Cómo trabajar con IA: perfiles, habilidades y criterio profesional
Una reflexión práctica sobre cómo trabajar con IA, qué habilidades profesionales ganan valor y por qué el criterio, la validación y la capacidad end-to-end serán cada vez más importantes.
Cómo trabajar con IA sin perder criterio profesional
La pregunta sobre cómo trabajar con IA ya no pertenece solo a perfiles técnicos ni a equipos de innovación. Empieza a afectar a cualquier persona que produzca conocimiento, tome decisiones, coordine procesos, escriba, analice, diseñe, programe, venda, comunique o gestione producto.
En muchos entornos, la discusión ya no está en si conviene usar IA, sino en cómo integrarla con madurez. La pregunta relevante es más exigente: cómo incorporarla al trabajo sin perder criterio, responsabilidad ni calidad sobre el resultado.
Ahí, en mi opinión, va a estar una parte importante del valor profesional: en convertir la IA en una capa de trabajo con contexto, límites y validación, no en usarla como un atajo aislado.
Trabajar con IA no debería reducirse a generar más contenido, más código o más documentos. La parte relevante está en formular mejor los problemas, dar contexto, diseñar flujos, validar salidas, conectar decisiones y convertir esa capacidad en producto, operación o aprendizaje real.
Cuando la IA entra en una empresa, no cambia solo la herramienta. Cambia el coste de producir ciertos entregables, la velocidad de iteración y la frontera entre ejecución, revisión y responsabilidad.
Y cuando cambia el coste de hacer una tarea, cambia también el valor profesional de saber hacerla.
Los datos ya apuntan a una transición profunda
No hace falta exagerar para ver la magnitud del cambio. El Future of Jobs Report 2025 del World Economic Forum proyecta que, de aquí a 2030, se crearán 170 millones de nuevos empleos y se desplazarán 92 millones, con un saldo neto positivo de 78 millones. Pero el dato importante no es solo el saldo. El dato importante es la fricción: el informe estima que el 22% de los empleos estarán afectados por disrupción estructural y que cerca del 40% de las habilidades requeridas cambiarán.
El mismo informe señala que la brecha de skills ya es el principal obstáculo para la transformación empresarial. También indica que las habilidades en IA, big data y ciberseguridad crecerán rápido, pero que las habilidades humanas —pensamiento analítico, resiliencia, flexibilidad, liderazgo y colaboración— seguirán siendo críticas.
Esto encaja con lo que se ve en empresas reales: no basta con comprar herramientas de IA. La ventaja está en rediseñar trabajo, procesos y responsabilidades.
McKinsey, en The state of AI in 2025, muestra una foto parecida: casi nueve de cada diez organizaciones encuestadas usan IA de forma regular en al menos una función, pero la mayoría sigue en fase de experimentación o piloto. Un 62% ya está al menos experimentando con agentes de IA, pero el salto desde el piloto hasta el impacto real sigue siendo difícil.
Stanford, en el AI Index Report 2026, añade otra capa: la adopción organizativa de IA subió hasta el 88% en 2025, aunque el uso de agentes todavía está en fases tempranas. También recoge mejoras de productividad en trabajos estructurados y medibles: atención al cliente, desarrollo de software o marketing. Pero, al mismo tiempo, señala efectos laborales desiguales, especialmente en pipelines de contratación y perfiles jóvenes expuestos a tareas automatizables.
La conclusión que saco no es “la IA quitará todos los trabajos”. Esa frase es demasiado simple. La conclusión más útil es otra: la IA está reconfigurando qué tareas valen, qué perfiles tienen palanca y qué tipo de personas pueden operar con más superficie de impacto.
El valor se desplaza: de hacer tareas a dirigir sistemas
Durante mucho tiempo, buena parte del valor profesional estaba en ejecutar bien una tarea concreta. Escribir código. Preparar un informe. Diseñar una pantalla. Analizar una campaña. Redactar documentación. Corregir errores. Hacer una investigación.
Todas esas capacidades siguen importando. Pero una parte de su ejecución se está abaratando. La IA puede acelerar borradores, análisis, prototipos, tests, resúmenes, comparativas, código repetitivo y documentación.
Eso no elimina la necesidad de profesionales. Pero sí cambia la pregunta.
La pregunta ya no es solo:
¿Sabes hacer esta tarea?
Cada vez más será:
¿Sabes decidir qué tarea importa, darle contexto a la IA, validar el resultado, conectarlo con el negocio y convertirlo en una entrega útil?
Ese cambio es enorme.
