La habilidad más valiosa de la próxima década no se enseña en ninguna universidad
Jensen Huang redefinió "inteligente." Los datos le dan la razón. Y el sistema que forma talento en LATAM apunta en la dirección contraria.
Hace unos meses atrás le preguntaron a Jensen Huang, Co Founder & CEO de Envidia, quién es la persona más inteligente que ha conocido. La pregunta se la hizo Jodi Shelton, CEO de la Global Semiconductor Alliance y amiga de Huang desde 1993, en su podcast A Bit Personal. La entrevista duró 87 minutos. Fue la conversación más personal que Huang ha dado en público.
Al responder la pregunta, no dio un nombre.
En vez de eso, redefinió la pregunta. Dijo que la habilidad profesional ya no es escasa. Que la IA la está convirtiendo en commodity. Que las máquinas ya superan a los humanos en las cosas que durante décadas consideramos el peak de la inteligencia: programar, resolver problemas complejos, optimizar sistemas.
Su definición de inteligente: alguien que combina conocimiento técnico con empatía humana y la capacidad de inferir lo que no se dice. Gente que ve más allá de lo obvio, que anticipa problemas meses antes de que aparezcan porque sabe leer el contexto, sentir la vibra de una situación, conectar datos con experiencia y con la lectura de las personas alrededor.
Lo dijo textual: esa persona probablemente sacaría un puntaje horrible en una prueba de admisión universitaria.
No es un consejo. Es un diagnóstico de mercado.
Es fácil leer esto como otro “quote motivacional” de un CEO dando una conferencia. LinkedIn se llenó de posts celebrando que “las soft skills importan más que las hard skills.” Un reframe bonito para compartir con emoji de cerebro.
Pero hay que mirar quién lo dice y desde dónde lo dice. Jensen Huang es el CEO de NVIDIA, la primera empresa en la historia en superar los 5 billones de dólares de capitalización de mercado. NVIDIA fabrica los chips sobre los que corre prácticamente toda la inteligencia artificial del planeta. Cada modelo de lenguaje que usas, cada agente que se despliega, cada empresa que automatiza procesos, usa la infraestructura que Huang construyó.
Cuando el tipo que más dinero gana vendiendo IA te dice que no compitas contra ella, eso no es inspiración. Es información privilegiada disfrazada de conversación casual.
Y la información es esta: la habilidad profesional pura tiene fecha de vencimiento como diferenciador. No porque deje de ser útil, sino porque deja de ser escasa. Cuando todos pueden acceder al mismo nivel de capacidad a través de la IA, lo que te separa del resto es lo que la máquina no replica: leer el contexto, anticipar lo que viene, entender lo que nadie dijo pero todos piensan.
Huang no está haciendo filosofía. Está describiendo el perfil del trabajador que su propia tecnología no puede reemplazar. Y eso, viniendo de él, debería cambiar cómo contratas, cómo promueves y cómo armas equipos.
Los datos que le dan la razón
Huang no es el único que ve esto. Hay un cuerpo creciente de evidencia institucional que apunta en la misma dirección. Y los datos más relevantes no vienen de encuestas de opinión ni de futurólogos. Vienen de nóminas reales, de modelos económicos y de reportes para inversores.
El Stanford Digital Economy Lab publicó un estudio que debería ser lectura obligatoria para cualquier CEO que esté armando equipos hoy. Erik Brynjolfsson y su equipo analizaron datos de nómina de ADP, el proveedor de payroll más grande de Estados Unidos, cubriendo millones de trabajadores. Encontraron que el empleo para trabajadores de 22 a 25 años en ocupaciones expuestas a la IA cayó 6% en términos absolutos desde finales de 2022, cuando se masificó la IA generativa. En desarrolladores de software específicamente, la caída fue de casi 20%.
Pero el hallazgo que importa para nuestra conversación no es cuánto cayó. Es dónde cayó y dónde no.
La caída se concentra en roles donde la IA automatiza: reemplaza el trabajo humano. En roles donde la IA aumenta al trabajador, donde funciona como amplificador de capacidades humanas, el empleo se mantiene o crece. Stanford lo midió con datos de nómina, no con encuestas. La distinción entre automatizar y aumentar no es semántica. Es la diferencia entre tener trabajo y no tenerlo.
Eso es exactamente lo que Huang describió con otras palabras. El profesional que hace cosas que la máquina puede replicar se desplaza. El que combina capacidad técnica con lectura de contexto humano, el que usa la IA como extensión de un criterio que la máquina no tiene, se fortalece.
