La era del conocimiento

1. El conocimiento siempre estuvo ahí

El conocimiento no nació con Internet. Un grupo humano que cazaba debía conocer el territorio, los animales, los ciclos naturales y los materiales con los que fabricar herramientas. Una comunidad agrícola necesitaba saber cuándo sembrar, cómo seleccionar semillas, cómo conservar alimentos y cómo gestionar el agua. Las sociedades industriales acumularon enormes cantidades de conocimiento científico, técnico y organizativo. En ese sentido, todas las sociedades humanas han dependido del conocimiento. Lo que cambia en las sociedades contemporáneas es la escala, la velocidad de circulación y la importancia estratégica que adquiere.

La capacidad para producir, conservar y transmitir conocimiento se ha multiplicado. También lo ha hecho su velocidad de circulación. Y una parte creciente de la capacidad económica de personas y organizaciones depende de qué saben hacer, de la rapidez con la que aprenden y de cómo consiguen convertir ese conocimiento en productos, procesos, servicios o decisiones mejores. Esta transformación no debe leerse como una marcha automática hacia el progreso. Enrique Bustamante advertía, al analizar los cambios culturales y educativos ligados a las tecnologías digitales, del riesgo de atribuir a cada innovación tecnológica una mejora social inevitable. La advertencia conserva toda su vigencia.

Más tecnología no implica automáticamente más conocimiento.

Somos tecnológicos desde mucho antes de tener tecnología digital

Relacionar la palabra tecnología únicamente con electrónica, informática o máquinas modernas sería un error. La capacidad de modificar el entorno mediante herramientas acompaña a nuestra historia evolutiva desde hace millones de años. Las herramientas de piedra halladas en Lomekwi 3, en Kenia, han sido datadas en unos 3,3 millones de años. Son anteriores a los fósiles más antiguos actualmente atribuidos al género Homo, por lo que ya no resulta defendible presentar sencillamente a Homo habilis como el inventor de la tecnología lítica.

Nuestra propia especie, Homo sapiens, existe desde hace aproximadamente 300.000 años. Pero lo verdaderamente decisivo para nuestra historia no es únicamente la capacidad de inventar. Es la capacidad de acumular y transmitir. Una generación puede aprender algo, transmitirlo y permitir que la siguiente comience desde un punto más avanzado. Una herramienta mejora, una técnica se perfecciona, una explicación puede corregirse y una solución obtenida en un lugar puede trasladarse a otro.

La tecnología puede entenderse así como una forma de conocimiento convertido en capacidad para actuar. La capacidad de conservar y transmitir soluciones no solo nos permite acumular tecnología: también amplía nuestra capacidad para responder a entornos cambiantes.

¿Aquí empezóla tecnología?

La tecnología antes de lo digital

01 · Herramienta líticaHerramienta

La tecnología comienza cuando el ser humano amplía su acción mediante herramientas.

02 · Tecnología agrariaAgricultura

La técnica no solo fabrica objetos: también organiza el trabajo, la energía y el entorno.

03 · Máquina de vaporVapor

La industrialización multiplica la escala de la producción y el uso de la energía.

04 · Electricidad y electrónicaElectrónica

La electricidad y la electrónica permiten controlar, comunicar y automatizar.

05 · Computación y redRed

Lo digital es una fase reciente: procesa, conecta y acelera tecnologías anteriores.

HerramientaAgriculturaVaporElectrónicaRed

La tecnología no empezó con lo digital.

Lo digital no inaugura la tecnología: la prolonga y la acelera.

Adaptarse exige comprender el cambio

Suele repetirse como cita de Charles Darwin que no sobreviven las especies más fuertes ni las más inteligentes, sino las que mejor se adaptan al cambio. La formulación no es de Darwin: procede de Leon C. Megginson, que en 1963 parafraseó su teoría evolutiva al hablar de adaptación al entorno. La corrección importa por una razón coherente con esta pieza: no basta con repetir una afirmación conocida; hay que comprobarla.

La idea que nos interesa es más profunda. Disponer de fuerza, inteligencia o conocimiento acumulado no garantiza por sí mismo una respuesta adecuada a un entorno cambiante. Hace falta comprender el cambio, aprender y responder a él. Esa adaptación acumulativa no ocurre solo en la evolución biológica. También puede observarse en la forma en que las sociedades reorganizan sus recursos, su trabajo y su tecnología.

2. Cuando el conocimiento cambia de peso

De la agricultura a la industria: los recursos no desaparecen, cambian de relación

La gran transformación agraria de los últimos doce mil años permitió producir y almacenar alimentos, favoreció asentamientos estables, especialización del trabajo, comercio y formas de organización cada vez más complejas. La tierra adquirió una importancia económica fundamental. Con la Revolución Industrial ocurrió algo distinto. La mecanización permitió multiplicar la capacidad física del trabajo humano. La máquina, la energía, las infraestructuras y la financiación necesaria para construirlas hicieron del capital un factor extraordinariamente poderoso.

Pero agricultura e industria no desaparecieron. Se transformaron. Un buen ejemplo de esa transformación es la agricultura estadounidense durante el siglo XX. Según el Economic Research Service del USDA, en 1900 el 41 % de la fuerza laboral de Estados Unidos trabajaba en agricultura. En 1970 era aproximadamente el 4 % y en 2000 el 1,9 %. En paralelo, la mecanización y el aumento de productividad permitieron producir mucho más con una fracción de la mano de obra anterior.

Es importante decir exactamente qué mide ese dato: empleo agrícola en Estados Unidos, no peso mundial de la agricultura ni una ley aplicable de forma idéntica a todos los países.

La historia económica puede explicarse, de forma simplificada, mediante tres grandes factores clásicos de producción: tierra, trabajo y capital. La tierra representa los recursos naturales; el trabajo, la actividad humana; y el capital aporta herramientas, instalaciones, máquinas e infraestructuras que permiten aumentar la productividad. Los tres siguen siendo imprescindibles. Pero podemos plantear un experimento mental muy sencillo. Imaginemos dos empresas con acceso a instalaciones semejantes, capital suficiente, trabajadores comparables y la misma conexión a Internet.

A pesar de ello, una puede ser muchísimo más productiva que la otra. La diferencia puede residir en algo menos visible: sus procedimientos, su experiencia, su software, sus datos, su diseño, su capacidad organizativa, su propiedad intelectual, su cultura, su capacidad para resolver problemas y el conocimiento acumulado por sus personas. Es decir: no basta con poseer los recursos. Hay que saber utilizarlos.

El desplazamiento de la base económica

En 1996, Rian M. Gorey y David R. Dobat publicaron en The Systems Thinker un gráfico especialmente expresivo titulado “The Shifting Economic Base”. Su intención no era ofrecer una serie estadística. Era representar de forma conceptual cómo cambia la importancia relativa de tierra, trabajo, capital e intelecto en tres grandes configuraciones económicas: agrícola, industrial y del conocimiento. En la economía agrícola, tierra y trabajo dominan la creación de riqueza. En la industrial, el capital adquiere un peso mucho mayor y el trabajo continúa siendo decisivo.

