Las grandes tecnológicas hablan de velocidad, benchmarks, ventanas de contexto, número de parámetros, costo por token y nuevas capacidades. Todo eso importa. Pero en el trabajo real hay otra conversación menos elegante y mucho más urgente: ¿la IA terminó la tarea?, ¿usó el criterio correcto?, ¿inventó una verificación?, ¿me ahorró trabajo o me lo devolvió disfrazado?, ¿me dio un resultado o solo una respuesta?

Ahí nacen estas antimétricas. No son métricas para hacer un dashboard. No buscan simular precisión científica. Son nombres para reconocer fallos cotidianos de los asistentes IA antes de que se vuelvan accidentes de trabajo.

Porque usar IA no es lo mismo que conducir IA. Cualquiera puede abrir un asistente, escribir un prompt y obtener una respuesta. Eso es manejar la herramienta. Conducirla es otra cosa: implica definir criterio, comprobar entregables, detectar desvíos, auditar promesas, reducir retrabajo y saber cuándo una respuesta suena convincente pero no sirve.

Una competencia laboral básica

En una empresa, esto va a ser una competencia laboral básica. No bastará con decir: “sé usar ChatGPT”. La pregunta será otra: ¿sabes dirigir un asistente probabilístico sin tragarte todo lo que dice? ¿Sabes distinguir entre una respuesta larga y una respuesta útil? ¿Sabes detectar cuándo la IA se disculpa, pero no corrige? ¿Sabes pedir evidencia cuando parece haber verificado algo? ¿Sabes notar cuándo te está cobrando atención, tiempo o retrabajo?

Por eso uso la palabra antimétrica. Una métrica tradicional suele prometer control. La antimétrica señala el lugar donde el control se nos escapa. La métrica pregunta: “¿cuánto produce?”. La antimétrica pregunta: “¿cuánto de eso realmente sirve?”. La métrica mira volumen. La antimétrica mira fricción. La métrica mira rendimiento declarado. La antimétrica mira comportamiento observable.

Fallos con buenos modales

Ese cambio importa porque la IA no falla siempre de manera espectacular. Muchas veces falla con buenos modales: escribiendo demasiado, devolviéndote la tarea que le delegaste, cambiando de criterio entre dos respuestas, aceptando un encargo y dejándolo a medias, prometiendo una cosa y entregando otra, disculpándose sin reparar, empezando justo por lo que le pediste evitar, aparentando una verificación que no puede demostrar.

También falla siendo barata, pero lenta para producir valor. Falla exigiendo tanta supervisión que ya no estás delegando. Falla produciendo rápido, pero dejando demasiado retrabajo. Falla por exceso de prudencia, por falta de prudencia, teniendo contexto pero actuando como si no importara, preguntando lo que podía resolver sola, repitiendo con otra forma el mismo defecto o produciendo algo raro donde todo parecía correcto.

Nombrar para conducir mejor

Nombrar estos fallos no es pesimismo tecnológico. Es alfabetización profesional. Cuando una persona aprende a nombrar un fallo, empieza a verlo antes. Cuando lo ve antes, puede corregirlo mejor. Cuando puede corregirlo mejor, deja de depender de la suerte del prompt y empieza a dirigir el trabajo.

“Si conozco este fallo, puedo conducir mejor la IA”.

Para los profesionales, estas antimétricas pueden ser una forma de aprender sin intimidarse. No empiezan por la teoría abstracta. Empiezan por escenas reconocibles: “esto me pasó”, “esto lo vi en una entrega”, “esto me hizo perder una hora”, “esto sonaba correcto, pero no estaba comprobado”.

Para los managers, pueden funcionar como lenguaje de revisión. No basta con pedirle a un equipo que use IA. Habrá que saber qué exigir cuando alguien entrega trabajo asistido por IA. No solo “¿usaste IA?”, también: ¿qué verificaste?, ¿qué criterio mantuviste?, ¿qué parte tuviste que rehacer?, ¿qué evidencia sostiene esto?, ¿qué decidió la IA y qué decidiste tú?

Para los dueños de negocio, estas antimétricas son una advertencia práctica: la productividad con IA no aparece por comprar herramientas. Aparece cuando las personas aprenden a dirigirlas. Y dirigir no es lo mismo que obedecer sugerencias. Dirigir es poner condiciones, auditar, detectar el fallo mientras todavía es pequeño y saber cuándo una respuesta no merece confianza, aunque esté bien escrita.

La hipótesis

Mi hipótesis es simple: la próxima etapa de la adopción de IA no se va a decidir solo por quién tenga acceso a mejores modelos, sino por quién tenga mejores criterios para conducirlos.

Estas 17 antimétricas son un intento de construir ese vocabulario. No para tenerle miedo a la IA. Para dejar de tratarla como magia. Para verla como lo que es en el trabajo diario: un sub-empleado probabilístico al que hay que dirigir, auditar y corregir.

Porque usarla produce respuestas. Saber conducirla produce resultados.