Una empresa automatiza tareas de sus profesionales más jóvenes y mejora su productividad. Si necesita revisar un caso difícil, contrata a alguien con experiencia. La decisión parece razonable. Pero ¿qué ocurre si muchas empresas hacen lo mismo? ¿Dónde aprenderán quienes deberán ocupar esos puestos dentro de unos años?
Nolan Lovett plantea esa pregunta en The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise. Su artículo es conceptual: propone un marco para investigar un riesgo colectivo, apoyándose en estudios anteriores. No demuestra que las profesiones ya hayan perdido su capacidad de supervisar a la IA ni que ese desenlace sea inevitable.
1. La pregunta: ¿de dónde salen quienes saben revisar?
Imagine a una programadora que revisa código producido por una IA. El programa funciona en la demostración, pero ella detecta que una decisión de diseño complicará su mantenimiento. No está comprobando únicamente que el código se ejecute. Está juzgando sus consecuencias.
Este ejemplo ilustrativo recoge una distinción del artículo: hay errores que solo aparecen cuando alguien conoce suficientemente el oficio. Una respuesta puede estar bien escrita, resultar plausible y aun así contener una suposición equivocada.
Lovett llama Cognitive Commons, que aquí podemos entender como un fondo común de experiencia profesional, al conjunto de personas que poseen ese conocimiento profundo dentro de una profesión. Ninguna empresa lo produce por sí sola. Todas pueden beneficiarse de profesionales formados en otros lugares, de especialistas externos y de instituciones capaces de evaluar el trabajo.
La pregunta es cómo se renueva ese fondo común cuando cambian las tareas mediante las que los principiantes aprendían.
2. La dificultad: terminar una tarea y aprender de ella pueden separarse
Durante el aprendizaje, una tarea cumple dos funciones: entrega algo útil y obliga a construir criterio. Quien la realiza ensaya, recibe correcciones, compara soluciones y aprende a reconocer sus propios errores.
Una herramienta puede mejorar la entrega sin que ese aprendizaje ocurra en la misma medida. Obtener una respuesta correcta con ayuda no demuestra que se pueda producir o evaluar una respuesta semejante sin ella.
El problema tampoco se reduce a conservar cualquier trabajo repetitivo. El manuscrito subraya la práctica con dificultad progresiva, supervisión y revisión del razonamiento. Pasar muchas horas delante de una tarea no garantiza adquirir experiencia profunda.
Hay además una demora: los profesionales experimentados de hoy reflejan oportunidades de aprendizaje anteriores. Su disponibilidad puede hacer que el sistema parezca estable incluso si se están reduciendo las oportunidades de quienes empiezan. El artículo propone investigar esa posible separación entre la experiencia disponible y su renovación.
3. El punto de partida: formar a cada empresa para usar nuevas herramientas
Lovett describe una parte de la literatura sobre desarrollo de recursos humanos centrada en adaptar competencias: aprender a utilizar IA, diseñar instrucciones y organizar la colaboración entre personas y sistemas. Reconoce que esas capacidades son necesarias.
También recupera una advertencia anterior a la IA generativa. La literatura sobre las «ironías de la automatización», asociada a Lisanne Bainbridge, señaló que automatizar puede aumentar la necesidad de intervención humana competente y, al mismo tiempo, reducir las oportunidades de practicarla.
El manuscrito traslada esa tensión a otra escala. No pregunta solo cómo mantiene sus habilidades una persona o cómo forma a su plantilla una organización. Pregunta qué sucede con la formación de una profesión cuando muchas organizaciones modifican a la vez sus vías de entrada.
4. El giro: contratar experiencia no equivale a producirla
Una empresa puede decidir que no necesita formar principiantes porque siempre podrá contratar especialistas. Esa estrategia depende de que existan otros lugares donde esos especialistas se formen.
Esa dependencia crea un problema de acción colectiva. La organización obtiene el beneficio inmediato de reducir costes, mientras parte del coste de una formación insuficiente puede recaer sobre el conjunto de la profesión. Si cada empresa espera que las demás sostengan el aprendizaje, el sistema puede invertir menos de lo necesario en renovarse.
La metáfora de los bienes comunes necesita una precisión. El conocimiento no se agota simplemente por compartirlo, como se agota una reserva al extraerla. Lo vulnerable es el sistema que forma personas capaces de entender, cuestionar y aplicar ese conocimiento. Contratar redistribuye experiencia disponible; no crea instantáneamente nueva experiencia.
Por eso «tragedia» no significa destino inevitable. Lovett toma de Garrett Hardin la estructura del conflicto de incentivos y de Elinor Ostrom la posibilidad de sostener recursos compartidos mediante instituciones y acuerdos. El marco describe un riesgo que la organización del trabajo podría agravar o moderar.
5. La idea central: saber usar la IA y saber juzgarla se necesitan
El artículo distingue dos formas de dominio profesional.
- Dominio interiorizado: conocimiento del campo, modelos mentales y juicio desarrollados mediante práctica sostenida. Permite afrontar problemas y reconocer errores con criterio propio.
- Dominio distribuido: capacidad de organizar el trabajo entre personas y sistemas de IA: formular solicitudes, comparar respuestas y diseñar un proceso útil.
No son categorías de personas excluyentes. Una misma profesional puede desarrollar ambas. Lovett las presenta como capacidades complementarias.
La relación decisiva es el Validation Tether: el vínculo por el que una supervisión eficaz de la IA depende del conocimiento del campo que permite evaluar sus respuestas.
El manuscrito distingue validación de superficie, que comprueba formato, coherencia y plausibilidad, de validación sustantiva, que detecta errores propios del dominio y recomendaciones inadecuadas para una situación concreta. Revisar que una explicación «suene bien» no garantiza esta segunda capacidad.