En la economía del conocimiento, Gorey y Dobat sitúan el intelecto y la creación de conocimiento en una posición dominante. Los demás factores no desaparecen; cambia la relación entre ellos y el peso que adquiere la capacidad de utilizarlos mejor.

El conocimiento no sustituye a los demás recursos. Cambia lo que podemos hacer con ellos. Una explotación agrícola moderna sigue necesitando tierra, pero puede utilizar imágenes de satélite, sensores, genética, modelos meteorológicos, automatización y análisis de datos. Una fábrica sigue necesitando máquinas y materiales, pero integra software, comunicaciones, control, mantenimiento predictivo, visión artificial e inteligencia artificial. La cuestión ya no es qué recurso reemplaza al anterior, sino qué factor permite utilizar mejor a todos los demás.

Una transformación que precede a Internet

Hablar del conocimiento como factor productivo puede parecer una idea reciente asociada a Internet, al software o a la inteligencia artificial. No lo es. Varias aportaciones del siglo XX permiten ordenar el cambio alrededor de dos preguntas que conectan directamente con nuestra tesis.

¿Qué cambia en el trabajo y en la producción de innovación?

En 1962, el economista Fritz Machlup publicó The Production and Distribution of Knowledge in the United States. Su aportación fue especialmente importante porque no se limitó a afirmar que el conocimiento era valioso: intentó identificar y medir económicamente las actividades dedicadas a producirlo y distribuirlo. Incluyó educación, investigación y desarrollo, medios de comunicación, servicios de información y otras formas de transmisión de conocimiento. Su estimación situaba las denominadas industrias del conocimiento cerca del 29 % del producto nacional bruto estadounidense de aquel momento.

Peter Drucker había introducido ya en The Landmarks of Tomorrow (1959) la idea del knowledge work. En The Age of Discontinuity (1969), cuya obra incluye una parte titulada The Knowledge Society, integra esa intuición en una transformación económica y social mucho más amplia. El trabajador del conocimiento no es simplemente alguien que trabaja frente a un ordenador. Un ingeniero, un médico, un investigador, un técnico altamente cualificado o un profesional capaz de diagnosticar un sistema complejo pueden serlo. Lo que caracteriza su actividad es que una parte esencial de su productividad depende de lo que saben y de cómo saben utilizarlo.

En 1973, Daniel Bell publicó The Coming of Post-Industrial Society. Analizó el crecimiento del sector servicios, el aumento de profesiones científicas y técnicas y, sobre todo, la importancia creciente del conocimiento teórico como fuente de innovación. Una sociedad industrial también utiliza conocimiento; el cambio aparece cuando ciencia, investigación y conocimiento pasan a integrarse en un proceso sistemático de innovación. Ya no esperamos simplemente que alguien invente algo: creamos universidades, laboratorios, departamentos de I+D, centros tecnológicos, equipos de ingeniería y sistemas de innovación.

¿Qué cambia en la estructura social y en la forma de organizar ese conocimiento?

En 1980, Alvin Toffler publicó The Third Wave. Su modelo de las tres olas —agrícola, industrial y una tercera transformación posterior— se convirtió en una de las metáforas más influyentes para explicar el cambio social y tecnológico. Resulta útil siempre que no se interprete como una cronología rígida: las transformaciones se superponen. Una economía contemporánea puede contener simultáneamente agricultura de precisión, siderurgia, fábricas automatizadas, servicios financieros, biotecnología y software.

En los años noventa aparece otra pregunta: ¿qué ocurre cuando ese conocimiento puede circular a través de redes globales? Aquí resulta especialmente útil Manuel Castells. En The Rise of the Network Society (1996) analiza cómo funciones y procesos dominantes de la sociedad informacional se organizan cada vez más mediante redes. La tesis va mucho más allá de afirmar que existen redes de ordenadores. La red se convierte en una forma de organización de la producción, la comunicación y las relaciones sociales.

Eso añade algo fundamental a nuestra historia. El valor ya no depende solamente de qué sabes, sino también de con qué otros conocimientos puedes conectarlo. Pensemos en un teléfono inteligente. Para construirlo necesitamos integrar electrónica, materiales, telecomunicaciones, software, diseño, baterías, óptica, fabricación, logística y ciberseguridad. Ninguna persona domina con profundidad todo ese conocimiento.

El producto existe porque somos capaces de coordinar conocimiento distribuido.

Todo esto ocurría antes del ordenador personal, antes de Internet o, en el caso de Castells, mientras la red global empezaba a hacerse visible como estructura social. La transformación, por tanto, no nace con la digitalización. La digitalización acelera de manera extraordinaria un cambio que ya se estaba produciendo.

De lo tangible a lo intangible

La pregunta es si ese desplazamiento puede observarse también en la economía contemporánea. La Organización Mundial de la Propiedad Intelectual, junto con Luiss Business School, publica estimaciones de inversión en activos intangibles: I+D, software, datos, diseño, marcas, propiedad intelectual y conocimiento organizativo. En su informe de 2026, la OMPI analiza 29 economías que representan aproximadamente el 57 % del PIB mundial. La inversión intangible agregada superó los 10 billones de dólares en 2025.

Pero el dato más significativo está en la tendencia. Entre 2008 y 2025, la inversión intangible de esas economías creció en términos reales a una tasa anual compuesta del 3,5 %, frente a aproximadamente el 1 % de la inversión tangible. Es decir, creció unas 3,6 veces más rápido.

Ese desplazamiento tampoco significa que adoptar una tecnología produzca productividad de forma inmediata. Brynjolfsson, Rock y Syverson describen una curva J de la productividad: tecnologías de propósito general como la inteligencia artificial suelen exigir antes inversiones complementarias en procesos, organización, nuevos productos, modelos de negocio y capital humano. Parte del coste aparece antes de que los beneficios puedan medirse. La idea encaja con nuestro experimento de las dos empresas: no basta con disponer de una tecnología; hay que reorganizar conocimiento y capacidades alrededor de ella.

La inversión intangible no ha sustituido a fábricas, edificios o maquinaria. La expansión de la inteligencia artificial lo muestra con claridad: necesitamos centros de datos, semiconductores, redes eléctricas e infraestructuras físicas enormes. La economía contemporánea combina así una infraestructura física extraordinaria con cantidades crecientes de conocimiento intangible.

Un recurso económico peculiar

Los recursos físicos son normalmente rivales en su uso. Si utilizo una tonelada de cobre, esa tonelada no puede utilizarla simultáneamente otra persona. Si te entrego una máquina, dejo de disponer físicamente de ella. El conocimiento tiene una propiedad diferente. Si explico a otra persona cómo resolver un problema, esa persona puede aprenderlo sin que yo deje de saberlo. Incluso puede combinarlo con lo que ya sabe y producir una solución mejor.