Porque el valor se desplaza desde la ejecución aislada hacia la dirección del sistema completo. La persona que solo espera instrucciones puede quedarse atrapada. La persona que sabe formular problemas, diseñar procesos, usar agentes, revisar resultados, entender datos y conectar áreas gana palanca.
Las empresas van a cambiar sus equipos
Creo que muchas empresas van a pasar por una transición incómoda.
Primero intentarán meter IA en procesos antiguos. Después descubrirán que eso no basta. Y finalmente tendrán que rediseñar flujos completos.
No se trata de poner un chatbot encima de una organización igual que antes. Se trata de preguntarse:
- qué tareas pueden automatizarse;
- qué decisiones necesitan criterio humano;
- qué conocimiento interno debe estar documentado;
- qué workflows pueden convertirse en sistemas repetibles;
- qué partes requieren auditoría y trazabilidad;
- qué perfiles son capaces de coordinar varias capas a la vez.
En ese contexto, los equipos pueden hacerse más pequeños en algunas áreas, pero más exigentes en capacidades. Habrá menos espacio para tareas mecánicas de baja responsabilidad. Y habrá más valor en perfiles capaces de operar entre negocio, producto, tecnología, datos y comunicación.
No necesariamente serán perfiles “generalistas” en el sentido superficial. Serán perfiles con profundidad suficiente en varias capas y, sobre todo, con capacidad de conexión.
La empresa del futuro cercano no necesitará únicamente más especialistas. Necesitará personas capaces de orquestar especialistas humanos y agentes de IA dentro de procesos verificables.
Qué perfiles ganarán valor en las profesiones del futuro
Si bajo esta transición a perfiles concretos, veo varias líneas claras.
El especialista aumentado seguirá siendo importante: una persona muy buena en un área concreta —legal, finanzas, diseño, desarrollo, ventas, seguridad, datos— que aprende a usar IA para ampliar su capacidad sin diluir su criterio.
También ganará peso el diseñador de workflows con IA: alguien que entiende cómo se trabaja dentro de una empresa y sabe transformar procesos manuales en flujos asistidos, medibles y gobernados.
Junto a ese perfil aparece el product builder end-to-end: una persona capaz de pasar de oportunidad a producto, analizando mercado, formulando hipótesis, escribiendo specs, diseñando arquitectura, coordinando implementación, validando QA y midiendo aprendizaje.
Otro perfil será el operador de agentes. No alguien que “habla con chatbots”, sino alguien que configura contexto, límites, roles, validaciones y memoria de trabajo para que varios agentes aporten capacidad sin romper control.
También crecerá el perfil de verificación. Cuanto más produzca la IA, más valor tendrá quien sepa revisar, probar, auditar, detectar incoherencias, asegurar calidad y proteger contra errores silenciosos.
Y quizá el más difícil de construir sea el perfil con criterio de negocio y capacidad técnica: alguien que no separa producto y tecnología como mundos independientes, porque entiende que una decisión de monetización puede afectar arquitectura, soporte, costes, UX, datos y QA.
Esa intersección es la que me interesa profesionalmente: no por amplitud superficial, sino porque cada vez más decisiones relevantes viven entre capas, no dentro de una sola disciplina.
Cómo me estoy adaptando yo
No me interesa prepararme para este cambio solo leyendo informes. Los informes ayudan a interpretar el contexto, pero la adaptación real ocurre cuando construyes algo, tomas decisiones y tienes que sostener sus consecuencias.
En mi caso, Enolisa se ha convertido en ese campo de práctica. No lo veo únicamente como una app, sino como un sistema real donde negocio, producto, arquitectura, desarrollo, datos, IA, analítica, compras, notificaciones, QA, documentación y comunicación tienen que encajar sin perder coherencia.
Ese trabajo me obliga a entrenar una combinación de capacidades que considero cada vez más valiosa: detectar oportunidades, convertir ideas en specs, analizar trade-offs, diseñar arquitectura, implementar, validar, medir, documentar y comunicar con claridad.
La IA aparece en todas esas fases, pero no como sustituto de responsabilidad. Funciona como una ampliación de capacidad: ayuda a ordenar contexto, explorar alternativas, acelerar producción, revisar decisiones y mantener trazabilidad. El criterio sigue estando en decidir qué se acepta, qué se descarta, qué se valida y qué se lleva a producto.
Hoy ese sistema se apoya en Codex, agentes, instrucciones locales, documentación viva y specs iterativas. Mañana las herramientas podrán cambiar. Lo que me parece más estable, y por tanto más resiliente, es el patrón de trabajo: saber diseñar sistemas de ejecución con IA sin perder control técnico ni criterio de producto.
