IA y alfabetizaci\u00f3n tecnol\u00f3gica<\/strong><\/li>\n<\/ol>\n\n\n\nEstos seis aspectos se complementan entre s\u00ed, y una sola decisi\u00f3n empresarial puede depender de todos ellos. Adem\u00e1s, comparten una base com\u00fan: el conocimiento del campo y la experiencia en la realizaci\u00f3n de la tarea. Esta base proporciona a los estudiantes algo con el que pueden evaluar la calidad de los resultados de la IA.<\/p>\n\n\n\n
La IA tambi\u00e9n tiene una huella f\u00edsica<\/h2>\n\n\n\n
Tambi\u00e9n existe una realidad m\u00e1s amplia que los estudiantes deber\u00edan comprender. La inteligencia artificial puede parecer en gran medida digital, pero su uso depende de una infraestructura f\u00edsica que requiere espacio, agua, energ\u00eda y materiales. El impacto de cualquier uso individual puede ser dif\u00edcil de determinar, y diferentes sistemas y contextos pueden tener huellas muy distintas. El punto educativo no consiste en que los estudiantes deba evitar la inteligencia artificial, sino en que su uso no debe ser sin consecuencias. Como futuros profesionales de negocios, los estudiantes deber\u00edan desarrollar el h\u00e1bito de preguntar si el uso de la inteligencia artificial es adecuado para la tarea y si el valor que aporta justifica los recursos y las implicaciones m\u00e1s amplias involucradas.<\/p>\n\n\n\n
De las capacidades a las responsabilidades<\/h2>\n\n\n\n
Estas capacidades, junto con la conciencia de las consecuencias m\u00e1s amplias del uso de la IA, proporcionan una base para decidir c\u00f3mo se debe distribuir la responsabilidad entre el estudiante y la IA.<\/p>\n\n\n\n
1. Responsabilidad y control: a\u00fan alguien tiene que firmar<\/h2>\n\n\n\n
La IA puede recomendar, calcular, comparar, detectar patrones y realizar complejas series de acciones sin mucha ayuda humana. No se puede invocar a la persona encargada cuando las cosas salen mal. La decisi\u00f3n final de c\u00f3mo utilizar la IA y de los resultados corresponde a la persona encargada.<\/p>\n\n\n\n
As\u00ed que el primer juicio es si la IA deber\u00eda participar en la tarea de todo. Puede mejorar una tarea y aportar poco a otra. Tambi\u00e9n puede generar preocupaciones sobre la privacidad, una informaci\u00f3n insuficiente, una complejidad innecesaria o una delegaci\u00f3n que nunca deber\u00eda haber ocurrido.<\/p>\n\n\n\n
La supervisi\u00f3n debe ser proporcional al riesgo. El uso de la IA para sugerir t\u00edtulos de presentaci\u00f3n requiere poca verificaci\u00f3n. El uso de informaci\u00f3n financiera generada por la IA en una recomendaci\u00f3n para un cliente requiere mucho m\u00e1s. Las decisiones que implican empleados, contratos, clientes, privacidad o compromisos financieros importantes pueden requerir pruebas independientes, aportes especializados y aprobaci\u00f3n expl\u00edcita de parte de un ser humano.<\/p>\n\n\n\n
El buen juicio tambi\u00e9n va m\u00e1s all\u00e1 de la pantalla. Los sistemas digitales tienen consecuencias f\u00edsicas, financieras, sociales y ambientales. La IA funciona en centros de datos, electricidad, sistemas de refrigeraci\u00f3n, redes y hardware manufacturado, todos los cuales utilizan tierra, energ\u00eda, agua y materiales de manera que var\u00eda seg\u00fan el dise\u00f1o y el lugar.<\/p>\n\n\n\n
Los estudiantes de negocios pueden dejar la ingenier\u00eda a los ingenieros. Sin embargo, es necesario que sepan que elegir un servicio de IA, ampliar la capacidad inform\u00e1tica, reemplazar el hardware o automatizar un proceso puede tener consecuencias en los costos, el personal, los clientes, la privacidad, la seguridad, el consumo de energ\u00eda, los materiales y las comunidades.<\/p>\n\n\n\n
El juicio profesional incluye reconocer qu\u00e9 de estos efectos merece atenci\u00f3n y cu\u00e1ndo se necesita la experiencia especializada.<\/p>\n\n\n\n
La situaci\u00f3n se complica a medida que la IA pasa de dar respuestas a tomar acciones. Un agente de IA puede investigar a los posibles clientes, clasificar las oportunidades de venta, escribir mensajes, programar reuniones de seguimiento y actualizar los registros de los clientes, todo esto antes del almuerzo. Los estudiantes deben decidir qu\u00e9 autoridad otorga el sistema, d\u00f3nde se requiere aprobaci\u00f3n y cu\u00e1ndo debe intervenir un humano.<\/p>\n\n\n\n
Vinay Kumar, consultor de inteligencia artificial avanzada<\/h3>\n\n\n\n
Vinay Kumar sugiere que los estudiantes deber\u00edan aprender tanto sobre las decisiones que requieren aprobaci\u00f3n humana como sobre c\u00f3mo establecer l\u00edmites adecuados para los agentes de IA en funci\u00f3n de los riesgos. Las decisiones que implican a personas, dinero, privacidad, obligaciones legales o reputaci\u00f3n organizacional pueden tener consecuencias suficientemente significativas como para requerir una revisi\u00f3n y autorizaci\u00f3n humanas significativas. Sin embargo, la supervisi\u00f3n no deber\u00eda depender \u00fanicamente de una lista fija. Los estudiantes deber\u00edan evaluar la probabilidad y las consecuencias del fracaso, la fiabilidad del sistema y la evidencia disponible y establecer l\u00edmites adecuados de autoridad, requisitos de monitoreo, reglas de escalamiento y puntos de intervenci\u00f3n.<\/p>\n\n\n\n
Vinay propone la reversibilidad como principio rector pr\u00e1ctico. Antes de delegar una acci\u00f3n, los estudiantes deber\u00edan preguntarse qu\u00e9 suceder\u00eda si la IA cometiese un error y si las consecuencias podr\u00edan ser revertidas. Los trabajos reversibles de bajo riesgo pueden permitir una mayor autonom\u00eda, mientras que las acciones dif\u00edciles de revertir requieren un control humano m\u00e1s fuerte. Los trabajos complejos tambi\u00e9n pueden dividirse en tareas m\u00e1s peque\u00f1as y controlables con requisitos claros, barreras de seguridad, puntos de control y criterios de aceptaci\u00f3n. Esto permite a los estudiantes delegar de manera productiva sin dar a un agente de IA una autoridad innecesaria sobre todo el proceso.<\/p>\n\n\n\n
La capacidad esencial es el juicio supervisivo. Vinay sugiere que los estudiantes de negocios deber\u00edan aprender cada vez m\u00e1s a pensar como gerentes y arquitectos del trabajo impulsado por la IA: definir el problema, estructurar las tareas, establecer requisitos y criterios de aceptaci\u00f3n, decidir qu\u00e9 autoridad debe tener un agente de IA, determinar qu\u00e9 evidencia es suficiente y saber cu\u00e1ndo es necesaria la intervenci\u00f3n humana. Tal vez no deban supervisar cada paso que tome la IA, pero deben dise\u00f1ar las condiciones en las que opere y evaluar si los resultados son aceptables. Delegar la ejecuci\u00f3n no significa delegar la responsabilidad por las consecuencias.<\/p>\n\n\n\n
Sebastien Favre, Medidas de fiabilidad de la IA<\/h3>\n\n\n\n
Sebastien Favre sugiere que los estudiantes de negocios deber\u00edan entender la fiabilidad de la IA como algo contextual, basado en el riesgo y medible. Una salida de la IA no deber\u00eda simplemente clasificarse como \u201cfiable\u201d o \u201cno fiable\u201d. El nivel de confianza que se puede razonablemente depositar en ella depende de la tarea, las posibles consecuencias de un error y el comportamiento observado del sistema en su contexto de uso real. Por lo tanto, el nivel de verificaci\u00f3n deber\u00eda variar en consecuencia. Una salida de bajo impacto puede requerir relativamente poca verificaci\u00f3n, mientras que una salida que pudiera influir en una decisi\u00f3n financiera, operativa, legal o de cliente importante deber\u00eda requerir una verificaci\u00f3n m\u00e1s fuerte y potencialmente independiente.<\/p>\n\n\n\n
Los estudiantes tambi\u00e9n deber\u00edan aprender a reconocer las evidencias de que una salida de la IA requiere un mayor an\u00e1lisis. Las contradicciones, la inestabilidad en las respuestas, la falta de pruebas de apoyo suficientes o las desviaciones significativas del comportamiento esperado pueden indicar que una salida debe ser verificada de nuevo, rechazada o elevada para un an\u00e1lisis adicional. Por lo tanto, la capacidad esencial no consiste simplemente en saber c\u00f3mo utilizar la IA, sino en saber evaluar si las pruebas observadas son suficientes para la decisi\u00f3n espec\u00edfica que se est\u00e1 tomando.<\/p>\n\n\n\n
2. Pensamiento independiente y estructuraci\u00f3n de problemas: pensar primero, preguntar despu\u00e9s<\/h2>\n\n\n\n
La IA facilita el inicio de un trabajo arduo. Un estudiante que se enfrenta a un problema desconocido puede obtener explicaciones, interpretaciones, alternativas y soluciones sugeridas en cuesti\u00f3n de segundos.<\/p>\n\n\n\n
Esta velocidad es un regalo y una tentaci\u00f3n. Para algunas actividades de aprendizaje, los estudiantes deber\u00edan primero analizar la situaci\u00f3n por s\u00ed mismos, extraer la informaci\u00f3n relevante, considerar las explicaciones y tomar una posici\u00f3n. Esa primera valoraci\u00f3n puede ser err\u00f3nea. Formarla proporciona a los estudiantes un modelo mental que la IA puede luego cuestionar, refinar o invalidar.<\/p>\n\n\n\n
El framing de problemas es una habilidad empresarial en s\u00ed misma. Un gerente ve c\u00f3mo las ventas est\u00e1n cayendo. Los n\u00fameros muestran que esto est\u00e1 ocurriendo y no dice nada sobre el por qu\u00e9. El precio, la competencia, las preferencias del cliente, la distribuci\u00f3n, la calidad del producto, la econom\u00eda o varios de estos factores podr\u00edan ser responsables. Pregunte a la IA por una soluci\u00f3n antes de definir el problema, y el resultado podr\u00eda ser una respuesta muy eficiente a la pregunta equivocada.<\/p>\n\n\n\n
El conocimiento b\u00e1sico tambi\u00e9n ayuda a los estudiantes a detectar cuando algo no est\u00e1 bien. Una margen de beneficio proyectada parece demasiado buena. Un plan de trabajo ignora las dependencias evidentes. Una estimaci\u00f3n de mercado es mayor que la poblaci\u00f3n que supuestamente describe. Una recomendaci\u00f3n de marketing contradice lo que se sabe sobre el cliente.<\/p>\n\n\n\n
Los estudiantes necesitan un conocimiento suficiente para sentir esa fricci\u00f3n. El conocimiento b\u00e1sico funciona como un detector de humo: suele estar en silencio la mayor parte del tiempo y resulta muy valioso cuando se activa.<\/p>\n\n\n\n
