Lo que aprendí escribiendo, dictando y escuchando con IA — y lo que todavía no sé

Cierre de la serie: qué deberían hacer las interfaces de IA con todo lo que aprendimos sobre escribir, dictar y escuchar — y la pregunta incómoda que queda abierta.

por Camilo — Julio 4 2026 · LinkedIn

---

Si venís siguiendo esta serie, ya tenés tres piezas del mismo rompecabezas. Escribís más, no menos, cuando pensás en serio con una IA (Parte 1). Dictarle por voz el feedback fino no te ahorra tiempo, te lo cuadruplica (Parte 2). Y escuchar sus respuestas mientras hacés otra cosa es la ilusión de aprovechar el tiempo, no el hecho (Parte 3).

Puestas una al lado de la otra, las tres piezas dicen algo más grande que la suma de sus partes: la fricción de escribir y leer en texto no es un defecto que la tecnología todavía no resolvió. Es, para el tipo de trabajo intelectual complejo que estamos describiendo, una característica que cumple una función. Te obliga a pensar antes de mandar, y te da un mapa al que volver cuando necesitás evaluar. Sacarla de en medio —con voz, con audio, con lo que sea que prometa “menos esfuerzo”— no te libera. Te saca justo la herramienta que necesitabas para hacer bien el trabajo.

Entonces la pregunta que cierra la serie no es “¿cómo hacemos para escribir y leer menos con la IA?”. Es otra, más incómoda y más útil: si la fricción del texto es la que sostiene el pensamiento complejo, ¿por qué seguimos diseñando estas herramientas como si el objetivo fuera eliminarla?

La caja de chat vacía es el problema, no la solución

Casi todas las interfaces de IA que usamos hoy —desde el chat más simple hasta los asistentes integrados en el IDE— parten de la misma premisa de diseño: una caja de texto vacía, esperando que ahí adentro escribas lo que se te ocurra. Es exactamente la misma forma que tenía el editor de texto en blanco que nos paralizaba antes de que existiera la IA generativa, solo que ahora, al menos, la primera respuesta llega gratis.

Pero para todo lo que viene después de esa primera respuesta —el ida y vuelta, el afinamiento, la corrección de rumbo— la caja vacía nos deja solos otra vez. Nos obliga a reconstruir en texto libre, cada vez desde cero, algo que en realidad es una instrucción bastante repetible: “cambiá solo la sintaxis”, “cuestioná esta premisa”, “dame el contraejemplo”. Si en vez de una caja vacía hubiera micro-atajos para esas operaciones frecuentes —algo tan simple como un selector de “qué querés que haga con esto”— el usuario dejaría de tipear desde cero cada corrección y pasaría a dirigir con precisión, sin perder el control fino que el texto libre sí permite.

Lo mismo pasa del otro lado, con las respuestas. Un output largo, en texto corrido, sin ningún anclaje visual, te obliga a leer todo de punta a punta para encontrar el dato que necesitás. Si en cambio la respuesta viniera fragmentada en bloques con títulos que dicen algo real, con la posibilidad de colapsar lo que ya leíste y quedarte con lo que falta evaluar, el mismo contenido sería mucho más fácil de auditar críticamente — que es, como vimos en las tres partes anteriores, exactamente el trabajo que el usuario experto no puede evitar hacer.

Y para la voz específicamente: la solución no es prohibirla, es ponerle un espejo en el medio. Si el sistema, en vez de mandar tu dictado crudo directo al modelo, te mostrara primero un resumen de lo que entendió — dándote la chance de corregirlo antes de que se dispare la respuesta — se recupera exactamente el momento de revisión que el teclado te daba gratis y que la voz te sacaba. Esto no es una idea mía en el vacío: ya hay quien lo probó con usuarios reales y funcionó mejor que dictar directo.

La pregunta que la serie no puede cerrar

Hay algo que vengo pensando desde que empecé a notar el patrón de la Parte 1, y quiero ser honesto con vos en lugar de simplificarlo: ¿esto que describí en toda la serie —usar la fricción del texto a tu favor, iterar con criterio, evaluar en vez de aceptar el primer output— es algo que cualquiera puede hacer con la misma facilidad?

