Universidades ante la reorganización del trabajo en la era de la inteligencia artificial.
Por Ismael Zamora Tovar
Doctor en Educación
Durante muchos años, las universidades se ganaron la confianza de la sociedad porque ofrecían algo bastante claro: estudiar una carrera aumentaba las posibilidades de conseguir un empleo estable, mejorar la calidad de vida y ejercer una profesión con un camino relativamente definido. Hoy esa idea empieza a tensionarse. No porque la universidad ya no sirva o haya perdido importancia, sino porque el mundo del trabajo está cambiando a un ritmo mucho más acelerado que los modelos educativos con los que tradicionalmente se preparaba a los estudiantes.
El más reciente análisis de Goldman Sachs sobre empleo e inteligencia artificial obliga a tomar en serio esta transformación. En su reporte “The Jobs AI Is Likely to Boost—and Those It May Disrupt”(2026), el banco sostiene una tesis que deshace tanto el optimismo ingenuo como el catastrofismo tecnológico: la inteligencia artificial no parece encaminada a destruir masivamente el empleo de manera abrupta, pero sí a reorganizarlo profundamente. La cuestión central ya no es si habrá sustitución laboral, sino qué capacidades conservarán valor humano cuando las tareas cognitivas rutinarias puedan ser realizadas parcial o totalmente por sistemas inteligentes.
El estudio reconoce algo particularmente incómodo para las universidades: las ocupaciones más expuestas no son únicamente manuales o repetitivas, sino también muchas asociadas históricamente a la educación superior. Actividades de análisis documental, programación básica, tareas jurídicas estructuradas, funciones administrativas y ciertos procesos financieros comienzan a experimentar automatización acelerada. El trabajo del conocimiento, durante décadas considerado refugio seguro frente a la disrupción tecnológica, ha dejado de ser inmune.
Sin embargo, Goldman Sachs introduce un matiz decisivo: la exposición no equivale a desaparición. Un empleo “expuesto” es aquel cuyas tareas pueden transformarse significativamente, no necesariamente eliminarse. La lógica dominante no sería la sustitución absoluta sino la combinación entre automatización y ampliación: la inteligencia artificial reemplaza ciertas tareas mientras potencia otras, incrementando productividad, ampliando servicios y creando nuevas necesidades económicas. El reto, entonces, no consiste únicamente en preservar empleos existentes, sino en preparar a las personas para profesiones aun incompletamente definidas.
Esta interpretación encuentra un complemento particularmente valioso en la obra de David H. Autor (2017, 2021), uno de los economistas más influyentes en el estudio del trabajo y el cambio tecnológico. Autor ha insistido en una idea frecuentemente ignorada en el debate público: las tecnologías rara vez eliminan ocupaciones enteras; más bien transforman tareas específicas dentro de ellas y alteran qué habilidades adquieren mayor valor. En lugar de imaginar un escenario donde médicos, abogados o profesores desaparecen, conviene pensar en profesiones profundamente reorganizadas por sistemas inteligentes. La pregunta decisiva ya no es qué trabajos sobrevivirán intactos, sino qué capacidades humanas seguirán siendo necesarias cuando parte importante de las tareas cognitivas rutinarias pueda automatizarse. Desde esta perspectiva, el desafío universitario deja de ser exclusivamente tecnológico y se vuelve formativo: preparar personas capaces de trabajar de manera estratégica con la inteligencia artificial, en lugar de enfocarse en competir con ella.
Pero si Autor ayuda a comprender la lógica gradual de transformación del trabajo, la advertencia de Carl Benedikt Frey & Michael A. Osborne introduce un sentido de urgencia que las universidades no deberían ignorar. En sus investigaciones sobre automatización, Frey ha sostenido que una proporción considerable de ocupaciones enfrenta riesgos importantes de transformación tecnológica, particularmente aquellas basadas en tareas rutinarias, estructuradas y previsibles. Aunque el debate actual matiza la idea de una sustitución masiva e inmediata del empleo, su tesis conserva una implicación estratégica poderosa: las instituciones que reaccionan tarde frente a cambios tecnológicos profundos suelen pagar costos elevados de irrelevancia. Para la educación superior, el problema no consiste solamente en si ciertas profesiones cambiarán, sino en si las universidades lograrán anticipar suficientemente rápido cómo cambiarán.
Para los directores académicos, esta conclusión implica una pregunta incómoda pero inevitable: ¿qué ocurre si parte importante de nuestra oferta educativa continúa diseñada para un mundo profesional que ya no existe?
La universidad moderna nació, en buena medida, para transmitir conocimientos especializados relativamente estables. Las carreras se organizaban bajo la premisa de que existía una continuidad razonable entre el currículo y el ejercicio profesional futuro. Hoy esa linealidad comienza a fracturarse. Un plan de estudios rígido, actualizado cada cinco o siete años, puede llegar tarde frente a tecnologías que modifican ocupaciones en cuestión de meses.
Pero reducir el problema a un asunto de velocidad tecnológica sería un error. La transformación es más profunda: afecta la naturaleza misma de lo que significa ser un profesional competente.
Cuando una inteligencia artificial puede producir diagnósticos preliminares, redactar contratos, sintetizar literatura científica, programar software funcional o generar modelos predictivos, la ventaja competitiva humana se desplaza hacia otro terreno. Se vuelve más importante formular buenas preguntas que encontrar respuestas inmediatas; interpretar contextos antes que acumular información; discernir consecuencias éticas antes que ejecutar procedimientos.
Aquí emerge una de las tareas históricas más profundas de la universidad, paradójicamente relegada por años de utilitarismo credencialista: la formación del juicio.
