El ciclo del conocimiento en una organización se nutre de la combinación equilibrada de aprendices, oficiales, expertos y maestros. Cada uno es un nivel de acceso y los cuatro necesitan movimiento de entrada y salida para que el saber corporativo se renueve, se consolide y se transmita. La inteligencia artificial no altera este ciclo en lo esencial, pero sí modifica radicalmente la forma y la velocidad con la que se recorre, ya que puede hacer que el aprendiz ejecute antes de haber aprendido y que el experto delegue antes de haber transmitido. O también que se prescinda de los aprendices, porque muchas de las tareas con las que tradicionalmente se iniciaban en un oficio ya puede hacerlas la IA; y de los maestros, porque se genere la ilusión de que el conocimiento disponible equivale al conocimiento aprendido.
Centrándonos en los primeros, los juniors o becarios de toda la vida, las decisiones precipitadas que limitan su vía de entrada no solo cierran una de las principales vías sobre las que se construye el conocimiento experto, sino que también encarecen su adquisición futura al tener que recurrir a la oferta del mercado. El problema, por tanto, es un cálculo que debería entrar en el workforce planning, pero ¿cómo enfocar el reclutamiento y la selección de los juniors para identificar a quienes puedan aportar valor allí donde la IA ya ejecuta incluso mejor y sin arrastrar su curva de aprendizaje?
Ese cálculo empieza a tener respaldo formal. Enrique Ide (IESE Business School, 2025) modela el intercambio entre dos generaciones —novicios y expertos— y distingue entre la tecnología que asiste al trabajador dentro de la tarea, que refuerza la transmisión de conocimiento, y la que lo sustituye, que la rompe: automatizar el 30% de las tareas de entrada, según su modelo, reduce el crecimiento económico anual en torno a 0,35 puntos porcentuales.
La mayoría de los procesos actuales se siguen enfocando en lo de siempre, es decir, en buscar a quien mejor ejecuta las tareas inherentes al puesto, justo las que la IA ya hace mejor. Lo importante es identificar al joven talento que pueda aportar aquello que la IA no resuelve por sí sola, esto es, comprender el contexto, plantear bien el problema, hacer las preguntas adecuadas, contrastar los resultados, interpretar sus implicaciones y asumir la decisión.
No se trata, por tanto, de seleccionar al junior que puede competir con la IA en la ejecución, sino al que sabe convertir su uso en valor, y eso cambia lo que preguntamos, lo que ponemos a prueba y, sobre todo, lo que consideramos una buena respuesta en una prueba de selección.
Qué se debería buscar en la selección de perfiles junior
- La IA puede hacer mejor: buscar y sintetizar información → el junior debe aportar: saber qué información necesita.
- La IA puede hacer mejor: generar alternativas → el junior debe aportar: plantear el problema correcto.
- La IA puede hacer mejor: redactar y producir → el junior debe aportar: definir qué merece ser producido.
- La IA puede hacer mejor: analizar datos → el junior debe aportar: interpretar qué significan en ese contexto.
- La IA puede hacer mejor: proponer respuestas → el junior debe aportar: contrastar si son válidas.
- La IA puede hacer mejor: ejecutar con rapidez → el junior debe aportar: decidir qué hacer con el resultado.
- La IA puede hacer mejor: responder → el junior debe aportar: asumir la responsabilidad de la decisión.
- La IA puede hacer mejor: operar sobre los datos disponibles → el junior debe aportar: conocer el terreno: lo que no está en los datos —clientes, procesos, excepciones, decisiones previas.
La selección, por tanto, debería buscar algo más que conocimientos de partida y orientarse a descubrir cómo el candidato aprende, cómo aborda un problema que no conoce, qué preguntas hace, cómo contrasta información, cómo argumenta una decisión y qué hace cuando una primera respuesta no funciona.
Este planteamiento no sustituye a las pruebas técnicas, ya que hay conocimientos que un recién graduado tiene que demostrar, pero sí propone complementarlas con situaciones que permitan observar capacidades que seguirán siendo necesarias aunque la IA haga parte de la ejecución.
