Simons, Bright. “The Social Edge of Intelligence”. The Ideas Letter, 16 de abril de 2026

La IA no es realmente inteligente por sí misma, sino que funciona como un espejo estadístico que reproduce la inteligencia colectiva generada por las sociedades humanas. Según el autor, los modelos de lenguaje como ChatGPT no “piensan” de manera autónoma, sino que aprenden de enormes cantidades de lenguaje producido históricamente por interacciones humanas complejas. El verdadero peligro, sostiene, es que el uso excesivo de la IA podría erosionar precisamente las condiciones sociales que hicieron posible su desarrollo.

Simons parte de una observación central: el progreso de la inteligencia artificial se alimenta del conocimiento acumulado por generaciones humanas. Para demostrarlo, propone un experimento mental en el que imagina entrenar distintos modelos de IA con textos de diversas épocas históricas: el antiguo Egipto, la Grecia clásica, Roma, Bagdad medieval, el Renacimiento italiano y el mundo contemporáneo. La conclusión es clara: aunque la arquitectura tecnológica fuera idéntica, cada modelo sería más “inteligente” en la medida en que la civilización que produjo los textos fuera socialmente más compleja. Esto sugiere que la inteligencia artificial no depende únicamente del cómputo o de los algoritmos, sino fundamentalmente de la riqueza cultural, institucional y social de las comunidades humanas que generan el lenguaje con el que aprende.

Uno de los argumentos más fuertes del ensayo se relaciona con el fenómeno conocido como colapso del modelo. Simons recupera investigaciones publicadas en Nature que muestran que cuando una IA comienza a entrenarse con contenido generado por otras inteligencias artificiales, su calidad cognitiva empieza a degradarse progresivamente. Desaparecen perspectivas minoritarias, formulaciones poco comunes, ideas originales y conocimientos marginales. El resultado es un sistema que sigue siendo fluido y convincente, pero intelectualmente más pobre y homogéneo. El autor interpreta este problema técnico como una manifestación de un problema social más profundo: la reducción de la diversidad intelectual humana a medida que delegamos cada vez más tareas cognitivas a las máquinas.

El ensayo también examina investigaciones recientes sobre creatividad asistida por IA. Un estudio realizado en el Reino Unido con alrededor de 300 escritores mostró que quienes utilizaron modelos como GPT-4 produjeron relatos que los evaluadores consideraron más creativos a nivel individual. Sin embargo, cuando se analizó el conjunto de relatos apareció un efecto inesperado: todos los textos empezaban a parecerse demasiado entre sí. Cada individuo mejoraba su rendimiento, pero el colectivo perdía diversidad creativa. Simons denomina este fenómeno una especie de “tragedia de los comunes cognitiva”: la ganancia individual inmediata produce una pérdida colectiva a largo plazo porque empobrece la variedad intelectual del ecosistema cultural.

Otro eje importante del artículo se centra en cómo la automatización está transformando el trabajo intelectual. El autor cita casos de empresas como IBM, Duolingo, Klarna y Atlassian, que han reducido o replanteado parte de sus plantillas al incorporar inteligencia artificial. El problema, argumenta Simons, es que muchas compañías ven la IA únicamente como una herramienta para sustituir trabajadores y reducir costes. Sin embargo, eliminar puestos junior o funciones de aprendizaje interno significa destruir los espacios donde se genera el conocimiento tácito, la experiencia acumulada y la formación de futuros expertos. Es decir, al automatizar excesivamente se debilita el proceso social mediante el cual se produce nuevo conocimiento humano, que es precisamente el combustible de futuras generaciones de inteligencia artificial.

Simons recupera además estudios de Nicholas Carr y otros investigadores que muestran que las personas tienden a reducir su esfuerzo cognitivo cuando confían en sistemas automatizados. Igual que ocurrió con los buscadores como Google —que llevaron a muchas personas a memorizar menos información— la IA generativa podría producir un fenómeno más profundo: la externalización del pensamiento mismo. Un estudio realizado por investigadores de Microsoft y Carnegie Mellon University encontró que en un 40% de tareas asistidas por IA los trabajadores dejaron de ejercer pensamiento crítico, especialmente cuando confiaban plenamente en las respuestas producidas por el sistema. Para Simons, esto supone un riesgo sistémico: una humanidad cada vez más eficiente individualmente, pero colectivamente menos capaz de generar conocimiento nuevo.

