Cuando una nueva tecnología irrumpe en un campo de trabajo, la primera reacción es asimilarla a las categorías ya disponibles. Así ocurrió con el procesador de textos —visto durante años como una máquina de escribir mejorada—, con el correo electrónico —tratado inicialmente como un fax más rápido— y, más recientemente, con los sistemas de inteligencia artificial (IA) generativa, que en los discursos dominantes suelen presentarse como herramientas: instrumentos pasivos que un usuario activa para obtener un resultado predefinido.
1. El problema de la categoría
La categoría de herramienta tiene una larga historia en la filosofía de la tecnología. En su acepción clásica, una herramienta es un artefacto que amplía la capacidad física o cognitiva de quien la usa, pero cuyo comportamiento es determinista: dado un mismo input, produce siempre el mismo output. Un compilador de código se comporta de este modo. El operador define el objetivo; la herramienta ejecuta. La habilidad radica en el operador; el instrumento es neutro.
Los sistemas de IA generativa no encajan en esta descripción. Su comportamiento es probabilístico: ante una misma entrada pueden producir diferentes salidas. No ejecutan instrucciones; generan respuestas. No amplifican mecánicamente una intención previa; co-construyen un resultado en diálogo con quien hace la consulta. Esta diferencia no es un detalle técnico: es una diferencia de naturaleza que exige una categoría distinta.
El presente artículo sostiene que la relación entre el editor científico y los sistemas de IA no debe concebirse como el uso de una herramienta, sino como el ejercicio de una habilidad. Una habilidad que, como toda habilidad compleja, admite distintos niveles de dominio, se desarrolla con la práctica, se transfiere entre contextos y reconfigura la forma en que quien la posee percibe y organiza el trabajo. Las implicaciones de este cambio de categoría para la formación y el ejercicio profesional del editor científico son el objeto de las secciones que siguen.
2. Antecedentes conceptuales: de la herramienta al sistema cognitivo acoplado
La idea de que las tecnologías no son meros instrumentos externos sino elementos constitutivos de los procesos cognitivos tiene una tradición filosófica consolidada. En 1998, Andy Clark y David Chalmers publicaron «The Extended Mind», un artículo que se convertiría en uno de los textos más citados de la filosofía de la mente contemporánea. Su argumento central es que la mente no se limita al interior del cráneo: cuando un objeto del entorno cumple la misma función que un proceso interno —almacenar información, orientar decisiones, estructurar razonamiento—, ese objeto forma parte del sistema cognitivo del individuo. La distinción entre lo mental y lo externo, sostienen Clark & Chalmers (1998), es arbitraria desde el punto de vista funcional.
La tesis de la mente extendida fue formulada originalmente a partir de ejemplos relativamente simples: una libreta de notas, un mapa, una agenda. Pero la emergencia de los sistemas de IA generativa obliga a revisar y ampliar el marco. Clark (2025) argumenta que los grandes modelos de lenguaje no son casos límite de la mente extendida sino su instancia más compleja hasta la fecha, porque no se limitan a almacenar o recuperar información, sino que generan posibilidades semánticas nuevas, producen síntesis, formulan preguntas y co-construyen argumentos. Esta capacidad generativa transforma cualitativamente la naturaleza del acoplamiento entre el individuo y el sistema externo.
Lo que esta tradición filosófica permite reconocer con precisión es que los sistemas de IA no son herramientas en el sentido clásico: son sistemas con los que el editor entra en un acoplamiento cognitivo activo. El resultado de ese acoplamiento depende tanto de las propiedades del sistema como de las competencias que el editor pone en juego: su capacidad de formular, de evaluar, de iterar, de decidir cuándo aceptar una respuesta, cuándo cuestionarla y cuándo rechazarla. En ese sentido, la habilidad no está en el sistema; está en quien lo opera, del mismo modo que la habilidad de conducir no reside en el vehículo sino en el conductor.
3. Alfabetización en inteligencia artificial: el estado de la cuestión
La investigación académica sobre la relación entre los seres humanos y los sistemas de IA ha convergido en los últimos años en torno al concepto de AI literacy —alfabetización en inteligencia artificial—, que desplaza deliberadamente la noción de «uso» hacia la noción de «competencia». La referencia fundacional en este campo es el trabajo de Ng et al. (2021), quienes propusieron un marco conceptual articulado en cuatro dimensiones: conocer y comprender la IA, usar y aplicar la IA, evaluar y crear con IA, y considerar sus implicaciones éticas. Este marco, construido a partir de la revisión sistemática de treinta artículos empíricos, parte de una premisa que aquí interesa subrayar: la AI literacy no supone conocimiento técnico profundo de los sistemas, pero sí un conjunto de competencias específicas que van muy por encima de la mera operación instrumental.
