Hay una frase de El Eternauta que se me quedó dando vueltas en la cabeza últimamente:
“Lo viejo funciona.”
Quizás sea porque la última semana fue miserable: fría, neblinosa y lluviosa. Ese tipo de clima que te dan ganas de rendirte por completo, tirarte en el sillón, mirar series y leer historietas.
No lo estoy pensando en un sentido postapocalíptico. No estoy imaginando personas reconstruyendo la sociedad con radios, mapas dibujados a mano, herramientas improvisadas y cualquier cosa que todavía funcione después de que todo lo demás haya colapsado.
Lo estoy pensando de una forma mucho más ordinaria, profesional e incómoda.
Porque en 2026 estamos rodeados de algunas de las herramientas más poderosas que hayamos tenido jamás y, sin embargo, mucho trabajo se está volviendo más desordenado, más caro y más difícil de controlar.
No porque la tecnología sea mala.
Sino porque seguimos buscando la opción más futurista, incluso cuando el problema no la necesita.
Hoy existe una fuerte tentación de volver todo agéntico. Cada proceso necesita un agente. Cada tarea necesita automatización. Cada flujo de trabajo tiene que ejecutarse solo. Cada pequeña fricción se convierte en una excusa para construir un sistema complejo alrededor.
Y a veces eso tiene sentido. Hay casos reales en los que la automatización ahorra tiempo, reduce errores y crea una mejor experiencia.
Pero a veces es simplemente automatización por la automatización misma.
A veces una empresa gasta más dinero en tokens de lo que la tarea valía. A veces un equipo pasa tres días automatizando un proceso único que podría haber hecho manualmente en dos horas. A veces las personas construyen flujos de trabajo tan complicados que nadie puede explicar de dónde salió el resultado, por qué se tomó una decisión o cómo arreglar el sistema cuando algo sale mal.
Eso no es innovación.
Eso es sobrediseño con mejor marketing.
Y quizás necesitamos recuperar una idea muy simple: la mejor herramienta no siempre es la más avanzada.
Los sistemas viejos tenían una limitación hermosa
Antes de que la IA generativa se convirtiera en el centro de cada conversación, muchos trabajábamos con sistemas más tradicionales.
Yo empecé con chatbots en Dialogflow, flujos basados en reglas, árboles de decisión, intenciones, palabras clave, respuestas guionadas, mensajes de fallback y recorridos cuidadosamente estructurados.
No era glamoroso. Era mucho trabajo. Había que definir qué podía entender el sistema. Había que alimentarlo con palabras clave. Había que escribir variaciones. Había que anticipar el comportamiento del usuario. Había que construir flujos, probar casos límite y ajustar la estructura una y otra vez.
Pero había algo hermoso en esos sistemas.
Cuando no sabían algo, por lo general no inventaban.
No alucinaban una respuesta. No inventaban una política. No reinterpretan creativamente el pedido del usuario. No generaban cinco párrafos seguros de sí mismos basados en un malentendido.
Fallaban de una manera más honesta.
Decían algo como: “No entendí eso.”
O derivaban a un humano.
Esa limitación no era una debilidad. En muchos contextos, era una función de seguridad.
Hoy solemos tratar ese tipo de rigidez como algo obsoleto. Y sí, en muchos casos era frustrante. Los sistemas basados en reglas podían ser frágiles. Podían fallar cuando los usuarios formulaban las cosas de otra manera. Podían requerir mantenimiento constante.
Pero también nos obligaban a hacer algo importante antes de que el sistema interactuara con un usuario: diseñar los límites.
Teníamos que decidir qué podía responder el sistema, qué no podía responder, qué contaba como un pedido válido y cuándo tenía que intervenir un humano. La estructura era visible. Las limitaciones eran claras. Los puntos de falla eran más fáciles de entender.
La IA generativa cambió eso.
Ahora el sistema puede responder casi cualquier cosa. Puede improvisar, reformular, inferir, resumir, reescribir, clasificar, generar y continuar. Eso es poderoso, y no quiero minimizar lo útil que puede ser.
Pero el poder sin límites no siempre ayuda.
A veces, solo hace que lo incorrecto se vea más prolijo.
La trampa agéntica
Me encanta la IA.
La uso todos los días. Construyo con ella. Experimento con modelos locales, flujos de trabajo, prompts, sistemas RAG, automatizaciones y asistentes estructurados. Realmente creo que la IA puede ayudarnos a trabajar mejor, aprender mejor y pensar mejor cuando se usa con cuidado.
