Habilidades complementarias a la IA: qué contratar y desarrollar hoy

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

Las habilidades complementarias a la IA son las capacidades humanas que ganan valor, y no lo pierden, a medida que la IA produce más del primer borrador: definir el problema correcto antes de que alguien empiece a generar respuestas, ejercer el juicio cuando la evidencia es incompleta, verificar y detectar una respuesta equivocada que suena convincente, aplicar una profundidad de dominio suficiente para saber cuándo algo no cuadra, fijar el contexto y delegar en agentes de IA como lo haría con una persona recién contratada, y hacer el trabajo relacional que determina si algo de lo anterior termina adoptándose.

«Las habilidades blandas importan más ahora» es cierto, y a la vez casi inútil como instrucción de contratación. No le dice a un reclutador qué evaluar, no le dice a un gerente qué desarrollar en un integrante del equipo y no distingue a un candidato que realmente tiene buen juicio de uno que simplemente transmite seguridad. Este artículo intenta ser más específico: cómo se ven estas habilidades en la práctica, qué evidencia indica que están cambiando, qué pedir cuando se contrata y un ejemplo honesto de una habilidad que se promocionó como duradera y no lo es (la ingeniería de prompts).

Datos clave

• El pensamiento analítico es la habilidad central más demandada por los empleadores en 2025, y cerca de siete de cada diez empresas la consideran esencial, mientras que la IA y el big data encabezan la lista de las habilidades de más rápido crecimiento que los empleadores esperan necesitar hasta 2030. Fuente: World Economic Forum, Future of Jobs Report 2025
• Los empleadores esperan que el 39% de las habilidades centrales que exige el mercado laboral cambie de aquí a 2030, una prueba de que el conjunto de habilidades se está transformando y no se está diluyendo en una única categoría de «habilidades de IA». Fuente: World Economic Forum, Future of Jobs Report 2025
• Al preguntarles qué habilidades humanas importan más a medida que la IA asume más trabajo, los trabajadores pusieron en primer lugar el control de calidad de lo que produce la IA (50%) y en segundo el pensamiento crítico, es decir, razonar a partir de la información y formarse un juicio (46%). Fuente: Microsoft Work Trend Index 2026
• El 86% de los trabajadores afirma que trata lo que produce la IA como un punto de partida y no como una respuesta final, y que sigue siendo responsable del razonamiento que hay detrás, lo más cercano a una norma de verificación en la práctica que muestran los datos hoy. Fuente: Microsoft Work Trend Index 2026
• Los datos de Skills on the Rise 2026 de LinkedIn muestran que las habilidades técnicas de IA y las habilidades humanas basadas en las relaciones (colaboración entre áreas, liderazgo, comunicación ejecutiva) aceleran su demanda casi al mismo ritmo, sin que una reemplace a la otra. Fuente: LinkedIn, Skills on the Rise 2026
• Un estudio de Stanford RegLab de 2024/2025 encontró que las principales herramientas comerciales de investigación jurídica con IA, promocionadas como libres de alucinaciones, aun así inventaron o describieron mal citas en entre el 17% y el 33% de las consultas evaluadas, un recordatorio concreto de que la profundidad de dominio es lo que detecta un error que un generalista pasaría por alto. Fuente: Stanford RegLab, "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools"
• Un estudio aleatorizado de 2026 con 1,339 docentes griegos encontró que era significativamente más probable que aceptaran una calificación injustamente severa cuando se les decía que provenía de un algoritmo que cuando se les decía que esa misma calificación provenía de un colega humano, lo que amplió la brecha de equidad resultante en cerca de un 22%, prueba de que incluso los profesionales capacitados muestran sesgo de automatización hacia lo que se etiqueta como producido por IA. Fuente: PNAS Nexus, Goulas, Megalokonomou & Sotirakopoulos, 2026

Las habilidades que realmente resisten

Estas seis aparecen, bajo distintas formas, en la evidencia anterior. Ninguna es una virtud nueva inventada para la era de la IA. Lo nuevo es cuánto más valen ahora que generar un primer borrador de apariencia convincente resulta barato.

