La pregunta rara en la era de las respuestas automáticas
Cómo escapar de las respuestas obvias
Hay una escena que empieza a repetirse en demasiadas organizaciones.
Una empresa convoca una reunión para hablar de inteligencia artificial. La presentación arranca con una promesa familiar: más productividad, menos fricción, mejores decisiones, procesos más ágiles, empleados aumentados, clientes mejor atendidos y costes más contenidos. Después aparecen los casos de uso: copilotos para ventas, copilotos para atención al cliente, copilotos para programación, copilotos para recursos humanos, copilotos para marketing. Copilotos para casi todo.
La conversación avanza con una lógica aparentemente impecable. Si una tecnología permite escribir más rápido, resumir mejor, programar con menos esfuerzo, analizar más datos y automatizar tareas cognitivas, la conclusión parece evidente: hay que introducirla cuanto antes en todos los procesos posibles.
La pregunta dominante se formula casi sola: cómo usamos inteligencia artificial para hacer más cosas, más rápido y con menos coste.
Es una pregunta legítima. En muchos casos, incluso necesaria. Pero también es una pregunta peligrosamente incompleta, porque acepta desde el principio el marco mental que el propio hype tecnológico nos propone. Da por hecho que el problema principal es la adopción. Da por hecho que el objetivo es la eficiencia. Da por hecho que más automatización equivale, casi siempre, a más progreso. Y da por hecho que la tarea de las organizaciones consiste en incorporar IA a lo que ya hacen, no en preguntarse si lo que hacen sigue teniendo sentido en un mundo donde muchas capacidades cognitivas empiezan a ser abundantes.
El problema no es únicamente creer que la inteligencia artificial puede hacerlo todo. El problema es empezar a pensar todos igual sobre la inteligencia artificial.
Y aquí es donde un libro aparentemente sencillo, práctico y casi cotidiano como Pensamiento Lateral para el Día a Día, de Paul Sloane, adquiere una relevancia inesperada. No porque sea un libro sobre IA. No lo es. Sino porque habla de algo que quizá se ha vuelto más importante precisamente ahora: la capacidad de escapar de la primera respuesta obvia.
Sloane recoge y aterriza la tradición del pensamiento lateral popularizada por Edward de Bono. Su planteamiento no consiste en celebrar la creatividad como una especie de don misterioso ni en convertir la innovación en una lluvia de ocurrencias. La idea es mucho más concreta: muchos problemas quedan mal resueltos porque aceptamos demasiado pronto la forma en que han sido planteados. Nos dan un marco y lo asumimos. Nos dan unas restricciones y las aceptamos. Nos dan una pregunta y la respondemos. A partir de ahí, ponemos toda nuestra inteligencia a trabajar dentro de una jaula que nadie nos ha obligado realmente a aceptar.
El pensamiento vertical profundiza. El pensamiento lateral se desplaza. El primero avanza paso a paso dentro de una lógica establecida; el segundo intenta cambiar el ángulo desde el que miramos el problema. No desprecia el análisis, la experiencia ni el rigor. Simplemente interviene antes, en un momento previo: cuando todavía estamos decidiendo qué problema merece ser resuelto y bajo qué supuestos.
Por eso, en la era de la inteligencia artificial generativa, pensar lateralmente no es un adorno creativo. Es una forma de higiene intelectual. Cuando responder se vuelve barato, preguntar bien se vuelve estratégico.
La IA no elimina la necesidad de pensar; cambia dónde está el valor
Durante mucho tiempo, una parte importante del mérito profesional y académico ha estado asociada a la capacidad de producir buenas respuestas. El estudiante que entregaba un buen ensayo, el consultor que preparaba una presentación clara, el programador que resolvía un problema técnico, el directivo que sintetizaba información compleja o el investigador que construía un argumento convincente estaban dejando una señal. No era una señal perfecta, pero sí razonablemente útil: el producto final permitía inferir algo sobre el proceso cognitivo que lo había generado.
Un buen texto sugería lectura, comprensión, estructura y criterio. Un buen análisis sugería esfuerzo, selección de información y capacidad de juicio. Un buen código sugería conocimiento técnico, práctica y comprensión del problema. Había trampas, atajos y desigualdades, por supuesto, pero la relación entre resultado y mérito todavía era lo bastante estable como para sostener buena parte de nuestros sistemas de evaluación, promoción y confianza.
La inteligencia artificial generativa ha erosionado esa relación.
Hoy es posible producir un resultado formalmente correcto sin haber pasado por todas las etapas intelectuales que antes solían estar detrás. Un texto puede parecer sólido sin que su autor haya entendido del todo lo que dice.