La toma de decisiones empresariales tambi\u00e9n depende del contexto. Una recomendaci\u00f3n puede ser t\u00e9cnicamente razonable y a\u00fan as\u00ed no ser adecuada para la situaci\u00f3n en la que se utilizar\u00e1. Los costos, las regulaciones, la infraestructura, las expectativas de los clientes, la cultura organizacional, las condiciones ambientales y la experiencia disponible pueden cambiar y determinar qu\u00e9 opci\u00f3n tiene sentido.<\/p>\n\n\n\n
Por ejemplo, un sistema de IA podr\u00eda recomendar una tecnolog\u00eda porque tiene los menores costos operativos. Luego, un gerente puede descubrir que esa tecnolog\u00eda crea un mayor riesgo de privacidad, aumenta la dependencia de un proveedor, requiere infraestructura que la organizaci\u00f3n carece o produce costos que solo aparecen m\u00e1s adelante. La recomendaci\u00f3n es precisa para las variables del an\u00e1lisis pero incompleta como decisi\u00f3n empresarial.<\/p>\n\n\n\n
Por lo tanto, los estudiantes necesitan una comprensi\u00f3n adecuada de los supuestos y del contexto para decidir si una recomendaci\u00f3n de inteligencia artificial se ajusta a la situaci\u00f3n real.<\/p>\n\n\n\n
Tambi\u00e9n es necesario pensar a largo plazo. Las decisiones tecnol\u00f3gicas tienen un ciclo de vida: los sistemas se seleccionan, implementan, operan, supervisan, mantienen, actualizan y finalmente reemplazan. Una opci\u00f3n que parezca barata al principio puede generar costos m\u00e1s elevados, dependencias o riesgos m\u00e1s tarde. Para 2030, el pensamiento basado en el ciclo de vida deber\u00eda formar parte del proceso de toma de decisiones empresariales relacionadas con la tecnolog\u00eda.<\/p>\n\n\n\n
Luego est\u00e1 la creatividad. La IA puede generar cincuenta ideas en el tiempo que se tarda en leer una. Esa abundancia aumenta el valor de saber qu\u00e9 ideas merecen atenci\u00f3n, por qu\u00e9 son importantes, c\u00f3mo mejorarlas y c\u00f3mo convencer a los dem\u00e1s de que valen la pena seguirlas.<\/p>\n\n\n\n
Ann Lockquell, Innovaci\u00f3n y creatividad<\/h3>\n\n\n\n
Ann Lockquell sugiere que los estudiantes deber\u00edan seguir desarrollando su propia creatividad incluso cuando la IA pueda generar grandes cantidades de ideas casi instant\u00e1neamente. El proceso creativo en s\u00ed mismo es importante. Generar ideas, explorar diferentes direcciones, cometer errores, empezar de nuevo, hacer conexiones y desarrollar un concepto inicial proporcionan a los estudiantes experiencias que gradualmente desarrollan su capacidad para reconocer la originalidad, la relevancia y el potencial. Sin suficiente experiencia en la creaci\u00f3n propia, los estudiantes pueden tener dificultades para distinguir una idea genuinamente prometedora de una que al principio solo parece interesante.<\/p>\n\n\n\n
Sin embargo, a medida que la IA se vuelve m\u00e1s capaz, el desaf\u00edo creativo tambi\u00e9n cambia. Los estudiantes necesitan cada vez m\u00e1s ejercer un juicio creativo sobre las posibilidades que genera la IA. Deben poder decidir qu\u00e9 ideas valen la pena desarrollar, explicar por qu\u00e9 tienen potencial, adaptarlas a un contexto espec\u00edfico, transformarlas y llevarlas m\u00e1s all\u00e1 de la sugerencia inicial. La IA puede ampliar la exploraci\u00f3n y introducir posibilidades que los estudiantes podr\u00edan no haber considerado, pero los estudiantes a\u00fan deben tomar las decisiones y ser capaces de explicar y defender sus decisiones creativas.<\/p>\n\n\n\n
Para Ann, el objetivo no es reemplazar el proceso creativo con la IA, sino incorporar la IA a ese proceso sin perder las experiencias a trav\u00e9s de las cuales se desarrolla la creatividad y el juicio. Los estudiantes deber\u00edan aprender a usar la IA como herramienta creativa adicional mientras contin\u00faan generando, explorando, seleccionando, desarrollando y defendiendo las propias ideas. En este sentido, la creatividad independiente y la creatividad apoyada por la IA son complementarias: la experiencia desarrolla el juicio creativo que permite a los estudiantes utilizar la IA de manera productiva.<\/p>\n\n\n\n
La emprendedur\u00eda plantea preguntas similares. La IA puede identificar mercados, analizar a los competidores, construir modelos de negocio, preparar previsiones y redactar el plan de negocios. La capacidad de juicio emprendedor se desarrolla en otros lugares: observando a los clientes, probando hip\u00f3tesis, viviendo con la incertidumbre, recuper\u00e1ndose de los errores y determinando cu\u00e1ndo las pruebas incompletas son suficientes para actuar.<\/p>\n\n\n\n
Dr. Banafsheh Peyrovian, IA, comportamiento emprendedor e innovaci\u00f3n<\/h3>\n\n\n\n
La Dra. Banafsheh Peyrovian considera que la competencia en IA y el juicio emprendedor son complementarios. La IA puede ayudar a los estudiantes a explorar ideas y acelerar la experimentaci\u00f3n, mientras que la experiencia directa con los clientes, la incertidumbre y el fracaso siguen siendo esenciales para desarrollar empat\u00eda, resiliencia y juicio acertado. Los estudiantes deben aprender a interpretar la evidencia, adaptarse cuando los supuestos se vuelven err\u00f3neos y decidir cu\u00e1ndo seguir adelante.<\/p>\n\n\n\n
3. Evidencia, verificaci\u00f3n y evaluaci\u00f3n cr\u00edtica: sonar bien es f\u00e1cil<\/h2>\n\n\n\n
Cuando las respuestas son baratas, la evaluaci\u00f3n se convierte en una habilidad valiosa. La IA generativa puede parecer clara, confiable y persuasiva incluso cuando la informaci\u00f3n subyacente es d\u00e9bil, incompleta o err\u00f3nea.<\/p>\n\n\n\n
La verificaci\u00f3n debe ser pr\u00e1ctica y proporcional a la decisi\u00f3n. Una sugerencia basada en un proceso de brainstorming puede requerir poca verificaci\u00f3n. Una estad\u00edstica utilizada en un informe p\u00fablico debe provenir de una fuente confiable. Una recomendaci\u00f3n que implique un compromiso financiero importante puede requerir varias formas de evidencia y una revisi\u00f3n profesional.<\/p>\n\n\n\n
Los estudiantes tambi\u00e9n deben entender que las fuentes tienen diferentes objetivos. Un anuncio de una empresa puede mostrar c\u00f3mo se posiciona un producto, pero no es una prueba s\u00f3lida para afirmar de manera independiente su eficacia. Una encuesta de clientes puede revelar actitudes entre los encuestados, pero su utilidad depende de c\u00f3mo se seleccionaron esos encuestados. Un estudio de investigaci\u00f3n puede proporcionar pruebas s\u00f3lidas, aunque tenga importantes limitaciones.<\/p>\n\n\n\n
La IA puede resumir estas fuentes, pero el estudiante a\u00fan necesita juzgar qu\u00e9 significan y qu\u00e9 peso merecen.<\/p>\n\n\n\n
El contexto tambi\u00e9n afecta al valor de la evidencia. Los resultados de una organizaci\u00f3n, mercado, pa\u00eds o poblaci\u00f3n pueden no aplicarse directamente a otra. Los estudiantes deben considerar si la evidencia utilizada por un sistema de inteligencia artificial se aplica realmente a la decisi\u00f3n que se est\u00e1 tomando.<\/p>\n\n\n\n
La investigaci\u00f3n de mercado hace que esto sea visible. La IA puede procesar grandes cantidades de informaci\u00f3n y producir una descripci\u00f3n coherente del mercado. La anal\u00edtica sigue siendo tan buena como la calidad, relevancia, antig\u00fcedad y representatividad de la informaci\u00f3n subyacente.<\/p>\n\n\n\n
Dr. Ahmed Hegazy, Investigaci\u00f3n de Mercado<\/h3>\n\n\n\n
El Dr. Ahmed Hegazy sugiere que los estudiantes de negocios deber\u00edan poder realizar ellos mismos los pasos esenciales de la investigaci\u00f3n de mercado antes de depender en gran medida de la inteligencia artificial. Deben ser capaces de formular una pregunta de investigaci\u00f3n \u00fatil, elegir y explicar un enfoque de muestreo adecuado, reconocer posibles sesgos, dise\u00f1ar una encuesta clara, realizar una entrevista efectiva, analizar la informaci\u00f3n recopilada y elaborar una recomendaci\u00f3n respaldada por la evidencia.<\/p>\n\n\n\n
La IA puede entonces utilizarse para acelerar la investigaci\u00f3n, organizar la informaci\u00f3n, identificar patrones y apoyar el an\u00e1lisis. Sin embargo, los estudiantes deben seguir siendo responsables de verificar la calidad de la investigaci\u00f3n que subyace a los resultados. Antes de aceptar una informaci\u00f3n generada por IA, deben poder preguntar: \u00bfSe hizo la pregunta correcta? \u00bfLa muestra era adecuada? \u00bfLas preguntas estaban bien dise\u00f1adas? \u00bfLa evidencia es suficientemente s\u00f3lida y la conclusi\u00f3n realmente se deriva de ella? Estas habilidades pr\u00e1cticas de investigaci\u00f3n proporcionan a los estudiantes los fundamentos necesarios para decidir si una informaci\u00f3n generada por IA puede ser confiable y utilizada en una decisi\u00f3n empresarial.<\/p>\n\n\n\n
El an\u00e1lisis cuantitativo plantea otro desaf\u00edo. La IA puede analizar conjuntos de datos, identificar patrones, preparar visualizaciones y recomendar acciones. Los estudiantes pueden delegar muchas de las tareas de c\u00e1lculo a la m\u00e1quina. Sin embargo, a\u00fan necesitan un nivel suficiente de comprensi\u00f3n num\u00e9rica para reconocer resultados poco plausibles.<\/p>\n\n\n\n
Una anal\u00edtica que afirma que el 140 por ciento de los clientes encuestados prefiere un producto deber\u00eda alertar a todos. La mayor\u00eda de los errores son m\u00e1s discretos. Una correlaci\u00f3n se interpreta como causa. Una muestra promedio oculta grandes diferencias entre los grupos de clientes. Una muestra peque\u00f1a se considera el mercado en su conjunto.<\/p>\n\n\n\n
Martin Berezaga, Big Data y an\u00e1lisis de negocios<\/h3>\n\n\n\n
Martin Berezaga sugiere que los estudiantes de negocios deber\u00edan desarrollar la alfabetizaci\u00f3n en datos principalmente como una capacidad de toma de decisiones. Necesitan una alfabetizaci\u00f3n estad\u00edstica y en IA suficiente para entender la informaci\u00f3n con la que trabajan, cuestionar los supuestos, reconocer problemas en la calidad de los datos y evaluar si un an\u00e1lisis generado por la IA es cre\u00edble. Sin embargo, el conocimiento t\u00e9cnico solo no es suficiente. Los estudiantes tambi\u00e9n necesitan conocimientos espec\u00edficos de negocios para entender lo que los datos significan en el contexto y si un hallazgo es realmente relevante para el problema que se aborda.<\/p>\n\n\n\n