Definición del problema: decidir qué pregunta hay que responder

La IA es muy buena para producir una respuesta a la pregunta que usted le hizo. Es mucho peor para decirle que hizo la pregunta equivocada. Alguien le pide a un sistema de IA que «reduzca el churn» y recibe una lista de tácticas de retención, cuando el problema real era un plan mal valorado que nunca debió venderse a ese segmento. El modelo respondió fielmente; quien formuló la solicitud la apuntó al objetivo equivocado.

Por eso el pensamiento sistémico gana valor en lugar de perderlo. Definir bien implica entender cómo se conecta un problema con los sistemas que lo rodean: qué está aguas arriba, qué es un síntoma y qué es una causa, y qué tendría que incluir una «buena respuesta» para ser útil. La IA puede ejecutar dentro de un marco. No puede decirle con fiabilidad que el marco está mal, porque no tiene una forma independiente de saber qué quería usted resolver en realidad.

Juicio bajo incertidumbre: decidir cuando la evidencia no es limpia

Los modelos de IA son seguros de sí mismos por defecto. Producirán una respuesta fluida y bien estructurada tanto si la evidencia subyacente es sólida, escasa o contradictoria, y la fluidez del resultado no da ninguna señal de cuál de esos casos es. Un pronóstico construido con tres meses de datos ruidosos se lee tan pulido como uno construido con tres años de una tendencia estable.

La toma de decisiones bajo incertidumbre genuina, donde la respuesta honesta es «no lo sabemos del todo, y así es como estoy ponderando eso», es una habilidad distinta de decidir cuando los datos están limpios. También es una de las dos habilidades que los trabajadores colocan más arriba a medida que la IA asume más ejecución, según el Work Trend Index 2026 de Microsoft citado arriba. Quien puede decir «esta recomendación supone X, y X es frágil» está haciendo un trabajo que un sistema de IA no puede hacer por sí mismo, porque no sabe lo que no sabe.

Verificación y detección de errores: atrapar la respuesta equivocada que suena convincente

Esta es la habilidad que más directamente se desprende de «la IA hace más de la ejecución»: alguien tiene que revisar esa ejecución. Pero revisar no es lo mismo que ojear. El estudio de Stanford RegLab citado en los Datos clave encontró que herramientas jurídicas de IA promocionadas como libres de alucinaciones aun así inventaron o distorsionaron citas en entre el 17% y el 33% de las consultas evaluadas. Esos errores no eran obviamente erróneos. Eran lo bastante verosímiles como para pasar una lectura rápida, y por eso llegaron a los escritos judiciales antes de que alguien los detectara.

La revisión human-in-the-loop solo funciona si la persona involucrada está en posición de detectar el tipo específico de error que probablemente produzca una alucinación de la IA, y no solo de echar un vistazo al formato y al tono. Esa distinción, entre una revisión que detecta errores y una que solo añade demora, es toda la diferencia entre que esta habilidad sea real o sea teatro.

Profundidad de dominio: por qué la experiencia es lo que permite detectar el error

La verificación solo funciona si usted sabe lo suficiente para reconocer lo incorrecto. Un generalista que lee una cláusula contractual, un modelo financiero o un resumen clínico generado por IA puede comprobar que sea coherente internamente y esté bien escrito. Solo alguien con profundidad real en ese dominio puede detectar la cláusula que es coherente, está bien escrita y aun así es incorrecta, porque el error reside en un conocimiento de dominio que el modelo manejó con una ligera imprecisión, no en la presentación superficial.

Este es el argumento más sólido contra la idea de que la IA aplana el valor de la experiencia. Hace lo contrario con la parte de la experiencia que consiste en contrastar patrones con la pregunta «¿esto se ve bien en el mundo real?», frente a la parte que consistía sobre todo en velocidad de tecleo o en recordar cosas que de todos modos se podían consultar. La visión de negocio, construida a lo largo de años viendo cómo se comporta realmente una industria o una función concretas, es lo que le dice que la proyección generada por IA se equivoca por un orden de magnitud antes de que llegue a un cliente. Para muchos especialistas, esa profundidad también era parte de cómo se veían a sí mismos en el trabajo, y por eso el sentido, la identidad y el oficio en la era de la IA trata la pérdida de la oportunidad de construirla como algo más que una brecha de competencias.