Paul Romer formalizó una parte de esta diferencia al tratar las ideas y la tecnología como bienes no rivales y parcialmente excluibles. Que una idea pueda utilizarse muchas veces sin agotarse no significa que el acceso a ella tenga que ser siempre libre. Patentes, derechos de autor, secretos industriales o licencias introducen distintos grados de exclusión. Esa tensión entre difundir conocimiento e incentivar o proteger su creación forma parte también de la economía del conocimiento.

Crear conocimiento, además, no es gratis. Necesita personas, educación, investigación, experimentación, infraestructuras, tiempo y capital. Una vez codificado, determinado conocimiento puede reproducirse y distribuirse con costes marginales muy bajos. El software es un ejemplo evidente: producir la primera versión puede exigir años de trabajo; copiarla una vez más cuesta prácticamente nada. La digitalización amplifica esta propiedad y las redes la llevan a escala global. La combinación de conocimiento + digitalización + redes se convierte así en uno de los motores de la transformación que estamos estudiando.

3. La infraestructura de la aceleración

El cambio necesitaba una infraestructura. Dos familias tecnológicas avanzan simultáneamente: computación, que aumenta nuestra capacidad para procesar información; y telecomunicaciones, que aumentan nuestra capacidad para moverla. Cuando ambas convergen ocurre algo mucho más importante que tener ordenadores más rápidos. El conocimiento puede empezar a circular por redes de máquinas y personas.

Una máquina para trabajar con información

El ordenador nació muy ligado al cálculo, pero su verdadero alcance aparece cuando entendemos que cualquier información susceptible de representación digital puede ser procesada por una máquina: números, textos, sonidos, fotografías, mapas, vídeo, medidas de sensores o modelos científicos. Una vez transformada en datos digitales, la información puede copiarse, buscarse, ordenarse, compararse, transmitirse, relacionarse y analizarse automáticamente. La digitalización convierte parte de la información en algo extraordinariamente fácil de reproducir y procesar.

Moore y la aceleración de la capacidad de cálculo

En 1965, Gordon Moore observó la evolución del número de componentes que podían integrarse económicamente en un circuito y proyectó aproximadamente una duplicación anual durante la década siguiente. En 1975 revisó la cadencia hacia aproximadamente dos años. Con el tiempo, aquella observación terminó conociéndose como Ley de Moore, aunque no se trata de una ley física.

La consecuencia profunda fue otra: durante décadas, la industria consiguió introducir cantidades crecientes de capacidad electrónica en espacios y costes manejables. Más transistores hicieron posibles sistemas cada vez más complejos. Y los ordenadores de una generación empezaron a utilizarse para diseñar la siguiente. Herramientas de diseño, simulación, automatización industrial y, posteriormente, inteligencia artificial se incorporaron al propio proceso de creación tecnológica. Utilizamos tecnología para producir tecnología mejor.

Una comparación útil si se interpreta con cuidado

Existe una familia muy difundida de gráficos que representa el crecimiento de la capacidad computacional y superpone referencias aproximadas a sistemas biológicos. Son visualmente potentes, pero metodológicamente delicados. Potencia de cálculo no equivale a inteligencia. Un FLOP/s describe operaciones de coma flotante realizadas por sistemas digitales; un cerebro no ejecuta de forma nativa ese tipo de instrucciones. Situar ambos mundos en una misma escala exige construir una traducción mediante supuestos.

La investigación de Joseph Carlsmith (2020) muestra hasta qué punto esas traducciones son inciertas: según el método y el aspecto del cerebro que se intente representar, las estimaciones pueden desplazarse varios órdenes de magnitud. Ma y Guo (2026), utilizando un único modelo para distintos sistemas nerviosos, permiten comparar de forma coherente esas referencias con la evolución del rendimiento HPL de los supercomputadores del TOP500.

La lectura correcta de R08 no será nunca «un ordenador ya era tan inteligente como un ratón» o «ha alcanzado el cerebro humano». Solo mostrará que, bajo un modelo concreto, una cifra de rendimiento digital atraviesa referencias numéricas estimadas para determinados sistemas biológicos. Es un experimento de escala, no una equivalencia cognitiva.

Un ordenador aislado sigue siendo una isla

La capacidad de cálculo explica solo una parte de la revolución. La segunda consiste en conectar las máquinas. Telégrafo, teléfono, radio y televisión ya habían separado progresivamente la información del transporte físico de personas y objetos. Las redes digitales van mucho más lejos. Una máquina puede solicitar información a otra. Un sistema puede consultar una base de datos situada a miles de kilómetros. Varias personas pueden trabajar sobre un mismo conjunto de información.

La computación procesa y las comunicaciones conectan. La combinación de ambas convierte una colección de máquinas en una infraestructura de conocimiento distribuido.

Internet, Web y publicación

Internet es la infraestructura de redes interconectadas que permite que máquinas y sistemas se comuniquen mediante protocolos comunes. La World Wide Web es uno de los servicios construidos sobre esa infraestructura. Tim Berners-Lee desarrolló la Web en 1989 mientras trabajaba en CERN, inicialmente para facilitar el intercambio automatizado de información entre científicos e instituciones distribuidas internacionalmente. En 1990 ya había desarrollado el primer navegador y servidor web. El 30 de abril de 1993, CERN puso el software de la World Wide Web en el dominio público y más tarde publicó una versión bajo licencia abierta.

La decisión de abrir aquella tecnología ilustra una propiedad central de esta historia: compartir una tecnología puede multiplicar el conocimiento y la innovación que otros construyen sobre ella.

La escala alcanzada después es difícil de imaginar. La Unión Internacional de Telecomunicaciones estima que en 2025 unos 6.000 millones de personas, aproximadamente el 74 % de la población mundial, utilizaban Internet. Al mismo tiempo, 2.200 millones seguían desconectadas. Las dos cifras deben leerse juntas. Una describe la enorme expansión de una infraestructura global. La otra recuerda que esa expansión sigue siendo desigual.

La Web cambió también quién podía publicar. A sus primeros años, dominados por sitios que otros consultaban, se añadieron blogs, wikis, foros, plataformas de vídeo, redes sociales y sistemas de publicación cada vez más sencillos. El usuario dejó de ser únicamente receptor: empezó también a escribir, fotografiar, grabar, corregir, recomendar, etiquetar, comentar y compartir.

Después apareció otra ambición: no limitar la Web a documentos que las personas interpretan, sino representar también datos, entidades y relaciones que puedan ser procesados por sistemas. Parte de esa visión de la Web semántica está presente hoy en grafos de conocimiento, datos enlazados, buscadores y bases de conocimiento. La historia real de la Web ha sido mucho más desordenada que una sucesión limpia de 1.0, 2.0, 3.0 y 4.0.

