El dinero más seguro de tu presupuesto de IA es el que gastas en dejar que la gente falle
La cautela es un impuesto, no una virtud. Lo que treinta años de ciencia del entrenamiento y una lección extraña del desarrollo infantil sugieren sobre la forma más barata de comprar competencia en IA.
El dinero más seguro de tu presupuesto de IA es el que gastas en dejar que la gente falle. Esa frase suena a provocación, así que esta entrada se la va a ganar por la vía honesta: con treinta años de ciencia del entrenamiento, una lección extraña del desarrollo infantil, y una teoría mía que voy a marcar como exactamente eso, una teoría, con una predicción incluida que puede demostrar que estoy equivocado.
El usuario cauteloso no es el usuario barato
Observa a alguien usar IA con miedo a equivocarse. Escribe un prompt, lo borra, lo vuelve a escribir más suave. Hace la misma pregunta de cuatro formas apenas distintas porque no confía en sí mismo para juzgar la primera respuesta. Rellena cada petición con contexto defensivo. Verifica el resultado contra tres fuentes más, o peor, rehace la tarea a mano en silencio y archiva la herramienta entre las cosas que no funcionan. Cada una de esas conductas consume tiempo y recursos. Ninguna construye habilidad.
A esto le llamo el impuesto de la vacilación, y la parte cara es invisible en cualquier tablero: el usuario cauteloso no está convirtiendo uso en competencia. Su cautela se lee como seriedad, y los jefes la premian como tal. Pero la seriedad no es efectividad. Una operación llena de usuarios cuidadosos y ansiosos está pagando la herramienta a precio completo y cobrando una fracción de la capacidad.
Lo que la ciencia del entrenamiento sabe desde hace treinta años
El remedio contraintuitivo lleva décadas esperando en la literatura. En 1994, el investigador de la memoria Robert Bjork, de UCLA, publicó un capítulo sobre entrenamiento que contiene, en lenguaje llano, el hallazgo sobre el que se para toda esta entrada: las manipulaciones que aceleran el desempeño durante el entrenamiento pueden fallar en sostener el desempeño de largo plazo, mientras que las que parecen meterle dificultades al aprendiz durante el entrenamiento pueden mejorarlo. Al fenómeno le puso nombre, dificultades deseables, y dos décadas de investigación lo siguen encontrando: la variación, el espaciado, la retroalimentación reducida y los errores mismos hacen más lento el entrenamiento y más fuerte lo que sobrevive de él.
Bjork también explica por qué nadie se lo cree en el cuarto donde sucede. La práctica suave se siente como aprendizaje. El progreso visible y rápido tranquiliza al aprendiz aunque esté aprendiendo poco, y batallar lo angustia aunque esté aprendiendo muchísimo. Los entrenadores van derivando hacia lo que hace ver bien a la gente esta semana, porque eso es lo que todos pueden ver. El resultado es un entrenamiento que funciona, en sus palabras, como muletas: un soporte que sostiene el desempeño exactamente hasta que las muletas se retiran, es decir, hasta que el trabajo es real.
Y luego Bjork dice la frase que debería estar impresa arriba de cada plan de implementación de IA. Las condiciones de entrenamiento que impiden que ocurran errores no los eliminan. Los difieren al escenario donde de verdad importan. El error que tu compañero de equipo no pudo cometer en un espacio de práctica lo está esperando adentro de un entregable con cliente. Y va más lejos: en cualquier aprendizaje serio, es la ausencia de errores y dificultades la que debería preocuparnos, porque es señal de que no estamos practicando bajo las condiciones que enseñan. La entrada anterior sobre la economía del error puso precio a lo que vale un error compartido una vez que existe. Bjork le pone precio al calendario: paga tus errores temprano, en un lugar construido para ellos, o págalos al menudeo después, enfrente de un cliente.
La lección del parque
Entonces la dificultad enseña. Pero no puedes simplemente ordenar que la gente vaya a fallar más, porque la disposición a fallar no es una política, es una sensación, y el estudio de dónde nace esa sensación pertenece a una de las literaturas más profundas de la psicología: la teoría del apego. John Bowlby, fundador del campo, le puso a su libro de 1988 el título que importa aquí: A Secure Base, una base segura. Mary Ainsworth le dio la evidencia, observando a bebés que usaban a su cuidador como base de exploración: se aventuraban, regresaban a confirmar, se aventuraban más lejos. Los niños con apego seguro no eran los pegajosos. Eran los audaces. Exploraban más precisamente porque la base era confiable.