Fijación de contexto y delegación: gestionar agentes como a una persona recién contratada

A medida que los sistemas de IA pasan de responder preguntas sueltas a actuar mediante agentes de IA que planifican y ejecutan trabajo de varios pasos, surge una habilidad nueva que sostiene todo lo demás: fijar los límites, los objetivos y las reglas de escalamiento antes de que empiece el trabajo, porque muchas veces usted no está presente mientras el agente lo realiza. Esa es una habilidad de delegación, no de redacción de prompts. Se parece más a escribir una descripción de cargo y un conjunto de límites para un empleado nuevo que a formular bien una consulta de búsqueda.

Las empresas que ya operan con equipos de personas y agentes están descubriendo que la calidad del resultado depende en gran medida de lo bien que alguien definió el alcance inicial, qué puede decidir el agente por sí solo y cuándo debe consultar de nuevo. Si eso se hace mal, o se convierte al agente en un cuello de botella por aprobaciones triviales, o se lo deja correr sin supervisión hacia un error que nadie detecta hasta que ya es costoso.

Trabajo relacional: lo que determina si algo de esto se adopta

Ninguna de las cinco primeras habilidades importa si nadie confía en la persona que las aplica, o si la recomendación muere en una reunión porque no se presentó de una forma en la que las partes interesadas pudieran actuar. La construcción de relaciones, es decir, la capacidad de ganarse la confianza, leer a la sala y negociar apoyo entre áreas, nunca fue algo que la IA amenazara con reemplazar, y el aumento de resultados generados por IA la ha hecho más visible, no menos. Alguien tiene que ser la persona a quien un VP escéptico le cree cuando dice «lo revisé y es correcto». Esa confianza se gana con el tiempo, en persona, y no se transfiere a un modelo, que es exactamente la lógica detrás de la prima humana: algunos puntos de contacto siguen a cargo de una persona porque la evidencia dice que allí gana un humano, no por costumbre.

También hay una versión más silenciosa de esto: la investigación sobre la confianza cuando su compañero de equipo es una IA muestra que las personas conceden o niegan su confianza al trabajo tocado por la IA en parte según quién lo respalde. La habilidad relacional y la de verificación se refuerzan mutuamente. Verificar sin la credibilidad necesaria para que le crean no cambia ninguna decisión.

Lo que no resiste: la ingeniería de prompts como caso de estudio

Vale la pena mencionar con honestidad la ingeniería de prompts porque es el ejemplo más claro de una habilidad que se vendió como una apuesta profesional duradera y resultó ser transitoria. A principios de 2023, aprender a formular instrucciones con cuidado para un modelo de lenguaje parecía una especialidad genuinamente escasa y bien remunerada. Para 2026, esa habilidad específica, la de elegir la redacción exacta para compensar el literalismo de un modelo, se ha integrado en gran medida a otros puestos en lugar de sobrevivir como un cargo propio. La razón de fondo es sencilla: a medida que los modelos mejoraron para manejar instrucciones simples e imprecisas y para hacer ellos mismos preguntas aclaratorias, el valor de ser un «traductor» especializado entre personas y modelos se redujo. Lo que sigue siendo útil, entender qué necesita un sistema de IA para hacer bien una tarea, estructurar el contexto, darle los ejemplos adecuados, no ha desaparecido. Simplemente dejó de ser un trabajo independiente y pasó a ser una expectativa básica integrada en puestos como gestión de producto de IA, ingeniería de IA aplicada y posiciones de especialista de dominio que usan mucho la IA.

La lección se generaliza más allá de la ingeniería de prompts en sí: cualquier habilidad cuyo valor dependa por completo de compensar una limitación específica y actual de las herramientas de IA corre riesgo en cuanto esa limitación se resuelva con ingeniería. Es un filtro útil para evaluar la próxima afirmación de «habilidad esencial de IA» que aparezca en una oferta de empleo. Pregúntese si la habilidad seguiría importando si el modelo subyacente mejorara drásticamente en aquello que la habilidad compensa. La definición del problema, el juicio, la verificación, la profundidad de dominio, la delegación y el trabajo relacional superan esa prueba. Un parche puntual para una herramienta, por lo general, no.