Del escritorio al mundo físico

Portátiles, wifi, telefonía móvil, smartphones y redes de banda ancha introdujeron otro cambio. Durante los primeros años de Internet, conectarse era una actividad. Nos sentábamos delante de un ordenador. Después dejamos de “conectarnos”. Empezamos a vivir conectados.

La computación en la nube transformó además la relación con la infraestructura. Parte del almacenamiento, software y procesamiento pasó a realizarse en sistemas remotos a los que accedemos mediante redes. Una organización puede utilizar almacenamiento, bases de datos, capacidad de cálculo, software o servicios de inteligencia artificial sin tener que poseer físicamente toda esa infraestructura.

El cambio decisivo llega cuando ya no digitalizamos únicamente documentos que antes estaban en papel: los propios procesos empiezan a nacer digitales. Una máquina industrial registra temperaturas y vibraciones. Un vehículo produce datos de posición y funcionamiento. Una plataforma registra interacciones. Un comercio registra transacciones. Un sistema energético mide consumo y producción. Un teléfono contiene sensores.

Aparece así un ciclo extraordinariamente poderoso. La actividad produce datos; esos datos se contextualizan y analizan; el conocimiento resultante permite valorar alternativas; el criterio orienta una decisión y la acción modifica de nuevo el proceso. El resultado vuelve a generar datos.

Es un anticipo, aplicado al mundo físico, del modelo que desarrollaremos a continuación.

Del mundo físico a los datos… y de vuelta

Un sistema digital no termina cuando obtiene datos: los interpreta, ayuda a decidir y devuelve una acción al mundo real. Esa acción cambia el sistema y genera una nueva situación que puede volver a medirse.

4. Del dato al criterio

La revolución digital ha resuelto —al menos para una parte importante de la población— un problema histórico: el acceso a información. El acceso sigue siendo desigual y no toda la información es gratuita, abierta o universal, pero el problema empieza a desplazarse. Cuando la información era escasa, encontrarla tenía un enorme valor. Cuando es abundante, aparece otra necesidad: distinguir qué significa, qué merece atención y qué debemos hacer con ella.

UNESCO lo expresa con claridad: la información puede contribuir a producir conocimiento, pero no es conocimiento por sí misma. Para explicarlo utilizaremos un modelo deliberadamente operativo:

DATO → INFORMACIÓN → CONOCIMIENTO → CRITERIO → ACCIÓN

El esquema dialoga con la conocida familia de modelos DIKW —datos, información, conocimiento y sabiduría—, cuya formulación de Russell Ackoff en 1989 fue especialmente influyente. No adoptamos, sin embargo, una pirámide ni una secuencia necesaria. Martin Frické ha criticado precisamente la idea de que esos niveles formen una jerarquía universal. Aquí utilizamos un modelo de trabajo distinto: sustituimos la “sabiduría” por criterio, porque nos interesa la capacidad de valorar alternativas en contexto, y añadimos acción y experiencia para cerrar después el bucle.

No pretende ser una ley epistemológica universal. Es una herramienta para distinguir operaciones diferentes.

Dato

Un dato es un registro.

82 °C

Por sí solo puede decirnos muy poco. ¿Ochenta y dos grados dónde? ¿Medidos cuándo? ¿En qué equipo? ¿En qué condiciones? El dato necesita contexto.

Información

Podemos añadirlo:

El rodamiento del motor M3 está a 82 °C durante funcionamiento estable.

Ahora sabemos qué representa el número. Pero todavía no sabemos necesariamente qué significa. ¿Es normal? ¿Está subiendo? ¿Implica un riesgo?

Conocimiento

Para interpretar esa información necesitamos relacionarla con algo que ya sabemos. Supongamos que la temperatura habitual de ese rodamiento es de 55–60 °C y que, además, la vibración ha aumentado. Ahora aparece un patrón que puede asociarse a deterioro, lubricación defectuosa u otro problema que requiere diagnóstico. Ya hemos utilizado experiencia, histórico, teoría, otras medidas y conocimiento técnico.

El conocimiento permite responder preguntas como: ¿por qué puede estar ocurriendo?, ¿qué relación tiene con otras variables?, ¿qué podemos esperar?

Criterio

Incluso conocer el problema no determina automáticamente qué decisión debemos tomar. Podemos disponer de varias soluciones técnicamente posibles. Una puede ser más barata. Otra más segura. Otra implica parar la línea. Otra permite continuar bajo determinadas condiciones.

Aquí aparece el criterio: comparar alternativas, evaluar evidencia, ponderar consecuencias, reconocer incertidumbre y decidir de forma razonada.

Acción

Finalmente actuamos: inspeccionar, reducir carga, detener, reparar, seguir observando o buscar más información. La cadena adquiere sentido porque conduce a una intervención sobre el mundo.

La secuencia no es completamente lineal. Necesitamos conocimiento previo para interpretar los datos que utilizaremos para producir nuevo conocimiento. Y la acción genera nuevos resultados y experiencia. Por tanto, el ciclo completo termina siendo:

DATO → INFORMACIÓN → CONOCIMIENTO → CRITERIO → ACCIÓN → EXPERIENCIA → NUEVO CONOCIMIENTO

La acción también produce conocimiento.

La paradoja de la abundancia

Cuando una información determinada se vuelve accesible casi instantáneamente para millones de personas, la mera posesión de esa información deja de constituir necesariamente una ventaja. Un manual técnico que antes solo tenían unas pocas empresas puede estar ahora disponible públicamente. Una fórmula puede encontrarse en segundos. Una traducción puede obtenerse inmediatamente. Una inteligencia artificial puede explicar en unos instantes conceptos sobre los que existen miles de páginas.

Pero la disponibilidad no elimina la necesidad de comprender. En algunos casos hace exactamente lo contrario: cuanto más abundante es la información, más importante resulta saber seleccionar.

Miguel de Unamuno escribió en Almas de jóvenes (1904):

«Cuanto menos se lee, hace más daño lo que se lea.»

Su idea no era que leer resultase perjudicial. Era que quien dispone de pocas ideas tiene menos posibilidades de contrastarlas. Una única explicación puede parecernos definitiva cuando no conocemos ninguna alternativa. Más de un siglo después, la reflexión resulta especialmente pertinente. Buscadores, redes sociales y sistemas de inteligencia artificial pueden proporcionarnos una respuesta casi instantánea.

El problema ya no es únicamente acceder a una respuesta. Necesitamos tener con qué contrastarla. Tener más conocimiento no sirve únicamente para disponer de más respuestas.

Sirve también para desconfiar mejor de ellas.

En 2007, Hiroshi Tasaka formuló en The paradox of knowledge society una provocación especialmente sugerente: si el conocimiento codificado se vuelve fácilmente accesible, ¿qué es entonces lo escaso? Aquí utilizamos esa formulación como pregunta interpretativa, no como una ley económica ni como evidencia empírica por sí sola.