A medida que la IA realice una mayor parte del an\u00e1lisis, los estudiantes deber\u00edan volverse especialmente capaces de interpretar los resultados, construir una historia significativa a partir de los datos, comunicar esa historia de manera clara y decidir qu\u00e9 acci\u00f3n debe seguirse. El objetivo, por tanto, es una combinaci\u00f3n de conocimientos estad\u00edsticos, alfabetizaci\u00f3n en inteligencia artificial, comprensi\u00f3n empresarial, narraci\u00f3n de historias con datos y toma de decisiones humanas. La IA puede cada vez m\u00e1s realizar el an\u00e1lisis, pero el profesional de negocios a\u00fan debe determinar qu\u00e9 significa ese an\u00e1lisis y qu\u00e9 debe hacerse con \u00e9l.<\/p>\n\n\n\n
4. Comunicaci\u00f3n y relaciones humanas: el negocio sigue siendo una cuesti\u00f3n de personas<\/h2>\n\n\n\n
El negocio sigue siendo una actividad social. Las organizaciones se rigen por personas que ven las situaciones de manera diferente, quieren cosas diferentes, se malinterpretan, negocian, colaboran, construyen confianza y a veces la pierden.<\/p>\n\n\n\n
La IA es un compa\u00f1ero de pr\u00e1ctica \u00fatil. Puede perfeccionar un mensaje, simular una conversaci\u00f3n comercial, anticipar objeciones o apoyar la pr\u00e1ctica de negociaci\u00f3n. Luego comienza la reuni\u00f3n real. Los graduados a\u00fan deben explicar y defender las decisiones en sus propias palabras, escuchar atentamente, manejar la pregunta que nadie hab\u00eda previsto, leer el ambiente y adaptarse.<\/p>\n\n\n\n
Es dif\u00edcil programar estas capacidades porque las interacciones humanas llevan impl\u00edcitas la historia, la emoci\u00f3n, la credibilidad, la cultura, el poder y la confianza.<\/p>\n\n\n\n
La direcci\u00f3n ilustra el punto. La IA puede ayudar a un gerente a analizar la informaci\u00f3n sobre el desempe\u00f1o, preparar retroalimentaci\u00f3n, comparar intervenciones o identificar patrones organizacionales. El gerente a\u00fan debe entender a las personas involucradas y asumir la responsabilidad de c\u00f3mo se comunican y aplican las decisiones.<\/p>\n\n\n\n
Viviane Paul, Gesti\u00f3n y Liderazgo<\/h3>\n\n\n\n
Viviane Paul sugiere que los estudiantes de negocios deber\u00edan preservar el juicio humano que proviene de la experiencia, la observaci\u00f3n y la interacci\u00f3n directa con las personas. La IA puede analizar indicadores empresariales y ofrecer recomendaciones basadas en la informaci\u00f3n disponible y patrones anteriores, pero a veces los l\u00edderes necesitan reconocer circunstancias que no encajan en esos patrones. La experiencia puede desarrollar una forma de intuici\u00f3n informada, o \u201csentimiento del coraz\u00f3n\u201d, que ayuda a un l\u00edder a detectar algo que los indicadores formales pueden no captar completamente. Por lo tanto, los estudiantes deber\u00edan aprender a utilizar la evidencia y las recomendaciones de la IA, manteniendo al mismo tiempo la confianza y la responsabilidad de cuestionarlas cuando sus propias observaciones y comprensi\u00f3n de la situaci\u00f3n indiquen lo contrario.<\/p>\n\n\n\n
La direcci\u00f3n hace que esto sea particularmente importante, ya que las personas son m\u00e1s complejas que los modelos utilizados para describirlas. Los marcos de personalidad y las categor\u00edas conductuales pueden ayudar a organizar la informaci\u00f3n, pero no pueden captar completamente a un individuo ni predecir c\u00f3mo responder\u00e1 alguien en cada situaci\u00f3n. Por lo tanto, los futuros l\u00edderes deber\u00edan continuar desarrollando la capacidad de escuchar, observar los signos no verbales, comprender el contexto, construir relaciones y adaptar su enfoque a la persona que se encuentra frente a ellos. La IA puede informar la toma de decisiones en la direcci\u00f3n, pero los estudiantes a\u00fan necesitan desarrollar la comprensi\u00f3n humana y la experiencia necesarias para ejercer esa misma toma de decisiones ellos mismos.<\/p>\n\n\n\n
La comunicaci\u00f3n se vuelve m\u00e1s delicada durante las cr\u00edticas p\u00fablicas o en situaciones de crisis. La IA puede producir una declaraci\u00f3n bien elaborada en cuesti\u00f3n de segundos. La decisi\u00f3n de enviarla corresponde al propio responsable: qu\u00e9 debe decir la organizaci\u00f3n, qu\u00e9 puede confirmar, qu\u00e9 responsabilidad debe asumir, c\u00f3mo interpretar\u00e1n el mensaje diferentes audiencias y si es prudente hablar de inmediato.<\/p>\n\n\n\n
Lyndon Johnson, an\u00e1lisis de relaciones p\u00fablicas y medios<\/h3>\n\n\n\n
Lyndon Johnson sugiere que la comunicaci\u00f3n efectiva bajo presi\u00f3n comienza con conocer la verdad y comunicarla sin compromisos. En un entorno en el que las organizaciones pueden utilizar la inteligencia artificial para generar, refinar y distribuir mensajes persuasivos r\u00e1pidamente, los estudiantes deben aprender a distinguir entre gestionar un mensaje y comunicar la realidad de una situaci\u00f3n. Antes de decidir qu\u00e9 decir, deben establecer qu\u00e9 es lo que se sabe, qu\u00e9 puede ser corroborado por pruebas, qu\u00e9 sigue siendo incierto y qu\u00e9 responsabilidad debe asumir la organizaci\u00f3n.<\/p>\n\n\n\n
Los estudiantes deber\u00edan aprender a preguntarse: \u00bfQu\u00e9 sabemos realmente? \u00bfQu\u00e9 pruebas lo respaldan? \u00bfQu\u00e9 estamos en duda? \u00bfEstamos comunicando la realidad de la situaci\u00f3n o simplemente tratando de moldear la percepci\u00f3n? La IA puede ayudar a preparar y evaluar las comunicaciones, pero no debe convertirse en una forma de reemplazar los hechos inc\u00f3modos con mensajes m\u00e1s convenientes. Los interesados toman decisiones bas\u00e1ndose en la informaci\u00f3n que reciben, y cuando la comunicaci\u00f3n se aleja de la realidad, la confianza y la reputaci\u00f3n pueden verse da\u00f1adas.<\/p>\n\n\n\n
El contenido generado por IA tambi\u00e9n cambia el significado de la autor\u00eda. Los textos, im\u00e1genes y presentaciones profesionalmente elaborados sol\u00edan sugerir que la persona que los hab\u00eda creado ten\u00eda conocimientos sobre el tema. Ahora esa conexi\u00f3n es mucho m\u00e1s d\u00e9bil.<\/p>\n\n\n\n
Los estudiantes deben evaluar el trabajo antes de poner su nombre o el de su organizaci\u00f3n en \u00e9l. La responsabilidad de la autor\u00eda ahora recae en el editor y en el propietario del trabajo.<\/p>\n\n\n\n
Naomi Tessier, contenido generado por inteligencia artificial<\/h3>\n\n\n\n
Naomi Tessier sugiere que los estudiantes necesitan tanto la capacidad suficiente para crear contenido de forma independiente como el juicio editorial para evaluar lo que produce la inteligencia artificial. A medida que la inteligencia artificial se vuelve cada vez m\u00e1s capaz de generar material pulido y profesional, la apariencia por s\u00ed sola no es un buen indicador de calidad. Los estudiantes deber\u00edan poder determinar si el contenido es preciso, adecuado, valioso y adaptado a su p\u00fablico y prop\u00f3sito. Para ello, deben tener suficiente conocimiento y capacidad de pensamiento cr\u00edtico para identificar errores, razonamientos d\u00e9biles, tono inapropiado o otros problemas que pueden estar ocultos tras una presentaci\u00f3n convincente.<\/p>\n\n\n\n
Naomi tambi\u00e9n enfatiza que la IA no elimina la responsabilidad humana del proceso de creaci\u00f3n. Las personas a\u00fan deciden qu\u00e9 preguntar a la IA, qu\u00e9 contexto proporcionar, qu\u00e9 resultado seleccionar, c\u00f3mo modificarla y, en \u00faltima instancia, si deber\u00eda utilizarse. Por lo tanto, antes de asociar su propio nombre o el nombre de una organizaci\u00f3n al trabajo generado por la IA, los estudiantes deber\u00edan poder evaluar el contenido, explicar y defender el razonamiento detr\u00e1s del resultado final y aceptar la responsabilidad por sus consecuencias. La capacidad esencial no consiste simplemente en saber c\u00f3mo generar contenido con la IA, sino en desarrollar el juicio para saber cu\u00e1ndo confiar en ella, cu\u00e1ndo cuestionarla y cu\u00e1ndo no utilizar su resultado en absoluto.<\/p>\n\n\n\n
5. Agencias profesionales y resiliencia: \u00bfqu\u00e9 sucede cuando la IA no funciona?<\/h2>\n\n\n\n
A veces la IA no puede proporcionar la respuesta. Puede estar fuera de uso, prohibida para trabajos confidenciales, en contradicci\u00f3n consigo misma o inadecuada para una situaci\u00f3n que requiera un especialista. Los estudiantes necesitan suficiente autonom\u00eda para seguir trabajando de todos modos.<\/p>\n\n\n\n
Por lo tanto, los graduados necesitan una capacidad profesional m\u00ednima y viable. Deben ser capaces de organizar un problema empresarial b\u00e1sico, comunicarse de forma clara, realizar c\u00e1lculos razonables, interpretar la informaci\u00f3n, formar un juicio preliminar y determinar la acci\u00f3n siguiente m\u00e1s adecuada.<\/p>\n\n\n\n
La agencia profesional tambi\u00e9n requiere humildad intelectual. La IA puede explicar un tema desconocido de manera tan clara que la gente siente que lo entiende mucho mejor de lo que realmente lo entiende. Los estudiantes deben saber d\u00f3nde termina su conocimiento y cu\u00e1ndo llamar a un contador, un abogado, un especialista en ciberseguridad, un ingeniero, un gerente o cualquier otro profesional cualificado. Esto es m\u00e1s importante a medida que los directivos toman decisiones sobre las tecnolog\u00edas que utilizan y que nunca podr\u00edan dise\u00f1ar ellos mismos.<\/p>\n\n\n\n
La gesti\u00f3n de proyectos sigue el mismo principio. La IA puede preparar calendarios, estimar la carga de trabajo, identificar riesgos y supervisar el progreso. Luego, el proyecto se ajusta a la realidad: los requisitos cambian, los recursos se agotan, las prioridades se entrometen, las responsabilidades se confunden y las personas no est\u00e1n de acuerdo. Un gerente de proyecto debe responder cuando la situaci\u00f3n ya no coincide con el plan.<\/p>\n\n\n\n
Christine Gerard, Ciencias de la Computaci\u00f3n y Gesti\u00f3n de Proyectos<\/h3>\n\n\n\n
Christine Gerard sugiere que la direcci\u00f3n adaptativa en la gesti\u00f3n de proyectos depende de una base de conocimientos y experiencia. Los estudiantes deben comprender los fundamentos del management de proyectos, incluidas las prioridades, las dependencias, los recursos, los riesgos y los compromisos, antes de poder tomar decisiones acertadas cuando las condiciones cambian. Tambi\u00e9n necesitan oportunidades para aplicarlos ellos mismos. La experiencia se desarrolla al realizar el trabajo, encontrando problemas, tomando decisiones y viendo las consecuencias. Con el tiempo, esa combinaci\u00f3n de conocimiento y experiencia contribuye a la capacidad de juicio necesaria para responder de manera efectiva cuando un proyecto deja de seguir el plan.<\/p>\n\n\n\n
