Las escuelas siguen buscando habilidades que las máquinas no puedan sustituir. Esa estrategia convierte la capacidad de las máquinas en el punto de referencia del desarrollo humano. Cada avance de la IA obliga a las escuelas a revisar qué consideran propio de las personas.

El conocimiento personal ofrece una base más sólida para la ventaja humana: lo que las personas desarrollan a través de la experiencia, el juicio, las relaciones, el contexto y el propósito, y que aplican cuando el problema, el camino o el valor que se quiere crear siguen sin definirse por completo.

Investigadores del Digital Economy Lab de Stanford, que analizaron datos de nóminas de millones de trabajadores de Estados Unidos hasta junio de 2026, no encontraron evidencia de un desplazamiento laboral generalizado causado por la IA en el conjunto de la economía. Sí encontraron una diferencia marcada según la edad y la exposición de cada ocupación. Entre los trabajadores de 22 a 25 años en ocupaciones con alta exposición a la IA, el empleo se situaba un 19 % por debajo del nivel que habría alcanzado si hubiera seguido el ritmo del empleo juvenil en ocupaciones con menor exposición. Los trabajadores con experiencia en esos mismos campos no mostraban una brecha comparable. La diferencia ha crecido desde 2025 y aparece sobre todo en la reducción de las contrataciones, con menos peso de los despidos (Brynjolfsson, Chandar, & Chen, 2026).

Los investigadores advierten que estos hallazgos son descriptivos y no establecen una relación causal. Aun con ese límite, el patrón aparece en la transición para la que la educación formal debe preparar a las personas: la entrada al trabajo profesional.

Durante generaciones, esa transición siguió una estructura reconocible. Las personas estudiaban un campo, obtenían una credencial, ingresaban en los primeros niveles de una ocupación y avanzaban hasta la jubilación. Los contadores principiantes conciliaban cuentas antes de tomar decisiones financieras de peso. Los jóvenes abogados investigaban precedentes y redactaban documentos antes de asesorar a sus clientes. Los analistas elaboraban informes antes de definir estrategias. Los programadores escribían código rutinario antes de diseñar sistemas.

Esos puestos de entrada daban empleo y situaban a los principiantes dentro de comunidades de práctica. Lave y Wenger (1991) describieron el aprendizaje como un movimiento desde la participación periférica hacia una participación más plena en esas comunidades. Buena parte del saber profesional se desarrolla así, mediante el trabajo junto a personas que conocen el oficio. Pero ese antiguo contrato ha caducado.

La IA puede realizar una proporción creciente de las tareas codificadas que se asignan a quienes comienzan su carrera. La Organización Internacional del Trabajo estima que uno de cada cuatro empleos en el mundo tiene algún grado de exposición a la IA generativa. Las ocupaciones administrativas siguen siendo las más expuestas, mientras crece la exposición en campos profesionales y técnicos con un alto grado de digitalización. La OIT prevé que la transformación de las ocupaciones será más común que su eliminación, porque la mayoría de los empleos conserva tareas que requieren participación humana (Gmyrek et al., 2025).

Esa transformación puede reducir las oportunidades de quienes comienzan. Una ocupación puede sobrevivir y emplear a menos principiantes. Una empresa puede conservar a contadores, programadores, analistas, consultores y directivos con experiencia mientras automatiza una parte del trabajo inicial que le permite contratar a menos personas en los niveles inferiores.

Para la educación, el problema tiene dos vertientes. Los graduados pueden encontrar menos puntos de entrada al trabajo profesional, mientras las organizaciones debilitan el proceso mediante el cual los principiantes adquieren experiencia. Esto plantea una cuestión de fondo: la escalera profesional puede haber dejado de describir cómo se organiza la vida laboral.

La escalera profesional que conocemos se ha derrumbado

La escalera profesional supone un modelo organizativo basado en divisiones estables del trabajo. Los empleos ocupan casillas, las casillas pertenecen a departamentos, la autoridad sigue las líneas jerárquicas y la experiencia se acumula a través de puestos de mayor rango.

La educación se desarrolló junto con ese modelo. Las asignaturas se convirtieron en disciplinas, las disciplinas en títulos, los títulos se vincularon con ocupaciones y las ocupaciones ofrecieron caminos reconocibles de ascenso. Esa correspondencia tuvo límites, pero contó con la estabilidad necesaria para organizar instituciones y expectativas.