Durante mucho tiempo eso fue un hallazgo sobre niños chiquitos. Hasta que Brooke Feeney y Roxanne Thrush corrieron la versión adulta. Estudiando a 167 parejas casadas en tareas de exploración grabadas en video, encontraron la misma arquitectura operando entre adultos: la gente exploraba más los retos nuevos, persistía más y lo disfrutaba más cuando su pareja se comportaba como base segura. Y especificaron la conducta en tres componentes: disponibilidad (estar al alcance cuando algo sale mal), no interferencia (no meterse mientras va bien), y ánimo (dejar claro que explorar, en sí, se valora). La seguridad, también en adultos, no es lo opuesto a la exploración. Es su plataforma de lanzamiento.
La Base Segura en la IA, marcada como mía
Aquí viene la síntesis, y su etiqueta: lo que sigue es una teoría original mía. Los hallazgos de arriba son ciencia establecida. La cadena que voy a construir con ellos está propuesta, no demostrada, y la estoy construyendo en público para que se pueda poner a prueba en público.
La gente que adopta IA se comporta como exploradora. Se adentra en la herramienta solo hasta donde se siente segura de fallar, y la mayoría de los lugares de trabajo no le ofrece ninguna distancia segura: cada prompt sucede adentro del trabajo real, con fechas reales, donde un mal resultado tiene costo y tiene público. Así que explora con timidez, paga el impuesto de la vacilación, y se estanca temprano. La Base Segura en la IA es la propuesta de que la adopción sigue el patrón de la base segura: dale a la gente una base, un espacio controlado y sin castigo donde desperdiciar la herramienta no se tolera sino que se asigna, y la exploración sube, la maestría la sigue, y la eficiencia sigue a las dos. El espacio hace dos trabajos a la vez. El permiso de fallar es seguridad psicológica, la puerta que abre la adopción. Y los errores autorizados, sobrevividos y corregidos, son exactamente lo que Albert Bandura identificó como la fuente más fuerte de la autoeficacia, la creencia de capacidad que lleva la adopción al retorno. Un mismo cuarto, los dos eslabones de la cadena.
Ahora la parte que hace esto falsable en lugar de inspirador. La IA tiene una propiedad que ninguna herramienta de trabajo anterior tuvo: cada interacción queda medida. El uso se registra en tokens, lo que significa que la exploración, la vacilación y la maestría van dejando un rastro aritmético. Así que la teoría apuesta una predicción: la cohorte animada a desperdiciar la herramienta en un espacio de práctica terminará, con el tiempo, usándola con más eficiencia que la cohorte cautelosa, y la diferencia se verá en los registros. La comodidad con el fallo produce competencia, y la competencia es eficiente. Gasta tokens hoy para ahorrar tokens mañana. Si los datos salen planos, la teoría se muere en público, que es el lugar correcto para que se muera una teoría. Hasta que esa prueba exista, esto queda etiquetado como lo que es: un mecanismo propuesto con componentes verificados y una suma sin verificar.
Cómo se ve el espacio de práctica un lunes
Baja la teoría a la práctica y tres propiedades importan. Primero, sin castigo: nada de lo que se produce en el espacio cuenta contra nadie, y la factura de uso está preaprobada como presupuesto de entrenamiento, no vigilada como desperdicio. Segundo, fallar es la tarea: el objetivo no es verse competente, es encontrar los bordes, romper la herramienta, recibir la respuesta equivocada y segura de sí misma y cacharla ahí, donde es una lección, en lugar de en producción, donde es un incidente. Tercero, el líder juega el papel que Feeney y Thrush especificaron, y se traduce casi sin modificación: estar disponible cuando alguien se atora, no meterse mientras experimentan, y animar la exploración misma, no solo los aciertos. Un jefe rondando el espacio de práctica preguntando qué logró todo ese consumo acaba de convertirlo otra vez en examen, y la base desapareció.
Dale a la gente un lugar seguro para desperdiciar la IA, y dejará de desperdiciarla donde te cuesta. Esa es la apuesta, dicha lo más claro que la puedo decir. Los componentes tienen treinta años y son sólidos. La suma es mía, está en prueba, y esta publicación va a reportar lo que digan los datos, salga como salga.