Ella describe esta relaci\u00f3n como una pir\u00e1mide: los fundamentos constituyen la base, la experiencia se basa en ellos, el juicio se desarrolla a partir de ambos, y la generaci\u00f3n y an\u00e1lisis respaldados por IA se encuentran en la parte superior. La IA puede fortalecer lo que un gestor de proyectos capaz puede lograr, pero los estudiantes a\u00fan necesitan el conocimiento y la experiencia subyacentes para evaluar lo que la IA propone, reconocer cu\u00e1ndo un plan ya no se ajusta a la realidad y decidir qu\u00e9 debe suceder a continuaci\u00f3n. Esto tambi\u00e9n est\u00e1 directamente relacionado con REACT: el uso responsable de la IA depende, en \u00faltima instancia, del juicio humano que la educaci\u00f3n y la experiencia han contribuido a desarrollar.<\/p>\n\n\n\n
La ciberseguridad es otro ejemplo. La mayor\u00eda de los graduados en negocios no se convertir\u00e1n en especialistas en ciberseguridad, pero tomar\u00e1n decisiones relacionadas con datos, acceso, privacidad, proveedores, sistemas, clientes y empleados. La capacidad de evaluar la ciberseguridad b\u00e1sica ayuda a los directivos a reconocer cu\u00e1ndo esas decisiones generan riesgos que merecen atenci\u00f3n especializada.<\/p>\n\n\n\n
Dr. Amin Ranj Bar, Dise\u00f1o de Software y Ciberseguridad<\/h3>\n\n\n\n
El Dr. Amin Ranj Bar sugiere que todos los graduados en administraci\u00f3n de empresas deber\u00edan comprender los fundamentos de la ciberseguridad, ya que las decisiones de seguridad comienzan mucho antes de que un problema t\u00e9cnico se haga visible. Los estudiantes deber\u00edan comprender bien los principios b\u00e1sicos como el control de acceso, la autenticaci\u00f3n, la privacidad, la protecci\u00f3n de datos, la gesti\u00f3n segura de la informaci\u00f3n y las vulnerabilidades comunes, de manera que puedan reconocer cu\u00e1ndo un proceso, producto o tecnolog\u00eda propuesto crea un riesgo innecesario. Este conocimiento resulta cada vez m\u00e1s relevante m\u00e1s all\u00e1 de los roles t\u00e9cnicos, ya que las decisiones empresariales sobre clientes, empleados, datos, software, proveedores y sistemas de IA pueden tener consecuencias en materia de ciberseguridad.<\/p>\n\n\n\n
Amin tambi\u00e9n enfatiza que muchas vulnerabilidades se originan durante el dise\u00f1o, cuando las implicaciones de la seguridad pueden pasar desapercibidas porque las personas que toman decisiones iniciales carecen de conocimientos suficientes en materia de seguridad. La IA puede ayudar con an\u00e1lisis t\u00e9cnico, identificar vulnerabilidades y recomendar medidas de protecci\u00f3n, pero los profesionales empresariales a\u00fan necesitan un nivel suficiente de comprensi\u00f3n para plantear preguntas de seguridad desde el principio. Deben ser capaces de reconocer cu\u00e1ndo una decisi\u00f3n podr\u00eda exponer a personas, informaci\u00f3n o sistemas a riesgos, incorporar consideraciones de seguridad en el dise\u00f1o de una soluci\u00f3n y saber cu\u00e1ndo se requiere experiencia especializada. La ciberseguridad se convierte por tanto en parte del juicio empresarial: la seguridad debe considerarse al dise\u00f1ar un sistema o proceso, en lugar de solo despu\u00e9s de que ocurra un problema.<\/p>\n\n\n\n
La resiliencia profesional tambi\u00e9n incluye la capacidad de seguir aprendiendo. La IA puede explicar conceptos dif\u00edciles, proporcionar retroalimentaci\u00f3n inmediata y apoyar la pr\u00e1ctica frecuente. Los educadores a\u00fan deben proteger el esfuerzo productivo, ya que recuperar conocimientos, intentar una soluci\u00f3n, cometer un error y revisar una idea son todos procesos que construyen una comprensi\u00f3n duradera.<\/p>\n\n\n\n
6. IA y alfabetizaci\u00f3n tecnol\u00f3gica: saber qu\u00e9 hay debajo de la superficie<\/h2>\n\n\n\n
Las cinco primeras capacidades describen lo que aporta la persona al trabajo. La sexta se refiere a la propia tecnolog\u00eda. El marco de habilidades complementarias humano-IA desarrollado por Business Physics enumera habilidades pr\u00e1cticas para trabajar con la IA: decidir si debe utilizarse la IA, seleccionar y preparar la informaci\u00f3n, comunicarse con los sistemas de IA, inspeccionar los resultados, mantener la autoridad para tomar decisiones, interpretar los datos, convertir la informaci\u00f3n en decisiones, regular el uso de la IA y continuar aprendiendo.<\/p>\n\n\n\n
Cada una de estas habilidades depende de comprender la tecnolog\u00eda lo suficiente como para tomar decisiones informadas.<\/p>\n\n\n\n
Decidir si utilizar IA requiere un juicio antes de seleccionar la herramienta. Inspeccionar un resultado requiere un conocimiento suficiente para reconocer las debilidades. Retener la autoridad de decisi\u00f3n requiere una comprensi\u00f3n suficiente para tomar o defender la decisi\u00f3n. Interpretar los datos requiere un contexto empresarial. Regir la IA requiere una conciencia de las consecuencias, los l\u00edmites y la responsabilidad.<\/p>\n\n\n\n
Los graduados en negocios pueden dejar la ingenier\u00eda de IA a los especialistas. Deben tener un conocimiento suficiente de los modelos, herramientas, infraestructura y limitaciones para poder elegir y utilizarlos de manera adecuada.<\/p>\n\n\n\n
Aboubakar Samake, Modelos y herramientas de inteligencia artificial<\/h3>\n\n\n\n
Aboubakar Samake sugiere que los graduados en negocios necesitan tanto una comprensi\u00f3n pr\u00e1ctica de los modelos de IA como el juicio para determinar cu\u00e1ndo y c\u00f3mo deben ser utilizados. Los estudiantes no necesitan convertirse en ingenieros de IA, pero deber\u00edan entender que los diferentes sistemas de IA est\u00e1n dise\u00f1ados para diferentes prop\u00f3sitos, se basan en diferentes tipos de datos y enfoques y tienen capacidades y limitaciones distintas. Esta base deber\u00eda ayudarlos a reconocer que elegir una herramienta de IA no es simplemente una cuesti\u00f3n de seleccionar el sistema m\u00e1s potente o conveniente.<\/p>\n\n\n\n
Al mismo tiempo, los estudiantes deben desarrollar un juicio de selecci\u00f3n de IA comenzando por el problema empresarial en lugar de por la tecnolog\u00eda. Deben ser capaces de determinar si la IA es adecuada para la tarea, qu\u00e9 capacidades son realmente necesarias, qu\u00e9 tipo de sistema es adecuado y qu\u00e9 limitaciones o riesgos deben tenerse en cuenta. Tambi\u00e9n deben reconocer situaciones en las que no deber\u00eda utilizarse la IA o en las que su resultado requiere verificaci\u00f3n adicional. El objetivo no es conocer todos los modelos de IA, sino comprenderla lo suficiente para seleccionarla y utilizarla de manera efectiva, cuestionar sus limitaciones y tomar decisiones informadas sobre cu\u00e1ndo otra herramienta o el juicio humano resulta m\u00e1s adecuado.<\/p>\n\n\n\n
El desarrollo de software plantea un problema similar. A medida que la inteligencia artificial se vuelve cada vez m\u00e1s capaz de producir software, los profesionales de negocios pueden alejarse m\u00e1s de la construcci\u00f3n t\u00e9cnica. Sin embargo, a\u00fan necesitan una comprensi\u00f3n suficiente para comunicar los requisitos, reconocer los riesgos, cuestionar los supuestos y trabajar de manera efectiva con los especialistas t\u00e9cnicos.<\/p>\n\n\n\n
Hichem Benzair, Desarrollo de software de IA<\/h3>\n\n\n\n
Hichem Benzair sugiere que los graduados en negocios necesitan una suficiente alfabetizaci\u00f3n en software para participar de manera productiva en las decisiones tecnol\u00f3gicas, sin necesidad de convertirse en desarrolladores de software. Deben comprender conceptos b\u00e1sicos como requisitos, datos, pruebas, seguridad, integraci\u00f3n, arquitectura y mantenimiento de manera suficiente para plantear preguntas \u00fatiles y comprender las consecuencias de las decisiones t\u00e9cnicas. \u00c9l vincula esto con la idea del lenguaje omnipresente: los profesionales de negocios y t\u00e9cnicos necesitan un vocabulario com\u00fan para poder entender el mismo problema y comunicarse eficazmente sobre lo que se est\u00e1 construyendo.<\/p>\n\n\n\n
Esta base t\u00e9cnica deber\u00eda respaldar la toma de decisiones en materia de negocios y gobernanza. Los estudiantes deber\u00edan poder preguntarse si un sistema resuelve el problema adecuado, si sus requisitos reflejan la necesidad real de la empresa, qu\u00e9 riesgos y compromisos implican y si la soluci\u00f3n seguir\u00e1 siendo segura, mantenible, escalable y econ\u00f3micamente viable. No necesitan tomar todas las decisiones t\u00e9cnicas ellos mismos, pero necesitan un conocimiento suficiente para reconocer cu\u00e1ndo una decisi\u00f3n es importante y cu\u00e1ndo se requiere experiencia especializada.<\/p>\n\n\n\n
La IA hace que esta capacidad sea m\u00e1s importante, no menos. A medida que la IA pueda generar c\u00f3digo, prototipos, arquitecturas y recomendaciones t\u00e9cnicas a partir de instrucciones en lenguaje natural, los profesionales de negocios podr\u00edan involucrarse m\u00e1s directamente en la creaci\u00f3n de tecnolog\u00eda. Por lo tanto, necesitan una comprensi\u00f3n fundamental suficiente para cuestionar las soluciones generadas por la IA en lugar de simplemente aceptarlas. La capacidad esencial es la capacidad de conectar lo que necesita el negocio con lo que realmente hace la tecnolog\u00eda, y de cuestionar, evaluar y trabajar de manera efectiva tanto con las personas como con los sistemas de IA que la desarrollan.<\/p>\n\n\n\n
El marketing es otro ejemplo. La IA puede automatizar la segmentaci\u00f3n de audiencias, la producci\u00f3n de contenido, la personalizaci\u00f3n, la optimizaci\u00f3n de campa\u00f1as y partes del proceso de compra del cliente. La toma de decisiones en marketing incluye decidir qu\u00e9 debe automatizarse, c\u00f3mo monitorear las decisiones automatizadas y d\u00f3nde la comprensi\u00f3n humana de los clientes sigue aportando valor.<\/p>\n\n\n\n
Jon Schlaich, IA y automatizaci\u00f3n de marketing<\/h3>\n\n\n\n
Jon Schlaich sugiere que los estudiantes necesitan tanto conocimientos b\u00e1sicos s\u00f3lidos en marketing como la capacidad de decisi\u00f3n para decidir c\u00f3mo utilizar la automatizaci\u00f3n. A pesar de que la IA asuma cada vez m\u00e1s responsabilidades en \u00e1reas como la segmentaci\u00f3n, la creaci\u00f3n de contenido, la ejecuci\u00f3n de campa\u00f1as y los procesos de interacci\u00f3n con los clientes, los estudiantes a\u00fan necesitan comprender a los clientes, la segmentaci\u00f3n, el posicionamiento, las propuestas de valor, la marca y la experiencia del cliente. Sin esta base, pueden ser capaces de operar sofisticados sistemas de IA y automatizaci\u00f3n sin poder determinar si las decisiones de marketing que los sustentan son adecuadas o efectivas.<\/p>\n\n\n\n
