Quienes prosperan en la era de la IA: cómo potenciar la productividad y el pensamiento ====================================================================================== Cuanto más rápida y barata haga la IA la labor intelectual, más probable será que la diferencia clave no resida en la inteligencia, sino en la voluntad de seguir explorando problemas difíciles y verificar los resultados. Usar la IA como tutora, crítica y asistente de investigación, en lugar de encargarle los borradores, permite mejorar tanto la productividad como las capacidades humanas. - El tiempo ahorrado por la IA puede volver a llenarse con trabajo adicional en vez de descanso, por lo que aumentar la productividad y reducir la carga laboral no significan lo mismo. - La necesidad de cognición no es lo mismo que la inteligencia, sino la tendencia a participar voluntariamente en actividades de pensamiento complejo y disfrutarlas. - Si se delegan en la IA incluso la definición de los problemas y el juicio, la producción puede aumentar a corto plazo, pero pueden debilitarse la formación de conocimiento, la detección de errores y la capacidad de resolver problemas de forma independiente. - Crear primero un borrador propio y después pedir a la IA que busque contraejemplos, errores y omisiones ayuda a mantener la iniciativa en el proceso de pensamiento. - Las escuelas y las organizaciones deben evaluar no solo cuánto se usa la IA, sino también la autonomía, la competencia, los vínculos, el proceso de verificación y la capacidad de trabajar de forma independiente. La IA generativa está reduciendo rápidamente el coste de tareas intelectuales como resumir, traducir, escribir, analizar y programar. Sin embargo, a medida que aumenta la capacidad de producir respuestas, no desaparecen las competencias que necesitan las personas. Al contrario, puede aumentar el valor de la capacidad de decidir qué preguntar, verificar las respuestas y explorar hasta el final los problemas difíciles. La idea central de este artículo no es reducir el uso de la IA. Es una propuesta para utilizarla teniendo en cuenta no solo la producción a corto plazo, sino también cómo influye en los conocimientos, el criterio, la curiosidad y la capacidad de trabajar de forma independiente del usuario. Lo que cambia la IA es la densidad del trabajo, más que el tiempo de trabajo Aunque la IA reduzca el tiempo necesario para una tarea, no puede afirmarse que el volumen total de trabajo diario disminuya en la misma proporción. Las organizaciones pueden llenar el tiempo ahorrado con más correos electrónicos, análisis, informes, modificaciones de código y reuniones. Las personas también pueden acabar ocupándose directamente de pequeñas tareas que antes habrían abandonado o encargado a terceros. Los cambios que pueden producirse son los siguientes. Aumenta el número de tareas realizadas en el mismo tiempo. Se supervisan simultáneamente los resultados de varias herramientas o agentes de IA. Las tareas breves se extienden hasta la noche, los desplazamientos y los fines de semana. Aumentan los cambios de contexto y se fragmenta el tiempo de concentración profunda. Aumenta la producción, pero también los resultados que deben revisarse. Por tanto, la productividad no debe medirse simplemente como la «capacidad de terminar más rápido». También deben tenerse en cuenta el tiempo dedicado a corregir errores, el número de cambios de tarea, la capacidad de trabajar de forma independiente, el cansancio y la recuperación. El grado en que la IA aumenta la densidad del trabajo depende del puesto, la cultura de la organización y los criterios de rendimiento, por lo que no es un fenómeno que afecte por igual a todos los trabajadores. Por qué la voluntad cobra importancia a medida que abunda la inteligencia La IA ya ofrece de inmediato borradores fluidos y análisis plausibles en muchos campos. En este entorno, resulta difícil juzgar el nivel de comprensión o la especialización de una persona únicamente por la apariencia del resultado. Las diferencias se manifiestan en el proceso siguiente. Elegir un problema que merezca la pena resolver. Definir directamente las condiciones del problema y los criterios de éxito. Verificar los hechos, la lógica y las fuentes de las respuestas de la IA. Explorar contraejemplos y explicaciones alternativas. Hacer que una persona asuma la responsabilidad de la conclusión. Explicar o reproducir el contenido esencial incluso sin IA. Esta actitud está relacionada con la necesidad de cognición en psicología. La necesidad de cognición se refiere a una