Habilidad, motor de valor y señal de contratación

Qué pedir realmente al contratar

Las descripciones de cargo que enumeran «sólidas habilidades de comunicación» y «comodidad con herramientas de IA» no filtran casi nada. Un enfoque mejor es pedir evidencia ligada a la habilidad específica, usando trabajo real en lugar de autodescripciones.

Preguntas que realmente evalúan esto

En lugar de «¿es usted bueno en pensamiento crítico?», pídale al candidato que relate una ocasión en que no estuvo de acuerdo con una recomendación, generada por IA o no, y tuvo que decidir si la anulaba. En lugar de «¿qué tan cómodo se siente con la IA?», pídale que revise en vivo un resultado defectuoso generado por IA y explique qué revisaría primero y por qué. En lugar de «¿tiene habilidades de liderazgo?», pregunte por un caso concreto en que tuvo que lograr que una audiencia escéptica actuara sobre algo que sabía que era correcto.

El patrón en todas estas: el comportamiento pasado con detalles supera a una autoevaluación, y un ejercicio en vivo supera a una pregunta sobre el pasado siempre que pueda organizarse uno, porque es mucho más difícil fingir una verificación competente en la sala que describirla de manera convincente después.

Cómo suena una buena respuesta frente a una ensayada

Una respuesta ensayada a «¿cómo usa la IA?» suena a lista de funciones: qué herramientas, qué prompts, qué atajos. Una respuesta genuina suena a proceso de decisión: qué genera con IA, qué nunca da por bueno sin una segunda mirada y, específicamente, por qué ese límite está donde está para su tipo de trabajo. La segunda respuesta revela pensamiento crítico de una manera en que la primera no, porque muestra que el candidato realmente ha pensado en dónde su propio juicio aporta valor y dónde resulta redundante.

La alfabetización en IA como señal de contratación no consiste en «¿ha usado ChatGPT?». Consiste en si puede articular, con precisión, dónde confiaría en lo que produce un sistema de IA sin revisarlo y dónde no, para el trabajo concreto que haría. El entusiasmo vago y la sospecha vaga son señales más débiles que un límite específico y defendible.

Desarrollar estas habilidades en un equipo que ya tiene

La mayoría de las organizaciones no contrata desde cero para cada una de estas habilidades; intentan desarrollarlas en las personas que ya están en el equipo. La versión práctica de ese trabajo suele empezar por hacer de la verificación una parte nombrada y visible de un puesto, en lugar de una tarea de fondo que se da por supuesta. Si el trabajo de nadie incluye explícitamente «detectar los errores de la IA en este workflow», tiende a no hacerse de manera fiable, porque compite con trabajo más rápido y más visible.

También significa dar a las personas las repeticiones de dominio que construyen el reconocimiento de patrones descrito antes. Nadie puede desarrollar el instinto de «este número generado por IA se ve raro» sin haber estado antes lo bastante expuesto a cómo se ve lo correcto, lo que va en contra de entregar por completo a la IA el trabajo más cargado de ejecución y menos cargado de juicio mientras el personal junior nunca construye la base de experiencia que necesitaría para supervisarla más adelante. Esa disyuntiva, entre velocidad hoy y experiencia dentro de cinco años, es algo que los líderes deberían decidir a propósito y no por defecto.

En el plano operativo, aquí es también donde los datos de la fuerza laboral justifican su valor. La app People de Rework existe en parte para esto: combina el seguimiento de habilidades y competencias con los datos de workflow que muestran quién está construyendo realmente juicio en el trabajo, y no solo quién completó un módulo de capacitación. Es una pieza pequeña de una pregunta mucho más grande, pero es un buen punto de partida si hoy no tiene una visión clara de quién en su equipo posee las habilidades que describe este artículo.

Nada de esto sostiene que la IA esté volviendo a las personas menos capaces. Está redibujando qué capacidades cargan con el peso. Un equipo que pasó la última década optimizando para quién podía producir más resultados más rápido ahora necesita optimizar para quién puede definir el problema correcto, sostener una decisión defendible y detectar el error que nadie más en la sala habría visto. Eso es más difícil de evaluar de lo que nunca fue la velocidad de tecleo, y por eso las organizaciones que lo hagan bien desde temprano operarán con una ventaja real y acumulativa sobre las que sigan escribiendo descripciones de cargo para una fuerza laboral que ya no existe.