Al mismo tiempo, los estudiantes deben desarrollar un juicio automatizado. Deben ser capaces de decidir qu\u00e9 actividades pueden automatizarse de manera productiva, d\u00f3nde la intervenci\u00f3n humana sigue aportando valor y cu\u00e1ndo la automatizaci\u00f3n podr\u00eda crear problemas para los clientes, las relaciones o la marca. La eficiencia por s\u00ed sola no debe determinar si algo debe automatizarse. El profesional de negocios debe comprender bien el marketing para decidir qu\u00e9 IA debe hacer, qu\u00e9 personas deben seguir haciendo y cu\u00e1ndo el juicio humano debe prevalecer sobre lo que recomiende un sistema automatizado.<\/p>\n\n\n\n
Todos estos ejemplos dependen de la alfabetizaci\u00f3n digital. Los sistemas de IA poderosos pueden ser f\u00e1ciles de usar pero dif\u00edciles de entender. La alfabetizaci\u00f3n digital incluye un cierto entendimiento de c\u00f3mo proviene la informaci\u00f3n, c\u00f3mo pueden fallar los sistemas, qu\u00e9 riesgos conlleva su uso y cu\u00e1ndo un resultado convincente merece ser cuestionado.<\/p>\n\n\n\n
Annabelle Roy, IA y alfabetizaci\u00f3n digital<\/h3>\n\n\n\n
Annabelle Roy sugiere que la alfabetizaci\u00f3n digital en 2030 deber\u00eda combinar una comprensi\u00f3n pr\u00e1ctica de la inteligencia artificial con un pensamiento cr\u00edtico s\u00f3lido. Los estudiantes no necesitan entender exactamente c\u00f3mo se construyen los sistemas de inteligencia artificial ni dominar los detalles t\u00e9cnicos de su programaci\u00f3n. Sin embargo, deber\u00edan comprender lo suficiente para reconocer que la inteligencia artificial no \u201csabe\u201d las cosas de la misma manera que lo hace un ser humano. Los sistemas de inteligencia artificial pueden cometer errores, reflejar sesgos conocidos o no percibidos y producir informaci\u00f3n que parezca convincente sin ser necesariamente precisa. Esta comprensi\u00f3n b\u00e1sica proporciona a los estudiantes una base para utilizar la inteligencia artificial con la debida precauci\u00f3n.<\/p>\n\n\n\n
Para Annabelle, la capacidad m\u00e1s importante es lo que los estudiantes hacen con esa comprensi\u00f3n. Deben cuestionar la informaci\u00f3n generada por la IA, verificarla cuando corresponda, considerar de d\u00f3nde puede haber salido esa informaci\u00f3n, reconocer los problemas relacionados con la seguridad, la privacidad y la \u00e9tica, y decidir si la IA es realmente la herramienta adecuada para la tarea. A medida que la IA se vuelve cada vez m\u00e1s presente en la educaci\u00f3n, el trabajo y la vida cotidiana, la alfabetizaci\u00f3n digital deber\u00eda demostrarse no solo mediante el conocimiento de c\u00f3mo usarla, sino tambi\u00e9n de c\u00f3mo, cu\u00e1ndo y si utilizarla de manera responsable.<\/p>\n\n\n\n
Tambi\u00e9n preguntamos a la IA<\/h1>\n\n\n\n
Business Physics incluye miembros sint\u00e9ticos junto con sus colaboradores humanos, as\u00ed que les hicimos la misma pregunta. Charlie AI se centra en la evidencia, los supuestos y el an\u00e1lisis cuantitativo. Lena AI se centra en consideraciones humanas, culturales y sociales.<\/p>\n\n\n\n
Charlie AI, evidencia, supuestos y escrutinio cuantitativo<\/h3>\n\n\n\n
Charlie AI proporcion\u00f3 la siguiente salida: los estudiantes nunca deber\u00edan delegar por completo la evaluaci\u00f3n final de la evidencia en la IA. Un sistema de IA puede ayudar a localizar informaci\u00f3n, comparar fuentes, identificar inconsistencias, probar hip\u00f3tesis y examinar afirmaciones cuantitativas, pero tambi\u00e9n puede reproducir errores, basarse en evidencia d\u00e9bil o proporcionar una explicaci\u00f3n convincente para una conclusi\u00f3n que no est\u00e1 suficientemente respaldada. El uso de un solo sistema de IA para verificar otro no elimina la necesidad de un juicio humano.<\/p>\n\n\n\n
Por lo tanto, los estudiantes deber\u00edan aprender a preguntar qu\u00e9 evidencia respalda realmente una conclusi\u00f3n, si las suposiciones que la sustentan son razonables, si los n\u00fameros tienen sentido y qu\u00e9 informaci\u00f3n puede estar faltando. La IA puede fortalecer este proceso al desafiar el razonamiento del estudiante y llamar la atenci\u00f3n sobre posibles deficiencias, pero el estudiante a\u00fan debe decidir si la evidencia disponible es suficiente para la decisi\u00f3n que se est\u00e1 tomando. El objetivo no es que los estudiantes desconf\u00eden de la IA, sino que adquieran el h\u00e1bito de cuestionar la evidencia y las suposiciones, independientemente de si la conclusi\u00f3n proviene de una persona, un conjunto de datos o un sistema de IA.<\/p>\n\n\n\n
Lena AI: Perspectivas humanas, culturales y sociales<\/h3>\n\n\n\n
Lena AI proporcion\u00f3 la siguiente salida: los estudiantes deber\u00edan conservar la capacidad de comprender c\u00f3mo las decisiones empresariales afectan a las personas de formas que pueden no estar completamente representadas en los datos. La IA puede identificar patrones, comparar alternativas y recomendar acciones, pero las personas est\u00e1n influenciadas por la cultura, las relaciones, las emociones, la historia, la confianza y las circunstancias individuales. Por lo tanto, una recomendaci\u00f3n que parezca razonable a partir de la informaci\u00f3n disponible puede tener consecuencias que un sistema de inteligencia artificial no anticipa completamente.<\/p>\n\n\n\n
Los estudiantes deber\u00edan aprender a considerar a qui\u00e9n se ver\u00e1 afectado por una decisi\u00f3n, a qui\u00e9n puede que le falte una perspectiva y c\u00f3mo diferentes personas o comunidades pueden experimentar la misma acci\u00f3n de manera diferente. La IA puede ayudar a ampliar el an\u00e1lisis e identificar perspectivas que merecen consideraci\u00f3n, pero los estudiantes a\u00fan deben escuchar, observar, hacer preguntas y comprender a las personas involucradas. La capacidad humana que deber\u00eda preservarse es la capacidad de discernir que una decisi\u00f3n puede tener sentido anal\u00edticamente y, al mismo tiempo, no ser apropiada para las personas y el contexto en el que se aplicar\u00e1.<\/p>\n\n\n\n
Hay algo apropiado en el resultado: la inteligencia artificial ayuda a marcar los l\u00edmites de su propio papel en las decisiones humanas.<\/p>\n\n\n\n
\u00bfQu\u00e9 nos dicen las 18 perspectivas?<\/h1>\n\n\n\n
Diecis\u00e9is personas y dos agentes de IA respondieron a la misma pregunta provenientes de campos muy diferentes. Cuando se los lee juntos, sus respuestas revelan diez patrones.<\/p>\n\n\n\n
Las fundaciones tienen precedencia sobre la delegaci\u00f3n.<\/strong> Este es el punto m\u00e1s repetido. Ahmed Hegazy quiere que los estudiantes realicen ellos mismos una investigaci\u00f3n de mercado antes de confiar en la inteligencia artificial. Ann Lockquell dice lo mismo sobre el trabajo creativo, Jon Schlaich sobre los fundamentos del marketing y Naomi Tessier sobre el contenido. Christine Gerard da forma a la idea: una pir\u00e1mide con los fundamentos en la base, la experiencia por encima de ellos, el juicio construido a partir de ambos y la inteligencia artificial en la parte superior.<\/p>\n\n\n\nEl juicio tiene una forma diferente en cada campo.<\/strong> Vinay Kumar describe el juicio de supervisi\u00f3n. Ann Lockquell describe el juicio creativo, Naomi Tessier el juicio editorial, Jon Schlaich el juicio de automatizaci\u00f3n y Aboubakar Samake el juicio de selecci\u00f3n de IA. Cada forma depende del conocimiento del campo.<\/p>\n\n\n\nLa supervisi\u00f3n debe corresponder al riesgo.<\/strong> Vinay Kumar, Sebastien Favre y Charlie AI llegan a esta conclusi\u00f3n de forma independiente. Una tarea de bajo riesgo requiere una verificaci\u00f3n r\u00e1pida. Una decisi\u00f3n que implique dinero, personas, privacidad o obligaciones legales requiere una verificaci\u00f3n m\u00e1s exhaustiva y la aprobaci\u00f3n humana.<\/p>\n\n\n\nLa responsabilidad queda en el propio individuo.<\/strong> Vinay Kumar, Naomi Tessier y Thomas Hormaza Dow afirman que quien delegue una tarea a la IA sigue siendo responsable del resultado.<\/p>\n\n\n\nDecidir contra la inteligencia artificial es una habilidad.<\/strong> Aboubakar Samake, Annabelle Roy, Naomi Tessier y Jon Schlaich describen situaciones en las que la decisi\u00f3n correcta es elegir otra herramienta, mantener a la persona involucrada o dejar de lado la salida generada por la IA.<\/p>\n\n\n\nEl problema viene antes de la herramienta.<\/strong> Aboubakar Samake pide a los estudiantes que comiencen con el problema de negocio. Hichem Benzair pregunta si un sistema resuelve el problema adecuado. Ahmed Hegazy pregunta si se ha planteado la pregunta de investigaci\u00f3n adecuada.<\/p>\n\n\n\nLa gente nota lo que los datos dejan fuera de la ecuaci\u00f3n.<\/strong> Viviane Paul describe la intuici\u00f3n informada que los l\u00edderes construyen a trav\u00e9s de la experiencia. Lena AI apunta a la cultura, la emoci\u00f3n, la historia y la confianza. Banafsheh Peyrovian se\u00f1ala la experiencia directa con los clientes, la incertidumbre y el fracaso.<\/p>\n\n\n\nEl polaco ha dejado de ser una garant\u00eda de calidad.<\/strong> Naomi Tessier, Annabelle Roy y Charlie AI advierten que la informaci\u00f3n generada por la inteligencia artificial puede parecer o sonar convincente pero a\u00fan as\u00ed ser inexacta o poco bien fundamentada.<\/p>\n\n\n\nLa verdad viene antes que el mensaje.<\/strong> Lyndon Johnson coloca la honestidad en el centro de la comunicaci\u00f3n, una visi\u00f3n compartida por muchos otros miembros del laboratorio. Los estudiantes deben determinar qu\u00e9 es lo que se sabe y qu\u00e9 sigue siendo incierto antes de decidir qu\u00e9 decir.<\/p>\n\n\n\nLas personas relacionadas con los negocios y los aspectos t\u00e9cnicos necesitan un vocabulario com\u00fan.<\/strong> Hichem Benzair llama a este idioma omnipresente. Amin Ranj Bar a\u00f1ade que las preguntas de seguridad deben definirse en la fase de dise\u00f1o, lo que requiere profesionales del sector que sepan responder a ellas.<\/p>\n\n\n\nEstas seis capacidades son una respuesta v\u00e1lida. Los colaboradores pueden interpretar estos patrones de forma diferente y nuevas contribuciones pueden revelar lo que a\u00fan falta.<\/p>\n\n\n\n