La IA permite separar las tareas de los empleos que antes las agrupaban. La investigación, la redacción, el análisis, la programación, la gestión de horarios, la documentación, el seguimiento, la coordinación y el apoyo a las decisiones rutinarias pueden abordarse como tareas separadas. Algunas pueden automatizarse; otras pueden quedar en manos de menos personas que trabajan con máquinas. Los equipos pueden formarse en torno a problemas y proyectos sin reproducir cada nivel de la jerarquía que organizaba ese trabajo.

El trabajo directivo puede dividirse en tareas. Los sistemas algorítmicos asignan tareas, supervisan a los trabajadores, evalúan su desempeño y ejercen formas de control organizativo que se asociaban a los supervisores humanos (Kellogg, Valentine, & Christin, 2020). Los sistemas con mayores capacidades extienden esas funciones a la síntesis, la planificación, la coordinación y el apoyo a las decisiones. Un directivo que los utiliza puede supervisar un trabajo que antes requería varios niveles de apoyo administrativo.

Por ello, la automatización parcial puede reorganizar la jerarquía sin eliminar las ocupaciones. Las empresas pueden ampliar el alcance de las responsabilidades, suprimir niveles de coordinación y organizar el trabajo mediante combinaciones cambiantes de empleados, especialistas, contratistas y máquinas. Para los trabajadores, crear valor puede depender de su capacidad de moverse entre problemas, proyectos, tecnologías, campos y relaciones, mientras pierden peso las secuencias previsibles de ascenso.

Aunque conocen los límites de ese modelo, las escuelas siguen dedicando buena parte de sus esfuerzos a preparar a las personas para las casillas.

Una ventaja humana mal planteada

Gran parte de la respuesta educativa a la IA se ha centrado en capacidades humanas que se consideran duraderas: creatividad, empatía, pensamiento crítico, colaboración, liderazgo y comunicación, entre otras.

Estas capacidades tienen valor por sí mismas. Ofrecen una base débil para una estrategia de IA cuando su valor depende de que las máquinas sean incapaces de ejercerlas. Las capacidades de las máquinas cambian a un ritmo que impide basar los planes de estudio en sus límites actuales. Una capacidad que hoy se considera propia de las personas puede ser reproducida o aproximada por las máquinas en el futuro, lo que exige a las escuelas volver a trazar la frontera.

Una ventaja humana definida por las limitaciones de las máquinas pertenece a las máquinas.

El error consiste en tratar la ventaja humana como una categoría residual: lo que queda después de la automatización. Ese enfoque deja intacta la estructura del trabajo y pregunta dónde pueden seguir encajando las personas.

Una pregunta más útil es qué valor nuevo puede crear una persona con lo que sabe. Para responder, necesitamos precisar qué entendemos por conocimiento.

De la información al valor nuevo

Los sistemas de IA tienen una gran capacidad para trabajar con datos e información. Pueden procesar enormes cantidades de material registrado, identificar patrones, recombinar representaciones, producir análisis, generar alternativas y actuar sobre la información que procesan. Sus resultados pueden parecerse a los productos del conocimiento humano con un alto grado de fidelidad.

Utilizo conocimiento en un sentido más acotado. Michael Polanyi sostuvo que el saber humano supera lo que una persona puede expresar. La habilidad, el reconocimiento, el juicio, la práctica y la experiencia contribuyen a lo que las personas saben incluso cuando no pueden traducir ese conocimiento en un conjunto completo de reglas (Polanyi, 1966).

David Autor describió el problema que esto plantea para la automatización como la paradoja de Polanyi: las personas realizan tareas cuyas reglas no pueden expresar por completo, lo que durante mucho tiempo dificultó la automatización de numerosas formas de trabajo (Autor, 2015).

Ikujiro Nonaka situó la relación entre el conocimiento tácito y el explícito en el centro de la creación de conocimiento organizativo. Según su análisis, el conocimiento nuevo se desarrolla mediante la interacción entre ambos. Los individuos crean conocimiento a través de la experiencia y la interpretación, mientras las organizaciones ofrecen estructuras que permiten expresarlo, compartirlo y ampliarlo (Nonaka, 1994).

La IA alcanza formas de trabajo que parecían resistirse a la automatización porque resultaba difícil especificar sus reglas. Esto da mayor importancia a la distinción entre información y conocimiento personal.

Un sistema puede procesar una extensa bibliografía sobre enseñanza sin haber enseñado a un niño concreto. Puede modelar una organización a partir de sus documentos sin haber pasado años aprendiendo por qué los procedimientos formales difieren de la práctica, qué relaciones mantienen unida a la institución o por qué una decisión que parece sensata fracasará en ese contexto.

