecutarla es lo que esa persona debe aprender? Cuando la respuesta es afirmativa, renunciar deliberadamente a una automatización viable puede ser la decisión correcta.

El segundo momento trasladó el marco a la práctica. Cada participante ingresó desde su teléfono, sin crear cuenta, y construyó una propuesta sobre un proceso misional que conociera por dentro: eligió uno entre diez procesos de las líneas académica, de investigación y de proyección social; fijó el contexto de ejecución —quién realiza esas tareas y si ejecutarlas es lo que esa persona debe aprender—; repartió las nueve tareas del proceso entre tecnología, ejecución mixta y personas; y seleccionó una para detallarla mediante cinco decisiones: qué haría el sistema, de qué datos se alimentaría, qué conserva la persona, qué puede fallar y cómo se corrige. El ejercicio cerró con una reflexión escrita.

Dos decisiones de diseño condicionaron la validez del ejercicio. El participante nunca vio la respuesta de referencia del instrumento —ni la categoría sugerida ni el porcentaje—, porque mostrarla transforma el análisis en un juego de adivinar la respuesta del expositor. Además, la devolución automatizada se adaptó al propósito declarado: cuando alguien indicó que ejecutar la tarea era el objetivo formativo, el sistema propuso andamiajes y redujo la automatización, aunque esta fuera viable.

Las catorce propuestas clasificaron 126 tareas y cubrieron los diez procesos misionales del instrumento, sin excepción. La distribución de esas decisiones constituye el hallazgo más significativo de la sesión.

La ejecución mixta se impuso como opción mayoritaria. Enfrentados a tareas concretas de sus propias instituciones, y sin conocer la respuesta de referencia, los participantes prefirieron distribuir el trabajo: la tecnología prepara, la persona valida. Ese resultado confirma la tesis del taller, pues quien conoce el proceso por dentro razona en grados.

El contexto declarado apunta en la misma dirección: ocho de los catorce participantes señalaron un propósito parcial —algunas tareas son aprendizaje y otras son trámite—, cinco lo identificaron como instrumental y uno como formativo. La mayoría reconoció que dentro de un mismo proceso conviven finalidades distintas, lo cual dificulta aplicar una política uniforme de automatización.

Entre los riesgos, el sesgo en la recomendación encabezó las menciones, presente en seis de las catorce propuestas, seguido por la ejecución masiva incorrecta, la pérdida del contexto del caso y el error de integración, con cinco menciones cada uno. Doce participantes definieron el régimen de intervención humana y ocho de ellos eligieron alguna forma de validación previa a la acción, por encima de la supervisión posterior por muestreo. Entre los controles solicitados predominaron la posibilidad de revertir la decisión, el canal de reclamo para el estudiante y la revisión periódica.

Las reflexiones finales condensan el desplazamiento conceptual que produjo el ejercicio:

«Es fácil hablar de que la IA nos va a reemplazar, pero viéndolo a este nivel de detalle me hace pensar distinto.»

«Existen muchas tareas que se pueden trabajar con la IA para potenciar y no para reemplazar.»

«La automatización de tareas permite redirigir el esfuerzo humano a procesos fundamentales, como la toma de decisiones con pensamiento crítico y analítico.»

Estas cifras corresponden a un ejercicio de criterio profesional, con los límites propios de un grupo autoseleccionado: catorce propuestas autorizan pocas inferencias sobre el sector. Su valor está en mostrar cómo se comporta el juicio de profesionales universitarios cuando reciben un procedimiento de análisis, con criterios explícitos, y no una posición para defender.

Toda decisión de delegación necesita condiciones de implementación, y conviene enunciarlas antes de adquirir herramienta alguna. Bainbridge (1983) advirtió sobre las ironías de la automatización: cuanto más se automatiza un proceso, más críticas y menos entrenadas son las intervenciones humanas que permanecen. Quien solo interviene ante la excepción pierde justamente la práctica que necesita para resolverla.

De esa advertencia se desprenden cuatro requisitos previos a cualquier delegación. La trazabilidad permite registrar la entrada, la versión de la regla o del modelo, el responsable de la validación y la salida producida. La reversibilidad requiere una posibilidad efectiva de deshacer, pues una decisión irreversible no admite ejecución automática. La supervisión debe definirse por anticipado —por excepción, por muestreo o sobre la totalidad de los casos—, desde antes de que aparezca el primer error. Y el tratamiento de datos personales, que atraviesa buena parte del proceso académico, debe ajustarse al régimen legal aplicable, que en Colombia establece la Ley 1581 de 2012.

Un dato del ejercicio ilumina este punto: el control más solicitado por los participantes fue la posibilidad de revertir, por encima de cualquier capacidad técnica. Quienes conocen los procesos institucionales intuyen que el problema más grave aparece cuando el sistema falla y nadie puede deshacer la acción.