Si todavía estás decidiendo dónde cabe la IA en tu operación, la Matriz de Impacto vs. Riesgo es la herramienta gratuita de una página para esa primera decisión.
Preguntas frecuentes
¿Deberían los empleados poder desperdiciar uso de IA mientras aprenden?
La literatura de entrenamiento sugiere que sí, y a propósito. El trabajo de Robert Bjork sobre dificultades deseables encontró que las condiciones que empeoran el desempeño durante el entrenamiento, incluido cometer errores, tienden a mejorar el desempeño de largo plazo, mientras que el entrenamiento que previene errores los difiere al escenario donde de verdad importan. Aplicado a la IA: los tokens que un empleado desperdicia en un espacio de práctica son baratos; los mismos errores dentro del trabajo con clientes no lo son. La teoría de La Base Segura en la IA que presenta esta entrada predice que la cohorte del espacio de práctica termina saliendo más barata; esa predicción está propuesta y en prueba, no demostrada.
¿Qué es La Base Segura en la IA?
Una teoría propuesta por Mario L. Arredondo que aplica el fenómeno de la base segura de la teoría del apego a la adopción de IA. En la investigación del apego, niños y adultos exploran con más audacia cuando tienen una base segura a la cual volver; la seguridad habilita la exploración en lugar de suprimirla. La teoría traslada esto a las herramientas de IA: la gente explora y domina la IA solo hasta donde se siente segura de fallar, así que un espacio sin castigo donde los errores son la tarea debería elevar la exploración, luego la maestría, luego la eficiencia. Su predicción falsable es que la cohorte animada a fallar usa la IA con más eficiencia a largo plazo. Queda marcada como propuesta hasta que existan datos.
¿Por qué los usuarios cautelosos de IA terminan costando más?
Porque la vacilación tiene su propio precio. Un usuario con miedo a fallar repite la misma petición con palabras apenas distintas, rellena sus prompts a la defensiva, verifica de más resultados que no se siente capaz de juzgar, o evita la herramienta y hace la tarea a mano. Nada de eso construye competencia, y todo consume tiempo y recursos. La investigación del entrenamiento agrega un segundo problema: la práctica suave y sin errores infla la sensación de progreso mientras produce habilidad menos duradera, así que el usuario cauteloso es también el que más fácil se engaña sobre lo que realmente sabe hacer.
¿Qué es una dificultad deseable en el entrenamiento con IA?
El término viene de Robert Bjork (1994): manipulaciones del entrenamiento que hacen que la práctica se sienta más difícil y lenta, como la variación, el espaciado, la retroalimentación reducida y los errores mismos, pero que producen retención y transferencia más fuertes a largo plazo. En el entrenamiento con IA el equivalente es dejar que la gente empuje la herramienta hasta que se rompa, escriba prompts mal hechos y vea por qué fallan, y fracase en tareas sin consecuencias. La dificultad no es un defecto del entrenamiento. Es el ingrediente que hace que el aprendizaje se quede.
¿Cómo se arma un espacio de práctica de IA para un equipo?
Tres propiedades importan más que las herramientas. Primero, sin castigo: nada de lo que se produce ahí cuenta contra nadie, y el costo de uso está preaprobado como presupuesto de entrenamiento. Segundo, los errores son la tarea: se le pide a la gente encontrar dónde falla la herramienta, no verse competente. Tercero, el líder se comporta como base segura, y la investigación del apego adulto lo especifica en concreto: estar disponible cuando alguien se atora, no meterse mientras exploran, y animar la exploración misma. Después, que los resultados, y no la ansiedad, decidan para qué sirve la herramienta.
Fuentes
- Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press. direct.mit.edu
- Feeney, B. C., & Thrush, R. L. (2010). Relationship influences on exploration in adulthood: The characteristics and function of a secure base. Journal of Personality and Social Psychology, 98(1), 57–76. https://doi.org/10.1037/a0016961
- Bowlby, J. (1988). A secure base: Parent-child attachment and healthy human development. Basic Books.
- Ainsworth, M. D. S., Blehar, M. C., Waters, E., & Wall, S. (1978). Patterns of attachment: A psychological study of the Strange Situation. Lawrence Erlbaum.
- Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383.
- Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
- Reich, A., Wolfe, D., Price, M., Choe, A., Kidd, F., & Wagner, H. (2026). Safety first: Psychological safety as the key to AI transformation. arXiv:2602.23279
Publicado: 12 de julio de 2026