🤖 AI

SCAN: A Decision-Making Framework for Effective Task Allocation with Generative AI

Este artículo presenta SCAN, un marco centrado en el ser humano basado en la Zona de Desarrollo Próximo de Vygotsky y la metacognición que guía a los estudiantes y trabajadores del conocimiento en la asignación efectiva de tareas a la IA Generativa a través de cuatro subzonas distintas (Sustituir, Complementar, Ayudar y No negociable) para fomentar la inteligencia híbrida y el aprendizaje permanente.

Autores originales: Fendi Tsim, Alina Gutoreva

Publicado 2026-06-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fendi Tsim, Alina Gutoreva

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un chef intentando cocinar un plato nuevo y complejo. Tienes un asistente de cocina superinteligente y potente (IA Generativa) que puede picar verduras, mezclar salsas e incluso sugerir recetas al instante. Pero aquí está el problema: si dejas que el asistente haga todo, nunca aprenderás a cocinar. Si te niegas a que el asistente te ayude en absoluto, podrías quemar la cena o tardar tres horas en hacer una ensalada simple.

Este artículo presenta SCAN, una sencilla lista de verificación mental para ayudarte a decidir exactamente cómo usar a tu asistente de IA para que logres el objetivo y, al mismo tiempo, sigas volviéndote más inteligente.

Piensa en SCAN como un "GPS Cognitivo" que te ayuda a navegar por cuatro zonas de trabajo. Se basa en una vieja idea de un psicólogo llamado Vygotsky, quien dijo que aprendemos mejor cuando hacemos cosas que son solo un poco más difíciles de lo que podemos hacer solos, pero lo suficientemente fáciles como para hacerlas con un poco de ayuda.

Así es como funcionan las cuatro zonas de SCAN, utilizando la analogía del Chef y el Asistente de Cocina:

1. La Zona de "Sustitución" (S) – La zona de "Deja que el robot lo haga"

La Situación: No tienes idea de cómo hacer este plato. Nunca has visto los ingredientes y no conoces los pasos.
El Rol de la IA: La IA toma el control por completo. Cocina toda la comida.
El Riesgo: Si haces esto con demasiada frecuencia, te conviertes en un "pasajero" en tu propia cocina. No estás aprendiendo; solo estás observando. El artículo advierte que si usas la IA aquí sin comprender los conceptos básicos, podrías empezar a creer cualquier cosa que diga la IA (incluso si es errónea) porque no tienes el conocimiento para verificarla.
Cuándo usarla: Solo para tareas que realmente no puedes realizar en absoluto, y solo si aceptas que no estás aprendiendo la habilidad en este momento.

2. La Zona de "Ayuda" (A) – La zona de "Las rueditas de entrenamiento"

La Situación: Conoces los conceptos básicos de la cocina, pero esta receta específica es complicada. Sabes cómo picar una cebolla, pero no sabes cómo equilibrar las especias para esta salsa específica.
El Rol de la IA: La IA actúa como un andamio (como las rueditas de entrenamiento). Te da pistas, sugiere proporciones de especias o te muestra una guía paso a paso. Tú sigues siendo quien pica y quien revuelve.
El Beneficio: Este es el "punto ideal" para el aprendizaje. La IA llena los vacíos para que no te sientas abrumado, pero tú sigues siendo quien realiza el trabajo. Estás estirando tus habilidades lo suficiente como para crecer.
Cuándo usarla: Cuando estás aprendiendo algo nuevo y necesitas un pequeño empujón para superar el obstáculo.

3. La Zona de "Complemento" (C) – La zona del "Equipo de Poder"

La Situación: Eres un chef experto. Sabes exactamente cómo hacer este plato. Podrías hacerlo con los ojos cerrados.
El Rol de la IA: La IA actúa como un asistente de supervelocidad. Puede picar las verduras en segundos o encontrar un ingrediente raro para ti. Tú verificas su trabajo, pero tú eres quien está al mando.
El Beneficio: Esto es pura eficiencia. Tú y la IA trabajan juntos como un equipo. Ahorran tiempo y, como eres un experto, puedes detectar inmediatamente si la IA comete un error tonto.
Cuándo usarla: Cuando ya conoces bien la habilidad y solo quieres hacer el trabajo más rápido.