El conocimiento humano se desarrolla mediante la participación. La experiencia se acumula a través de la memoria, las relaciones, la cultura, el juicio, los errores, los compromisos, los intereses y el propósito. Parte de ese conocimiento puede expresarse; otra parte se hace visible cuando una situación lo exige. Utilizo conocimiento personal para describir esa integración de información, experiencia y juicio en una persona concreta.

La IA cambia la economía de la información porque cambia lo que escasea. La lógica económica clásica asociada con Smith conserva su vigencia: la escasez importa. Lo que cambia es el recurso escaso. La recuperación, la síntesis, la comparación, la explicación, la traducción y la recombinación de información pueden realizarse con un costo marginal muy bajo. Por ello, la información codificada pierde parte del valor que le daba su escasez, mientras ganan importancia el juicio, el contexto, la confianza, la experiencia, el acceso, la propiedad y la capacidad de decidir qué hacer con esa información (Smith, 1776/1976).

La educación formal se desarrolló cuando el acceso a la información tenía muchas más restricciones. Las escuelas y universidades eran puntos de acceso a libros, expertos, laboratorios, archivos, credenciales y campos especializados del saber. En consecuencia, buena parte de la escolarización se organizó en torno a adquirir, retener y ordenar información, y demostrar su dominio.

Cuando la información abunda, pierde fuerza la justificación de organizar el aprendizaje en torno a su adquisición y reproducción. La pregunta educativa pasa a ser qué puede hacer una persona con lo que sabe.

Una secuencia útil va de los datos a la información, de la información al conocimiento y del conocimiento a la innovación. Los datos adquieren significado mediante su organización e interpretación. La información se convierte en conocimiento personal cuando una persona la integra con su experiencia, contexto, juicio y propósito. La innovación surge mediante la aplicación: el conocimiento que una persona utiliza en una situación para crear valor nuevo.

Ese valor puede ser comercial, científico, cívico, artístico, educativo, tecnológico o social: una idea científica, una empresa, un servicio público mejor, una obra de arte, una institución comunitaria, una práctica docente, una solución técnica o una nueva formulación de un problema que permite actuar a otras personas.

La innovación comienza cuando alguien reconoce una posibilidad que la información disponible no define por sí sola. El problema aceptado puede estar mal formulado. El conocimiento de un campo puede resultar útil en otro. Una conexión entre personas puede importar más que otro análisis. Una solución técnica eficiente puede fracasar porque ignora la cultura, la confianza, la historia o la motivación humana.

Esta es la ventaja humana que las escuelas deberían desarrollar: la capacidad de aplicar conocimiento personal cuando el problema, el camino o el valor que se quiere crear siguen abiertos.

El regreso del knowmad

Comencé a desarrollar el concepto de knowmad a finales de la década de 2000. En 2008, utilizaba el término para describir a un «trabajador nómada del conocimiento»: una persona capaz de trabajar en contextos sociales, organizativos y tecnológicos cambiantes (Moravec, 2008). Desarrollé el concepto en el libro escrito en coautoría Aprendizaje invisible (Cobo & Moravec, 2011) y en «Knowmad Society: The “New” Work and Education» (Moravec, 2013), con énfasis en el conocimiento personal, la movilidad contextual, las redes, la innovación y las formas cambiantes del trabajo.

La movilidad que define al knowmad es contextual: la capacidad de llevar conocimiento, juicio, relaciones y formas de trabajo a situaciones nuevas y recombinarlos en ellas. El desplazamiento físico puede formar parte de esa experiencia, pero el concepto se refiere al cambio de contexto. Los knowmads conectan conocimiento, personas e ideas entre contextos para crear valor donde los roles o procedimientos establecidos ofrecen poca orientación.

Las condiciones a las que el concepto buscaba responder cobran relieve a medida que la IA asume más trabajo codificado y las estructuras organizativas pierden previsibilidad. La capacidad knowmádica incluye aprender entre contextos, formular problemas, ejercer el juicio, conectar personas y campos, trabajar con tecnologías y reconocer oportunidades de contribuir. Su valor se hace visible cuando ningún guion profesional predefinido explica qué viene después.

Un knowmad puede ampliar esa capacidad con IA y utilizar las máquinas para buscar, modelar, calcular, traducir, simular, automatizar tareas rutinarias y poner a prueba posibilidades a una escala que una persona no podría manejar por sí sola.