El ejercicio es replicable, y su valor se concentra en el procedimiento. Una institución que quiera decidir con criterio sobre automatización e inteligencia artificial puede recorrer seis pasos.

1. Inventariar por tarea. Descomponer cada proceso misional en procedimientos y estos en tareas concretas y observables. Sin ese inventario, toda discusión posterior gira en abstracto.

2. Declarar el contexto de ejecución. Registrar quién realiza cada tarea y con qué propósito. Esta declaración, que suele omitirse, impide automatizar aquello que constituye un objetivo formativo y explica por qué dos instituciones pueden decidir legítimamente distinto sobre la misma tarea.

3. Clasificar el grado y su régimen. Asignar uno de los cuatro grados sabiendo que la clasificación compromete a la vez un rol humano, un riesgo y un principio ético. La pregunta abarca tanto lo que la tecnología puede hacer como lo que la persona conserva cuando la tecnología actúa.

4. Anticipar el riesgo y su control. Para cada tarea que se pretenda delegar, nombrar qué puede fallar y qué mecanismo lo detecta o lo corrige. Una propuesta de automatización sin control asociado expresa una intención, no una decisión.

5. Verificar las condiciones previas. Comprobar trazabilidad, reversibilidad, supervisión definida y tratamiento de datos personales. Si alguna falla, la delegación se pospone hasta corregirla.

6. Pilotear y documentar. Seleccionar una tarea de alto volumen, riesgo bajo y salida verificable; medir; documentar la evidencia; y solo entonces ampliar. Ampliar sin evidencia previa explica buena parte de los fracasos institucionales en transformación digital.

Esta ruta puede comenzar sin adquirir tecnología. Pide, sobre todo, tiempo colegiado de análisis y disposición a explicitar criterios que suelen permanecer implícitos. Los marcos internacionales de transformación digital en educación superior coinciden en ese punto: la infraestructura tecnológica es apenas uno de varios componentes, y la capacidad institucional se juega en la cultura, en el gobierno de los datos y en las formas de creación e intercambio de conocimiento.

El instrumento con el que se trabajó en el taller está disponible para descarga. Se trata de una matriz en Excel que descompone diez procesos misionales universitarios en noventa tareas, cada una con su grado de delegación sugerido, la intervención humana que exige, las tecnologías posibles, los riesgos asociados, la dimensión ética comprometida y los controles recomendados.

Conviene usarla como punto de partida adaptable, no como veredicto. La clasificación que trae es una referencia metodológica; el veredicto lo da el contexto de cada institución, que es precisamente lo que el ejercicio enseña a examinar.

El taller permitió constatar un efecto que la discusión pública sobre inteligencia artificial suele ocultar: al descender al nivel de la tarea y explicitar el contexto, profesionales de instituciones muy distintas producen decisiones matizadas, prudentes y defendibles. El procedimiento les permite sopesar a la vez la viabilidad técnica, la finalidad formativa, el riesgo dominante y la salvaguarda exigible.

La pregunta por la automatización en la educación superior requiere respuestas situadas, y ahí está su valor pedagógico. Obliga a cada institución a examinar sus procesos, a nombrar lo que hace y a decidir con criterio explícito qué delega y qué conserva. La tecnología puede asumir aquello cuyo criterio puede escribirse de antemano. Lo que se construye caso a caso —el juicio, la deliberación, el cuidado y la responsabilidad ante una decisión que afecta la trayectoria de una persona— permanece en el campo del trabajo humano.

Arntz, M., Gregory, T. y Zierahn, U. (2016). The risk of automation for jobs in OECD countries. OECD Social, Employment and Migration Working Papers, n.º 189.

Autor, D., Levy, F. y Murnane, R. (2003). The skill content of recent technological change: an empirical exploration. The Quarterly Journal of Economics, 118(4), 1279–1333.

Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779.

Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32(3), 347–364.

Bjork, E. L. y Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. En Psychology and the real world. Worth Publishers.

Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E. y Tavares, M. M. (2024). Gen-AI: artificial intelligence and the future of work. Fondo Monetario Internacional, Staff Discussion Note SDN/2024/001.

Congreso de Colombia (2012). Ley 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales.

Gmyrek, P. et al. (2025). Generative AI and jobs: a refined global index of occupational exposure. Organización Internacional del Trabajo, documento de trabajo.

HEInnovate. (s. f.). Digital transformation and capability.

Jisc. (s. f.). Digital transformation framework.

OCDE (2023). OECD Employment Outlook 2023: artificial intelligence and the labour market. OECD Publishing.

Parasuraman, R., Sheridan, T. B. y Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics — Part A, 30(3), 286–297.