Esto no significa que la IA sea inútil o peligrosa por definición. Al contrario: puede ser una herramienta extraordinaria para ampliar capacidades, reducir fricción y acelerar aprendizajes. Pero sí significa que las respuestas se están abaratando.
Y cuando las respuestas se abaratan, las preguntas se vuelven más importantes.
Ahí aparece una de las paradojas centrales de este momento. La inteligencia artificial no elimina la necesidad de pensar; hace más peligroso pensar de forma automática. Si todos tenemos acceso a sistemas capaces de generar respuestas plausibles, bien redactadas y razonablemente completas, la diferencia ya no estará solo en quién responde mejor, sino en quién sabe formular el problema de una forma más fértil.
No bastará con preguntar cómo puedo usar IA para escribir más rápido. Habrá que preguntarse qué parte de escribir me ayuda realmente a pensar. No bastará con preguntar cómo automatizo este proceso. Habrá que preguntarse por qué existe este proceso. No bastará con preguntar cómo incorporo IA en la universidad, en la empresa o en la administración pública. Habrá que preguntarse qué significa aprender, trabajar, decidir, evaluar o asumir responsabilidad cuando cualquier persona puede apoyarse en una máquina capaz de producir resultados convincentes en segundos.
La pregunta rara, la pregunta incómoda, la pregunta aparentemente infantil, empieza a recuperar valor justo porque la respuesta automática empieza a ser abundante.
El hype como pensamiento vertical
El hype tecnológico suele tener una estructura mental muy reconocible. Primero aparece una capacidad nueva. Después se construye una narrativa de inevitabilidad. Luego surgen consultoras, plataformas, evangelistas, informes, métricas y casos de uso. Y, poco a poco, el debate público empieza a organizarse alrededor de un conjunto de preguntas aceptadas: cómo adoptarlo más rápido, cómo no quedarse atrás, cómo formar a todos, cómo encontrar casos de uso, cómo medir productividad, cómo escalar.
Son preguntas razonables, pero también son preguntas obedientes. Aceptan el marco dominante.
En el caso de la GenAI, ese marco suele estar construido alrededor de tres grandes ideas: productividad, automatización y ventaja competitiva. La promesa es clara: quien adopte antes ganará; quien automatice más será más eficiente; quien use mejores modelos tendrá mejores resultados; quien no se suba al tren quedará fuera.
Hay parte de verdad en esa narrativa. Sería ingenuo negarlo. La inteligencia artificial generativa tiene un potencial real y ya está cambiando la manera en que escribimos, programamos, buscamos información, analizamos documentos o diseñamos interacciones digitales. Pero el pensamiento lateral nos invita a hacer algo distinto antes de salir corriendo: detenernos y mirar qué supuestos se han colado en la conversación.
Por ejemplo: ¿y si el problema principal de muchas organizaciones no fuera la falta de IA, sino la falta de claridad sobre sus propios procesos? ¿Y si automatizar una tarea mal diseñada solo sirviera para ejecutar más rápido una mala decisión?
La aportación más valiosa del pensamiento lateral no consiste en mejorar ligeramente la solución, sino en atacar la pregunta. Sloane insiste en que los avances suelen aparecer cuando alguien se atreve a cuestionar una idea dominante. Las reglas no siempre son leyes naturales. Muchas veces son costumbres endurecidas por el tiempo.
El ejemplo de las aerolíneas de bajo coste lo muestra muy bien. Durante años, la industria aérea parecía funcionar sobre supuestos incuestionables: los clientes querían servicio premium, los billetes se vendían a través de agencias, los asientos se asignaban con antelación, los vuelos debían operar desde grandes aeropuertos y el viajero de negocio era el centro del modelo. Las low-cost no se limitaron a hacer una aerolínea tradicional un poco más barata. Miraron el sistema desde otro lado: eliminaron servicios, usaron aeropuertos secundarios, simplificaron operaciones, cambiaron los canales de venta y redefinieron qué estaba comprando realmente el cliente.
Eso es pensamiento lateral aplicado a una industria: no optimizar dentro del marco, sino cambiar el marco.
Con la IA generativa estamos todavía demasiado atrapados en la fase de añadir IA a lo que ya existe. Un buscador con IA. Un CRM con IA. Un ERP con IA. Una suite ofimática con IA. En muchos casos tiene sentido, pero en otros quizá estamos haciendo lo mismo que antes con una capa brillante encima.
La pregunta lateral no es dónde meto IA. La pregunta lateral es qué se vuelve posible ahora que antes no lo era y qué deberíamos preservar precisamente porque ahora se puede automatizar.