disposición relativamente estable a participar en actividades de pensamiento complejo y disfrutar del proceso. No es el mismo concepto que la capacidad medida mediante pruebas de inteligencia. Una persona con gran capacidad de razonamiento puede evitar el esfuerzo mental, mientras que otra con capacidades medias puede revisar y aprender con perseverancia. Una necesidad de cognición elevada tampoco conduce siempre a la conclusión correcta. Quien ha reflexionado profundamente puede desarrollar un fuerte apego a la explicación que ha elaborado. Por ello, además de mantener el esfuerzo intelectual, se necesita apertura a la refutación, revisión externa y disposición a modificar las propias ideas. Tres tipos conceptuales para comprender a los usuarios de IA La siguiente clasificación no es una prueba de personalidad validada ni un diagnóstico clínico, sino un modelo conceptual para explicar los hábitos de uso de la IA. Una misma persona puede comportarse como tipos diferentes según la tarea y la situación. Tipo Forma de usar la IA Efecto a corto plazo Riesgo u oportunidad a largo plazo Pasajero productivo Delega ampliamente en la IA desde la definición del problema hasta la expresión final Aumentan la producción y la velocidad Pueden debilitarse los conocimientos internos y la capacidad de trabajar de forma independiente Optimizador reacio Intenta pensar por sí mismo, pero delega cada vez más debido a los plazos y el cansancio Reduce la carga y cumple los plazos Si la comodidad se convierte en el hábito predeterminado, la fase de verificación puede reducirse Maratonista mental Piensa primero y pide a la IA pistas, contraejemplos y revisiones La velocidad inicial puede ser menor Existe la posibilidad de mejorar a la vez la productividad, el aprendizaje y el criterio La distinción fundamental no es si se utiliza o no la IA. Lo importante es qué parte del proceso de pensamiento se ha delegado y qué ha llegado a comprender de nuevo la persona después de utilizarla. El pasajero productivo y la deuda cognitiva Aunque un resultado generado por IA funcione correctamente en ese momento, si el usuario no comprende su estructura interna pueden acumularse costes futuros de mantenimiento. Para explicar este fenómeno puede utilizarse la expresión «deuda cognitiva». Por ejemplo, si un desarrollador sigue integrando código generado por IA sin comprenderlo suficientemente, pueden aparecer los siguientes problemas. Resulta difícil acotar la causa cuando se produce un error. No se pueden explicar las premisas relativas a la seguridad o el rendimiento. Resulta difícil modificar la estructura para adaptarla a nuevos requisitos. Se carece de criterios para determinar si una respuesta de la IA es incorrecta. Todo el equipo puede acabar desconociendo el funcionamiento del sistema. La deuda cognitiva está relacionada con la deuda técnica, pero no es exactamente el mismo concepto. La deuda técnica se refiere principalmente a los costes futuros que surgen del diseño y la implementación de un sistema. La deuda cognitiva se centra en una situación en la que una persona u organización no ha acumulado suficiente capacidad para comprender y evaluar dicho sistema. También puede argumentarse que el problema se resolvería volviendo a analizarlo con IA. Sin embargo, para evaluar los resultados del análisis y contrastarlos con el sistema real siguen siendo necesarios conocimientos del dominio y capacidad de juicio. Cuanto más importante sea un sistema, más necesario será que las personas comprendan quién es el responsable, cuáles son las premisas fundamentales, cómo se realizan las pruebas y cuáles son los procedimientos de recuperación manual. Vías por las que la dependencia de la IA puede debilitar el aprendizaje Desaparecen las dificultades adecuadas El aprendizaje requiere recuperar información de la memoria, formular hipótesis y corregir los fallos. Si la IA proporciona desde el principio una respuesta completa, el usuario puede saltarse este proceso. La sensación de comprender al leer un resultado no equivale a la capacidad de reproducirlo directamente a partir de una página en blanco. Se confunde la fluidez con la exactitud La IA generativa puede expresar contenidos incorrectos con frases naturales y seguras. Si el usuario carece de conocimientos en ese campo o de procedimientos de verificación, es fácil que confunda la fluidez de las frases con la solidez de las pruebas. Disminuyen la curiosidad y el alcance de la exploración En la investigación educativa se han presentado resultados según los cuales enseñar