En La Paradoja del CEO Eficiente exploré las consecuencias macroeconómicas de la automatización masiva. Los datos de Stanford son el otro lado de esa moneda: a nivel individual, la pregunta ya no es si la IA te va a afectar, sino cómo. Si tu rol es automatizable, estás en la línea de fuego. Si tu rol combina IA con juicio humano, estás en la posición más fuerte del mercado laboral.
McKinsey Global Institute cuantificó esto en noviembre de 2025 con su reporte “Agents, Robots, and Us.” Calcularon que un tercio de las horas de trabajo no-físico dependen de habilidades sociales y emocionales que están fuera del alcance de la IA, incluso en un escenario de adopción completa. El ejemplo que dan es concreto: un profesor leyendo la expresión de un estudiante para ajustar su explicación en tiempo real. Un vendedor detectando el momento exacto en que un cliente pierde interés. Esas micro-lecturas del contexto humano, esa capacidad de procesar señales que no están en ningún dataset, son lo que Huang llama “sentir la vibra.”
No es una habilidad blanda. Es la habilidad más difícil de encontrar, formar y medir que existe.
Y acá viene un dato que no he visto a nadie conectar con lo que dice Huang. Harvard Business Review publicó en febrero de 2026 un artículo sobre cómo se desarrolla el buen criterio en la era de la IA. El hallazgo: las tareas repetitivas y operativas que la IA está absorbiendo eran, históricamente, el terreno donde los empleados junior construían juicio. El analista que revisaba cientos de reportes a mano desarrollaba ojo clínico para detectar anomalías. El ejecutivo de cuentas que hacía seguimiento manual a decenas de clientes aprendía a leer señales de riesgo antes de que aparecieran en los números.
La IA eliminó esas tareas. Y con ellas, eliminó el “gimnasio” donde se formaba exactamente el tipo de inteligencia que Huang describe como la más valiosa.
Las empresas corren el riesgo de terminar con gerentes que nunca hicieron el trabajo de base. Pipelines de liderazgo cada vez más delgados. Ejecutivos que saben operar herramientas pero que nunca desarrollaron el criterio que solo viene de la exposición repetida al contexto real.
El World Economic Forum calculó en su Future of Jobs Report 2025 que el 40% de las habilidades requeridas en los trabajos actuales van a cambiar en los próximos cinco años. Y el reporte Skills on the Rise 2026 de LinkedIn, basado en datos reales de contratación de millones de perfiles, confirmó algo que debería incomodar a más de un rector universitario: las habilidades blandas dominan 7 de los 10 puestos más demandados del mercado. AI Literacy convive con Conflict Mitigation y Public Speaking en el top del ranking.
La habilidad profesional se deprecia. La capacidad de leer contexto, anticipar y conectar con personas se aprecia. Y no tenemos un sistema que forme lo segundo.
Lo que veo desde la trinchera
Puedo hablar de esto con datos de Stanford y McKinsey. Pero también puedo hablar de lo que veo todos los días en mi rol de CEO en Yom.
En Yom implementamos inteligencia artificial en empresas de consumo masivo en cuatro países de Latinoamérica. Llevamos dos años trabajando con GenAI aplicada al canal tradicional, desde que dejó de ser un juguete y se convirtió en algo con lo que podíamos construir nuevos canales de venta y conversar con los computadores de formas que antes no existían. Trabajamos con más de 20 clientes. Y hay un patrón que se repite en todos ellos. Sin una sola excepción.
Los clientes que tratan la IA como un tema de tecnología se estancan. Ponen al equipo técnico al mando, buscan al perfil con más certificaciones, y esperan que la herramienta haga el trabajo. No pasa nada. La tecnología funciona, pero los resultados no llegan.
Los que obtienen resultados excepcionales hacen algo distinto: ponen al frente a las personas que entienden el negocio. Gente que conoce el canal tradicional, que sabe por qué una tienda en Santiago se comporta diferente a una tienda en Cali, que entiende las dinámicas del tendero y del distribuidor. Esas personas aprenden rápido cómo funciona la IA, se abren a explorar ángulos nuevos para abordar los desafíos del canal, y combinan lo que saben del terreno con lo que los modelos pueden hacer.
La diferencia no es sutil. Los clientes que ponen gente de negocio al frente generan entre un 10% y un 20% más de mejoras en su gestión comercial que los que no. Los segundos solo ganan eficiencia por la mejora tecnológica: hacen lo mismo de antes, un poco más rápido. Los primeros se cuestionan sus procesos comerciales completos y los rediseñan usando la tecnología y los datos que les proporcionamos. No es la misma conversación.