El núcleo conceptual del ensayo aparece en lo que Simons llama “Social Edge Framework” (Marco del Borde Social). Su argumento es que la inteligencia humana siempre ha sido un fenómeno profundamente colectivo. Retoma ideas del psicólogo soviético Lev Vygotsky, quien sostenía que el pensamiento emerge del lenguaje social, y del antropólogo cognitivo Edwin Hutchins, que demostró cómo muchos procesos mentales no ocurren dentro del cerebro individual sino distribuidos en grupos, instituciones y herramientas culturales. Desde esta perspectiva, la IA no aprende de individuos aislados, sino de millones de conversaciones, debates, negociaciones y conflictos sociales acumulados durante siglos. Cada “token” de entrenamiento es, en cierto modo, un fósil de interacción humana.

En la parte final del texto, Simons critica a figuras influyentes del sector tecnológico como Sam Altman, Dario Amodei y Leopold Aschenbrenner, a quienes acusa de centrarse casi exclusivamente en variables técnicas como potencia computacional, escalado de datos y arquitectura de modelos, sin prestar suficiente atención a la dimensión social del conocimiento. Según Simons, la gran paradoja es que cuanto más se use la IA para reemplazar interacciones humanas —reuniones, debates, aprendizaje entre compañeros, puestos de entrada al mercado laboral, escritura original o pensamiento crítico— más se debilitará el ecosistema intelectual del que depende el progreso futuro de la propia inteligencia artificial.

La conclusión del ensayo es contundente: las organizaciones más exitosas en la próxima década no serán necesariamente aquellas que más automaticen, sino aquellas que comprendan que el verdadero valor de la IA no reside en sustituir personas, sino en potenciar formas más ricas de colaboración humana. La inteligencia artificial es, en última instancia, una herencia construida por siglos de interacción social compleja. Si esa herencia se consume sin reinvertir en creatividad, debate, educación, pensamiento crítico y trabajo colaborativo, acabará agotándose. Para Simons, el futuro de la IA no depende solamente de máquinas más poderosas, sino de preservar y fortalecer la riqueza intelectual de la sociedad que alimenta esas máquinas.

El ensayo constituye una crítica profunda a la visión tecnocrática dominante sobre la IA. Frente a la narrativa habitual centrada en eficiencia y automatización, Bright Simons recuerda que la inteligencia —humana y artificial— no surge en el aislamiento, sino en la conversación, el desacuerdo, la cooperación y la complejidad social. La verdadera frontera tecnológica, concluye, no está en los algoritmos, sino en nuestra capacidad de seguir pensando juntos.

Karma, Rogé. “Three Ways to Think About AI and Jobs.” The Atlantic, 11 de junio de 2026. Publicado en la sección Economy. The Atlantic

Se aborda una de las grandes preguntas que atraviesan el debate contemporáneo sobre inteligencia artificial: si esta tecnología terminará desplazando masivamente a los trabajadores humanos o si, por el contrario, transformará el empleo de maneras más complejas y menos lineales de lo que habitualmente se piensa.

Frente a discursos alarmistas que anuncian la desaparición de millones de puestos de trabajo, el autor plantea que el impacto de la IA no depende únicamente del grado de sofisticación tecnológica alcanzado, sino de la naturaleza concreta de cada profesión, de la estructura económica en la que esa profesión opera y del modo en que la tecnología interactúa con la experiencia humana.

Para introducir esta reflexión, Karma recurre al caso de la radiología, un ejemplo especialmente revelador. Hace una década, investigadores como Geoffrey Hinton afirmaban que los radiólogos desaparecerían rápidamente porque los sistemas de aprendizaje profundo serían capaces de interpretar imágenes médicas con mayor precisión que los especialistas humanos. En parte esto ocurrió: actualmente existen más de mil herramientas de IA aprobadas por organismos regulatorios para analizar imágenes clínicas. Sin embargo, lejos de desaparecer, la profesión de radiólogo ha aumentado su demanda, creció el número de profesionales en ejercicio y sus salarios se han incrementado significativamente. Este caso sirve al autor para demostrar que la automatización no conduce necesariamente a la sustitución laboral.

La primera gran pregunta que plantea el artículo es si una profesión constituye lo que algunos economistas llaman un “paquete fuerte” (strong bundle) o un “paquete débil” (weak bundle). Según esta idea, desarrollada por el economista Luis Garicano, muchos empleos combinan tareas “limpias” y tareas “desordenadas”. Las tareas limpias son rutinarias, estructuradas, repetitivas y fácilmente codificables, como rellenar hojas de cálculo o procesar formularios. Las tareas desordenadas implican juicio contextual, improvisación, relaciones humanas, negociación o toma de decisiones ambiguas. Cuando ambas dimensiones están estrechamente integradas —como ocurre con abogados litigantes, médicos o periodistas— resulta difícil delegar solo una parte a la IA sin afectar la calidad global del trabajo. En cambio, en profesiones donde las tareas automatizables pueden separarse del resto —como selección de currículums o parte de la programación informática— la automatización puede ser mucho más profunda.