IA también dentro de una gran organización
Enolisa representa la parte más avanzada de mi trabajo con IA porque me permite operar el ciclo completo: negocio, producto, arquitectura, desarrollo, QA, documentación y comunicación. Pero no es el único contexto donde estoy incorporando estas herramientas.
En mi trabajo diario dentro de una gran organización, el uso de IA tiene otro perfil. No se trata tanto de construir un producto desde cero, sino de ganar claridad, velocidad y capacidad de coordinación en procesos corporativos donde hay mucha información distribuida, reuniones, documentos, dependencias entre áreas y decisiones que necesitan contexto.
En ese entorno, herramientas corporativas como Copilot me resultan especialmente útiles para sintetizar información, preparar reuniones, ordenar puntos de situación, resumir tareas, consolidar conocimiento de un área o proyecto y convertir conversaciones dispersas en materiales accionables. También permite crear asistentes o agentes acotados a una necesidad concreta: no para sustituir el criterio del equipo, sino para reducir fricción, acelerar búsquedas internas, ordenar documentación y ayudar a que una persona llegue antes al punto donde puede decidir.
Este tipo de uso es menos visible que construir una app, pero tiene mucho impacto práctico. En una corporación, muchas mejoras no vienen de lanzar una gran plataforma nueva, sino de reducir tiempo perdido, eliminar pasos manuales, preparar mejor una reunión, detectar antes una dependencia o convertir conocimiento disperso en una estructura que otros puedan reutilizar.
También uso GitHub Copilot en un plano más técnico. No como sustituto de desarrollo profesional, sino como acelerador para crear herramientas pequeñas que resuelven problemas concretos: análisis de ficheros CSV, utilidades en Python, automatizaciones de apoyo, scripts de validación o extensiones de navegador que ayudan a mejorar operativas internas.
Ese punto me parece importante. Antes, muchas de esas herramientas quedaban fuera por coste de oportunidad: eran útiles, pero demasiado pequeñas para justificar un ciclo formal de desarrollo. Con IA y asistencia en código, ese umbral cambia. Puedo prototipar antes, probar una hipótesis técnica, construir una utilidad razonable y compartirla con otros equipos cuando aporta valor.
Ahí se ve otra dimensión de trabajar con IA: no solo producir más, sino hacer viables mejoras que antes se quedaban sin ejecutar. Enolisa me entrena en el uso profundo de agentes, specs y arquitectura de producto. El entorno corporativo me entrena en otra disciplina igual de valiosa: aplicar IA dentro de restricciones reales, con herramientas aprobadas, contexto empresarial, seguridad, coordinación entre equipos y foco en productividad operativa.
No basta con aprender prompts
Durante un tiempo se habló mucho de “prompt engineering” como si el futuro profesional dependiera de encontrar frases especialmente eficaces. Esa etapa tuvo valor porque obligó a muchas personas a entender que la forma de pedir cambia la calidad de la respuesta. Pero se queda corta si se interpreta como una habilidad aislada.
El prompt importa, pero importa dentro de un sistema.
Un buen uso de IA necesita:
- contexto correcto;
- datos o documentación de referencia;
- límites claros;
- criterio de aceptación;
- validación;
- memoria;
- ownership;
- trazabilidad;
- revisión humana.
Si falta todo eso, la IA puede producir mucho volumen, incluso con apariencia convincente, pero no necesariamente genera valor.
La habilidad real, entonces, no es “saber preguntar”. Es saber dirigir trabajo con criterio.
Dirigir significa formular el problema, dividirlo en partes, asignar responsabilidades, revisar salidas, conectar piezas y cerrar el ciclo con validación.
Esa capacidad se parece más a producto, arquitectura y gestión técnica que a un truco de lenguaje.
Cómo adaptarse al futuro del trabajo con IA
Una persona que quiera adaptarse a este cambio no debería limitarse a hacer cursos sueltos de IA. Los cursos pueden ayudar, pero la adaptación importante está en cambiar la forma de trabajar.
Lo bajaría a varias decisiones prácticas.
Primero: aprender a pensar en sistemas. No quedarse en la tarea, sino entender qué proceso la contiene, qué entrada recibe, qué salida produce, quién la consume y cómo se valida.
Segundo: documentar mejor. La documentación deja de ser un residuo del trabajo y pasa a ser contexto operativo para humanos y agentes.
Tercero: construir criterio técnico aunque se use IA. Delegar ejecución no significa delegar responsabilidad.