Si millones de personas pueden acceder a la misma información y, cada vez más, a las mismas herramientas de IA, una parte de la diferencia aparece en la capacidad para utilizar el conocimiento bien.

Cuando la información disponible supera nuestra capacidad de atenderla toda a la vez, la atención determina qué entra en foco y el criterio permite valorar y priorizar lo seleccionado según objetivos y contexto.

Saber no significa simplemente memorizar

La escritura ya externalizó parte de nuestra memoria. La imprenta volvió a hacerlo. Las bibliotecas ampliaron la memoria colectiva. Internet la multiplicó. Los buscadores facilitaron localizarla. La inteligencia artificial permite ahora interrogar grandes cantidades de información mediante lenguaje natural.

Pero sería un error concluir:

«Como puedo buscarlo, ya no necesito saberlo.»

Necesitamos conocimiento para formular preguntas, comprender respuestas, detectar inconsistencias, comparar alternativas y reconocer cuándo algo parece plausible pero es falso. Existe una diferencia enorme entre poder encontrar una fórmula y comprender cuándo debe utilizarse; obtener código y saber si es seguro; recibir una explicación y reconocer que está equivocada.

La disponibilidad externa de conocimiento no elimina la necesidad de conocimiento interno. Cambia la relación entre ambos.

5. Cuando nadie puede saberlo todo

El volumen de conocimiento humano es demasiado grande para que una sola persona pueda dominarlo. Ni siquiera dentro de campos relativamente concretos. Un especialista puede dedicar toda una carrera a una parte de una disciplina y seguir encontrando nuevos desarrollos que aprender.

Por eso aparece una paradoja: cuanto mayor es nuestro conocimiento colectivo, menor es la proporción que puede dominar cada individuo. Dependemos cada vez más de especialistas, equipos, documentación, comunidades, instituciones y redes.

Inteligencia colectiva: conectar no basta

Pierre Lévy desarrolló una de las formulaciones más influyentes del concepto de inteligencia colectiva vinculada al ciberespacio. La intuición puede expresarse con sencillez: nadie lo sabe todo; todos sabemos algo. El problema consiste en conseguir que esos conocimientos puedan encontrarse y combinarse.

Internet hace posible que una pregunta formulada desde un lugar encuentre a una persona que conoce la respuesta en otro continente; que miles de desarrolladores colaboren sobre un mismo proyecto; que científicos compartan resultados; que usuarios documenten fallos; que una comunidad construya colectivamente una enciclopedia.

Pero una multitud conectada no es automáticamente inteligente. También puede producir rumores, errores, imitación, desinformación o certezas falsas. La inteligencia colectiva necesita aportación, revisión, evidencia y corrección.

Wikipedia permite observar bien ese proceso. No presupone que todo lo que aparece en ella sea automáticamente cierto. Su modelo asume que una entrada puede estar incompleta, sesgada o equivocada y crea mecanismos para corregirla, discutirla, referenciarla, comparar versiones y revertir cambios. El producto visible es una página; detrás existe un proceso de construcción basado en revisión y corrección.

Una sociedad del conocimiento madura necesita mecanismos para contrastar, corregir y aprender, no la ilusión de disponer de respuestas definitivas.

La jerarquía formal y la red de conocimiento no son lo mismo

Una organización puede tener un organigrama perfectamente definido. Pero el conocimiento no circula necesariamente siguiendo las mismas líneas. Una persona situada abajo en la jerarquía puede ser quien más sabe sobre un problema concreto. Un técnico puede detectar una anomalía antes que un directivo. Un cliente puede descubrir un uso imprevisto. Un investigador externo puede aportar una idea decisiva.

Las jerarquías siguen cumpliendo funciones de coordinación y responsabilidad, pero la autoridad formal y el conocimiento no siempre están en el mismo lugar. Una organización que impida que el conocimiento circule está desperdiciando uno de sus recursos más valiosos.

Especializarse sin encerrarse

La especialización ha sido uno de los grandes motores del progreso. No podríamos construir sistemas tecnológicos modernos sin personas que hayan dedicado años a dominar profundamente radiofrecuencia, microelectrónica, medicina, materiales, programación, biología molecular, energía o matemáticas.

El problema no es especializarse. El problema es encerrarse.

Un automóvil actual combina mecánica, electrónica, redes, software, sensores, baterías, control automático, ciberseguridad e inteligencia artificial. Una instalación industrial moderna mezcla electricidad, automatización, comunicaciones, datos, programación, seguridad, mantenimiento y energía. Los sistemas reales no están organizados según las asignaturas de un plan de estudios. Los problemas no saben en qué departamento deberían estar.

La idea que nos interesa de la polimatía no es saber superficialmente de todo, sino mantener dos dimensiones: profundidad, para dominar realmente un campo, y apertura, para comprender otros lenguajes, aprender conceptos nuevos, trabajar con especialistas diferentes y reconocer que una solución puede encontrarse fuera del propio nicho.

Un estudio de inventores de 3M publicado en Research Policy en 2014 encontró que amplitud y profundidad aportaban cosas diferentes: la amplitud se relacionaba con generar un mayor número de invenciones; la profundidad, con producir invenciones técnicamente influyentes; y ambas resultaban relevantes para el éxito profesional de los innovadores estudiados. No convierte la polimatía en una ley universal, pero refuerza una idea importante: profundidad y amplitud no son alternativas. Pueden complementarse.

El recurso no presenta amplitud y profundidad como extremos opuestos. La especialidad se conserva; la apertura añade capacidad para reconocer dependencias, colaborar y conectar conocimiento procedente de otros campos.

Aprender cosas nuevas exige tener dónde anclarlas

En un entorno cambiante no basta con conservar lo que aprendimos al comienzo de la vida profesional. Tenemos que incorporar nuevas herramientas, tecnologías, procedimientos y conocimientos procedentes de otros campos.

Aquí encaja el concepto de capacidad de absorción, desarrollado por Wesley Cohen y Daniel Levinthal: la capacidad para reconocer el valor de conocimiento externo, asimilarlo y aplicarlo depende en buena medida del conocimiento previo relacionado.

Aparece así una paradoja fértil: para aprender cosas nuevas ayuda enormemente saber cosas anteriores. Quien comprende electricidad puede aprender con mayor facilidad una nueva tecnología de potencia. Quien comprende redes puede situar un protocolo nuevo dentro de una arquitectura que ya conoce. Quien domina conceptos de programación puede aprender un nuevo lenguaje sin redescubrir qué son una condición o una función.

La competencia de aprender a aprender se construye también aprendiendo. Por eso la educación adquiere en una sociedad del conocimiento una función que desborda la etapa escolar o la obtención de un título. La base previa facilita incorporar conocimiento nuevo, y la capacidad para seguir aprendiendo durante la vida profesional se convierte en parte de la propia competencia.

