En una publicación anterior, pregunté si la IA nos está volviendo «cognitivamente perezosos». Sostuve que no del todo. Es una herramienta, como una calculadora o un libro, que puede ampliar la capacidad humana. Pero ¿qué ocurre en las organizaciones, en las empresas, los gobiernos y las universidades? Me temo que la respuesta cambia.

La IA promete eficiencia, escala y precisión predictiva. Hay avances reales. Sin embargo, muchas organizaciones han sacrificado la comprensión para obtener más resultados. Disfrutan de sus paneles de control, generan informes a demanda y toman decisiones con más información, mientras su comprensión se deteriora. Ese deterioro nace de una confusión fundamental sobre la naturaleza del conocimiento.

Los líderes dicen gestionar «activos de conocimiento» cuando gestionan flujos de datos. Hablan de «compartir conocimiento» cuando hacen circular resúmenes que nadie ha examinado. Celebran la «generación de ideas» cuando los algoritmos reorganizan correlaciones. Este lenguaje confunde la señal con el sentido y lo medible con lo significativo. El resultado es una pereza organizacional que adopta la apariencia de sofisticación.

De los datos a la innovación: una jerarquía que suele ignorarse

Para recuperar la claridad, debemos distinguir cuatro niveles de cognición:

  1. Los datos son observaciones en bruto, fragmentos cuantitativos o cualitativos sin interpretación.
  2. La información consiste en datos organizados que responden preguntas básicas sobre quién, qué, cuándo y dónde.
  3. El conocimiento surge cuando interpretamos la información mediante la experiencia humana y la comprensión del contexto; responde al cómo y al porqué.
  4. La innovación ocurre cuando aplicamos el conocimiento con un propósito para producir cambios o crear valor.

Los sistemas de IA funcionan bien en los dos primeros niveles. Pueden recopilar, clasificar y correlacionar cantidades enormes de datos, y producir flujos de información con rapidez y precisión. El conocimiento se sitúa más allá de ese alcance. Es la capacidad humana de interpretar información dentro de un contexto, reconocer patrones que importan y aplicar la comprensión en situaciones nuevas e inciertas. Integra razonamiento, experiencia y anticipación. Se construye mediante la reflexión, la conversación y el juicio; vive en las personas y requiere algo que una base de datos no puede almacenar ni recuperar.

Los sistemas de datos operan mediante la generalización. Suponen que lo que funciona en un contexto, como Kenia, funcionará en otro, como Perú. El conocimiento humano reconoce los límites de esos supuestos. Comprende que el contexto determina el significado, que las culturas son complejas y que toda aplicación requiere adaptación. Las máquinas procesan correlaciones; las personas disciernen su relevancia. Esta capacidad para trasladar una idea entre contextos, modificar la comprensión ante nuevas condiciones y anticipar consecuencias define el conocimiento y lo hace indispensable para decidir.

Las organizaciones que confunden información y conocimiento renuncian a esa ventaja humana. Automatizan los informes, mientras desatienden el aprendizaje; perfeccionan los procedimientos y olvidan su propósito. Sin personas que interpreten, adapten y sinteticen, se convierten en motores de información eficientes, atrapados en los niveles inferiores de comprensión. Los sistemas de conocimiento, sistemas humanos, mantienen su dinamismo porque cuestionan, ajustan y aprenden.

La IA y la ilusión de saber

Las herramientas de IA generativa y analítica intensifican esta confusión. Su fluidez crea una ilusión de comprensión. Un sistema que produce lenguaje coherente parece «saber», aunque reorganice probabilidades. Las organizaciones heredan esa ilusión cuando aceptan sus resultados sin examinarlos. La comodidad de la IA desalienta el trabajo reflexivo mediante el cual surge el conocimiento.

El conocimiento se desarrolla cuando las personas debaten interpretaciones, comparan experiencias y conectan ideas con su contexto. El texto generado por IA permite saltarse ese proceso: entrega la apariencia de una idea y reduce el esfuerzo de indagación. La organización acumula información mientras empobrece su capacidad de pensar, una paradoja de inteligencia aparente construida sobre una certeza sintética.

Esto explica por qué muchas de las llamadas «organizaciones del conocimiento» se estancan. Sus conversaciones internas se reducen a paneles de control. Sus analistas seleccionan información sin construir significado. Sus ciclos de decisión se acortan mientras su capacidad de anticipación se debilita. Operan con datos abundantes y escasa profundidad epistémica.

El conocimiento como integración y la trampa informática

El conocimiento integra. Conecta lo que sabemos con aquello que sigue siendo incierto. Existe en la intersección de la percepción, la interpretación y la acción. Polanyi (1966) describió esta dimensión como conocimiento tácito: un componente personal que no puede expresarse ni automatizarse por completo. Nonaka y Takeuchi (1995) modelaron después el conocimiento organizacional como una conversión dinámica entre formas tácitas y explícitas, mediada por el diálogo y la reflexión. Estos procesos conservan una dimensión humana irreductible.