directamente el uso predeterminado de un objeto puede limitar la exploración libre. Esto no puede generalizarse sin más a la IA, pero sugiere que, si un chatbot presenta siempre de inmediato un único método y una conclusión, pueden reducirse las oportunidades del usuario de probar otras posibilidades. Las tareas fáciles se convierten en el nuevo estándar Cuando una tarea realizada con IA resulta extremadamente rápida y fluida, hacerla sin IA puede parecer relativamente lento y tedioso. Si esto se repite, puede disminuir el tiempo dedicado a enfrentarse a problemas inciertos y la motivación para comenzar de forma independiente. No obstante, el efecto de la IA sobre la motivación depende del tipo de tarea, la experiencia del usuario, el diseño de la herramienta y el método de evaluación, por lo que no debe interpretarse como una relación causal uniforme. Precauciones al leer los resultados de las investigaciones Las investigaciones sobre la IA y el pensamiento humano aumentan rápidamente, pero en muchos ámbitos todavía es pronto para extraer conclusiones a largo plazo. Los cuestionarios de autoinforme pueden no distinguir entre el esfuerzo percibido por el usuario y los cambios reales en sus capacidades. No puede suponerse que los resultados de un experimento breve se traduzcan directamente en cambios del aprendizaje o de las competencias profesionales durante años. No se puede concluir la calidad del aprendizaje ni un «deterioro de la función cerebral» a partir de un único indicador fisiológico, como la conectividad de las ondas cerebrales. Aunque se encuentre una correlación entre el uso frecuente de la IA y un menor pensamiento crítico, resulta difícil determinar cuál de los dos es la causa. Los resultados pueden variar según el rendimiento de la herramienta, el prompt, la dificultad de la tarea y los conocimientos previos de los participantes. Por tanto, resulta excesivo concluir que «usar IA reduce necesariamente la capacidad de pensar». La pregunta más precisa es en qué tareas, de qué forma, en qué medida y qué capacidades de qué personas cambian con su uso. Procedimiento de verificación para evitar la rendición cognitiva «Rendición cognitiva» es una expresión metafórica que describe el estado en el que se priorizan las respuestas de la IA por encima del propio criterio sin verificarlas. No es el nombre de un diagnóstico psicológico estandarizado. Las respuestas importantes pueden revisarse mediante el siguiente procedimiento. Separar las afirmaciones. Distinguir entre hechos, inferencias, predicciones y juicios de valor. Comprobar las pruebas. Leer las fuentes originales para confirmar que existen realmente y respaldan la afirmación correspondiente. Comprobar la fecha y el ámbito de aplicación. Examinar si la información está actualizada y si se han aplicado erróneamente datos de otros países o condiciones. Solicitar contraejemplos. Pedir a la IA que elabore argumentos contrarios y hacer que una persona evalúe su validez. Calcular de forma independiente. Reproducir las cifras, el código y las conclusiones lógicas mediante un método distinto. Designar a un responsable. Las decisiones relacionadas con la medicina, el derecho, las finanzas, la contratación y la seguridad deben ser revisadas por personas cualificadas. La gestión de los riesgos de la IA no consiste únicamente en comprobar la exactitud de los resultados. También debe diseñarse quién los revisa, cómo se detectan los errores cuando se producen y quién es responsable de la decisión final. Cómo utilizar la IA como herramienta de entrenamiento mental 1. Pedir pistas paso a paso en lugar de una respuesta completa Puede solicitarse de la siguiente manera. No me des la respuesta correcta de inmediato; presenta únicamente los conceptos necesarios y la primera pista. Cuando responda, señala los errores lógicos y dame las pistas siguientes de una en una. El método de las pistas deja margen para que el usuario recupere recuerdos y formule hipótesis. Sin embargo, si se trata de un campo del que no se tiene ninguna información básica, primero deben consultarse materiales introductorios fiables y los términos fundamentales. 2. Pasar primero por la página en blanco Antes de abrir la IA, hay que redactar brevemente los siguientes puntos. El problema que quiero resolver Los hechos que conozco actualmente Una conclusión provisional Los aspectos inciertos Las objeciones previsibles Los materiales que debo consultar A continuación, se pide a la IA que identifique perspectivas ausentes, contraejemplos, saltos lógicos y puntos que deben verificarse. De este modo, en lugar de determinar el punto de partida del razonamiento, la IA critica la estructura creada por el usuario. 