Howard Gardner propuso en Five Minds for the Future cinco formas de pensamiento: disciplinada, sintetizadora, creadora, respetuosa y ética. No necesitamos adoptar el marco como una taxonomía cerrada. Nos resulta útil porque ordena varias ideas que ya han aparecido: profundidad real, capacidad para conectar conocimientos, creatividad, colaboración y responsabilidad.

Nuestra síntesis reúne esas capacidades sin convertirlas en una cadena rígida: profundizar en un campo, conectar conocimientos, crear, colaborar y actuar con criterio. Pueden reforzarse entre sí y aparecer en órdenes distintos según el problema.

Lo que sabemos y no siempre sabemos explicar

Una organización no contiene todo su conocimiento en sus documentos. También sabe a través de sus personas: del técnico que percibe una anomalía antes de que aparezca una alarma; del profesional que reconoce que una situación no encaja aunque todavía no pueda explicar completamente por qué; de la persona que sabe cuándo aplicar una regla y cuándo la situación exige una excepción.

Ese conocimiento se construye mediante experiencia, práctica, observación, interacción y contexto. Saber describir una práctica y saber practicarla no son exactamente lo mismo.

Michael Polanyi dio una formulación clásica a esta idea en The Tacit Dimension (1966): podemos saber más de lo que somos capaces de formular de manera explícita. El conocimiento tácito no es simplemente información que todavía no hemos escrito; incluye habilidades, percepción, juicio y formas de saber hacer que dependen de la experiencia y del contexto.

Partiendo de esa distinción, Ikujiro Nonaka y Hirotaka Takeuchi convirtieron la interacción entre conocimiento tácito y explícito en uno de los ejes de The Knowledge-Creating Company. Su aportación resulta útil porque obliga a abandonar una idea demasiado simple de la organización como máquina que únicamente procesa información externa. Las organizaciones también pueden crear conocimiento: comparten experiencias, formalizan ideas, combinan conocimientos, experimentan, aprenden de los resultados y vuelven a incorporar ese aprendizaje.

El conocimiento organizativo tampoco es un almacén que únicamente crece. Se pierde cuando una tecnología queda obsoleta, cuando una persona experta abandona la organización, cuando no se documenta lo aprendido o cuando un equipo deja de compartir información. Una organización contemporánea necesita aprender, compartir lo aprendido, conservar aquello que sigue siendo útil, revisar lo que ha dejado de funcionar y volver a aprender.

6. La inteligencia artificial hace visible el cambio

La IA contemporánea añade una nueva capa a todo lo que hemos descrito. Durante años utilizamos sistemas digitales principalmente para almacenar, recuperar, ordenar, transportar y calcular sobre información. Ahora los sistemas realizan cada vez más tareas de clasificación, reconocimiento, predicción, traducción, síntesis y generación.

Los sistemas generativos han introducido algo especialmente visible: podemos trabajar con una máquina utilizando lenguaje para preguntar, pedir una explicación, proponer una transformación, generar una imagen, solicitar código o comparar alternativas. Eso reduce radicalmente la barrera de acceso a determinadas capacidades computacionales.

Pero una tecnología capaz no es una tecnología infalible.

Una frontera irregular de capacidades

Fabrizio Dell’Acqua y sus colaboradores denominaron “frontera tecnológica irregular” (jagged technological frontier) a un comportamiento observado en un experimento con 758 consultores de Boston Consulting Group. El trabajo circuló inicialmente como working paper en 2023 y fue publicado en Organization Science en 2026. El concepto describe cómo tareas de dificultad aparentemente similar pueden quedar a lados distintos de la frontera de capacidades del sistema. En unas, la ayuda de la IA mejora claramente el rendimiento; en otras, puede conducir a peores resultados.

La idea rompe una intuición muy humana. Si una persona resuelve con soltura una tarea difícil, tendemos a esperar que domine también otras más sencillas. Con la IA esa inferencia puede fallar: un sistema puede generar software, resumir documentos complejos o producir análisis convincentes y, sin embargo, equivocarse en una tarea aparentemente menor.

Por eso conviene separar dos cuestiones distintas: qué puede hacer un sistema y con qué fiabilidad puede hacerlo en una situación concreta. La fluidez de una respuesta tampoco garantiza su veracidad. Cuanto más convincente resulta una herramienta, más importante puede ser saber cuándo verificarla.

La IA trabaja especialmente bien con conocimiento codificado

Una enorme parte del conocimiento explícito humano ha dejado huellas digitales: libros, artículos, documentación, código, planos, bases de datos, fotografías, registros y conversaciones. La IA puede trabajar extraordinariamente bien con esas huellas. Puede organizar, resumir, transformar, encontrar patrones y generar nuevas respuestas.

Hay dos simplificaciones que debemos evitar. No sería riguroso afirmar sin matices que una IA “no puede tener conocimiento tácito”. Los modelos aprenden representaciones internas y pueden descubrir regularidades que nadie programó explícitamente. Tampoco podemos asumir que una representación aprendida por un modelo sea equivalente al tacit knowing humano asociado a práctica vivida, percepción situada, experiencia acumulada y actuación en contexto.

La distinción más útil es práctica: la IA aumenta extraordinariamente nuestra capacidad de trabajar con conocimiento codificado y, al hacerlo, hace más visible el valor de la experiencia, el conocimiento tácito y el criterio.

La IA puede ayudar, además, a capturar parte del saber experto: entrevistar a un profesional, preguntarle por qué actuó de determinada manera, comparar casos, documentar excepciones o extraer patrones de incidencias. Pero debemos evitar otro salto:

«Ya está documentado, luego ya poseemos todo el conocimiento del experto.»

No necesariamente. Una receta no convierte automáticamente a alguien en cocinero. Un manual de soldadura no proporciona las horas de práctica de un soldador. Una base de incidencias no genera por sí misma el juicio de un técnico experimentado.

El conocimiento del dominio gana importancia

Si una IA puede explicar electrónica, redactar código o resumir una norma, podría parecer que el trabajador necesita saber menos. Ocurre, sin embargo, que sin conocimiento del dominio resulta más difícil distinguir una solución elegante de una peligrosa, una simplificación útil de una falsedad, un código funcional de uno vulnerable o una medición razonable de una absurda.

La IA puede reducir el coste de producir una respuesta. No necesariamente el coste de saber si esa respuesta merece utilizarse.

El conocimiento profesional cambia parte de su función. Ya no solo sirve para producir directamente. También sirve para preguntar, seleccionar, supervisar, integrar y validar.

Reducir la alfabetización en IA a aprender unas cuantas instrucciones eficaces sería empobrecerla. Una competencia real debería incluir comprender qué puede hacer el sistema, qué limitaciones conocemos, qué clase de errores produce, qué información le estamos proporcionando, cómo verificar resultados, cuándo no utilizarlo y quién conserva la responsabilidad de la decisión.