Cuatro niveles de responsabilidad<\/h1>\n\n\n\n
Estas seis capacidades describen lo que los estudiantes necesitan desarrollar. La siguiente pregunta es: \u00bfcu\u00e1nto de cada una debe hacer personalmente un estudiante cuando la IA est\u00e9 disponible?.<\/p>\n\n\n\n
La respuesta var\u00eda de una capacidad a otra. Una aproximaci\u00f3n pr\u00e1ctica consiste en distinguir cuatro niveles de responsabilidad humana: Deben realizarse, deben entenderse, deben verificarse y deben ser de propiedad propia.<\/p>\n\n\n\n
Deben realizarse<\/h2>\n\n\n\n
Algunas capacidades deber\u00edan seguir siendo ejecutables independientemente, ya que llevarlas a cabo desarrolla competencias profesionales.<\/p>\n\n\n\n
Un estudiante puede necesitar comunicar una idea, analizar un problema empresarial b\u00e1sico, participar en una conversaci\u00f3n dif\u00edcil, estimar si un n\u00famero es razonable o tomar un juicio b\u00e1sico sin la ayuda de la IA.<\/p>\n\n\n\n
El rendimiento independiente es importante cuando la actividad misma desarrolla o demuestra una capacidad que el profesional a\u00fan necesitar\u00e1.<\/p>\n\n\n\n
Hay que entenderlo<\/h2>\n\n\n\n
Otros aspectos de la actividad pueden ser realizados en gran medida por la IA, mientras el estudiante conserva suficiente conocimiento para comprender el proceso y sus implicaciones.<\/p>\n\n\n\n
Un gerente puede delegar la creaci\u00f3n de software, el c\u00e1lculo de estad\u00edsticas, el dise\u00f1o de un sistema de refrigeraci\u00f3n para un centro de datos o la ejecuci\u00f3n de cada paso de una campa\u00f1a de marketing digital. Sin embargo, a\u00fan necesita una comprensi\u00f3n suficiente para comunicarse con los especialistas, reconocer las implicaciones importantes y hacer preguntas \u00fatiles.<\/p>\n\n\n\n
Este nivel cobra mayor importancia a medida que los sistemas empresariales se vuelven tecnol\u00f3gicamente complejos. Los directivos suelen tomar decisiones sobre tecnolog\u00edas que no podr\u00edan desarrollar ellos mismos. Conocer bien las cosas significa saber lo suficiente para participar de manera productiva en esas decisiones y reconocer cu\u00e1ndo se necesita m\u00e1s experiencia.<\/p>\n\n\n\n
Hay que verificar<\/h2>\n\n\n\n
Algunos trabajos pueden delegarse a la IA mientras el humano decide si el resultado es lo suficientemente confiable para su uso.<\/p>\n\n\n\n
La verificaci\u00f3n requiere un juicio sobre la evidencia, el riesgo, el contexto y las consecuencias. Una tarea de bajo riesgo puede requerir una revisi\u00f3n r\u00e1pida. Una decisi\u00f3n de alto impacto puede requerir evidencia independiente, aportes especializados o varias capas de verificaci\u00f3n.<\/p>\n\n\n\n
La verificaci\u00f3n tambi\u00e9n requiere atenci\u00f3n a los supuestos subyacentes a una respuesta. Un c\u00e1lculo puede ser correcto si los supuestos, los datos o el contexto siguen haciendo que la recomendaci\u00f3n sea inapropiada.<\/p>\n\n\n\n
Debes tenerlo<\/h2>\n\n\n\n
Algunas decisiones siguen siendo responsabilidad de una persona incluso cuando la IA contribuye de forma significativa al an\u00e1lisis.<\/p>\n\n\n\n
La IA puede identificar alternativas, comparar escenarios, estimar los resultados y recomendar un curso de acci\u00f3n. El profesional responsable a\u00fan debe entender por qu\u00e9 se est\u00e1 tomando la decisi\u00f3n, considerar sus consecuencias m\u00e1s amplias y aceptar la responsabilidad de actuar en consecuencia.<\/p>\n\n\n\n
Estos cuatro niveles proporcionan a los educadores una forma pr\u00e1ctica de decidir c\u00f3mo debe utilizarse la IA en una actividad de aprendizaje. Adem\u00e1s, vinculan las seis capacidades con la responsabilidad profesional:<\/p>\n\n\n\n
\n- Responsabilidad y supervisi\u00f3n<\/strong> a menudo requiere que los estudiantes verifiquen y asuman las decisiones propias.<\/li>\n\n\n\n
- Pensamiento independiente y estructuraci\u00f3n de problemas<\/strong> puede requerir que los estudiantes realicen el razonamiento inicial ellos mismos.<\/li>\n\n\n\n
- Evidencia y verificaci\u00f3n<\/strong> Exigen que los estudiantes comprendan los fundamentos de una salida y la verifiquen de acuerdo con el riesgo.<\/li>\n\n\n\n
- Comunicaci\u00f3n y relaciones humanas<\/strong> a menudo requieren una actuaci\u00f3n humana directa y un compromiso personal.<\/li>\n\n\n\n
- Agencia profesional y resiliencia<\/strong> exigen que los estudiantes mantengan una capacidad suficiente para funcionar cuando la IA no est\u00e9 disponible o no sea adecuada.<\/li>\n\n\n\n
- IA y alfabetizaci\u00f3n tecnol\u00f3gica<\/strong> requiere que los estudiantes comprendan lo suficiente sobre la tecnolog\u00eda para elegir herramientas, hacer preguntas bien informadas y trabajar con especialistas.<\/li>\n<\/ul>\n\n\n\n
REACT y el reflejo de la responsabilidad<\/h1>\n\n\n\n
Los cuatro niveles de responsabilidad explican lo que los estudiantes deben realizar, comprender, verificar o ser responsables de hacerlo. El Marco REACT les proporciona un m\u00e9todo pr\u00e1ctico para tomar esas decisiones al trabajar con la IA.<\/p>\n\n\n\n
REACT pide a los estudiantes que consideren cinco cosas: razonamiento, evidencia, responsabilidad, limitaciones y compromisos (Hormaza Dow y Nassi, 2026).<\/p>\n\n\n\n
Raz\u00f3n<\/strong> relaciona el uso de la IA con un prop\u00f3sito claro. Los estudiantes deben saber por qu\u00e9 se est\u00e1 utilizando la IA y qu\u00e9 se espera que aporte.<\/p>\n\n\n\nEvidencia<\/strong> pregunta si la informaci\u00f3n y los resultados son lo suficientemente confiables para su uso previsto. El nivel de verificaci\u00f3n debe reflejar la importancia y el riesgo de la tarea.<\/p>\n\n\n\nRendici\u00f3n de cuentas<\/strong> Mantener visible la propiedad. Una persona sigue siendo responsable del trabajo realizado y de las decisiones tomadas, independientemente de la parte que haya desempe\u00f1ado la IA.<\/p>\n\n\n\nRestricciones<\/strong> incluyan privacidad, seguridad, reglas organizativas, requisitos legales, \u00e9tica, recursos disponibles y el prop\u00f3sito de la actividad de aprendizaje.<\/p>\n\n\n\nCompromisos<\/strong> Exige que los estudiantes consideren conjuntamente los beneficios, los costos y las consecuencias. Las decisiones empresariales rara vez optimizan todos los objetivos al mismo tiempo.<\/p>\n\n\n\nLos compromisos merecen un ejemplo. Una empresa puede adoptar la inteligencia artificial para aumentar la productividad y al mismo tiempo aumentar sus necesidades de computaci\u00f3n. Una tecnolog\u00eda puede reducir un impacto medioambiental y aumentar otro. Extender la vida \u00fatil del hardware inform\u00e1tico reduce el consumo de materiales, pero el equipo m\u00e1s antiguo llega en el tiempo a ser tan ineficiente que la sustituci\u00f3n se vuelve m\u00e1s sensata. La automatizaci\u00f3n puede ahorrar tiempo al tiempo que reduce las oportunidades para que los empleados o los estudiantes adquieran determinadas habilidades.<\/p>\n\n\n\n
El juicio profesional significa reconocer estos efectos concurrentes, evaluar la evidencia disponible, comprender el contexto y tomar una decisi\u00f3n que la persona pueda defender.<\/p>\n\n\n\n
La pr\u00e1ctica repetida puede convertir estas cinco preguntas en un h\u00e1bito. Para 2030, ese reflejo de responsabilidad podr\u00eda ser m\u00e1s importante que la interfaz espec\u00edfica de IA que un estudiante aprendi\u00f3 a usar en la universidad.<\/p>\n\n\n\n
Diez recomendaciones para la educaci\u00f3n empresarial para el a\u00f1o 2030<\/h1>\n\n\n\n
La tesis sugiere un est\u00e1ndar pr\u00e1ctico: los programas de negocios deber\u00edan evaluar lo que los estudiantes pueden producir con la IA, junto con lo que pueden entender, cuestionar, verificar, comunicar, decidir y ser propietarios.<\/p>\n\n\n\n
1. El uso de IA en el dise\u00f1o se orienta hacia el objetivo de aprendizaje<\/h2>\n\n\n\n
Los educadores deber\u00edan comenzar identificando las capacidades que una actividad pretende desarrollar, luego introducir la IA de una manera que apoye ese objetivo.<\/p>\n\n\n\n
Si el objetivo es el razonamiento fundamental, los estudiantes pueden necesitar trabajar de forma independiente antes de utilizar la IA. Si el objetivo es la colaboraci\u00f3n profesional con la IA, los estudiantes deben utilizar la IA mientras documentan sus decisiones, verifican los resultados y explican su juicio final.<\/p>\n\n\n\n
2. Eval\u00fae el juicio junto con el resultado<\/h2>\n\n\n\n
Un producto con inteligencia artificial perfeccionado muestra lo que un estudiante puede producir. Revela mucho menos sobre lo que el estudiante entiende.<\/p>\n\n\n\n
La evaluaci\u00f3n tambi\u00e9n deber\u00eda examinar c\u00f3mo los estudiantes definieron el problema, seleccionaron la informaci\u00f3n, evaluaron los resultados de la IA, identificaron limitaciones, consideraron alternativas, entendieron las consecuencias y defendieron sus decisiones.<\/p>\n\n\n\n
3. Use los cuatro niveles de responsabilidad de forma expl\u00edcita<\/h2>\n\n\n\n
Los cursos deben indicar si una capacidad debe ser realizada de forma obligatoria, comprendida de forma obligatoria, verificada de forma obligatoria o ser de propiedad propia.<\/p>\n\n\n\n
Los niveles de responsabilidad claros ayudan a los estudiantes a comprender las expectativas. Tambi\u00e9n ayudan a los educadores a equilibrar la delegaci\u00f3n total sin restricciones con las restricciones innecesarias en las aplicaciones \u00fatiles de la IA.<\/p>\n\n\n\n
4. Ense\u00f1e REACT como un h\u00e1bito profesional<\/h2>\n\n\n\n
Los estudiantes deber\u00edan practicar la identificaci\u00f3n de los motivos del uso de la IA, la evaluaci\u00f3n de la evidencia, la clarificaci\u00f3n de la responsabilidad, el reconocimiento de las limitaciones y la consideraci\u00f3n de los compromisos.<\/p>\n\n\n\n
El uso repetido puede hacer que estas consideraciones formen parte del juicio profesional normal.<\/p>\n\n\n\n
5. Conservar el esfuerzo productivo<\/h2>\n\n\n\n
Los estudiantes necesitan oportunidades para recuperar el conocimiento, probar soluciones, cometer errores, recibir retroalimentaci\u00f3n y revisar su pensamiento.<\/p>\n\n\n\n
La IA puede eliminar barreras innecesarias. El esfuerzo que permita una comprensi\u00f3n duradera deber\u00eda mantenerse.<\/p>\n\n\n\n
6. Desarrollar la capacidad profesional m\u00ednima viable<\/h2>\n\n\n\n