3. Alternar tareas con IA y tareas sin IA Tras resumir materiales con IA, consultar el texto original y redactar personalmente el esquema. Después de ver un ejemplo de código con IA, cerrar la pantalla e implementar la función principal desde cero. Pedir objeciones a la IA, pero redactar la conclusión final con palabras propias. Analizar primero las causas de un fallo y compararlas después con el diagnóstico de la IA. Explicar a otra persona, sin herramientas, lo aprendido con ayuda de la IA. Este método resulta útil para distinguir entre el «rendimiento obtenido con ayuda» y la «capacidad realmente adquirida». 4. Configurar el chatbot como tutor, no como máquina de respuestas correctas Un buen tutor de IA comprueba mediante preguntas el nivel actual del usuario, presenta un solo problema cada vez y no revela la respuesta completa inmediatamente después de un error. Puede utilizarse el siguiente prompt. Actúa como tutor para enseñarme este tema. Primero hazme una pregunta para comprobar mi nivel. Si me equivoco, no me des de inmediato la respuesta correcta, sino indícame la premisa o el concepto que debo reconsiderar. Al final de cada etapa, haz que lo explique con mis propias palabras. 5. Distinguir entre las tareas que se delegarán y las que se realizarán personalmente Tareas fáciles de delegar en la IA Tareas que deben estar dirigidas por personas Conversión de formatos y revisión ortográfica Definición del problema y los objetivos Organización inicial de documentos repetitivos Juicios de valor importantes Clasificación regular de datos Decisiones sobre estrategia y prioridades Borradores de correos electrónicos funcionales Textos en los que son esenciales la experiencia y la perspectiva personales Borradores de código repetitivo Decisiones finales sobre seguridad, asuntos legales, médicos y financieros Resúmenes para explorar materiales extensos Verificación de pruebas y aprobación responsable El criterio de distinción no se limita a si una tarea es creativa o no. Hay que preguntarse si realizar directamente ese proceso permite desarrollar el criterio necesario para el futuro. 6. Pedir un mapa intelectual en lugar de una conclusión En vez de preguntar directamente a la IA «qué es correcto», se le puede pedir lo siguiente. Los principales investigadores y teorías que han estudiado el problema Explicaciones que compiten entre sí Objeciones representativas Fuentes primarias que deben consultarse Premisas fundamentales de cada perspectiva Cuestiones sobre las que aún no existe consenso La IA puede utilizarse como asistente de investigación o bibliotecario, pero debe comprobarse por separado si los autores, artículos y citas que presenta existen realmente. Entropía de la IA y singularidad humana «Entropía de la IA» es más una metáfora para describir el fenómeno por el que grandes cantidades de resultados de IA convergen hacia formas medias y similares que un término técnico estandarizado. Como los modelos generativos producen resultados basándose en patrones frecuentes de los materiales de entrenamiento, ante prompts corrientes tienden a ofrecer estructuras familiares y expresiones convencionales. Las personas pueden resistirse a esta homogeneización añadiendo los siguientes elementos. Hechos concretos observados directamente Recuerdos y fracasos personales Conocimientos tácitos obtenidos sobre el terreno Criterios de valor claros y razones para elegir Puntos de desacuerdo con las explicaciones existentes El proceso de verificación de los resultados y sus limitaciones La singularidad humana no surge simplemente del hecho de haber escrito personalmente las frases. Surge de las experiencias y los criterios en los que una persona se ha basado para elegir y asumir responsabilidades. El entorno que deben diseñar las escuelas y las organizaciones La educación en la era de la IA no debe renunciar a transmitir conocimientos, sino ampliar su alcance hasta incluir la capacidad de utilizarlos y verificarlos. Sin conocimientos básicos, también resulta difícil detectar los errores de la IA o formular buenas preguntas. La teoría de la autodeterminación presenta la autonomía, la competencia y la vinculación como condiciones fundamentales para comprender la motivación sostenida y el bienestar. Condición Significado Ejemplo de diseño en un entorno de IA Autonomía Sentir que se tiene capacidad de elección sobre los objetivos y los métodos Permitir que el estudiante