La capacidad knowmádica importa cuando los roles y procedimientos establecidos ofrecen poca orientación: al reconocer qué importa, formular problemas, conectar contextos, ejercer el juicio y decidir qué vale la pena crear.

Educar para cada persona

Las escuelas pueden orientar su trabajo hacia el conocimiento de sus estudiantes, para ayudarles a desarrollar lo que distingue su saber, sus intereses, su juicio y su capacidad de contribuir. Esa orientación les da una base para actuar sin tener que predecir las ocupaciones de 2035 ni identificar un catálogo permanente de habilidades exclusivas de los seres humanos.

Los planes de estudio, horarios, asignaturas, evaluaciones y credenciales comunes responden a problemas reales de escala y acceso público. El conocimiento compartido importa. Las disciplinas importan. Los estándares pueden proteger a quienes aprenden de expectativas arbitrarias y de un acceso desigual a conocimientos que amplían sus posibilidades. La estandarización distorsiona la educación cuando los resultados comunes pasan a definir su propósito.

Cada estudiante aporta experiencias previas, intereses, relaciones, capacidades, conocimientos culturales, preguntas y formas de ver. El conocimiento personal necesita sustancia, por lo que las escuelas deben poner a los estudiantes en contacto con las matemáticas, la ciencia, la historia, la lengua, el arte, la filosofía, la tecnología, los oficios, las comunidades y personas cuyos conocimientos difieran de los propios.

La instrucción directa, la práctica y la repetición tienen un papel en ese proceso. Los principiantes necesitan comprender un campo para ejercer un juicio informado. El conocimiento disciplinar, el dominio técnico y la práctica reiterada ofrecen el material a partir del cual se desarrolla el conocimiento personal. Dominar ese material abre la posibilidad de aplicarlo y darle nuevos usos.

Los estudiantes necesitan utilizar lo que aprenden. Necesitan oportunidades sostenidas para trabajar en problemas cuyas soluciones se desconocen, emprender proyectos con consecuencias que trasciendan una calificación, conocer saberes fuera del aula, emitir juicios bajo incertidumbre y descubrir conexiones que el programa de estudios no había previsto.

Si el trabajo rutinario de los puestos de entrada pierde su función de aprendizaje del oficio, las escuelas y los empleadores tendrán que crear otras formas de que los principiantes adquieran juicio. Esto exige una participación sostenida en trabajo con consecuencias: prácticas supervisadas, simulaciones en las que las decisiones tengan efectos visibles, trabajo junto a profesionales con experiencia y oportunidades reiteradas de tomar decisiones, recibir comentarios e intentarlo de nuevo. El conocimiento tácito se desarrolla mediante la experiencia, la observación, la corrección y una participación que asume responsabilidades crecientes. Su desarrollo requiere esas condiciones, que la entrega de contenidos no puede sustituir.

Los docentes son centrales en este trabajo. Pueden reconocer un interés emergente, cuestionar un supuesto débil, presentar a un estudiante un campo o una persona, exigir mayor rigor intelectual y ayudar a quienes aprenden a interpretar lo que la experiencia les ha enseñado.

Esta educación exige trabajo y atención sostenida a lo que cada estudiante desarrolla y a lo que podría ayudarle a avanzar. Los sistemas estandarizados han tratado esa atención como un problema que debía eliminarse mediante el diseño. A medida que la IA asume más producción cognitiva estandarizada, la atención humana adquiere mayor valor.

El problema de la escala persiste, pero cambia lo que las escuelas deberían intentar ampliar. Un sistema puede organizar estructuras de asesoramiento con grupos pequeños, infraestructura compartida para proyectos, alianzas comunitarias, protocolos comunes de evaluación y tecnologías que reduzcan el trabajo administrativo. Esas condiciones permiten dedicar más atención humana a las relaciones y al desarrollo del juicio personal, que exigen un trato sostenido con cada persona. La escala plantea un problema de diseño institucional; resolverlo requiere examinar cómo apoyar esa atención, en lugar de definir la educación por lo que resulta más fácil estandarizar.

Tabla 1. Qué cambia cuando las escuelas toman en serio el conocimiento personal.

