La incorporación de inteligencia artificial (IA) en el ámbito laboral ha dado lugar a un fenómeno que redefine los límites de la automatización. No se trata solo de reducir la carga de tareas repetitivas, sino de delegar en máquinas funciones que tradicionalmente requieren el pensamiento humano. Este cambio se ha visto reflejado en múltiples sectores, desde la educación hasta el ámbito legal, donde la introducción de IA ha suscitado preocupaciones sobre la fiabilidad de los resultados.
En menos de un año, importantes consultoras como Deloitte, KPMG y EY han experimentado errores significativos en documentos emitidos bajo su nombre, evidenciando un fenómeno conocido como «alucinaciones» de la IA. Estos informes contaron con citas incorrectas y errores que plantean serias cuestiones sobre la validez del contenido generado por inteligencia artificial generativa.
A nivel legal, casos en Estados Unidos y España han resaltado la problemática. Un tribunal federal en Alabama descalificó a abogados por incluir jurisprudencia inexistente creada con ChatGPT en escritos judiciales, mientras que un fallo similar ocurrió en Canarias, donde un abogado fue sancionado por citar hasta 48 sentencias falsas del Tribunal Supremo. Estas situaciones nos llevan a preguntarnos si podemos realmente confiar en la IA para tareas críticas.
La Realidad de la Eficiencia de la IA
Para medir la efectividad de la IA en tareas profesionales, se ha desarrollado el Remote Labor Index (RLI) por el Center for AI Safety (CAIS) y Scale Labs. Este índice evalúa a la IA no a través de preguntas cerradas, sino comparando entregas de trabajo real realizadas por humanos y por IA en diferentes campos como el diseño gráfico o la arquitectura. Los evaluadores humanos determinan si los resultados de la máquina son aceptables, estableciendo lo que se conoce como «tasa de automatización».
En su publicación inicial, el mejor modelo de IA evaluado alcanzó solo un 2.5% de éxito, implicando que fallaba en el 97% de los encargos. Esta cifra impresionante ha evolucionado con las actualizaciones recientes. En julio, se revelaron nuevos modelos, entre ellos GPT-5.5, Opus 4.8 y Fable 5. El más destacado, Fable 5, logró alcanzar una tasa del 15.8%. Sin embargo, esto significa que continúa fallando en el 85% de los trabajos.
Limitaciones de la Evaluación Automatizada
A pesar del avance en la calidad de los textos y su presentación visual, la IA sigue siendo poco confiable en tareas que requieren un enfoque profesional. Un caso concreto fue el diseño de un anillo de compromiso, donde Fable 5, aunque mejorado, aún no cumplía con los estándares de calidad esperados. En otros encargos, como en la arquitectura, se ha observado cómo modelos de IA maquillan errores mediante imágenes generadas artificialmente, un claro indicativo de hasta dónde pueden llegar sus limitaciones.
Un aspecto crucial que plantea interrogantes sobre la calidad del trabajo de la IA es su incapacidad para evaluarse a sí misma de manera precisa. Investigadores del CAIS desarrollaron un «juez automatizado» que intenta medir la aceptabilidad de los trabajos realizados por la IA, obteniendo resultados que, al ser calibrados, sobreestimaron la calidad de los modelos más recientes. Esto se traduce en tasas de éxito significativamente superiores a las verificadas por evaluación humana.
Todo ello señala una realidad compleja: la IA puede ofrecer impresionantes avances, pero la brecha entre su percepción y su rendimiento real sigue siendo abismal. Las mismas limitaciones que impiden a la IA realizar un trabajo óptimo son las que se transfieren a su capacidad de evaluación. Este fenómeno subraya la necesidad de una implementación cautelosa y bien fundamentada de la inteligencia artificial en el ámbito profesional.