La IA puede apoyar ese trabajo, pero carece de conciencia de la relevancia, de percepción de las lagunas y de capacidad para situar los hechos en estructuras de significado. Los datos y la información constituyen el sustrato del conocimiento; las personas deben integrarlos en un marco coherente de comprensión para convertirlos en conocimiento. El peligro aparece cuando dejamos de pensar porque la IA parece haberlo hecho.

La ola actual de adopción de IA ha reavivado una fantasía que cobró fuerza tras la Segunda Guerra Mundial: almacenar, indexar y recuperar el conocimiento como una mercancía. Esta fantasía produce organizaciones informáticas, entidades que optimizan el procesamiento de datos y dejan en segundo plano la comprensión. Producen informes que nadie lee, indicadores que nadie cuestiona y decisiones que nadie entiende.

La pereza de estas organizaciones responde a sistemas que premian la eficiencia superficial y relegan la comprensión profunda. Confunden la circulación de información con la creación de conocimiento. Sus líderes se apoyan en «evidencia» sin contexto y en «analítica del aprendizaje» sin aprendizaje. Así renuncian a la responsabilidad humana de interpretar.

Recuperar el conocimiento organizacional

Recuperar el trabajo de conocimiento exige disciplina epistémica. Los líderes deben reconocer primero que los datos y la información son insumos. El conocimiento surge cuando las personas interpretan esos materiales dentro de un marco que conecta la evidencia con el propósito. Usar el análisis de datos como sustituto del juicio condena a las organizaciones a reaccionar sin cesar. Para superar esa condición, deben restablecer la interpretación como función central. Cada resultado generado por IA debe provocar una respuesta humana: ¿qué significa, cómo encaja y por qué importa? Sin esa capa interpretativa, las organizaciones confunden el reconocimiento de patrones con la comprensión.

La recuperación también depende de una síntesis deliberada. Las máquinas pueden identificar correlaciones; las personas las integran en una comprensión coherente. Este proceso exige contexto, comparación y abstracción, capacidades del pensamiento reflexivo. La IA puede ayudar a buscar relaciones entre conjuntos enormes de datos, pero las personas siguen siendo responsables de darles sentido. Cuando analistas y directivos explican por qué importan los patrones, además de constatar que existen, hacen que el razonamiento rinda cuentas y convierten un registro estático en conocimiento vivo que guía la acción.

También debemos entender el conocimiento como una construcción social que evoluciona. La comprensión se desarrolla mediante el diálogo, el debate y la reflexión. Cuando las organizaciones dependen solo de informes algorítmicos, suprimen estos procesos y pierden su capacidad colectiva de aprender. Por eso, un trabajo sostenido de conocimiento requiere lo que podríamos llamar cognición lenta: una indagación deliberada que valora la profundidad por encima de la velocidad. En la práctica, implica reservar tiempo y espacio para conversar, revisar y reinterpretar. El conocimiento abre la acción inteligente y exige algo más que el producto final de un análisis de datos. Recuperar estos procesos humanos permite a las organizaciones superar el procesamiento informático y recuperar su capacidad de pensar.

En las organizaciones basadas en el conocimiento, la IA debe ampliar la experiencia humana. El juicio sigue siendo indispensable. Lo que hacemos ha cambiado, pero nuestro papel conserva su alcance. Cualquier institución que imagine que puede prescindir de las personas se reduce a gestionar datos e información. Esa orientación impide prosperar en una economía basada en el conocimiento.

Quizá podamos concluir que la IA revela los lugares donde faltaba inteligencia. Muchas organizaciones nunca fueron organizaciones del conocimiento; eran fábricas de información. La IA expone la distancia entre procesar datos y comprender. Para conservar su relevancia, los líderes deben reconstruir su infraestructura epistémica: sistemas que valoren el significado por encima de los indicadores y la síntesis por encima de la velocidad. La creación de conocimiento comienza cuando las organizaciones deciden volver a pensar.

Referencias y lecturas recomendadas

Moravec, J. W. (2025, August 27). Is AI making us “cognitively lazy”? Education Futures. https://educationfutures.com/post/is-ai-making-us-cognitively-lazy

Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.

Polanyi, M. (1966). The tacit dimension. University of Chicago Press.

Senge, P. M. (1990). The fifth discipline: The art and practice of the learning organization. Doubleday.

Tsoukas, H. (2009). A dialogical approach to the creation of new knowledge in organizations. Organization Science, 20(6), 941–957. https://doi.org/10.1287/orsc.1090.0435

von Krogh, G., Ichijo, K., & Nonaka, I. (2000). Enabling knowledge creation: How to unlock the mystery of tacit knowledge and release the power of innovation. Oxford University Press.