determine las preguntas de investigación y el alcance del uso de la IA Competencia Sentir que las capacidades mejoran con la práctica Proporcionar tareas con un nivel adecuado de dificultad, retroalimentación paso a paso y oportunidades para volver a intentarlo Vinculación Sentirse conectado con otras personas y respetado Incluir la revisión de mentores, debates entre compañeros y resolución conjunta de problemas Las escuelas y las organizaciones pueden evaluar conjuntamente los siguientes elementos. ¿Se pueden explicar los conceptos fundamentales sin IA? ¿Se han revelado los materiales utilizados y el proceso de verificación? ¿Se modifica la conclusión cuando aparecen pruebas contrarias? ¿Se indica adecuadamente la incertidumbre? ¿Se han realizado tareas complejas que se prolongan durante mucho tiempo? ¿Se han revisado críticamente y mejorado los resultados de los compañeros? La relación de aprendizaje con personas expertas también es importante. Los profesionales experimentados transmiten no solo técnicas, sino también criterios para elegir buenos problemas, formas de interpretar los fracasos, sensibilidad para juzgar la calidad y responsabilidad profesional. Estos conocimientos tácitos son difíciles de aprender si solo se reciben respuestas completas. Principios operativos para reducir la polarización cognitiva Para algunos, la IA puede servir como plataforma para afrontar problemas más difíciles; para otros, puede convertirse en un medio para omitir el razonamiento. Si esta diferencia se acumula, puede provocar brechas no solo en la producción, sino también en el criterio y la autonomía. Las personas y las organizaciones pueden reducir los riesgos mediante los siguientes principios. Registrar las fases de pensamiento delegadas, en lugar de limitarse a indicar si se utilizó IA. Establecer puntos de revisión humana y responsables de aprobación para las tareas importantes. Realizar periódicamente tareas de reproducción sin IA. Incluir en el proceso de evaluación del rendimiento el tiempo dedicado a comprobar fuentes y explorar contraejemplos. Medir no solo la velocidad, sino también la tasa de errores, los costes de corrección y los resultados de aprendizaje. Proteger el tiempo de concentración sin necesidad de IA y los proyectos a largo plazo. Hacer que los expertos revisen no solo los resultados de los principiantes, sino también su proceso de pensamiento. Conclusión Quienes prosperen en la era de la IA no serán necesariamente quienes más la utilicen ni quienes menos la utilicen. Serán quienes reduzcan las tareas repetitivas con IA sin renunciar a definir problemas, verificar, emitir juicios de valor y asumir responsabilidades. La IA puede calcular, combinar y predecir posibles respuestas. Sin embargo, decidir qué objetivos perseguir, qué considerar importante y qué dificultades aceptar sigue siendo responsabilidad de las personas y las comunidades humanas. No es necesario elegir entre productividad y crecimiento. Si primero se elaboran las propias ideas y después se utiliza la IA como crítica, tutora y asistente de investigación, es posible perseguir ambos objetivos a la vez. FAQ Q. ¿Usar mucho la IA reduce necesariamente la capacidad de pensamiento crítico? A. No necesariamente. El efecto varía según la tarea, la forma de uso, los conocimientos previos y el proceso de verificación. Si se deja en manos de la IA tanto la definición del problema como la conclusión, puede disminuir el esfuerzo cognitivo; pero si primero se elabora un borrador propio y se pide a la IA que busque contraejemplos y errores, puede convertirse en una herramienta que favorezca el pensamiento crítico. Q. ¿La necesidad de cognición significa tener una inteligencia elevada? A. No. La necesidad de cognición es la tendencia a participar en actividades de pensamiento complejo y disfrutar del proceso, y se distingue de la inteligencia, que se refiere a la capacidad misma para resolver problemas. Incluso una persona con una inteligencia elevada puede evitar el esfuerzo mental, y una persona con capacidades promedio también puede pensar con perseverancia. Q. ¿Un maratonista mental es alguien que no usa IA? A. No. «Maratonista mental» es una expresión conceptual que se refiere a una persona que usa IA, pero conserva el control sobre la definición del problema, el razonamiento esencial, la verificación y el juicio final. Un ejemplo característico es pedir pistas, contraejemplos, datos y comentarios en lugar de una respuesta terminada. Q. ¿Cómo se puede mantener el efecto del aprendizaje mientras se usa IA? A. Es