Cuarto: aprender a validar. En un mundo donde producir será más fácil, revisar será más valioso.
Quinto: desarrollar una visión de negocio. La IA puede ayudar a producir, pero la pregunta clave seguirá siendo qué merece la pena producir.
Sexto: crear prueba pública de trabajo. Portfolio, artículos, productos, repositorios, casos de estudio, métricas, aprendizajes. En un mercado con más ruido, enseñar cómo piensas puede ser tan importante como enseñar qué sabes.
Qué trabajos cambiará la inteligencia artificial
Más que preguntar solo qué trabajos quitará la inteligencia artificial, me parece más útil mirar qué partes de cada trabajo quedan expuestas. El mayor riesgo no es que la IA sustituya una profesión entera de golpe. El mayor riesgo es que sustituya partes suficientes de una profesión como para cambiar su estructura económica.
Si una persona solo aporta ejecución repetible, su posición se debilita. Si una persona aporta criterio, conexión, contexto, validación y responsabilidad, su posición mejora.
Las profesiones que no desaparecerán no serán simplemente las que hoy parezcan más protegidas. Serán aquellas donde la parte humana aporte contexto, responsabilidad, relación, decisión o capacidad de operar en entornos ambiguos.
Esto no significa que todo el mundo tenga que convertirse en programador. Tampoco significa que todo el mundo tenga que crear agentes.
Significa que casi cualquier perfil tendrá que hacerse una pregunta incómoda:
¿Qué parte de mi trabajo es ejecución repetible y qué parte es criterio difícil de sustituir?
La respuesta marcará el plan de adaptación.
Un diseñador tendrá que aportar más que pantallas. Un desarrollador tendrá que aportar más que código. Un marketer tendrá que aportar más que copies. Un analista tendrá que aportar más que informes. Un manager tendrá que aportar más que seguimiento de tareas.
El valor estará en conectar, decidir, validar y asumir responsabilidad.
Mi apuesta personal
Mi apuesta personal no consiste en perseguir cada herramienta nueva, sino en construir una forma de trabajo donde la IA amplifique criterio, profundidad de análisis y capacidad de ejecución sin desplazar la responsabilidad humana.
Estoy llevando esa tesis a la práctica en dos planos distintos: en Enolisa, como producto propio end-to-end, y en un entorno corporativo donde la IA ayuda a acelerar análisis, coordinación, automatización y construcción de herramientas internas. No lo hago porque una herramienta concreta vaya a ser definitiva, sino porque el mercado va a valorar cada vez más a quienes sepan dirigir más superficie de trabajo sin perder rigor.
La diferencia estará en la capacidad de operar con método:
- personas que usan IA como capa de trabajo, más allá de una herramienta puntual;
- empresas que rediseñan sus workflows, en lugar de limitarse a incorporar software nuevo;
- perfiles capaces de conectar negocio, producto y tecnología, frente a roles encerrados en tareas aisladas;
- profesionales que validan, priorizan y asumen criterio, por encima de la generación mecánica de entregables.
Ahí quiero construir mi posición: en la intersección entre negocio, producto, arquitectura, ejecución y validación. No como un mensaje de marca, sino como una práctica observable en productos reales, documentación, decisiones técnicas y aprendizaje acumulado.
Cierre: método, criterio y responsabilidad
Este cambio no pide dramatismo, pero sí exige atención. La IA no elimina la necesidad de criterio; cambia el lugar donde se aplica. No sustituye la necesidad de aprender; acelera el ritmo al que hay que hacerlo. Y no hace menos importantes producto, negocio, arquitectura o QA; obliga a conectarlos mejor.
El trabajo que viene no consistirá simplemente en hacer más cosas más rápido. La ventaja estará en saber qué merece la pena construir, cómo darle forma, cómo validarlo y cómo convertirlo en valor real para un usuario, una empresa o un mercado.
Eso exige menos dependencia de una herramienta concreta y más capacidad de dirección. Menos ejecución aislada y más lectura del sistema completo. Menos producción automática de entregables y más responsabilidad sobre el resultado.
En mi caso, ese es el camino que estoy consolidando: usar IA para ampliar capacidad, pero manteniendo control sobre el criterio, la arquitectura, la calidad y el sentido de producto. No como una promesa abstracta sobre el futuro, sino como una forma de trabajo que ya estoy practicando en Enolisa.
Lecturas relacionadas
- Cómo uso Codex como capa operativa de desarrollo en Enolisa
- De la idea a la spec: cómo convierto intuiciones de producto en planes de trabajo con IA
- Cómo usar ChatGPT