Nota
Si todos tenemos un agente, ¿jugamos de igual a igual?
Dos personas pueden delegar la misma tarea y tener posibilidades muy distintas. Y conseguir un agente más capaz tampoco resuelve otra pregunta: cuánto entiende de lo que queremos.
Imaginemos dos estudios buscando el mismo trabajo. Los dos usan IA. Uno puede dejar varios agentes investigando al cliente, comparando referencias y preparando alternativas durante toda la noche. El otro tiene que cuidar cada consulta para no pasarse del presupuesto.
Desde afuera, los dos tienen acceso a la misma tecnología. En la práctica, pueden dedicarle recursos muy distintos a una oportunidad. Y todavía falta saber si todo ese trabajo sirve para lo que cada estudio quería hacer.
La frase “ahora cualquiera puede” necesita un poco más de detalle. ¿Cualquiera puede empezar? ¿Puede sostener el proceso? ¿Puede discutir una decisión que el sistema tomó en su nombre?
Cuántas cosas podés poner en movimiento
Un artículo publicado el 20 de octubre de 2026 en Nature Machine Intelligence llama “agentic inequality” (abre en otra pestaña) a las diferencias de acceso, calidad y cantidad de agentes que podemos usar. Los autores proponen mirar cómo esas diferencias podrían repartir poder y oportunidades. Todavía queda por ver cuánto pesan en situaciones reales.
Me interesa porque corre la conversación de la habilidad individual hacia algo más concreto: Los recursos que una persona puede poner a trabajar.
Pensemos en alguien que tiene una idea y necesita probarla. Poder armar una primera versión sin contratar un equipo completo puede abrirle una puerta enorme. Esa posibilidad tiene valor aunque una empresa grande pueda producir cien versiones al mismo tiempo. Reconocer la diferencia ayuda a preguntar qué acceso estamos ampliando y qué ventajas siguen concentradas.
Al llevar esa idea al trabajo creativo, aparecen otras preguntas. Generar más opciones puede servir hasta cierto punto. Después hay que elegir cuáles vale la pena desarrollar, entender qué dicen y reconocer cuándo una variación cambia la idea. Si la evaluación premia sobre todo la cantidad y la velocidad, quien tenga más recursos para generar y revisar va a poder ocupar más espacio. Si permite mostrar criterio, contexto y decisiones, aparecen otras formas de competir. ¿Qué estamos premiando cuando elegimos un trabajo?
El libro que tu agente cree que querés
Un experimento de Anthropic permite bajar el problema a una escala bastante más amable. En Project Swap, publicado el 24 de septiembre (abre en otra pestaña), 201 empleados delegaron intercambios de libros en agentes. Claude había estimado sus preferencias a partir de conversaciones breves.
Cuando repitieron el experimento, los modelos más fuertes negociaron mejor según lo que Claude creía que cada persona quería. Al comparar con las preferencias que las personas habían indicado por su cuenta, esa ventaja se achicaba. Lo que más limitaba el resultado era entender qué libro quería cada uno. Lo probaron con gente de Anthropic, que desarrolla estos modelos, y con libros. Queda por ver qué pasaría con otras personas y decisiones donde haya más en juego.
La escena alcanza para imaginar una situación incómoda: Tu representante negocia muy bien y vuelve contento con algo que vos no hubieras elegido.
Qué significa representarte
En una producción, un pedido como “buscá la mejor solución” deja demasiadas cosas abiertas. Puede querer decir gastar menos, llegar antes, evitar una herramienta que el equipo no conoce o conservar una decisión visual que parece ineficiente pero sostiene la pieza.
Un agente podría resolver perfectamente una de esas prioridades y complicar las otras. Por eso me parece importante que el criterio quede a la vista antes de delegar. Qué estamos buscando, qué preferimos resignar y qué todavía no sabemos decidir.
Esto también tiene una relación con cómo documentamos el trabajo. Guardar una decisión junto con su motivo permite volver a discutirla. “Elegimos esta toma porque se entiende mejor el gesto” aporta algo distinto de dejar únicamente el archivo elegido. Si después cambia el montaje, ese motivo puede seguir sirviendo o dejar de aplicar.
Un contexto útil tendría que poder corregirse. Alguien puede cambiar de opinión, descubrir otra posibilidad o darse cuenta de que explicó mal lo que quería. ¿Qué pasa si una herramienta recuerda perfectamente lo que queríamos antes, pero no entiende que cambiamos de idea?
Más contexto tampoco debería significar entregar todo. Para resolver un trabajo hace falta información pertinente, con límites claros sobre su uso. La confianza se construye pudiendo entender y revisar lo que ocurre, no acumulando datos porque sí.
Qué seguimos queriendo hacer
Cuando imaginamos una IA capaz de hacer cualquier trabajo cognitivo, solemos saltar enseguida a qué nos quedaría por hacer. Todavía no sabemos si podrá hacer todo eso. Mientras tanto, ya podemos discutir qué decisiones queremos delegar y cuáles forman parte de la actividad que disfrutamos.
Hay una diferencia entre encargar una imagen porque necesitás comunicar algo y querer hacerla porque te interesa descubrirla mientras la trabajás. Las dos cosas pueden convivir. También puede haber tareas que quieras delegar un día y recuperar al siguiente.
Una herramienta que amplía nuestras posibilidades debería dejar lugar para esas elecciones, incluso cuando no sean las más rápidas. Aprender, probar una idea que sale mal o conversar con otra persona pueden ser parte del propósito del trabajo. Medir únicamente cuánto tardamos en llegar al resultado deja todo eso afuera.
Si todos vamos a tener agentes, quisiera poder preguntarles algo más que cuántas tareas resolvieron. Con qué recursos, siguiendo qué criterio y qué posibilidad tengo de corregir el rumbo.
Antes de decir que estamos jugando de igual a igual, habría que mirar quién puede decidir esas condiciones.
Fuentes
Agentic inequality está publicado como Perspective: propone un marco conceptual. Para esta nota se consultó la ficha institucional de Oxford, no el paper completo. Iason Gabriel, uno de sus autores, trabaja en Google DeepMind. Project Swap se hizo dentro de Anthropic con sus empleados y con libros. Queda por ver qué pasa con otras personas y decisiones.
- Agentic inequality — ficha institucional de Oxford Martin School, perspectiva en Nature Machine Intelligence, 20/10/2026 (abre en otra pestaña)
- Project Swap: What happens when agents trade for us? — Anthropic, 24/09/2026 (abre en otra pestaña)
- Iason Gabriel — perfil del autor, investigador en Google DeepMind (abre en otra pestaña)