También importa la disposición a cuestionar. Reconocer una anomalía y decidir investigar o corregirla no son el mismo paso. El artículo vincula la supervisión con conocimientos y con hábitos de contrastar afirmaciones, en lugar de tratar a la herramienta como una autoridad.
6. El mecanismo: dos maneras de estrechar la cantera
El marco propone dos vías que pueden actuar juntas.
La primera elimina oportunidades de entrada. Si una IA realiza tareas que antes justificaban contratar principiantes, la empresa puede suprimir esos puestos y el contexto de práctica supervisada que proporcionaban.
La segunda conserva puestos, pero cambia lo que se aprende. Una persona puede producir buenos resultados con IA sin practicar suficientemente el razonamiento que antes exigía el trabajo. La productividad sería visible; una formación más superficial podría pasar inadvertida.
Esas vías conducirían, según la hipótesis, a menos formación de conocimiento interiorizado, una supervisión menos competente y riesgos difíciles de detectar con métricas de volumen. El manuscrito presenta esa cadena como un modelo conceptual, no como una secuencia causal medida de principio a fin.
El diseño del trabajo cambia la predicción. Una herramienta que invita a hacer un intento propio, comparar alternativas y justificar decisiones puede apoyar el aprendizaje. Una que entrega el resultado acabado y permite saltarse esos pasos puede debilitarlo. La cuestión es qué actividad intelectual conserva o exige la colaboración.
7. Lo inesperado: la unidad de análisis es la profesión
La conexión entre desarrollo profesional y bienes comunes hace visible algo que un balance empresarial puede omitir: las decisiones de una organización afectan a una reserva de capacidades que utiliza todo el sector.
El artículo propone cinco factores para investigar diferencias entre ocupaciones:
- Sustituibilidad de las tareas: cuánto puede automatizarse del trabajo que antes formaba a principiantes.
- Intensidad regulatoria: qué exigencias existen de experiencia humana y práctica supervisada.
- Consecuencias para la seguridad: cuán visibles y graves serían los fallos de criterio profesional.
- Fortaleza de las asociaciones profesionales: qué capacidad tienen para sostener estándares de formación.
- Modularización del trabajo: cuánto puede dividirse en tareas aisladas, frente a exigir juicio integrado.
Estos factores no constituyen una escala de riesgo validada. Organizan predicciones que habría que contrastar en profesiones concretas. El marco presupone que sigue siendo necesaria la supervisión humana y que las tareas sustituidas eran importantes para formar esa capacidad. No describe automáticamente cualquier empleo que use IA.
8. Evidencia, límites y posibles respuestas
Lovett reúne evidencia laboral, clínica y experimental de otros autores. Cita señales de reducción del empleo de entrada en algunas ocupaciones expuestas a la IA y estudios donde el rendimiento asistido no se convierte en una mejora equivalente sin asistencia.
Son piezas que motivan el argumento, no una demostración conjunta del agotamiento de una profesión. Esta lectura se basa en cómo el manuscrito las presenta; no reproduce sus análisis ni coteja de manera independiente todos los estudios citados.
El propio texto reconoce resultados heterogéneos, capacidad de adaptación y ejemplos de colaboración con IA que preservan o mejoran el desempeño. La adopción es reciente, las señales más fuertes proceden de ciertos sectores y faltan mediciones longitudinales de la renovación de experiencia. El número de puestos tampoco revela, por sí solo, la profundidad del criterio adquirido.
Para poner a prueba el marco, propone seguir cohortes profesionales, comparar desempeño con y sin IA y medir la detección de errores plausibles. También haría falta comprobar si nuevas formas de aprendizaje compensan las oportunidades que desaparecen. Son propuestas de investigación, no instrumentos ya validados.
En cuanto a respuestas, examina prácticas empresariales, acuerdos entre asociaciones profesionales y posibles incentivos públicos para sostener formación. Las presenta como hipótesis de diseño institucional, no como recetas universales ni como un mandato de prohibir la IA.
[Inferencia] Para un equipo concreto, una pregunta útil sería: «Además de producir más, ¿qué oportunidades estamos conservando para aprender a detectar y explicar un error?». Esa pregunta traduce el marco a una decisión cotidiana; no demuestra que una práctica particular resuelva el problema colectivo.
9. La lección: la experiencia disponible tiene una historia
Cuando llamamos a alguien con experiencia, recurrimos también a años de trabajo corregido, decisiones discutidas y oportunidades que alguien sostuvo. Esa historia suele quedar fuera de la cuenta inmediata de productividad.
El marco de Lovett invita a observar cómo se forma el criterio que hará falta después. El reto es aprovechar la ayuda de la IA mientras se comprueba si las nuevas formas de trabajar mantienen una cantera de profesionales capaces de juzgarla.
Fuente y alcance de esta lectura
Nolan Lovett (2026). The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise. Human Resource Development Review, publicación anticipada en línea, DOI 10.1177/15344843261470602.
Se consultó el manuscrito aceptado completo disponible en arXiv:2607.29380v1, PDF de esa versión, de 54 páginas, el 22 de octubre de 2026. La portada identifica la publicación en línea del 26 de julio de 2026 y distingue el manuscrito de la versión editorial de referencia. Las páginas indicadas en la evidencia interna corresponden al PDF, no a la paginación de la revista.
Esta es una explicación original del marco conceptual, con ejemplos y viñeta propios; no una traducción del manuscrito ni una reproducción de sus figuras. El cotejo con la fuente no equivale a verificar independientemente los estudios que cita.