La alfabetización en IA consiste en trabajar con estas herramientas sin dejar de pensar, no solo en aprender a hablarles.

Volvamos al motor M3. Imaginemos ahora que los sensores registran los 82 °C y el aumento de vibración, un sistema de análisis detecta que el patrón se aparta de lo habitual y un modelo de IA propone detener la línea. La cadena se ha acelerado: los datos se recogen automáticamente, el sistema encuentra antecedentes y genera una recomendación. Pero todavía quedan preguntas que no desaparecen por haber introducido IA. ¿Es fiable el diagnóstico? ¿Qué otras medidas lo apoyan o lo contradicen? ¿Qué riesgo supone continuar? ¿Qué coste tiene detener la producción? ¿Existe una alternativa segura?

El técnico aporta conocimiento del equipo, experiencia con averías anteriores y contexto operativo. Pero la decisión no es solo una cuestión de exactitud técnica: la organización debe seguir definiendo quién asume la responsabilidad profesional, operativa, ética y, cuando corresponda, jurídica de actuar sobre una recomendación automática. La Recomendación de UNESCO sobre ética de la inteligencia artificial insiste precisamente en que los sistemas de IA no deben desplazar la responsabilidad y la rendición de cuentas últimas de las personas u organizaciones responsables.

La IA puede ampliar la capacidad de análisis; el criterio sigue siendo necesario para decidir qué hacer con el resultado. El mismo ejemplo que nos permitió pasar de dato a información, conocimiento, criterio y acción muestra ahora por qué automatizar parte del análisis no equivale a automatizar el juicio.

El trabajo también empieza a cambiar

Si una tecnología puede realizar o apoyar parte de las tareas intelectuales que antes recaían exclusivamente en personas, resulta inevitable preguntarse qué ocurrirá con profesiones, competencias y organización del trabajo. De esa capacidad tecnológica no se deduce directamente la desaparición de empleos. Un empleo está compuesto por tareas diferentes y entre exposición, automatización efectiva y resultado laboral intervienen adopción, costes, organización, regulación y decisiones humanas. La OIT insiste por eso en distinguir los indicadores de exposición a IA de una predicción directa de pérdidas de empleo.

Aquí se abre una de las continuaciones naturales de esta pieza: Trabajo Futuro. Nos interesará no solo preguntar qué puede hacer la IA, sino cómo redistribuye tareas entre personas y máquinas, qué conocimientos siguen siendo fundamentales y por qué aprender deja de ser una fase previa al trabajo para convertirse en parte del propio trabajo.

Podemos delegar parte de la ejecución. No necesariamente podemos delegar el juicio. Y eso nos devuelve a la palabra central de esta pieza: criterio.

7. La otra cara de la sociedad del conocimiento

Hasta ahora hemos descrito una transformación extraordinaria. Sería fácil detener la historia aquí y concluir:

más tecnología → más información → más conocimiento → más progreso

Esa conclusión caería en el determinismo que tratamos de evitar. Una tecnología crea posibilidades, pero no determina por sí sola cómo se distribuyen sus beneficios.

Conectividad no es igualdad de participación

La cifra global de conectividad oculta diferencias enormes en las condiciones reales de acceso y uso. Incluso la división entre conectados y desconectados resulta insuficiente. Dos personas pueden aparecer estadísticamente como usuarias de Internet y disponer de posibilidades completamente distintas.

La UIT denomina conectividad universal y significativa a una experiencia en línea que no depende únicamente de que exista acceso. Su marco de 2025 distingue seis dimensiones interdependientes: calidad, disponibilidad, asequibilidad, dispositivos, competencias y seguridad.

La brecha digital, por tanto, ya no puede dibujarse únicamente como conectado / desconectado.

Existe además una segunda brecha. Podemos encontrar personas perfectamente conectadas que tienen dificultades para buscar eficazmente, reconocer una fuente fiable, proteger sus datos, interpretar información compleja o utilizar críticamente sistemas de IA. Dos personas pueden acceder a la misma información y obtener resultados radicalmente diferentes.

Por eso, democratizar el acceso a la información no equivale automáticamente a democratizar el conocimiento.

Cuando cualquiera puede publicar, cualquiera puede equivocarse

La Web social eliminó enormes barreras para publicar. Eso representa una ampliación histórica de nuestra capacidad de expresión. Pero la infraestructura que distribuye conocimiento también distribuye error. Una información correcta y una afirmación falsa utilizan los mismos protocolos, pueden aparecer en la misma pantalla y presentarse con una apariencia igualmente profesional.

La inteligencia artificial generativa añade otra capa. Un documento falso puede estar perfectamente escrito, correctamente maquetado y acompañado de gráficos convincentes.

La apariencia profesional deja de ser una buena señal de fiabilidad.

La respuesta no puede consistir simplemente en buscar “más información”. Necesitamos procedencia, contraste, verificación y criterio.

La atención se convierte en un recurso escaso

Podemos producir información casi sin límite. Pero seguimos teniendo veinticuatro horas al día. Nuestra capacidad de lectura, reflexión y atención es limitada. Herbert A. Simon formuló en 1971 una intuición que hoy resulta especialmente actual: la abundancia de información genera escasez de atención. Por eso aparece una nueva competencia: decidir a qué merece la pena prestar atención.

Buscar era difícil cuando la información era escasa. Seleccionar se vuelve difícil cuando es abundante. Y una parte de esa selección ni siquiera la hacemos nosotros directamente: buscadores, plataformas y sistemas de recomendación preseleccionan qué aparece ante nuestros ojos. El criterio opera, por tanto, sobre una realidad que ya ha sido filtrada. En determinadas situaciones, ignorar correctamente también es una competencia.

Los datos permiten conocer… y también observar

Cada búsqueda, compra, localización, interacción con una plataforma o conversación con un asistente puede generar datos. Analizados de forma agregada, pueden utilizarse para mejorar productos, detectar patrones, personalizar servicios, optimizar procesos o entrenar sistemas. Pero esa misma capacidad plantea preguntas fundamentales: qué datos producimos, quién los recoge, para qué, durante cuánto tiempo, con qué otros datos pueden relacionarse y si pueden utilizarse para tomar decisiones sobre nosotros.

La capacidad técnica de utilizar un dato y la legitimidad de hacerlo son cuestiones diferentes. En el caso de la IA, la Recomendación de UNESCO de 2021 sitúa estas preguntas dentro de un marco más amplio de derechos, protección de datos, supervisión humana, responsabilidad y rendición de cuentas.

La red puede ser distribuida y el poder, no

Internet es una infraestructura distribuida y la Web permite que cualquiera publique. La economía construida sobre esa infraestructura, sin embargo, puede estar muy concentrada. En su World Investment Report 2025, UNCTAD analiza las 100 principales multinacionales digitales de su ranking y muestra que la cuota conjunta de ventas de las cinco mayores pasó del 21 % en 2017 al 48 % en 2025.