4. La Zona "No Negociable" (N) – La zona "Solo Humana"

La Situación: La tarea requiere un juicio humano profundo, empatía o responsabilidad ética. Por ejemplo, decidir quién obtiene un ascenso, consolar a un niño que llora o tomar una decisión ética final sobre un diagnóstico médico.
El Rol de la IA: La IA se mantiene fuera de la cocina.
La Razón: Hay cosas que requieren un corazón y una conciencia humanos. Una IA no puede comprender verdaderamente el peso de una decisión o el matiz de una relación humana.
Cuándo usarla: Siempre. Estas son las tareas que deben permanecer entre humanos (como un mentor y un estudiante) porque construyen tu carácter e identidad profesional.

Cómo usar SCAN (La parte de "Escanear")

El artículo sugiere que, antes de comenzar una tarea, te detengas y "escanees" tu propio cerebro. Hazte dos preguntas sencillas:

¿Sé cómo hacer esto?
¿Necesito ayuda y, si es así, de qué tipo?

Si no sabes nada: Sustituye (pero ten cuidado de no volverte perezoso).
Si sabes un poco pero necesitas un impulso: Ayuda (aquí es donde ocurre la magia del aprendizaje).
Si eres un experto: Complementa (deja que la IA te acelere).
Si es un momento de humano a humano: No negociable (mantén a la IA fuera).

Por qué esto importa (La trampa de "Mejorar habilidades" vs. "Perder habilidades")

El artículo advierte sobre una trampa llamada Descalificación (Deskilling). Si siempre pones las tareas en la zona de "Sustitución" (dejando que la IA lo haga todo), dejas de aprender. Eventualmente, olvidas cómo cocinar por completo.

Sin embargo, si usas las zonas de Ayuda y Complemento correctamente, obtienes Mejora de habilidades (Upskilling). Pasas de necesitar ayuda a convertirte en un experto. Con el tiempo, una tarea que solía estar en la zona de "Ayuda" (difícil para ti) se mueve a la zona de "Complemento" (fácil para ti).

El objetivo final de SCAN es la Inteligencia Híbrida. Esto no significa que la IA reemplace a los humanos. Significa que los humanos y la IA trabajan juntos tan bien que la combinación es más inteligente que cualquiera de los dos por separado. Pero para que esto funcione, el humano debe permanecer en el proceso, verificando constantemente su propio conocimiento y asegurándose de que está aprendiendo, no solo copiando.

En resumen: SCAN es un reglamento para asegurar que uses la IA como una herramienta para desarrollar tu cerebro, no como una muleta para reemplazarlo. Te ayuda a decidir cuándo dejar que la IA conduzca, cuándo dejar que dirija y cuándo mantener tus manos firmemente en el volante.

Resumen Técnico: SCAN – Un Marco de Toma de Decisiones para la Asignación Eficaz de Tareas con IA Generativa

Planteamiento del Problema

La rápida integración de la Inteligencia Artificial Generativa (GenAI) en el trabajo del conocimiento y la educación ha introducido un desafío crítico: la asignación ineficaz de tareas. Si bien la GenAI ofrece un potencial significativo como andamiaje para aumentar las capacidades humanas, la evidencia empírica indica que, sin una autoevaluación adecuada, los usuarios caen en patrones de sobre-dependencia (sesgo de automatización), infra-utilización o "descarga cognitiva" que erosiona la motivación intrínseca y las habilidades metacognitivas. El problema central no es la capacidad de la GenAI, sino la incapacidad del individuo para evaluar su propio estado de conocimiento relativo a una tarea. En consecuencia, los aprendices no pueden determinar dónde termina su competencia y dónde la asistencia de la IA añade un apalancamiento genuino, lo que conduce a una delegación arbitraria que puede resultar en descalificación en lugar de mejora de habilidades (upskilling). Las heurísticas existentes suelen describir los resultados de la asignación de tareas (por ejemplo, "automatizado" vs. "delegado") en lugar de proporcionar un procedimiento sistemático basado en el estado de conocimiento en tiempo real del aprendiz.