Dimensión educativa La apuesta predominante Una apuesta knowmádica Qué cambia en la práctica
Propósito Preparar a los estudiantes para demostrar conocimientos y capacidades especificados. Desarrollar personas que puedan aplicar conocimiento personal para crear valor en contextos cambiantes. Se espera que los estudiantes utilicen lo que saben para hacer, cambiar, resolver, contribuir o crear.
Currículo Determinar de antemano qué deberían saber los estudiantes y organizarlo en cursos. Construir bases disciplinares sólidas y ayudar a los estudiantes a conectar conocimientos entre contextos. El trabajo sostenido cruza fronteras disciplinares cuando el problema lo exige.
Problemas Dar a los estudiantes problemas cuya forma, información pertinente y solución esperada se conocen. Desarrollar la capacidad de reconocer, formular e investigar problemas que aún carecen de una definición precisa. Los estudiantes asumen mayor responsabilidad al definir preguntas, restricciones, métodos y criterios de éxito.
Conocimiento Tratar el dominio de la información establecida como la principal prueba de aprendizaje. Integrar la información explícita con la experiencia, el juicio, las relaciones y el contexto. La práctica, el trabajo de campo, el diálogo, la reflexión, la creación y la participación contribuyen a lo que saben los estudiantes.
Aplicación Utilizar ejercicios para demostrar el dominio de los contenidos. Aplicar conocimiento personal cuando el resultado tiene valor más allá de demostrar ese dominio. Los estudiantes trabajan con organizaciones, comunidades, públicos, problemas y consecuencias reales.
Docente Transmitir, explicar, secuenciar y evaluar el aprendizaje prescrito. Conocer a los estudiantes para desafiar, conectar, orientar y ampliar su desarrollo. El asesoramiento, la mentoría, los comentarios, los contactos y el desafío intelectual individual forman parte central de la labor docente.
Estudiante Avanzar por una secuencia común hacia resultados predeterminados. Construir un cuerpo propio de conocimiento personal y aprender a aplicarlo entre contextos. Los estudiantes ejercen mayor autoridad sobre las preguntas, los proyectos, los colaboradores, las herramientas y las direcciones de su trabajo.
Relaciones Organizar el aprendizaje en torno a las relaciones dentro de la institución. Tratar las redes y las comunidades como parte del desarrollo del conocimiento. Los estudiantes trabajan con profesionales, expertos, comunidades, mentores y colaboradores fuera del aula.
IA Utilizar la IA para mejorar la eficiencia o el desempeño en las tareas educativas existentes. Utilizar la IA como recurso de datos e información dentro del trabajo humano de conocimiento. Los estudiantes utilizan las máquinas para buscar, sintetizar, simular, analizar y producir, y asumen la responsabilidad por el juicio, el propósito y la aplicación.
Evaluación Preguntar si el estudiante alcanzó un estándar predeterminado. Examinar qué puede hacer con su conocimiento cuando el camino no está predeterminado. Las medidas comunes se complementan con investigaciones, portafolios, prototipos, actuaciones, proyectos con consecuencias y defensas.
Éxito Formar graduados cualificados para pasos siguientes identificables. Desarrollar personas capaces de crear pasos siguientes útiles cuando los establecidos dejan de estar disponibles. Las pruebas de juicio, iniciativa, transferencia entre contextos, contribución y creación de valor importan junto con las credenciales.
Nota. Síntesis del autor.

El conocimiento personal cambia lo que debería estandarizarse en la evaluación a escala. Las escuelas pueden exigir a los estudiantes criterios comunes de evidencia, razonamiento, dominio disciplinar, juicio y calidad, y permitir que varíen los problemas, contextos y productos mediante los cuales demuestran esas capacidades. La revisión conjunta de las calificaciones, las rúbricas comunes, la evaluación externa, el muestreo de portafolios y las defensas públicas pueden ofrecer comparabilidad entre distintas tareas. La equidad requiere estándares comunes que permitan valorar diversas demostraciones de aprendizaje.

El problema más difícil de la equidad aparece antes de la evaluación. Los estudiantes llegan a la escuela con un acceso desigual a redes profesionales, mentores, tecnologías, capital cultural y oportunidades con consecuencias. Si las escuelas sitúan el aprendizaje contextual en el centro, asumen la responsabilidad de ofrecer esas oportunidades a todos sus estudiantes. Dejarlas en manos de los recursos familiares haría que la personalización reprodujera las desigualdades que busca superar.