La segunda parte de la pregunta es incómoda, pero fundamental. No todo lo automatizable debe ser automatizado. No toda eficiencia visible compensa una pérdida invisible de criterio, aprendizaje, confianza o responsabilidad. Y no toda adopción tecnológica equivale a innovación, por mucho que venga envuelta en lenguaje de transformación.
Instituciones diseñadas para otro mundo
Uno de los lugares donde esta tensión se ve con más claridad es la universidad.
Durante décadas, el trabajo escrito ha sido una herramienta central para medir comprensión, esfuerzo, capacidad de síntesis y madurez intelectual. Un ensayo, un informe o un proyecto final no eran solo productos evaluables; eran señales de un proceso. Permitían inferir si el estudiante había leído, pensado, dudado, organizado ideas, construido un argumento y llegado a una conclusión razonable.
La IA generativa ha contaminado esa señal. No la ha destruido por completo, pero sí ha hecho que deje de ser evidente.
Un texto impecable ya no demuestra necesariamente que el alumno haya atravesado el proceso intelectual que el texto parece reflejar. Puede haberlo hecho, por supuesto. Puede haber usado la IA como apoyo, como interlocutor, como herramienta de contraste o como acelerador legítimo. Pero también puede haber delegado casi por completo la elaboración. La superficie del resultado ya no basta para entender el mérito que hay detrás.
La reacción vertical es comprensible: detectores de IA, normas de uso, prohibiciones parciales, declaraciones de autoría, vigilancia, trabajos presenciales, cambios en rúbricas. Todo eso puede ser necesario en algunos contextos, pero no resuelve el problema de fondo, porque sigue tratando la IA como una anomalía externa que hay que vigilar, no como una transformación del ecosistema en el que se produce, valida y certifica el conocimiento.
La pregunta lateral sería otra: ¿y si el problema no fuera detectar mejor el uso de IA, sino rediseñar qué entendemos por evidencia de aprendizaje?
Esto cambia la conversación. Quizá haya que evaluar menos producto final y más proceso; menos entrega cerrada y más defensa oral; menos texto impecable y más revisión crítica; menos respuesta única y más comparación entre alternativas. Quizá el estudiante deba mostrar cómo ha usado la IA, dónde la ha corregido, qué ha rechazado, qué sesgos ha detectado, qué fuentes ha contrastado y qué parte del argumento considera propia.
El mérito en la era de la IA no puede consistir simplemente en no usar herramientas. Pero tampoco puede consistir en esconderse detrás de ellas. Tendrá que ver con la capacidad de usarlas sin perder responsabilidad intelectual.
La universidad, en este sentido, no tiene solo un problema operativo. Tiene un problema institucional. Durante siglos ha sido una máquina de legitimación del mérito. Certifica que alguien sabe algo, puede hacer algo o ha pasado por un proceso formativo suficientemente exigente. Si las señales que usa para certificar se debilitan, no basta con actualizar herramientas. Hay que repensar el contrato.
Algo parecido ocurre en las empresas.
Muchas organizaciones han entrado en la era GenAI con una mezcla de entusiasmo, miedo y presión competitiva. Nadie quiere quedarse atrás. Nadie quiere parecer lento. Nadie quiere ser la compañía que ignoró la siguiente gran plataforma tecnológica. El resultado es una carrera por identificar casos de uso, lanzar pilotos, formar equipos, anunciar copilotos internos y demostrar movimiento.
Nada de eso es malo en sí mismo. El problema aparece cuando la adopción se convierte en una forma sofisticada de no pensar demasiado. Cuando el objetivo deja de ser transformar el trabajo y pasa a ser demostrar que se está haciendo algo con IA.
La pregunta vertical es cómo aplicamos IA a nuestros procesos actuales. La pregunta lateral es cuáles de nuestros procesos actuales existen solo porque antes era caro coordinar información, interpretar documentos o asistir cognitivamente a las personas.
La primera pregunta mejora lo existente. La segunda puede hacerlo innecesario.
El pensamiento lateral obliga a formular una pregunta más dura: ¿estamos usando IA para transformar algo o para evitar tener que transformarlo?
La tecnología puede convertirse en una coartada. Una forma elegante de parecer en movimiento sin tocar los supuestos que realmente importan: incentivos, jerarquías, métricas, deuda técnica, cultura, silos de datos, miedo a decidir, exceso de comités o falta de responsabilidad clara. La IA no arregla mágicamente nada de eso. A veces incluso lo amplifica.
