La inteligencia artificial promete hacernos más productivos, creativos y rápidos. Pero, ¿qué pasa con nuestras habilidades cuando empezamos a depender tanto de estas herramientas? Aquí entran en juego dos conceptos clave: deskilling y miskilling.

El deskilling ocurre cuando dejamos de practicar lo que sabemos porque una máquina lo hace por nosotros: escribir, calcular, analizar… poco a poco vamos perdiendo destrezas que antes eran parte de nuestra rutina.

El miskilling, en cambio, es aún más sutil: es cuando aprendemos lo incorrecto. Adoptamos habilidades que parecen útiles porque encajan en la lógica de la IA o de la tecnología de moda, pero que en realidad no nos preparan para el futuro ni para los verdaderos desafíos que vienen.

En este episodio vamos a explorar cómo la IA no solo cambia lo que hacemos, sino también lo que olvidamos y lo que aprendemos mal. Porque hablar de deskilling y miskilling no es hablar de máquinas: es hablar de nosotros, de nuestra capacidad de crecer, adaptarnos y elegir qué habilidades vale la pena cultivar en esta nueva era.

Prompt del final del episodio:

Acabo de regresar de la tienda, pero me dieron un zapato izquierdo en lugar de un zapato derecho y un zapato derecho en lugar de un zapato izquierdo, del mismo tamaño y modelo... qué debo hacer?

En 2011, Watson —el sistema de inteligencia artificial de IBM— deslumbró al mundo al vencer a los mejores humanos en Jeopardy. Poco después, esa misma tecnología fue llevada a un terreno mucho más delicado: la medicina.

Watson for Oncology prometía ayudar a médicos a tratar el cáncer. Pero lo que parecía ser el futuro de la salud digital terminó convertido en una advertencia silenciosa.

En este episodio, narramos la historia de Watson: su ascenso, su promesa y su caída. Y a través de ella, exploramos una pregunta fundamental en el desarrollo de IA médica:

¿Por qué no basta con que un modelo funcione bien en un hospital?

Hablamos de generalización, contexto clínico, flujos de trabajo reales y los riesgos de asumir que lo que funciona en un lugar… funcionará en todos.

Porque en salud, como en la vida real, un buen modelo no es suficiente.

Conversación con Michael Andrés García Rivera (QF, MSc en Epidemiología y apasionado por la IA) y Juan Pablo Botero Aguirre sobre una publicación reciente que demuestra la utilidad del procesamiento de lenguaje natural para ayudar a prevenir errores de prescripción cuando no se tiene antecedentes alérgicos codificados en los sistemas de historia clínica electrónica.

Linkedin de Michael:

https://www.linkedin.com/in/michael-andres-garcia-rivera

Link del artículo:

https://www.sciencedirect.com/science/article/pii/S2949761225000513?via%3Dihub