Metodología y Marco Teórico

El artículo introduce SCAN, un marco de toma de decisiones centrado en el ser humano diseñado para sistematizar la interacción humano-IA. SCAN se fundamenta en dos constructos psicológicos:

La Zona de Desarrollo Próximo (ZDP) de Vygotsky: Específicamente, la distinción entre lo que un aprendiz puede hacer de forma independiente (Zona de Desarrollo Real), lo que puede hacer con asistencia (ZDP) y lo que actualmente está fuera de su alcance (Zona de Desarrollo Potencial).
Metacognición: Definida como la conciencia y regulación de los propios procesos cognitivos (conocimiento, monitoreo y control).

El Paradigma de Tareas SCAN
El marco extiende la ZDP tradicional introduciendo una cuarta dimensión: "Conocido por la GenAI". Esta adición crea un paradigma de tareas basado en un diagrama de Venn que comprende cuatro subzonas distintas para la asignación de tareas:

Sustituir (Substitute - S): La intersección de "Desconocido para el Aprendiz" y "Conocido por la GenAI". Aquí, el aprendiz carece totalmente de conocimiento específico de la tarea. La GenAI realiza la tarea mediante la automatización. Esta zona conlleva un alto riesgo cognitivo, ya que el aprendiz no puede verificar los resultados, lo que conduce a la descarga cognitiva y al sesgo de automatización.
Complementar (Complement - C): La intersección de "Conocido para el Aprendiz" y "Conocido por la GenAI". El aprendiz posee suficiente conocimiento específico de la tarea para completarla de forma independiente y verificar los resultados. La GenAI se utiliza para reducir el tiempo y asignar recursos cognitivos a tareas de orden superior, fomentando la colaboración humano-IA.
Ayudar (Aid - A): La intersección de "ZDP" (Conocimiento parcial pero insuficiente) y "Conocido por la GenAI". El aprendiz tiene un conocimiento parcial pero requiere la GenAI como andamiaje (por ejemplo, proporcionando conocimiento general, estructura o pistas) para cerrar la brecha. Esto representa la aumentación humano-GenAI.
No Negociable (Non-negotiable - N): Tareas ubicadas en la ZDP original que requieren un "Otro Más Conocedor" (MKO, por sus siglas en inglés) que sea humano, no una IA. Estas tareas involucran conocimiento tácito, juicio ético, responsabilidad o sintonía relacional que la GenAI no puede replicar.

Mecanismo Metacognitivo
SCAN operacionaliza la metacognición como una capa de control. Requiere que los aprendices realicen un "escaneo cognitivo" que implica:

Conocimiento Metacognitivo: Evaluar las demandas de la tarea y la competencia personal antes de comenzar.
Monitoreo Metacognitivo: Evaluación en tiempo real de la ejecución de la tarea y la fiabilidad de la salida de la IA para detectar desalineaciones (por ejemplo, la disociación fluidez-exactitud).
Control Metacognitivo: Ajuste estratégico de la delegación (por ejemplo, pasar de la automatización a la aumentación) basado en la retroalimentación del desempeño.