Pero también creo que estamos entrando en una fase extraña de adopción de IA, una fase en la que las personas confunden autonomía con madurez.
La suposición parece ser que un flujo de trabajo es mejor si la IA hace más cosas por sí sola. Más pasos. Más decisiones. Más llamadas a herramientas. Más autonomía. Más razonamiento oculto. Más magia.
Cuanto más hace el sistema solo, más avanzado parece.
Pero en el trabajo real, la magia suele ser el problema.
Cuando un proceso es completamente agéntico, puede volverse difícil entender qué pasó dentro. El agente puede sobrepensar. Puede tomar pasos innecesarios. Puede elegir un camino que parece lógico para el modelo, pero que no coincide con el objetivo real. Puede interpretar las instrucciones de manera demasiado amplia. Puede volverse difícil de conducir porque el sistema ya no está simplemente ayudando con una tarea. Está intentando adueñarse del flujo de trabajo.
Eso puede ser impresionante en una demo.
Puede ser doloroso en producción.
Especialmente cuando el trabajo involucra datos, calidad, contexto de cliente, diseño de aprendizaje, decisiones de negocio o criterio profesional.
En esas situaciones, no siempre quiero un sistema de IA que se ponga creativo en cada paso. Quiero un sistema que haga exactamente lo que le pedí, de la forma en que lo definí, con puntos de control claros donde pueda revisar, ajustar y decidir qué pasa después.
Por eso estoy obteniendo mejores resultados con flujos automatizados en n8n, acompañados por prompts detallados, inputs claros y revisión humana en las etapas importantes.
No porque eso sea más futurista.
Sino porque es más controlado.
La IA ayuda. La automatización reduce fricción. El flujo de trabajo avanza más rápido. Pero el humano sigue involucrado en los lugares donde el criterio importa.
Y ese punto medio es donde creo que aparece gran parte del valor real.
No todo necesita ser inteligente
Esto puede sonar extraño en una época en la que todos quieren sistemas inteligentes, pero no todas las partes de un flujo de trabajo necesitan inteligencia.
Algunos pasos necesitan consistencia. Algunos pasos necesitan estructura. Algunos pasos necesitan validación. Algunos pasos necesitan enrutamiento. Algunos pasos necesitan un humano. Y sí, algunos pasos pueden beneficiarse muchísimo de la IA.
El error es asumir que, porque la IA puede usarse en algún lugar, debería usarse en todos lados.
Un formulario no necesita convertirse en chatbot solo porque existen los chatbots. Una checklist no necesita convertirse en agente solo porque los agentes están de moda. Un flujo simple de aprobación no necesita razonamiento generativo. Una tarea única no siempre necesita automatización. Un proceso conocido con reglas claras puede estar mejor servido por un flujo simple que por un sistema altamente autónomo.
Esto no es anti-IA.
Es diseño apropiado.
Tenemos que dejar de preguntar solamente: “¿Puede la IA hacer esto?”
Tenemos que preguntar: “¿Debería la IA hacer esto?”
Y quizás, todavía más importante: “¿Cuánta IA necesita realmente esta tarea?”
Porque a veces la respuesta es un modelo. A veces la respuesta es una regla. A veces la respuesta es una plantilla. A veces la respuesta es una checklist. A veces la respuesta es una conversación humana.
Y a veces la respuesta es un sistema híbrido, donde lo viejo y lo nuevo trabajan juntos en lugar de competir por atención.
Eso se siente como una forma más madura de pensar el futuro.
El aprendizaje siempre supo esto
El Aprendizaje y Desarrollo (L&D) tiene mucho para aportar a la conversación sobre IA, porque en educación ya sabemos que viejo no significa automáticamente obsoleto.
ADDIE no desapareció porque fue desarrollado hace décadas. Seguimos volviendo a él porque nos da una estructura útil para pensar en análisis, diseño, desarrollo, implementación y evaluación.
Seguimos hablando de Piaget, Vygotsky, Skinner, Pavlov, Bloom y muchos otros autores cuyo trabajo llegó mucho antes que la IA generativa, la realidad virtual, las analíticas de aprendizaje, las plataformas adaptativas o los sistemas agénticos.
¿Por qué?
Porque muchas de las preguntas que exploraron siguen vivas.