Y esto conecta directamente con lo que dice Huang y con lo que muestran los datos de Stanford. El perfil que solo opera la herramienta, que sabe usar el modelo pero no entiende el contexto del negocio, gana eficiencia marginal. El que entiende el negocio y aprende a usar la herramienta cambia resultados. Uno automatiza. El otro aumenta. Y la diferencia entre ambos es exactamente la que Stanford midió en millones de datos de nómina.
Lo paradójico es que las empresas siguen buscando al “experto en IA” cuando lo que necesitan es al experto en su negocio que esté dispuesto a aprender IA. La habilidad de usar un modelo se aprende en semanas. El conocimiento profundo de un mercado, la lectura de contexto de un canal de distribución, la capacidad de anticipar qué va a funcionar en una tienda específica de una ciudad específica, eso toma años. Y no se puede automatizar.
El sistema que forma talento apunta en la dirección contraria
Todo lo anterior describe un cambio global. Pero en Latinoamérica el problema tiene una capa adicional.
El FMI documentó que la productividad en la región lleva décadas estancada. El crecimiento de productividad laboral entre 2012 y 2022 fue de cero. No bajo. Cero. Y una de las causas principales, según el mismo reporte, es la difusión limitada de tecnología en el sector formal. Las empresas latinoamericanas no adoptan tecnología al ritmo que necesitan para cerrar la brecha con economías avanzadas.
Frente a eso, la respuesta instintiva es: formemos más profesionales STEM. Más ingenieros, más desarrolladores, más especialistas en datos. Y eso es exactamente lo que estamos haciendo. El sesgo está en todo el sistema: desde los padres que presionan a sus hijos para que estudien ingeniería comercial o civil hasta las empresas que filtran candidatos por título universitario y certificaciones.
Pero los datos dicen que esa apuesta tiene un problema de timing. La vida media de una habilidad profesional especializada ya se redujo a menos de cinco años y sigue cayendo. Lo que aprendes en primero de ingeniería puede tener la mitad de su valor de mercado cuando te gradúes.
Y hay una ironía que pocos están viendo. El FMI confirmó que los trabajos más expuestos a la IA son los profesionales de cuello blanco: ingenieros de software, analistas financieros, contadores, abogados junior. Las ocupaciones con mayor exposición son las que requieren más educación formal. Mientras tanto, los oficios especializados, los que en Chile llamamos carreras técnicas (electricistas, soldadores, técnicos en refrigeración), tienen entre 4% y 6% de exposición a la automatización por IA. Un gasfiter necesita leer el contexto físico, tomar decisiones en ambientes impredecibles, adaptar soluciones en tiempo real. Exactamente lo que la IA no sabe hacer.
La inversión histórica es completa: antes, la automatización golpeaba a los trabajadores manuales. Ahora golpea a los profesionales universitarios. Y nuestro sistema educativo sigue empujando a todos hacia la universidad, hacia el título profesional, hacia la carrera que la IA replica más rápido.
Mientras invertimos en formar el perfil que la IA desplaza primero, no estamos formando el que la IA no puede replicar. Y no hablo solo de oficios manuales. Hablo de las capacidades fundacionales. El Banco Mundial y el BID publicaron un dato que lo resume: 3 de cada 4 jóvenes de 15 años en América Latina no pueden demostrar habilidades matemáticas fundamentales. Más de 1 de cada 2 no cumplen estándares de lectura. Eso no es un problema de habilidades profesionales avanzadas. Es un problema de base: comprensión, pensamiento crítico, capacidad de interpretar contexto. Las habilidades fundacionales sobre las que se construye todo lo que Huang describe como “inteligente.”
No estamos fallando en enseñar IA. Estamos fallando en enseñar a pensar. Y sin esa base, no importa cuántos bootcamps de programación o certificaciones de machine learning financiemos. Estamos construyendo el segundo piso sin el primero.
Lo que esto cambia para ti
Si diriges una empresa en Latinoamérica, lo que dijo Huang no es un tema de recursos humanos. Es un tema de estrategia.
La próxima vez que armes un equipo para una iniciativa de IA, mira a quién pones al frente. Si buscas al que más sabe de tecnología en vez del que más sabe de tu negocio, vas a terminar con una herramienta muy sofisticada haciendo exactamente lo mismo que hacías antes. Lo veo en nuestros clientes. Lo mide Stanford en datos de nómina. Lo dice el CEO de la empresa más valiosa del planeta.
La habilidad profesional ya la tiene la máquina. La capacidad de ver más allá de lo obvio, de anticipar lo que no está en los datos, de leer lo que nadie dice pero todos piensan, eso sigue siendo humano. Pero no por mucho tiempo si seguimos sin tomarlo en serio. Porque la ventaja que no cultivas es la ventaja que pierdes.