Contribuciones Clave

Formalización de la Asignación de Tareas: SCAN proporciona una taxonomía estructurada de cuatro zonas (Sustituir, Complementar, Ayudar, No negociable) que va más allá de las distinciones binarias de "humano vs. IA" hacia un espectro matizado de modos de interacción.
Integración de ZDP y GenAI: El artículo extiende teóricamente la ZDP de Vygotsky al mapear explícitamente las capacidades de la GenAI frente a los estados de conocimiento humano, distinguiendo entre "andamios digitales" (GenAI) y MKO humanos.
Diferenciación de Trayectorias de Aprendizaje: El marco distingue entre dos trayectorias de desarrollo:
- Trayectoria de Internalización (Humano-Humano): Ocurre en la zona No Negociable, conduciendo a la autorregulación autónoma y la identidad profesional.
- Trayectoria de Simbiosis (Humano-IA): Ocurre en las zonas S, A y C, donde el aprendiz y la GenAI forman una unidad cognitiva simbiótica, con el objetivo de lograr una "Inteligencia Híbrida" en lugar de una independencia total de la herramienta.
Análisis de la Carga Cognitiva: El artículo vincula las cuatro subzonas con la Teoría de la Carga Cognitiva (CLT), demostrando cómo diferentes asignaciones afectan la carga intrínseca, extrínseca y germánica. Por ejemplo, la zona de Ayuda se identifica como pedagógicamente óptima porque reduce la carga extrínseca mientras activa el procesamiento germánico.
Dinámicas de Mejora (Upskilling) y Descalificación (Deskilling): SCAN ofrece una ilustración matemática de cómo la migración de tareas entre subzonas a lo largo del tiempo ( $S \to A \to C$ ) conduce a la mejora de habilidades, mientras que la regresión ( $C \to A$ ) o la dependencia estática en $S$ conduce a la descalificación.

Resultados y Escenarios de Aplicación

El artículo no presenta resultados experimentales empíricos, sino más bien una demostración teórica de la aplicabilidad del marco en dos escenarios principales:

Trabajadores del Conocimiento: SCAN sirve como un protocolo de decisión donde los trabajadores clasifican las tareas basándose en la competencia del dominio y la capacidad de la IA. Aboga por una "delegación reversible", asegurando que la automatización (Sustitución) solo se utilice cuando se cumplen los umbrales de capacidad y se mantiene la supervisión humana (en el bucle) para prevenir la erosión de habilidades.
Educación: SCAN operacionaliza la ZDP requiriendo que los estudiantes clasifiquen las subtareas, justifiquen sus elecciones mediante notas metacognitivas y mantengan un rastro de auditoría (prompts, borradores, revisiones). Esto desplaza el enfoque de la evaluación desde la calidad del artefacto de la IA hacia la capacidad del estudiante para realizar la tarea sin asistencia tras el ciclo de aprendizaje.

El marco también aborda la "Paradoja de la Aumentación-Automatización" y la "Paradoja de la Mejora-Descalificación", sugiriendo que estos fenómenos son impulsados por la migración dinámica de tareas entre las subzonas basadas en la evolución de la calibración metacognitiva del aprendiz.

Significado y Reivindicaciones

Los autores afirman que SCAN ofrece un "gran punto de partida" para discutir si la GenAI complementa o reemplaza las capacidades humanas. Su significado principal radica en:

Sostener el Aprendizaje Permanente: Al asegurar que la asignación de tareas preserve las condiciones para el crecimiento (por ejemplo, manteniendo las tareas en las zonas de Ayuda o Complemento en lugar de caer por defecto en Sustitución), SCAN busca prevenir la descalificación.
Lograr la Inteligencia Híbrida: El marco propone un camino hacia la inteligencia híbrida, donde los humanos y la IA colaboran efectivamente, con el humano reteniendo la agencia y la responsabilidad epistémica.
Humano en el Bucle (Human-in-the-Loop): SCAN refuerza la necesidad de la presencia humana en el bucle de toma de decisiones, asegurando que los aprendices evalúen activamente los resultados de la IA en lugar de aceptarlos pasivamente.
Preparación para el Futuro: Los autores postulan que SCAN es aplicable no solo a la GenAI actual, sino también a formas futuras de IA avanzada, como la Inteligencia Artificial General (AGI), al fundamentar la interacción en principios cognitivos y de desarrollo fundamentales.

El artículo concluye modestamente, reconociendo que SCAN requiere un nivel de capacidad metacognitiva que los novatos pueden carecer, sugiriendo que los educadores o supervisores deben guiar inicialmente el proceso de clasificación. Identifica direcciones de investigación futura, incluyendo la formalización matemática del marco y comparaciones empíricas entre enfoques de asignación de tareas centrados en el humano y centrados en la IA.