La verdadera sofisticación no está en meter IA en todas partes. Está en saber dónde sí, dónde no, cómo, para qué y bajo qué condiciones.
Criterio frente a automatismo
Uno de los ejemplos más poderosos que recoge la tradición del pensamiento lateral es el de Stanislav Petrov.
En 1983, en plena Guerra Fría, este oficial soviético recibió una alerta que indicaba que Estados Unidos había lanzado misiles contra la Unión Soviética. El protocolo exigía informar inmediatamente. En un contexto de tensión nuclear, esa comunicación podía activar una cadena de represalias con consecuencias catastróficas. Petrov hizo algo extraordinario: desobedeció el procedimiento. Sospechó que era una falsa alarma. Y acertó.
La historia suele contarse como un ejemplo de intuición y sangre fría. Pero también puede leerse como un caso extremo de pensamiento lateral. Petrov no se limitó a ejecutar la regla. Interpretó el contexto, cuestionó la señal e introdujo juicio humano en un sistema diseñado para producir obediencia.
Esto no significa que debamos celebrar la desobediencia como principio general. Sería absurdo y peligroso. Las reglas, los protocolos y los sistemas de control existen por motivos importantes. Pero el caso recuerda algo esencial: en situaciones de alta incertidumbre, obedecer mecánicamente puede ser tan peligroso como improvisar sin fundamento.
La lección es muy relevante para la IA.
A medida que incorporemos sistemas inteligentes a procesos educativos, sanitarios, financieros, jurídicos o empresariales, crecerá la tentación de confiar en el procedimiento. Si el modelo recomienda, si el sistema puntúa, si el panel indica, si la métrica mejora o si el benchmark acompaña, parecerá razonable seguir adelante. La automatización tiene una capacidad enorme para generar apariencia de neutralidad.
Pero la responsabilidad no desaparece porque una máquina haya participado en la decisión.
La inteligencia artificial generativa no es solo una tecnología. Es una reorganización parcial de la producción de conocimiento, de la autoría, del trabajo cognitivo, de la confianza y de la evaluación social del mérito. Por eso necesitamos miradas cruzadas: técnicos que entiendan instituciones, educadores que entiendan tecnología, reguladores que entiendan producto, directivos que entiendan cultura y ciudadanos que entiendan poder.
El outsider, otra figura central en el pensamiento lateral, no siempre es alguien que viene de fuera físicamente. A veces es alguien capaz de mirar su propio campo como si acabara de llegar. Esa capacidad será cada vez más escasa y cada vez más necesaria.
También déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto puede ser una muy buena opción.
Usar IA para abrir preguntas, no solo para cerrar respuestas
Hay una forma pobre de usar la inteligencia artificial: pedirle que nos quite de encima la incomodidad de pensar.
Es comprensible. Pensar cuesta. Escribir cuesta. Decidir cuesta. Formular bien un problema cuesta. La IA ofrece alivio inmediato: una estructura, una lista, un resumen, una respuesta, una propuesta. Y muchas veces ese alivio es útil. El problema aparece cuando convertimos la herramienta en una forma sistemática de evitar el primer esfuerzo cognitivo.
Si cada dificultad se resuelve delegando demasiado pronto, podemos ganar velocidad y perder músculo. Si cada vez que tenemos que escribir, resumir, decidir o imaginar recurrimos inmediatamente a una herramienta, quizá lleguemos antes a una respuesta, pero practiquemos menos el camino que nos hacía capaces de distinguir una buena respuesta de una mala.
La cuestión no es usar menos IA por principio. Esa sería una conclusión demasiado simple. La cuestión es usarla con más conciencia.
La IA puede servir para cerrar rápido una respuesta, pero también puede servir para abrir mejor una pregunta. Podemos pedirle que invierta supuestos, que busque contraejemplos, que piense desde la perspectiva de un actor ignorado, que imagine escenarios extremos, que critique nuestra solución o que señale qué parte del problema estamos dando por sentada. Podemos usarla como máquina de productividad o como máquina de provocación. La diferencia no está solo en la herramienta, sino en la intención con la que la incorporamos a nuestro proceso mental.
Esta es quizá una de las ideas más útiles de Sloane: el pensamiento lateral se practica. No es un talento reservado a genios creativos, fundadores visionarios o artistas excéntricos. Es una disciplina cotidiana que empieza con gestos pequeños: listar más alternativas antes de decidir, cuestionar si una restricción es real o heredada, mirar un problema desde el punto de vista de un actor que no está en la sala, preguntarse qué ocurriría si hiciéramos justo lo contrario, o imaginar cómo rediseñaríamos un sistema si empezáramos mañana desde cero.