Todo graduado en negocios deber\u00eda ser capaz de organizar un problema empresarial b\u00e1sico, comunicarse de forma clara, realizar c\u00e1lculos razonables, interpretar la informaci\u00f3n, formar un juicio preliminar y determinar una acci\u00f3n adecuada sin depender totalmente de la inteligencia artificial.<\/p>\n\n\n\n
7. Ense\u00f1e a los estudiantes cu\u00e1ndo buscar la experiencia humana<\/h2>\n\n\n\n
La alfabetizaci\u00f3n en inteligencia artificial deber\u00eda incluir reconocer los l\u00edmites tanto del sistema como del estudiante. Los graduados deber\u00edan saber cu\u00e1ndo involucrar a contadores, abogados, especialistas en ciberseguridad, ingenieros, gerentes u otros profesionales cualificados.<\/p>\n\n\n\n
8. Haced visible la responsabilidad<\/h2>\n\n\n\n
Se espera que los estudiantes comprendan y respalden el trabajo presentado bajo su nombre. Siempre deber\u00eda quedar claro qui\u00e9n tom\u00f3 la decisi\u00f3n, qui\u00e9n verific\u00f3 el resultado y qui\u00e9n es responsable de sus consecuencias.<\/p>\n\n\n\n
9. Piensen en el sistema m\u00e1s amplio<\/h2>\n\n\n\n
Algunas decisiones empresariales relacionadas con la inteligencia artificial deben evaluarse m\u00e1s all\u00e1 del rendimiento y el coste inmediatos.<\/p>\n\n\n\n
Los estudiantes deber\u00edan aprender a considerar el ciclo de vida de una tecnolog\u00eda, la infraestructura y los recursos de los que depende, sus efectos sobre las personas y las organizaciones, y las consecuencias que puedan aparecer m\u00e1s adelante.<\/p>\n\n\n\n
Los estudiantes de negocios necesitan un nivel adecuado de pensamiento sist\u00e9mico para reconocer cu\u00e1ndo una decisi\u00f3n tiene consecuencias m\u00e1s all\u00e1 de las variables presentadas por una recomendaci\u00f3n generada por una IA, y un nivel suficiente de juicio para saber cu\u00e1ndo se requiere experiencia t\u00e9cnica o ambiental.<\/p>\n\n\n\n
10. H\u00e1gase de la conciencia de los recursos parte de la evaluaci\u00f3n de la IA<\/h2>\n\n\n\n
La IA puede parecer intangible, pero su uso depende de una infraestructura f\u00edsica que requiere espacio, agua, energ\u00eda y materiales. Los estudiantes no necesitan convertirse en expertos en la infraestructura de los centros de datos, pero deber\u00edan entender que el uso de la IA tiene consecuencias f\u00edsicas que var\u00edan seg\u00fan la tecnolog\u00eda, la escala y el contexto.<\/p>\n\n\n\n
Al decidir si y c\u00f3mo utilizar la IA, los estudiantes deber\u00edan considerar no solo lo que la IA puede lograr, sino tambi\u00e9n si su uso es adecuado y proporcional al objetivo. La conciencia de los recursos deber\u00eda convertirse en una de las consideraciones que informen el juicio responsable en materia de IA, especialmente a medida que el uso de la tecnolog\u00eda crezca en escala.<\/p>\n\n\n\n
\u00bfEs la pregunta correcta \u201csin IA\u201d?<\/h1>\n\n\n\n
Una forma com\u00fan de estructurar este debate es preguntar qu\u00e9 deber\u00edan ser capaces de hacer los estudiantes sin la inteligencia artificial. Esta frase es \u00fatil porque llama la atenci\u00f3n sobre la dependencia. Una pregunta m\u00e1s duradera pregunta qu\u00e9 deben seguir comprendiendo, realizando, verificando y siendo capaces de hacer los estudiantes.<\/p>\n\n\n\n
Los profesionales de negocios ya conf\u00edan en hojas de c\u00e1lculo, calculadoras, bases de datos, motores de b\u00fasqueda y software especializado. Nadie pide a un contador que renuncie a las hojas de c\u00e1lculo como prueba de su competencia. La competencia se eval\u00faa por si las personas utilizan sus herramientas de manera adecuada y comprenden lo suficiente para tomar decisiones acertadas. El mismo criterio se aplica a la inteligencia artificial.<\/p>\n\n\n\n
Algunas capacidades deber\u00edan seguir siendo ejecutables independientemente. Otras deber\u00edan seguir siendo entendidas. Algunas tareas pueden ser delegadas, pero deben ser verificadas. Algunas decisiones deben, en \u00faltima instancia, ser de propiedad de una persona.<\/p>\n\n\n\n
Las capacidades de la IA seguir\u00e1n cambiando. La responsabilidad educativa de desarrollar personas capaces seguir\u00e1 siendo la misma.<\/p>\n\n\n\n
Hacia 2030<\/h1>\n\n\n\n
Volvemos a Maya y sus tres entregables bien elaborados.<\/p>\n\n\n\n
El cliente ha preguntado por qu\u00e9 asumi\u00f3 un crecimiento del 12%. La IA pudo haber producido la previsi\u00f3n, pero Maya a\u00fan necesita entender la suposici\u00f3n, evaluar las pruebas que la sustentan, explicar por qu\u00e9 es razonable, reconocer qu\u00e9 podr\u00eda hacerla incorrecta y asumir la responsabilidad de utilizarla.<\/p>\n\n\n\n
Este momento refleja un desaf\u00edo m\u00e1s amplio para la educaci\u00f3n empresarial. Para 2030, los estudiantes podr\u00e1n trabajar rutinariamente con sistemas de inteligencia artificial que puedan investigar, calcular, analizar, comparar, recomendar, comunicar y, cada vez m\u00e1s, actuar en su nombre.<\/p>\n\n\n\n
La educaci\u00f3n empresarial debe preservar las capacidades humanas para juzgar, pensar de forma independiente, evaluar la evidencia, relacionarse con las personas, comprender la tecnolog\u00eda utilizada y actuar con autonom\u00eda y responsabilidad. Estas capacidades deben permanecer lo suficientemente fuertes para que los graduados puedan comprender los problemas a los que se enfrentan, reconocer cu\u00e1ndo la inteligencia artificial resulta inconstante o inapropiada, tomar decisiones en situaciones de incertidumbre, considerar las consecuencias m\u00e1s amplias, comunicarse con otros, buscar asesoramiento cuando sea necesario y asumir la responsabilidad de los resultados.<\/strong><\/p>\n\n\n\nLa IA puede acelerar el an\u00e1lisis, ampliar las opciones, identificar patrones y realizar tareas complejas. Estas capacidades aumentan la importancia del juicio humano, ya que alguien a\u00fan debe determinar qu\u00e9 es lo importante, qu\u00e9 pruebas merecen peso, qu\u00e9 consecuencias son aceptables y qu\u00e9 acci\u00f3n deber\u00eda seguirse.<\/p>\n\n\n\n
Imaginemos a un futuro gerente evaluando una propuesta de infraestructura basada en IA. La IA puede comparar costos, estimar las necesidades de electricidad, analizar diferentes tecnolog\u00edas, calcular los impactos en el ciclo de vida y recomendar una opci\u00f3n. El gerente a\u00fan debe determinar qu\u00e9 aspectos merecen consideraci\u00f3n. Coste y rendimiento son importantes, pero tambi\u00e9n lo son la confiabilidad, la privacidad, la energ\u00eda, el agua, los materiales, los empleados, los efectos en la comunidad y la dependencia a largo plazo de determinadas tecnolog\u00edas o proveedores. Su importancia variar\u00e1 seg\u00fan la decisi\u00f3n y su contexto.<\/p>\n\n\n\n
El c\u00e1lculo y la toma de decisiones son formas diferentes de trabajo.<\/strong><\/p>\n\n\n\nLa IA puede ayudar a determinar lo que es posible, comparar alternativas e identificar las consecuencias. La toma de decisiones por parte del ser humano sigue siendo necesaria para decidir qu\u00e9 consecuencias son relevantes, c\u00f3mo evaluar las prioridades concurrentes, cu\u00e1ndo la evidencia disponible es suficiente, cu\u00e1ndo se necesita experiencia especializada y qu\u00e9 acci\u00f3n debe seguirse.<\/p>\n\n\n\n
La misma distinci\u00f3n se aplica cuando la IA eval\u00faa a un candidato a un puesto de trabajo, recomienda una estrategia de marketing, identifica a un cliente como un riesgo crediticio, propone un calendario de proyectos, genera una respuesta p\u00fablica a una crisis o recomienda una inversi\u00f3n.<\/p>\n\n\n\n
A medida que la inteligencia artificial se vuelve m\u00e1s capaz de calcular, analizar, comparar y recomendar, los estudiantes necesitan una mejor capacidad de juicio para determinar qu\u00e9 es lo que merece consideraci\u00f3n en la decisi\u00f3n final.<\/strong><\/p>\n\n\n\nEsto no significa que los estudiantes deban realizar todas las tareas ellos mismos. Algunas capacidades deben seguir siendo ejecutables independientemente. Otras deben ser comprendidas de manera suficiente para cuestionarlas y explicarlas. El trabajo generado por IA debe a veces verificarse, y el nivel de verificaci\u00f3n debe reflejar el riesgo involucrado. Y algunas decisiones deben, en \u00faltima instancia, ser de propiedad de una persona, independientemente de cu\u00e1nto contribuy\u00f3 la IA a su elaboraci\u00f3n.<\/p>\n\n\n\n
Un estudiante que produce una excelente an\u00e1lisis con la ayuda de la IA demuestra una importante capacidad profesional. Los educadores tambi\u00e9n necesitan evidencia de lo que ese estudiante sabe, puede reconocer, puede explicar, puede decidir y est\u00e1 preparado para asumir la responsabilidad.<\/p>\n\n\n\n
El acceso a un sistema inteligente no produce autom\u00e1ticamente una decisi\u00f3n inteligente.<\/strong><\/p>\n\n\n\nA medida que las m\u00e1quinas se vuelven m\u00e1s eficientes en la realizaci\u00f3n de tareas empresariales, las universidades deben ser m\u00e1s conscientes de las capacidades humanas que contin\u00faan desarrollando. Un graduado en negocios preparado para la inteligencia artificial necesitar\u00e1 dos formas de competencia: la capacidad de trabajar eficazmente con m\u00e1quinas cada vez m\u00e1s inteligentes, y la capacidad de seguir siendo una persona capaz y responsable al hacerlo.<\/p>\n\n\n\n
Cuando el cliente pregunta por qu\u00e9, Maya deber\u00eda tener una respuesta propia.<\/strong><\/p>\n\n\n\nDeclaraci\u00f3n sobre el uso de IA<\/h1>\n\n\n\n
Dos agentes de inteligencia artificial, Charlie AI y Lena AI, contribuyeron con respuestas a la pregunta que aborda este art\u00edculo. Sus respuestas se identifican como salida de inteligencia artificial en la secci\u00f3n \u201cTambi\u00e9n preguntamos a la inteligencia artificial\u201d. Un asistente de inteligencia artificial (Claude, Anthropic) formate\u00f3 este documento. Los autores humanos revisaron el art\u00edculo completo y se hacen responsables de su contenido.<\/p>\n\n\n\n
Referencia<\/h1>\n\n\n\n