Mi intuición, mirando cómo trabajan distintos equipos, es que no. Quien ya tiene el hábito de pensar críticamente lo capitaliza: itera, cuestiona, saca más valor de cada turno de conversación con la IA. Quien no tiene ese hábito instalado —por la razón que sea, no necesariamente por su culpa— tiende a quedarse con la primera respuesta, la más cómoda, la que menos esfuerzo exige cuestionar. Si eso es cierto a gran escala, la IA generativa no achicaría la brecha de habilidades entre personas: la agrandaría, porque le da una palanca más grande a quien ya sabía usar una palanca.

Es una hipótesis razonable. Pero tengo que decir, con la misma honestidad con la que armé el resto de esta investigación, que no tengo evidencia sólida que la confirme a nivel poblacional — es una lectura mía de patrones que observé, no un hallazgo medido.

Y hay algo que la complica bastante, que encontré mientras chequeaba fuentes para no quedarme solo con mi propia intuición: un estudio de campo con miles de agentes de soporte al cliente encontró que darles acceso a un asistente de IA generativa mejoró la productividad de los trabajadores menos experimentados muchísimo más que la de los más experimentados — achicando, no agrandando, la brecha de desempeño en ese contexto puntual. La herramienta parece haber capturado las buenas prácticas de los mejores y se las repartió a todos.

¿Cómo conviven esas dos cosas? Sospecho —y remarco que es sospecha, no conclusión— que depende del tipo de tarea. En trabajo de ejecución más guiada y estructurada, como resolver tickets de soporte con un procedimiento razonablemente claro, la IA puede nivelar: le da a todos una versión de “cómo lo haría alguien bueno en esto”. Pero en el tipo de co-pensamiento abierto que describí en las cuatro partes de esta serie —donde no hay una respuesta correcta esperando ser encontrada, sino un argumento que hay que construir y cuestionar con criterio propio— es más difícil que la herramienta te preste el criterio que todavía no tenés. Ahí, la diferencia entre saber iterar y no saber iterar podría pesar más, no menos.

No tengo forma de cerrar esa pregunta con esta investigación, y prefiero decírtelo así de directo antes que inventar una conclusión prolija que no me puedo respaldar. Queda abierta. Si te interesa el tema, es probablemente el ángulo más importante para seguir mirando de acá en adelante — más que cualquier mejora de interfaz.

Lo que me llevo de los tres meses que le dediqué a esto

Arranqué esta investigación por una razón simple: notar que estaba escribiendo más que antes con IA, y no entender por qué, me generó ruido. Quería sacarme la duda con algo más sólido que mi propia sensación. Tres meses después, lo que tengo no es una respuesta cerrada — es un mapa bastante más claro de dónde está el esfuerzo real cuando pensás en serio junto a un modelo de lenguaje, y por qué los atajos obvios (la voz, el audio, “que la máquina haga más para que yo haga menos”) no funcionan para ese tipo específico de trabajo.

Si te queda una sola idea de las cuatro partes, que sea esta: la próxima vez que sientas la tentación de dictarle algo complejo a tu asistente de IA para “ahorrar tiempo”, o de escuchar su resumen mientras hacés otra cosa para “aprovechar el momento” — pará un segundo. Puede que la fricción que estás tratando de evitar sea, justamente, la parte del proceso que te está haciendo pensar mejor.

Esta serie nació de una investigación bastante más larga y más formal de lo que cabía en cuatro artículos de blog — con fuentes, con una auditoría completa de qué citas se sostenían y cuáles no, con contraevidencia incluida en los lugares donde mi propia hipótesis quedaba más floja. La dejé publicada sin editar, notas de proceso incluidas, en mi repositorio: la investigación completa está acá. No es un paper para citar en ningún lado — fue, ante todo, un ejercicio para entrenar el músculo de pensar un problema hasta el fondo. Si te sirve para lo mismo, hizo su trabajo.

Gracias por llegar hasta acá.