La segunda cuestión que analiza el artículo tiene relación con la economía de la demanda. Karma recuerda un principio económico clásico: cuando la automatización abarata enormemente la producción de un bien o servicio, muchas veces la demanda aumenta tanto que el empleo termina creciendo en lugar de reducirse. Para explicar este fenómeno recurre al ejemplo histórico de la industria automovilística cuando Henry Ford implantó la cadena de montaje en 1913. Aunque fabricar cada coche requería menos trabajadores, la caída del precio permitió vender muchos más automóviles, generando finalmente más empleo en todo el sector. Lo mismo ocurrió históricamente con cajeros bancarios tras la llegada de los cajeros automáticos, con la industria textil tras los telares mecánicos o con contables después de la aparición de las hojas de cálculo digitales.

Este fenómeno económico se conoce como la paradoja de Jevons, formulada por el economista británico William Stanley Jevons en el siglo XIX. La idea central es que cuando una tecnología aumenta radicalmente la eficiencia en el uso de un recurso, en ocasiones el consumo total de ese recurso no disminuye, sino que aumenta. Aplicado a la inteligencia artificial, esto significa que si determinados servicios —jurídicos, financieros, sanitarios o tecnológicos— se abaratan considerablemente gracias a la automatización, podría producirse un incremento tan fuerte en la demanda que termine generándose más empleo en lugar de menos. El artículo menciona evidencias tempranas de este fenómeno en sectores como la contratación de personal, la ingeniería de software o los centros de atención al cliente.

La tercera pregunta fundamental del texto es si la inteligencia artificial reemplaza la parte experta del trabajo o simplemente automatiza tareas secundarias. Aquí el autor recurre a investigaciones de los economistas del Massachusetts Institute of Technology David Autor y Neil Thompson, quienes estudiaron cómo la informatización afectó a más de trescientas ocupaciones durante las últimas décadas. Descubrieron que cuando una tecnología sustituye tareas rutinarias pero deja intactas las competencias especializadas del trabajador, el empleo suele evolucionar hacia funciones de mayor valor añadido y mejores salarios. Sin embargo, cuando la tecnología reemplaza precisamente el núcleo experto del trabajo, los salarios tienden a caer y la profesión pierde prestigio y autonomía.

Un ejemplo que aparece en el artículo es el contraste entre empleados de inventario y auxiliares contables durante la informatización de oficinas en las décadas finales del siglo XX. En el caso de los contables, los ordenadores asumieron tareas repetitivas, permitiendo que los profesionales se concentraran en labores analíticas más complejas. En cambio, en los trabajadores de inventario, los sistemas digitales sustituyeron justamente el conocimiento especializado que poseían sobre almacenes y logística, reduciendo así el valor diferencial de su trabajo. El paralelismo con la IA resulta evidente: en algunas profesiones la inteligencia artificial amplificará el conocimiento humano, mientras que en otras podría banalizarlo.

En la parte final, el autor aplica este marco teórico al periodismo, su propia profesión. Reconoce que en el caso de la escritura profesional el panorama es ambiguo. Algunas tareas, como resumir documentos, analizar grandes cantidades de información o localizar patrones, pueden ser realizadas eficazmente por sistemas de IA. Sin embargo, otras dimensiones fundamentales del trabajo periodístico —entrevistar, interpretar matices, construir narrativas originales, desarrollar criterio editorial o generar confianza con las fuentes— siguen dependiendo profundamente de capacidades humanas difíciles de automatizar. Esto convierte al periodismo, al menos de momento, en una profesión relativamente resistente al reemplazo directo.

La conclusión general del artículo es que resulta simplista pensar que la inteligencia artificial eliminará automáticamente empleos de forma masiva e inmediata. La historia económica demuestra que el impacto tecnológico sobre el trabajo es altamente impredecible. Más que preguntarse si la IA es capaz de realizar una tarea concreta, conviene analizar cómo está estructurado cada trabajo, si la automatización genera nueva demanda económica y qué parte del conocimiento experto humano está siendo sustituida o reforzada. El futuro laboral no dependerá solamente de máquinas cada vez más inteligentes, sino del modo en que sociedades, empresas y profesiones reorganicen la relación entre automatización y capacidades humanas. Como señala el autor, las transformaciones más profundas de una revolución tecnológica rara vez son las que inicialmente se anticipan.