Ya lo advertía John Henry Newman (1852/1982) en el siglo XIX: la universidad no existe solamente para transferir habilidades técnicas, sino para formar intelectos capaces de relacionar conocimientos, distinguir matices y deliberar prudentemente. En un entorno saturado de inteligencia artificial, esta idea adquiere renovada vigencia. El profesional del futuro no será quien posea más información, las máquinas inevitablemente tendrán ventaja, sino quien logre comprender qué significa esa información, cuándo confiar en ella y cuándo cuestionarla.
La prudencia intelectual, entendida no como cautela pasiva sino como capacidad de juzgar en condiciones de incertidumbre, se vuelve un activo estratégico. Las profesiones continúan siendo prácticas orientadas hacia bienes internos que requieren virtudes para sostenerse (MacIntyre, 2007). Ningún algoritmo reemplaza completamente la deliberación médica frente a un paciente vulnerable, el juicio jurídico sobre un conflicto complejo o la decisión educativa respecto de cómo formar personas.
Por ello, la primera estrategia universitaria ya no puede limitarse a “enseñar IA”, sino a integrarla transversalmente mientras fortalece capacidades humanas difícilmente automatizables. Esto supone transformar programas académicos bajo una pregunta distinta: ¿qué parte de esta profesión será realizada por sistemas inteligentes y qué parte exigirá todavía discernimiento humano?
La segunda estrategia implica abandonar la rigidez curricular. Los programas profesionales deben volverse más modulares, flexibles y evolutivos. Las universidades probablemente necesiten combinar títulos tradicionales con trayectorias formativas adaptativas: micro credenciales, certificaciones especializadas y actualizaciones permanentes. La lógica del aprendizaje de por vida deja de ser discurso aspiracional para convertirse en necesidad estructural.
Ello exige construir capacidades institucionales nuevas. Así como las universidades poseen oficinas de planeación o aseguramiento de calidad, pronto requerirán observatorios institucionales de empleo, automatización e inteligencia artificial, capaces de monitorear tendencias laborales, analizar ocupaciones emergentes y anticipar necesidades formativas regionales. Esperar a que los mercados laborales cambien para después rediseñar programas será demasiado lento.
Una tercera estrategia consiste en transformar la evaluación. Si las inteligencias artificiales pueden resolver exámenes tradicionales, redactar ensayos estandarizados y responder preguntas memorísticas, entonces buena parte de nuestros sistemas de evaluación han quedado obsoletos. La educación superior necesita avanzar hacia evaluaciones auténticas: resolución de problemas reales, proyectos interdisciplinarios, simulaciones, toma de decisiones contextualizadas y argumentación compleja. No se trata de impedir el uso de IA, sino de diseñar experiencias donde su simple utilización no garantice el aprendizaje.
Finalmente, las universidades deben comenzar a anticipar nuevas áreas profesionales. La pregunta estratégica ya no es qué carreras cerrar, sino qué combinaciones inéditas de conocimiento deben surgir. Entre 2026 y 2035 probablemente emerjan programas híbridos: inteligencia artificial aplicada a la salud; derecho computacional y regulación algorítmica; gobernanza y ética de sistemas inteligentes; educación aumentada por IA; psicología digital; bioinformática clínica; ciberseguridad avanzada; gestión de ecosistemas de datos; ingeniería de automatización industrial inteligente; humanidades computacionales y análisis cultural asistido por datos.
Pero la innovación curricular no debe confundirse con oportunismo tecnológico. No toda moda merece convertirse en licenciatura. El verdadero desafío consiste en identificar problemas humanos persistentes transformados por nuevas tecnologías.
Quizá la gran ironía de este momento histórico sea que, cuanto más poderosas se vuelven las máquinas, más importante se vuelve aquello profundamente humano. La universidad no pierde relevancia frente a la inteligencia artificial; pierde relevancia únicamente si insiste en definirse como proveedora de información cuando la información se ha vuelto abundante y ubicua.
El estudio de Goldman Sachs funciona, en este sentido, menos como una advertencia económica y más como una llamada estratégica para la educación superior. Las universidades capaces de anticipar el cambio no serán aquellas que simplemente incorporen software generativo a sus aulas, sino las que comprendan que el valor diferencial del futuro radicará en formar profesionales capaces de integrar conocimiento, actuar prudentemente y ejercer juicio en escenarios crecientemente ambiguos.
Porque, al final, la pregunta decisiva ya no será qué tanto sabe un egresado, sino qué tan bien puede comprender, decidir y actuar cuando incluso las máquinas parecen “saber” demasiado.
Referencias:
Autor, D.H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3
Autor, D.H.; Mindell, D. A., & Reynolds, E. B. (2022). The work of the future: Building better jobs in an age of intelligent machines. MIT Press. https://doi.org/10.7551/mitpress/14109.001.0001
Frey C.B, & Osborne M.A. (2017). The future of employment: How susceptible are jobs to computerisation?Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019
Goldman Sachs. (2026, abril 24). The jobs AI is likely to boost—and those it may disrupt. Goldman Sachs Insights. Recuperado de la referencia anterior. https://www.goldmansachs.com/insights/articles/the-jobs-ai-is-likely-to-boost-and-those-it-may-disrupt?utm_source=chatgpt.com
MacIntyre, A. (2007). After virtue: A study in moral theory (3rd ed.). University of Notre Dame Press. https://undpress.nd.edu/9780268035044/after-virtue/
Newman, J. H. (1852/1982). The idea of a university. University of Notre Dame Press