Los límites de la capacidad knowmádica

La capacidad knowmádica no protege por sí sola frente a las perturbaciones económicas. Una persona con iniciativa, conocimientos, creatividad y buenas conexiones puede enfrentar la concentración de la propiedad, la falta de protección laboral, la discriminación, tecnologías inaccesibles o una economía que distribuye de forma injusta las ganancias de la automatización. Crear valor ofrece pocas garantías de recibir una parte justa de él.

La educación puede desarrollar capacidades, pero la distribución del poder, la seguridad y las oportunidades depende de otras decisiones. La capacidad de una persona para actuar bajo incertidumbre depende en parte de las condiciones políticas e institucionales que la rodean. Los derechos que se mantienen al cambiar de empleo, la infraestructura pública, la protección social, el poder de negociación, el acceso al aprendizaje continuo, los sistemas abiertos y la autoridad sobre tecnologías con consecuencias definen si las formas fluidas de trabajo amplían la capacidad de acción o intensifican la precariedad.

La adaptabilidad puede convertirse en una forma de transferir el riesgo. Se pide a los trabajadores que adquieran nuevas habilidades cuando cambia la tecnología. Se dice a los estudiantes que se preparen para las ocupaciones que las instituciones esperan que existan. Cuando esas expectativas fracasan, se pide a los individuos que se adapten de nuevo.

El propósito del aprendizaje knowmádico es desarrollar la capacidad de crear posibilidades con sentido cuando las estructuras establecidas ofrecen menos orientación. Reducir ese aprendizaje a la adaptación continua a los mercados laborales transfiere el riesgo a quienes aprenden y deja sin examinar su margen para influir en el cambio. Para los educadores, esto cambia las preguntas que guían su trabajo: ¿Qué quieres traer al mundo? ¿Qué necesitas aprender, construir o conectar para hacerlo posible?

Una apuesta mejor

Los hallazgos de Stanford podrían ser temporales. Su persistencia y su alcance siguen abiertos, por lo que no permiten dar por establecida una transformación duradera del empleo. La IA podría generar nuevas categorías de trabajo inicial y los empleadores podrían descubrir que reducir los puestos para principiantes perjudica su futura disponibilidad de profesionales con experiencia. La forma que adoptará el mercado laboral sigue siendo incierta.

Las escuelas cuentan con motivos para reconsiderar su apuesta. La información explícita abunda y cuesta menos procesarla. Más tareas cognitivas codificadas pueden automatizarse. La conexión entre un título, un puesto de entrada y una carrera previsible pierde fiabilidad.

El conocimiento profundo sigue siendo indispensable. Los estudiantes necesitan ciencia, matemáticas, historia, lengua, oficios, comprensión técnica y acceso a los logros intelectuales acumulados por otras personas. Necesitan las experiencias mediante las cuales ese conocimiento se vuelve personal: oportunidades para conectarlo con situaciones vividas, contrastarlo con la realidad, llevarlo de un contexto a otro, combinarlo con otras formas de comprensión y aplicarlo para crear algo de valor.

Educar para «lo que las máquinas no pueden hacer» hace que el desarrollo humano dependa de una frontera técnica cambiante. Un enfoque mejor consiste en ayudar a cada persona a desarrollar un conocimiento personal profundo y la capacidad de utilizarlo cuando la respuesta, el camino y el propio problema permanecen abiertos.

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

Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence (revised August 2026). Stanford Digital Economy Lab.

Cobo, C., & Moravec, J. W. (2011). Aprendizaje invisible: Hacia una nueva ecología de la educación. Laboratori de Mitjans Interactius / Publicacions i Edicions de la Universitat de Barcelona.

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (ILO Working Paper No. 140). International Labour Organization. https://doi.org/10.54394/HETP0387

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174

Lave, J., & Wenger, E. (1991). Situated learning: Legitimate peripheral participation. Cambridge University Press. https://doi.org/10.1017/CBO9780511815355

Moravec, J. W. (2008, November 20). Knowmads in Society 3.0. Education Futures. https://educationfutures.com/post/knowmads-in-society-30/

Moravec, J. W. (2013). Knowmad society: The “new” work and education. On the Horizon, 21(2), 79–83. https://doi.org/10.1108/10748121311322978

Nonaka, I. (1994). A dynamic theory of organizational knowledge creation. Organization Science, 5(1), 14–37. https://doi.org/10.1287/orsc.5.1.14

Polanyi, M. (1966). The tacit dimension. Doubleday.

Smith, A. (1976). An inquiry into the nature and causes of the wealth of nations (R. H. Campbell & A. S. Skinner, Eds.). Clarendon Press. (Original work published 1776)