Una prueba de selección diferente
En lugar de centrar el proceso en averiguar lo que el candidato sabe hacer, se puede hacerlo pivotar en torno al planteamiento de un problema y la observación de qué hace el candidato con él.
| Fase | Qué hacemos | Qué observamos |
|---|---|---|
| 1. El problema | Planteamos un caso realista, pero incompleto. | Si comprende el contexto antes de actuar. |
| 2. Las preguntas | Le dejamos unos minutos para preguntar antes de resolver. | Qué información considera necesaria y qué preguntas formula. |
| 3. La primera respuesta | Le pedimos que proponga cómo abordaría el problema. | Razonamiento, estructura y capacidad para priorizar. |
| 4. La IA | Le permitimos utilizar IA para completar o mejorar su propuesta. | Qué delega, cómo interactúa con ella y qué criterio conserva. |
| 5. El contraste | Introducimos un dato nuevo, una contradicción o un resultado dudoso. | Si detecta el problema y revisa su conclusión. |
| 6. La defensa | Le pedimos que explique y defienda su decisión. | Capacidad de argumentación y responsabilidad sobre el resultado. |
| 7. El aprendizaje | Le damos feedback y una segunda oportunidad. | Qué hace con la nueva información y cuánto mejora. |
Desplazamos así el foco de la selección del «¿sabe hacer X?» a comprobar, en cada fase, si el candidato entiende el problema antes de resolverlo, pregunta lo que falta, contrasta en vez de aceptar, y termina explicando y defendiendo una decisión que es suya.
Del «hacer» al «saber por qué»
Tradicionalmente, el crecimiento profesional consistía en pasar de:
hacer → hacer mejor → hacer más rápido → supervisar.
Y ahora, con la IA, el camino consiste en:
entender → preguntar → delegar → verificar → decidir → responder.
Pero hay una condición, y es que para delegar bien hay que saber qué se está delegando. Un junior que nunca ha hecho un análisis puede tener dificultades para detectar que el análisis generado por IA parte de una premisa equivocada, y alguien que todavía no conoce el contexto de una organización difícilmente podrá reconocer una respuesta que contradice una práctica, una restricción o una decisión previa.
Por eso, el valor del junior está en adquirir suficientemente pronto el conocimiento que le permita juzgar lo que la IA hace, detectar cuándo no sirve y convertirlo en una decisión profesional. Y el reto de los equipos de reclutamiento y selección es observar las condiciones sobre las que se podrá construir su experiencia profesional.
La distinción no es solo teórica. Brynjolfsson, Li y Raymond (NBER, 2023) analizaron el despliegue escalonado de un asistente de IA entre 5.179 agentes de atención al cliente y encontraron que los menos experimentados mejoraron su productividad entre un 34% y un 46%, hasta el punto de que dos meses de exposición a la IA igualaban el desempeño de seis meses sin ella. La diferencia con lo que le ocurre a un junior que delega sin haber ejecutado antes es el punto exacto en el que interviene la IA: aquí no sustituía la tarea, la asistía dentro de ella, mientras el agente seguía tomando las decisiones.
Errores a evitar en las pruebas de selección a un junior
Error 1: seleccionar al junior que «mejor utiliza IA». Puede estar midiendo habilidad instrumental, no competencia profesional.
Error 2: prohibir la IA durante la selección. Puede estar seleccionando precisamente las capacidades que menos importancia tendrán en el puesto real.
Error 3: entregar IA desde el primer día para todo. Puede acelerar la productividad inicial y ralentizar el desarrollo del criterio.
Error 4: mantener tareas inútiles solo para que «aprenda». Tampoco se trata de hacer perder tiempo al junior. Hay que distinguir entre tarea de bajo valor y tarea con valor pedagógico.
Error 5: evaluar únicamente el resultado. Dos juniors pueden entregar exactamente el mismo informe y uno puede haber entendido perfectamente el proceso mientras que el otro puede haber aceptado sin comprobar lo que produjo una IA. El resultado no permite necesariamente distinguirlos, y el objetivo de la prueba no sería tanto detectar al joven que ya tiene criterio profesional como identificar al que tiene capacidad para desarrollarlo.
Enrique Ide, «Automation, AI, and the Intergenerational Transmission of Knowledge», IESE Business School, arXiv, agosto de 2025 · Erik Brynjolfsson, Danielle Li y Lindsey R. Raymond, «Generative AI at Work», NBER Working Paper 31161, 2023 (revisado 2024)