Aplicado al momento actual, eso implica hacer preguntas que no siempre aparecen en las presentaciones sobre inteligencia artificial. Qué capacidad humana queremos seguir entrenando. Qué decisiones requieren trazabilidad. Qué procesos deberían desaparecer en lugar de automatizarse. Qué tareas conviene delegar y cuáles deberíamos proteger precisamente porque contienen aprendizaje, criterio o responsabilidad. Qué significa una buena decisión cuando ha sido asistida por una herramienta estadística. Qué precio pagamos si confundimos velocidad con comprensión.
Son preguntas menos brillantes que una demo, pero probablemente más importantes.
Recuperar la soberanía sobre las preguntas
Quizá el mayor riesgo de esta época no sea que la inteligencia artificial piense por nosotros en un sentido fuerte o dramático. Quizá el riesgo más inmediato sea que nos acostumbre a no soportar el vacío previo al pensamiento: ese momento incómodo en el que todavía no sabemos, el problema no está claro, una intuición molesta, una idea no encaja o una pregunta parece demasiado básica para formularla en voz alta.
La cultura tecnológica contemporánea tiende a despreciar ese espacio. Todo debe ser más rápido, más fluido, más automático, más eficiente. La espera parece un defecto. La duda parece lentitud. La ambigüedad parece mala gestión. Pero muchas ideas importantes nacen precisamente ahí, en la pausa que precede a una pregunta mejor.
La inteligencia artificial nos va a rodear de respuestas. Algunas serán útiles, otras serán mediocres y muchas serán simplemente verosímiles. La diferencia no estará en rechazarlas ni en celebrarlas sin matices, sino en conservar la capacidad de interrogarlas.
Pensar lateralmente, en este contexto, no es una técnica creativa menor. Es una forma de resistencia intelectual: la decisión de no aceptar que la primera pregunta sea necesariamente la buena.
No se trata de llevar siempre la contraria, ni de buscar rarezas por deporte, ni de despreciar la lógica, la experiencia o el conocimiento acumulado. Se trata de recordar que la primera formulación de un problema no suele ser neutral. Alguien la ha construido. Una industria la ha promovido. Una organización la ha heredado. Una tecnología la ha hecho conveniente. Una métrica la ha simplificado. Un consenso la ha vuelto invisible.
Y si no la interrogamos, acabaremos dedicando nuestras mejores capacidades a resolver problemas mal planteados.
Tal vez por eso el pensamiento lateral importa tanto ahora. Porque en la era de las respuestas automáticas, la ventaja humana no estará solo en saber más, ni siquiera en producir más, sino en mirar mejor. En saber cuándo avanzar de frente y cuándo conviene moverse de lado. En usar la IA sin dejar que el hype decida por nosotros qué preguntas merecen hacerse.
Porque cuando todos corren hacia la respuesta, la ventaja puede estar en quien todavía se atreve a cambiar la pregunta.
Y eso, en los próximos años, puede ser mucho más que una habilidad creativa.
Puede ser una forma de conservar el criterio.
Y eso es todo por hoy. Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD. Algunas lecturas para seguir tirando del hilo:
Pensamiento Lateral, de Edward de Bono. El clásico para entender de dónde viene la idea de pensar “de lado”: romper patrones, cuestionar supuestos y escapar de la primera solución obvia.
Pensamiento Lateral para el Día a Día, de Paul Sloane. Una versión más práctica y cotidiana del pensamiento lateral, con técnicas sencillas para aplicar en problemas de trabajo, innovación y vida diaria.
Originales, de Adam Grant. Un libro muy útil para entender por qué las ideas nuevas suelen ser incómodas al principio, cómo se enfrentan al conformismo y por qué la creatividad necesita tanto imaginación como criterio.
Amplitud, de David Epstein. Una defensa brillante de los generalistas, las trayectorias no lineales y la capacidad de conectar ideas entre dominios distintos. Muy conectado con pensar como outsider.
Ruido, de Daniel Kahneman, Olivier Sibony y Cass Sunstein. Porque pensar mejor no consiste solo en tener buenas ideas, sino también en entender cómo se deforman nuestros juicios, nuestras decisiones y nuestros sistemas de evaluación.
El Arte de Pensar, de Rolf Dobelli. Una puerta de entrada muy accesible a los sesgos cognitivos que nos hacen aceptar respuestas rápidas, marcos heredados y soluciones aparentemente evidentes.
Co-Intelligencia, de Ethan Mollick. Probablemente uno de los mejores libros recientes para pensar cómo trabajar con IA sin delegar completamente el criterio humano.