Deskilling
Sinónimos: Pérdida de destrezas
Definición ampliada
El deskilling, o pérdida de destrezas, es el deterioro de una habilidad que una persona ya dominaba cuando delega de forma sostenida, en un sistema automatizado, la tarea que la ejercitaba. Bainbridge lo formuló en 1983 para las destrezas manuales: las que no se usan se deterioran, y un operador experto que se limita a vigilar un proceso automatizado puede convertirse en uno inexperto [1].
En medicina se distinguen tres riesgos, con respaldo distinto [2]:
- Deskilling: la pérdida en profesionales con experiencia.
- Never-skilling: que quien se forma apoyándose en la IA desde el principio no llegue a desarrollar las bases del razonamiento clínico.
- Mis-skilling: que aceptar sin crítica los errores de la IA lleve a aprender como cierto un conocimiento equivocado.
La evidencia de pérdida de destreza en profesionales que recoge esta ficha procede de un estudio observacional multicéntrico en colonoscopia [3], no de ensayos. Never-skilling es una hipótesis: la Perspective que lo propone reconoce que falta evidencia directa en la formación médica y se apoya en la teoría del aprendizaje y en señales tempranas fuera de la clínica [2]. Que el término aparezca cada vez más en la literatura no prueba que el fenómeno sea frecuente.
Contexto histórico
En 1983, Bainbridge describió las «ironías de la automatización» en el control de procesos industriales. Quien diseña el sistema para eliminar al operador le deja las tareas que no sabe cómo automatizar, entre ellas vigilar que todo funcione e intervenir cuando falla, y al mismo tiempo le quita la práctica que necesitaría para hacerlo. Advirtió además que los sistemas de entonces los vigilaban antiguos operadores manuales que se apoyaban en unas destrezas que las generaciones siguientes no podrían tener [1]. La preocupación que hoy se llama never-skilling estaba ya ahí.
Importancia actual
A fecha de octubre de 2026, un dato en profesionales procede de cuatro centros de endoscopia de Polonia. En las colonoscopias hechas sin asistencia, la tasa de detección de adenomas bajó del 28,4 % en los tres meses previos a la introducción de la IA al 22,4 % en los tres meses posteriores (diferencia absoluta −6,0 puntos; IC 95 % −10,5 a −1,6). Los autores lo interpretan como un posible efecto negativo de la exposición continuada a la IA sobre el comportamiento del endoscopista [3].
Fuera de la medicina, un ensayo aleatorizado con casi mil alumnos de secundaria en Turquía mostró el mecanismo en el aprendizaje. Con acceso a GPT-4 sin salvaguardas, la nota en la práctica mejoró un 48 %, pero en el examen posterior sin ayuda empeoró un 17 % frente a quienes nunca tuvieron acceso: lo usaban como muleta. Un tutor con instrucciones diseñadas para proteger el aprendizaje mitigó en gran parte ese efecto [4]. Es alumnado de matemáticas, no profesionales sanitarios.
Aplicaciones
Generales
- Identificar qué destrezas hay que conservar aunque la tarea se automatice: las necesarias para detectar cuándo el sistema falla y para sustituirlo.
- Diseñar las ayudas para que no den siempre la respuesta hecha: el diseño de la herramienta cambia su efecto sobre el aprendizaje [4].
- Medir el desempeño también sin la ayuda, no solo con ella.
Sanitarias
- Vigilar los indicadores de calidad de los procedimientos hechos sin asistencia cuando se introduce un sistema de apoyo [3].
- En la formación, la Perspective sobre never-skilling propone, como agenda de investigación, tres fases: adquirir primero la competencia básica sin IA, aprender después a juzgar sus resultados con una pedagogía estructurada e integrarla por último bajo supervisión [2].
- Prever qué ocurre si el sistema no está disponible: quién conserva la destreza y cómo se mantiene.
Limitaciones
- El estudio de colonoscopia es observacional y compara dos periodos de tres meses; otros cambios entre ambos pueden explicar parte de la diferencia [3].
- La evidencia experimental procede de estudiantes y de tareas ajenas a la clínica; trasladarla a profesionales está por comprobar.
- No toda pérdida de destreza es un problema: dejar de hacer a mano lo que un sistema fiable hace mejor puede ser razonable. La pregunta es qué capacidad mínima hay que conservar para evaluar el resultado y responder de él.
- El término se aplica a procesos de plazo muy distinto, de meses a generaciones.
Ejemplos
Un residente que interpreta electrocardiogramas siempre con la lectura automática a la vista puede no llegar a desarrollar la lectura sistemática que necesitaría cuando la máquina se equivoca (never-skilling). Un cardiólogo con años de experiencia que deja de leerlos sin ayuda puede perder parte de esa destreza (deskilling). Y si el residente da por buena una interpretación automática errónea y la incorpora a lo que sabe, el riesgo es otro (mis-skilling). Los tres casos son ilustrativos, no resultados de un estudio.