Hormaza Dow, T., & Nassi, M. (2026, 11 de marzo). Ense\u00f1anza de la capacidad de juicio en el uso de la IA en la educaci\u00f3n superior: recurso de webinar de asociaci\u00f3n para la adopci\u00f3n del marco REACT. Zenodo. Webinar de PEEC: ENSENAR LA CAPACIDAD DE JUEGO EN EL USO DE LA IA EN LA EDUCACI\u00d3N SUPERIOR, Quebec, Canad\u00e1. https:\/\/doi.org\/10.5281\/zenodo.20259032<\/a><\/p>","protected":false},"excerpt":{"rendered":"Rethinking Business Education for 2030: A Collective Article by the Business Physics AI Lab Authors: This article was written collectively by sixteen members of the Business Physics AI Simulation Lab: Thomas Hormaza Dow (Founder and Lab Director), Vinay Kumar (Advanced Agentic AI Consulting), Sebastien Favre (AI Reliability Measures), Ann Lockquell (Innovation and Creativity), Dr. Banafsheh […]<\/p>\n","protected":false},"author":1,"featured_media":356,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[76],"tags":[79,78,77,80],"class_list":["post-348","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-business-physics-ai-lab-quarterly-review","tag-business-physics-ai-lab-team","tag-collective-article","tag-quarterly-review","tag-rethinking-business-ai-education-for-2030"],"yoast_head":"\n
What Must Remain Human? - Business Physics AI Lab<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/businessphysics.ai\/es\/what-must-remain-human-education-for-2030\/\" \/>\n<meta property=\"og:locale\" content=\"es_MX\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"What Must Remain Human? - Business Physics AI Lab\" \/>\n<meta property=\"og:description\" content=\"Rethinking Business Education for 2030: A Collective Article by the Business Physics AI Lab Authors: This article was written collectively by sixteen members of the Business Physics AI Simulation Lab: Thomas Hormaza Dow (Founder and Lab Director), Vinay Kumar (Advanced Agentic AI Consulting), Sebastien Favre (AI Reliability Measures), Ann Lockquell (Innovation and Creativity), Dr. Banafsheh […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/businessphysics.ai\/es\/what-must-remain-human-education-for-2030\/\" \/>\n<meta property=\"og:site_name\" content=\"Business Physics AI Lab\" \/>\n<meta property=\"article:published_time\" content=\"2026-10-03T14:32:31+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-10-03T16:21:53+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1141\" \/>\n\t<meta property=\"og:image:height\" content=\"1280\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Business Physics\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Business Physics\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"42 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\"},\"author\":{\"name\":\"Business Physics\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/person\\\/43e64101068fd3fb267236426d1587a7\"},\"headline\":\"What Must Remain Human?\",\"datePublished\":\"2026-10-03T14:32:31+00:00\",\"dateModified\":\"2026-10-03T16:21:53+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\"},\"wordCount\":9316,\"publisher\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"keywords\":[\"Business Physics AI Lab Team\",\"Collective Article\",\"Quarterly Review\",\"Rethinking Business AI Education for 2030\"],\"articleSection\":[\"Business Physics AI Lab Quarterly Review\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\",\"name\":\"What Must Remain Human? - Business Physics AI Lab\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"datePublished\":\"2026-10-03T14:32:31+00:00\",\"dateModified\":\"2026-10-03T16:21:53+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#primaryimage\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"contentUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2026\\\/10\\\/Business-Physics-Team-2030.png\",\"width\":1141,\"height\":1280,\"caption\":\"Business Physics Team 2030\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/what-must-remain-human-education-for-2030\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/businessphysics.ai\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"What Must Remain Human?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#website\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/\",\"name\":\"Business Physics AI Lab\",\"description\":\"About the Founder: Professor Thomas Hormaza Dow fosters an environment where research meets application, and where interns, researchers, and industry leaders collaborate to unlock new frontiers.\",\"publisher\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/businessphysics.ai\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#organization\",\"name\":\"Business Physics AI Lab\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2025\\\/01\\\/business-physics-logo-large-720.jpg\",\"contentUrl\":\"https:\\\/\\\/businessphysics.ai\\\/wp-content\\\/uploads\\\/2025\\\/01\\\/business-physics-logo-large-720.jpg\",\"width\":720,\"height\":720,\"caption\":\"Business Physics AI Lab\"},\"image\":{\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/businessphysics.ai\\\/#\\\/schema\\\/person\\\/43e64101068fd3fb267236426d1587a7\",\"name\":\"Business Physics\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g\",\"caption\":\"Business Physics\"},\"sameAs\":[\"https:\\\/\\\/businessphysics.ai\"],\"url\":\"https:\\\/\\\/businessphysics.ai\\\/es\\\/author\\\/business-physics\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"What Must Remain Human? - Business Physics AI Lab","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/businessphysics.ai\/es\/what-must-remain-human-education-for-2030\/","og_locale":"es_MX","og_type":"article","og_title":"What Must Remain Human? - Business Physics AI Lab","og_description":"Rethinking Business Education for 2030: A Collective Article by the Business Physics AI Lab Authors: This article was written collectively by sixteen members of the Business Physics AI Simulation Lab: Thomas Hormaza Dow (Founder and Lab Director), Vinay Kumar (Advanced Agentic AI Consulting), Sebastien Favre (AI Reliability Measures), Ann Lockquell (Innovation and Creativity), Dr. Banafsheh […]","og_url":"https:\/\/businessphysics.ai\/es\/what-must-remain-human-education-for-2030\/","og_site_name":"Business Physics AI Lab","article_published_time":"2026-10-03T14:32:31+00:00","article_modified_time":"2026-10-03T16:21:53+00:00","og_image":[{"width":1141,"height":1280,"url":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","type":"image\/png"}],"author":"Business Physics","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Business Physics","Tiempo de lectura":"42 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#article","isPartOf":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/"},"author":{"name":"Business Physics","@id":"https:\/\/businessphysics.ai\/#\/schema\/person\/43e64101068fd3fb267236426d1587a7"},"headline":"What Must Remain Human?","datePublished":"2026-10-03T14:32:31+00:00","dateModified":"2026-10-03T16:21:53+00:00","mainEntityOfPage":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/"},"wordCount":9316,"publisher":{"@id":"https:\/\/businessphysics.ai\/#organization"},"image":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage"},"thumbnailUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","keywords":["Business Physics AI Lab Team","Collective Article","Quarterly Review","Rethinking Business AI Education for 2030"],"articleSection":["Business Physics AI Lab Quarterly Review"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/","url":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/","name":"What Must Remain Human? - Business Physics AI Lab","isPartOf":{"@id":"https:\/\/businessphysics.ai\/#website"},"primaryImageOfPage":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage"},"image":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage"},"thumbnailUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","datePublished":"2026-10-03T14:32:31+00:00","dateModified":"2026-10-03T16:21:53+00:00","breadcrumb":{"@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#primaryimage","url":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","contentUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2026\/10\/Business-Physics-Team-2030.png","width":1141,"height":1280,"caption":"Business Physics Team 2030"},{"@type":"BreadcrumbList","@id":"https:\/\/businessphysics.ai\/what-must-remain-human-education-for-2030\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/businessphysics.ai\/"},{"@type":"ListItem","position":2,"name":"What Must Remain Human?"}]},{"@type":"WebSite","@id":"https:\/\/businessphysics.ai\/#website","url":"https:\/\/businessphysics.ai\/","name":"Laboratorio de Inteligencia Artificial","description":"Sobre el fundador: El profesor Thomas Hormaza Dow fomenta un entorno en el que la investigaci\u00f3n se encuentra con la aplicaci\u00f3n, y en el que becarios, investigadores y l\u00edderes de la industria colaboran para desvelar nuevas fronteras.","publisher":{"@id":"https:\/\/businessphysics.ai\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/businessphysics.ai\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/businessphysics.ai\/#organization","name":"Laboratorio de Inteligencia Artificial","url":"https:\/\/businessphysics.ai\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/businessphysics.ai\/#\/schema\/logo\/image\/","url":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2025\/01\/business-physics-logo-large-720.jpg","contentUrl":"https:\/\/businessphysics.ai\/wp-content\/uploads\/2025\/01\/business-physics-logo-large-720.jpg","width":720,"height":720,"caption":"Business Physics AI Lab"},"image":{"@id":"https:\/\/businessphysics.ai\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/businessphysics.ai\/#\/schema\/person\/43e64101068fd3fb267236426d1587a7","name":"F\u00edsica empresarial","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/59db27a8d75ba16c76e0af319b569ba08a4650f1e9bc9141e5d749a790c51e7f?s=96&d=mm&r=g","caption":"Business Physics"},"sameAs":["https:\/\/businessphysics.ai"],"url":"https:\/\/businessphysics.ai\/es\/author\/business-physics\/"}]}},"_links":{"self":[{"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/posts\/348","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/comments?post=348"}],"version-history":[{"count":7,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/posts\/348\/revisions"}],"predecessor-version":[{"id":358,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/posts\/348\/revisions\/358"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/media\/356"}],"wp:attachment":[{"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/media?parent=348"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/categories?post=348"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/businessphysics.ai\/es\/wp-json\/wp\/v2\/tags?post=348"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}