Una revisión sistemática más reciente, realizada por Almatrafi et al. (2024) sobre cuarenta y siete artículos publicados entre 2019 y 2023, identificó seis construcciones centrales de la alfabetización en IA: reconocer, conocer y comprender, usar y aplicar, evaluar, crear, y navegar éticamente. Lo que resulta significativo de esta revisión no es solo la taxonomía propuesta, sino la verificación de que la investigación en este campo —proveniente de contextos disciplinares muy diversos— describe sistemáticamente la relación con la IA en términos de competencias adquiribles, transferibles y graduables, no en términos de operación de un instrumento.
Esta perspectiva tiene consecuencias directas para la educación y la formación profesional. Si la IA es una herramienta, basta con enseñar a usarla. Si es una competencia, hay que desarrollarla, lo que implica exposición sostenida, práctica reflexiva, evaluación crítica de resultados y comprensión al menos funcional de los principios que gobiernan el comportamiento de los sistemas. La distinción no es semántica: determina la diferencia entre formar usuarios y formar operadores competentes.
4. Los modos de interacción: un continuo de competencia
Establecido que la relación con los sistemas de IA es mejor descrita como una competencia que como el uso de una herramienta, corresponde ahora precisar de qué tipo de competencia se trata y por qué no es homogénea. Uno de los errores más frecuentes en los discursos sobre IA en el ámbito profesional es tratar la interacción con estos sistemas como si fuera una práctica uniforme: todos los usuarios usan IA de la misma manera, con la misma profundidad y con las mismas consecuencias cognitivas. Esta uniformización es falsa y engañosa, además de oscurecer diferencias que tienen implicaciones formativas y laborales concretas.
Los modos de interacción con los sistemas de IA generativa no son equivalentes entre sí; forman un continuo que va desde la consulta en lenguaje natural —lo que habitualmente se denomina prompting— hasta la integración programática a través de interfaces de programación de aplicaciones (API). Federiakin et al. (2024), en un artículo publicado en Frontiers in Education, proponen conceptualizar el prompt engineering como una habilidad compuesta y multidimensional del siglo XXI, irreducible a la mera competencia comunicativa general. El argumento de los autores es preciso:
saber hablar no implica saber formular prompts efectivos, del mismo modo que saber escribir no implica saber redactar un artículo científico.
El prompting exige comprender el comportamiento probabilístico del sistema, anticipar sus limitaciones, estructurar la consulta de manera que el contexto sea suficiente y la restricción sea apropiada, e iterar reflexivamente sobre los resultados. Hwang & Chen (2023) definen la prompt literacy como la capacidad de generar entradas precisas para sistemas de IA, interpretar sus salidas y refinar iterativamente el proceso para alcanzar el resultado buscado.
En el extremo opuesto del continuo se encuentra la interacción programática a través de la API. Aquí el modo de relación cambia de naturaleza: ya no se trata de dialogar con el sistema en lenguaje natural sino de diseñar flujos de trabajo en los que el sistema de IA es un componente integrado dentro de una arquitectura más amplia. El tipo de pensamiento requerido es distinto: estructural, lógico, sistémico. El operador no formula preguntas; define parámetros, estructura entradas, gestiona y analiza salidas controlando el comportamiento del sistema de modo indirecto. No interactúa con la IA; la integra.
Entre estos dos extremos existe, sin embargo, una gradación continua y no una ruptura abrupta. El editor que aprende a estructurar prompts con precisión y a evaluar críticamente las respuestas del sistema está desarrollando la misma competencia subyacente que el desarrollador que integra un modelo de lenguaje en un pipeline editorial automatizado: la comprensión funcional de cómo el sistema procesa la información, cuáles son sus sesgos, dónde están sus límites y cómo orientar su comportamiento hacia un objetivo definido. La diferencia es de profundidad y formalización, no de naturaleza.