¿Cómo aprenden las personas? ¿Cómo construyen comprensión? ¿Cómo moldea el feedback el comportamiento? ¿Cómo andamiamos el crecimiento? ¿Cómo pasamos del apoyo a la independencia? ¿Cómo diseñamos experiencias que ayuden a las personas a pensar, no solo a completar tareas?
La tecnología cambia rápido. El aprendizaje humano no cambia a la misma velocidad.
Eso no significa que debamos enseñar siempre de la misma manera. No significa que la educación tradicional haya sido perfecta. No significa que debamos ignorar los nuevos medios, las nuevas herramientas o los nuevos comportamientos de los estudiantes.
Pero sí significa que debemos tener cuidado cuando descartamos marcos viejos solo porque no suenan lo suficientemente futuristas.
Lo viejo muchas veces sigue funcionando porque fue construido alrededor de necesidades humanas, no de tendencias de software.
El futuro necesita traducción, no reemplazo
Por supuesto, no podemos simplemente copiar métodos viejos en un mundo nuevo y esperar que funcionen.
Estamos compitiendo con distracciones tecnológicas, atención fragmentada, formatos breves, calendarios sobrecargados, notificaciones constantes y estudiantes acostumbrados a experiencias interactivas, inmediatas y personalizadas.
Eso aplica a estudiantes jóvenes, estudiantes universitarios y adultos que trabajan. Aplica a aulas, programas de onboarding, capacitación corporativa, desarrollo profesional y casi cualquier espacio donde se espera que las personas aprendan mientras la vida sigue moviéndose alrededor.
Así que sí, necesitamos hablar su idioma.
Necesitamos diseñar aprendizajes que se sientan relevantes. Necesitamos crear experiencias que resuenen. Necesitamos usar medios, storytelling, interactividad, IA, automatización y herramientas digitales de formas que vuelvan el aprendizaje más accesible, atractivo y útil.
Pero hablar el idioma del estudiante no significa rendirse ante cada tendencia.
Significa traducir principios sólidos de aprendizaje a los entornos donde las personas realmente viven y trabajan.
Significa usar herramientas nuevas para sostener verdades viejas, no fingir que cada herramienta nueva reemplaza todo lo que ya sabemos.
Ese es el equilibrio.
Usar la teoría vieja. Usar las herramientas nuevas. No confundir novedad con calidad. No confundir automatización con impacto. No confundir que un agente haga más con que un humano aprenda más.
El punto medio es donde vive la madurez
Creo que la próxima etapa de la madurez en IA no va a depender de quién tenga más agentes autónomos.
Va a depender de quién pueda diseñar los sistemas más apropiados.
Sistemas donde las reglas hagan lo que las reglas hacen bien. Donde la automatización haga lo que la automatización hace bien. Donde la IA haga lo que la IA hace bien. Y donde los humanos sigan involucrados cuando importan el criterio, la ética, el contexto, el gusto, la interpretación y la responsabilidad.
Eso puede sonar menos emocionante que un futuro completamente autónomo, pero probablemente está mucho más cerca de lo que las organizaciones realmente necesitan.
Porque el objetivo no es automatizar todo.
El objetivo es hacer el trabajo mejor.
El objetivo no es sacar a los humanos del circuito.
El objetivo es ubicar el criterio humano exactamente donde crea más valor.
El objetivo no es usar la tecnología más nueva en todos lados.
El objetivo es diseñar sistemas que sean útiles, sostenibles, explicables y seguros.
Por eso “lo viejo funciona” se siente tan relevante ahora.
No porque el pasado haya sido mejor. No porque el futuro sea peligroso. Sino porque algunas ideas viejas todavía nos protegen de errores muy modernos.
Los límites claros todavía funcionan. Los árboles de decisión todavía funcionan. Las checklists todavía funcionan. La derivación humana todavía funciona. El diseño instruccional todavía funciona. La teoría del aprendizaje todavía funciona. La revisión manual todavía funciona. El sentido común todavía funciona.
Y la IA funciona mejor cuando dejamos de pedirle que reemplace todas esas cosas.
Quizás el verdadero futuro no sea completamente tradicional ni completamente futurista. Quizás el verdadero futuro sea híbrido.
Un futuro donde sepamos cuándo automatizar, cuándo generar, cuándo pausar, cuándo revisar, cuándo simplificar y cuándo dejar que lo viejo haga lo que siempre hizo bien.
Porque a veces, lo más maduro que podemos decir sobre un proceso no es:
“Hagámoslo agéntico.”
A veces es:
“Lo viejo funciona.”