recomendable escribir primero la propia respuesta o hipótesis antes de abrir la IA y, después de recibir ayuda, intentar reproducir los puntos esenciales sin utilizar la herramienta. Los resúmenes de la IA deben compararse con el texto original, el código debe volver a implementarse directamente y, ante una respuesta incorrecta, se pueden pedir pistas paso a paso en vez de la respuesta correcta. Q. ¿Qué es la deuda cognitiva? A. La deuda cognitiva es una expresión que describe el estado en el que el código o los documentos creados por la IA funcionan por el momento, pero la persona responsable no comprende suficientemente los principios internos ni los supuestos fundamentales, lo que eleva el coste de las decisiones y modificaciones futuras. Más que un indicador académico ampliamente estandarizado, es un concepto que describe los riesgos organizativos de la dependencia de la IA. Q. ¿Qué tareas es adecuado encomendar a la IA? A. Es apropiado delegar tareas regulares y fáciles de verificar, como la conversión de formatos, la revisión de errores tipográficos, la clasificación repetitiva de datos y la organización preliminar. En cambio, las personas deben dirigir la definición de problemas, la estrategia, los juicios de valor, la creación en la que sea importante la perspectiva personal y las decisiones finales relacionadas con la seguridad, el derecho, la medicina y las finanzas. Q. ¿Cómo deben verificarse las fuentes proporcionadas por la IA? A. Se debe comprobar que el autor, el título, la entidad editora, la fecha y la URL existan realmente, y leer directamente el texto original. Aunque la fuente exista, hay que examinar por separado si el pasaje en cuestión respalda realmente la afirmación de la IA y si el objeto y las condiciones del estudio son aplicables al problema actual. Q. ¿Deben las escuelas reducir la enseñanza de conocimientos en la era de la IA? A. Los conocimientos básicos son, al contrario, necesarios para verificar los resultados de la IA y formular buenas preguntas. Sin embargo, en lugar de evaluar únicamente la memorización y la obtención de respuestas correctas, también se deben evaluar los proyectos a largo plazo, la búsqueda de contraejemplos, la verificación de fuentes, la explicación y reproducción sin IA y el proceso de revisión tras los errores. Q. ¿Es «entropía de la IA» un término científicamente establecido? A. En este texto, «entropía de la IA» es una analogía que describe el fenómeno por el que una gran cantidad de resultados de IA converge en expresiones familiares y promedio. Debe distinguirse del concepto estándar que mide rigurosamente la entropía de la teoría de la información. Q. ¿Es necesario reservar un tiempo para trabajar sin IA? A. No es necesario hacerlo en todas las tareas, pero las actividades periódicas sin IA son útiles para comprobar las capacidades esenciales. Explicar sin herramientas lo aprendido mediante IA, volver a escribir el código esencial y llegar a conclusiones de forma independiente permite distinguir entre el aprendizaje real y la dependencia de la herramienta. Sources - La necesidad de cognición: https://doi.org/10.1037/0022-3514.42.1.116 - Teoría de la autodeterminación: https://selfdeterminationtheory.org/theory/ - El arma de doble filo de la pedagogía: la instrucción limita la exploración y el descubrimiento espontáneos: https://doi.org/10.1016/j.cognition.2010.10.001 - El impacto de la IA generativa en el pensamiento crítico: reducciones autopercibidas del esfuerzo cognitivo y efectos sobre la confianza a partir de una encuesta a trabajadores del conocimiento: https://doi.org/10.1145/3706598.3713778 - Tu cerebro con ChatGPT: acumulación de deuda cognitiva al utilizar un asistente de IA para una tarea de redacción de ensayos: https://arxiv.org/abs/2506.08872 - Marco de gestión de riesgos de la IA del NIST: https://www.nist.gov/itl/ai-risk-management-framework Images - Persona ante un laberinto complejo con figuras geométricas, un robot de IA, símbolos de análisis y una balanza: https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDM4NywicHVyIjoiYmxvYl9pZCJ9fQ==--d2355873076dcf1540d4c7c21227550833e52723/ai-d37dd98a.webp - Persona caminando por un jardín hacia un robot de IA junto a una cinta automatizada de documentos y un reloj: https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDM5MywicHVyIjoiYmxvYl9pZCJ9fQ==--a9fe146f2c1652668777c2dc72d67318d8e62dfc/ai-b140cfe1.webp --- Category: Datos de IA Source: https://injoys.com/es/articles/how-to-thrive-in-the-ai-era License: cc_by Translation-Status: reviewed