Una analogía puede hacer visible lo que la descripción técnica tiende a oscurecer. Quien conduce un automóvil en ciudad, quien maneja un camión de carga en ruta, quien opera una cosechadora en el campo o quien pilota un vehículo de transporte público no están ejerciendo habilidades inconexas: están en distintos puntos de un continuo que comparte una competencia raíz —comprender el comportamiento de un sistema mecánico en movimiento, anticipar sus respuestas, tomar decisiones bajo incertidumbre y corregir en tiempo real— y se diferencian por el tipo de vehículo, el contexto operativo y la profundidad técnica requerida. Nadie diría que un conductor con cincuenta años de experiencia en vehículos de todo tipo está simplemente «usando herramientas». Ha desarrollado una competencia transferible, profunda y cognitivamente constitutiva: percibe el tráfico de manera diferente, anticipa situaciones que el novato no ve, toma decisiones que el experto ejecuta sin esfuerzo consciente porque las ha interiorizado. La experiencia acumulada no solo mejora la ejecución; reconfigura la percepción.
La interacción sostenida con sistemas de IA opera de manera análoga. El editor que trabaja cotidianamente con estos sistemas y reflexiona sobre sus resultados no solo mejora la calidad de sus prompts: desarrolla una forma distinta de aproximarse a los problemas, de estructurar preguntas, de evaluar respuestas y de distribuir cognitivamente las tareas entre su propio juicio y el sistema. Esta reconfiguración es el indicador más claro de que se trata de una habilidad adquirida y no del uso repetido de un instrumento.
Hay, sin embargo, un riesgo específico que este continuo genera y que conviene nombrar con claridad. La accesibilidad del prompting en lenguaje natural puede producir lo que algunos investigadores han llamado «ilusión de dominio»: la sensación, por parte del usuario, de que obtener respuestas satisfactorias a consultas simples equivale a dominar el sistema. Dell’Acqua et al. (2023) encontraron que los usuarios menos experimentados tendían a aceptar las salidas del sistema sin evaluación crítica, mientras que los expertos invertían más esfuerzo cognitivo en validar e integrar los resultados. La facilidad de acceso no garantiza competencia; puede, paradójicamente, inhibirla.
5. Implicaciones para el editor científico
El editor científico ocupa una posición singular en la cadena de producción del conocimiento. Su función no es solo técnica —verificar normas, corregir formatos, gestionar metadatos— sino epistémica: asegurar que el proceso de comunicación científica preserve la integridad, la precisión y la trazabilidad del conocimiento que pone en circulación. Esta función epistémica es exactamente el dominio en el que la competencia para interactuar con sistemas de IA resulta más crítica y, al mismo tiempo, más exigente.
Cuando un editor utiliza un sistema de IA para revisar la coherencia de un resumen, verificar la consistencia terminológica de un texto técnico, sugerir reformulaciones en un idioma que no es el propio del autor o identificar patrones irregulares en una lista de referencias, no está delegando una decisión: está distribuyendo cognitivamente una tarea entre su propio juicio experto y un sistema probabilístico cuyas salidas requieren evaluación crítica. La calidad del resultado depende menos de las capacidades del sistema que de la competencia del editor para formular la consulta con precisión, reconocer los límites de la respuesta obtenida y tomar la decisión final con criterio disciplinar y ético.
Esta distribución cognitiva no es automática ni espontánea: es una habilidad que se desarrolla. El editor que lleva años trabajando con herramientas editoriales convencionales no transita hacia la competencia en IA por el mero hecho de tener acceso a un sistema generativo. Del mismo modo que quien conduce un sedán familiar durante décadas no está necesariamente preparado para operar una maquinaria agrícola o un vehículo de gran porte sin formación específica, el acceso a la interfaz de un modelo de lenguaje no confiere por sí solo la competencia para integrarlo en un flujo de trabajo editorial de manera crítica y responsable.
Lo que el marco de la AI literacy propone para el ámbito educativo —y que resulta directamente aplicable al contexto de la edición científica— es que el desarrollo de esta competencia requiere exposición estructurada, práctica reflexiva y evaluación crítica de resultados (Ng et al., 2021; Almatrafi et al., 2024). No basta con el uso espontáneo; es necesario entender, aunque sea funcionalmente, cómo el sistema genera sus respuestas, qué tipo de sesgos puede introducir, en qué condiciones sus salidas son más o menos confiables y cómo verificar de manera independiente la información que produce. Esta comprensión funcional es la que distingue al editor que opera con IA como un sistema cognitivo acoplado, del editor que la usa como si fuera una herramienta determinista y acepta sus resultados sin evaluación crítica.
La dimensión ética de esta distinción no es menor. En el contexto de la comunicación científica, los errores de verificación, las imprecisiones terminológicas, las referencias incorrectas o los sesgos no detectados tienen consecuencias que trascienden al texto individual: afectan la integridad del registro científico. El editor que ha desarrollado la competencia para interactuar críticamente con sistemas de IA es un guardián activo de esa integridad; el que los usa sin comprensión crítica puede convertirse, sin advertirlo, en un canal de amplificación de sus errores.
6. Conclusión
La pregunta por la naturaleza de la inteligencia artificial —herramienta, sistema, habilidad— no es una discusión terminológica. Es una pregunta sobre cómo nos formamos, cómo organizamos el trabajo y cómo distribuimos las responsabilidades cognitivas y éticas en los procesos que nos incumben. Para el editor científico, responderla con precisión tiene consecuencias prácticas inmediatas.
Este artículo ha argumentado que la categoría de herramienta es insuficiente para describir la relación entre el editor y los sistemas de IA generativa, por tres razones que se articulan entre sí. En primer lugar, el comportamiento probabilístico de estos sistemas impide tratarlos como instrumentos deterministas: su output depende de la calidad del input, pero también de factores internos al modelo que el usuario no controla directamente. En segundo lugar, la tradición filosófica de la mente extendida —consolidada por Clark & Chalmers (1998) y actualizada explícitamente para el contexto de la IA generativa por Clark (2025)— muestra que la relación entre el individuo y estos sistemas es un acoplamiento cognitivo activo, no una operación instrumental pasiva. En tercer lugar, la investigación empírica sobre AI literacy ha convergido en describir esta relación en términos de competencias graduables y transferibles: no se usa IA, se aprende a interactuar con ella, y esa interacción se profundiza con la práctica y la reflexión.
El continuo que va desde el prompting en lenguaje natural hasta la integración programática a través de la API no define categorías discontinuas de usuarios: define niveles de profundidad en el ejercicio de una misma competencia subyacente. La analogía con la conducción de vehículos permite visualizar esta idea con precisión: quien opera una cosechadora en el campo y quien conduce un automóvil en ciudad comparten una competencia raíz que se diferencia por el contexto, el tipo de sistema y la profundidad técnica requerida. Del mismo modo, el editor que formula prompts reflexivos y el desarrollador que integra modelos de lenguaje en pipelines editoriales automatizados comparten una comprensión funcional del comportamiento de los sistemas de IA que los distingue del usuario superficial, más allá de las diferencias en el modo de acceso.
La consecuencia más directa de este argumento para la formación del editor científico es que el desarrollo de la competencia en IA no puede reducirse a la familiarización con interfaces. Exige comprensión funcional del comportamiento de los sistemas, práctica reflexiva sobre sus límites y sesgos, capacidad de evaluación crítica de sus salidas y claridad sobre los dominios en los que el juicio humano experto es irreemplazable. En el contexto específico de la edición científica, ese juicio experto es la garantía de integridad del registro de conocimiento que la disciplina produce y pone en circulación.
Aprender a interactuar con inteligencia artificial es, en ese sentido, menos parecido a aprender a usar un procesador de textos y más parecido a aprender a conducir: una habilidad que se adquiere con exposición sostenida y práctica reflexiva, que se transfiere y profundiza entre contextos, que modifica la forma en que quien la posee percibe y organiza el trabajo, y que nunca se agota en el dominio de un instrumento particular. La diferencia crucial respecto de conducir es que el vehículo no responde: la IA sí lo hace. Y esa respuesta puede parecer más fiable de lo que es, cuando quien la recibe no tiene la competencia para evaluarla.
Referencias
Almatrafi, O., et al. (2024). A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019–2023). Computers and Education Open. https://doi.org/10.1016/j.caeo.2024.100173
Clark, A. (2025). Extending minds with generative AI. Nature Communications. https://doi.org/10.1038/s41467-025-59906-9
Clark, A., & Chalmers, D. J. (1998). The extended mind. Analysis, 58(1), 7–19.
Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Working Paper, 24-013. https://doi.org/10.2139/ssrn.4573321
Federiakin, D., Molerov, D., Zlatkin-Troitschanskaia, O., & Maur, A. (2024). Prompt engineering as a new 21st century skill. Frontiers in Education, 9, 1366434. https://doi.org/10.3389/feduc.2024.1366434
Hwang, G.-J., & Chen, N.-S. (2023). Editorial position paper: Exploring the potential of generative artificial intelligence in education: Applications, challenges, and future research directions. Educational Technology & Society, 26(2), I–XVIII. https://doi.org/10.30191/ETS.202304_26(2).0014
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: an exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