La conclusión conceptual es clara: una red técnicamente distribuida no garantiza una economía distribuida.

Lo digital también tiene cuerpo

Cuando hablamos de cloud, software, datos, redes, IA y activos intangibles, podemos caer en la ilusión de una economía casi inmaterial. No es así. Lo digital necesita semiconductores, centros de datos, cables submarinos, antenas, fibra óptica, baterías, redes eléctricas, refrigeración, minerales, edificios y energía.

Incluso “la nube” está alojada en máquinas físicas situadas en lugares físicos.

La Agencia Internacional de la Energía actualizó en 2026 sus estimaciones sobre energía e IA. Según su escenario central, los centros de datos consumieron aproximadamente 485 TWh de electricidad en 2025 y podrían acercarse a 950 TWh en 2030, alrededor del doble. No es una predicción puntual: la trayectoria depende de la adopción de IA, la eficiencia del hardware y el software, la inversión y los cuellos de botella de infraestructura.

Hay que introducir inmediatamente dos matices. Primero: centro de datos no equivale a IA. Segundo: la eficiencia por tarea puede mejorar mientras crece el consumo total si aumentan los usuarios y los usos intensivos.

La expansión digital vuelve a encontrarse con límites muy físicos. Y eso nos devuelve al comienzo de nuestra historia. El conocimiento gana importancia como factor productivo, pero no hace desaparecer tierra, materiales, trabajo, capital ni energía. La aparente paradoja del siglo XXI es más precisa si se formula así: una economía cuyo valor depende cada vez más de activos intangibles puede requerir infraestructuras físicas de enorme escala para producirlos, moverlos y utilizarlos.

Lo intangible depende de una enorme base tangible.

8. Entonces, ¿qué significa vivir en la era del conocimiento?

Llegados aquí, la diferencia entre Sociedad de la Información y Sociedad del Conocimiento resulta más clara. La primera pone el foco en la producción, circulación y acceso a información mediante infraestructuras tecnológicas. La segunda pregunta qué capacidades permiten transformar esa información en comprensión, aprendizaje y acción. Por eso UNESCO habló de sociedades del conocimiento, en plural: no existe un único modelo cultural, educativo, lingüístico o económico para construirlas, y junto al conocimiento científico y tecnológico cuentan también saberes profesionales, prácticos, locales, culturales y tácitos. Disponer de redes, datos o inteligencia artificial no determina por sí solo cómo una sociedad aprende, decide o distribuye las oportunidades que esas tecnologías abren.

El recorrido histórico, económico y tecnológico de esta pieza apunta a una misma transformación. El conocimiento siempre estuvo presente, pero hoy la capacidad para producirlo, compartirlo, conectarlo y utilizarlo adquiere un peso creciente para crear valor, resolver problemas y adaptarnos al cambio. No sustituye a tierra, trabajo, capital, materiales o energía; cambia lo que podemos hacer con ellos. Tampoco convierte automáticamente una sociedad tecnológicamente avanzada en una sociedad más sabia. La inteligencia tecnológica no garantiza inteligencia social.

A medida que el acceso a información se abarata, el cuello de botella se desplaza. Sigue importando encontrar datos y fuentes, pero gana valor saber qué preguntar, qué merece atención, qué respuesta merece confianza, qué información falta, cómo se relacionan varias ideas y qué consecuencias puede tener una decisión. Ahí aparece el criterio como una capacidad central de esta era.

El hilo conductor puede cerrarse ahora como un ciclo:

DATO → INFORMACIÓN → CONOCIMIENTO → CRITERIO → ACCIÓN → EXPERIENCIA → NUEVO CONOCIMIENTO

Los sistemas producen datos; el contexto permite convertirlos en información; el conocimiento previo y la experiencia ayudan a interpretarla; el criterio pondera alternativas, incertidumbre y consecuencias; la acción modifica el mundo y genera nueva experiencia. El proceso vuelve a empezar con una base distinta.

9. Lo que se abre después

Reconocer que vivimos en una era del conocimiento no cierra la explicación. Al contrario: permite empezar a formular mejor las preguntas que vienen después.

¿Qué ocurre cuando datos, sensores, comunicaciones, automatización, software e inteligencia artificial se integran con máquinas y procesos físicos? Ahí comienza el recorrido de Industria 4.0 y Cuarta Revolución Industrial.

¿Qué ocurre cuando herramientas y conocimientos cambian durante toda la vida profesional, cuando una parte de las tareas puede automatizarse o ampliarse mediante IA y cuando aprender pasa a formar parte del propio trabajo? Ahí comienza la pieza sobre Trabajo Futuro.

Y quedan además otras preguntas que aquí solo hemos esbozado y que merecen desarrollo propio: cómo se construye y circula el conocimiento cuando nadie puede saberlo todo; qué cambia cuando una IA puede trabajar con grandes cantidades de conocimiento codificado; y qué tensiones aparecen cuando información, capacidad tecnológica, atención y poder se distribuyen de manera desigual.

Cada una de esas preguntas nace de la misma idea de partida: comprender la era del conocimiento nos da un marco para interpretar el mundo que se está abriendo delante de nosotros.

Una pregunta para cerrar

Si toda la información que necesitas estuviera a tu alcance, incluso acompañada por una inteligencia artificial capaz de ayudarte a utilizarla, ¿qué necesitarías saber tú?

Quizá el reto no consista en saberlo todo, sino en ser capaz de aprender, comprender, conectar, contrastar, crear y decidir. Y convertir todo ello en acción con criterio.

Referencias y lecturas

Sociedad del conocimiento, economía y organización

• UNESCO (2005). Towards Knowledge Societies. UNESCO World Report. Documento
• Machlup, F. (1962). The Production and Distribution of Knowledge in the United States. Princeton University Press.
• Drucker, P. F. (1959). The Landmarks of Tomorrow. Harper & Brothers.
• Drucker, P. F. (1969). The Age of Discontinuity. Harper & Row.
• Bell, D. (1973). The Coming of Post-Industrial Society. Basic Books.
• Toffler, A. (1980). The Third Wave. William Morrow.
• Castells, M. (1996). The Rise of the Network Society. Blackwell.
• Gorey, R. M.; Dobat, D. R. (1996). “Managing in the Knowledge Era”. The Systems Thinker, 7(8), 1–5. Texto
• WIPO / Luiss Business School (2026). World Intangible Investment Highlights 2026. Informe
• Romer, P. M. (1990). “Endogenous Technological Change”. Journal of Political Economy, 98(5, Part 2), S71–S102. DOI
• Brynjolfsson, E.; Rock, D.; Syverson, C. (2021). “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies”. American Economic Journal: Macroeconomics, 13(1), 333–372. DOI
• Polanyi, M. (1966). The Tacit Dimension. Doubleday.
• Nonaka, I.; Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press. Ficha editorial
• Cohen, W. M.; Levinthal, D. A. (1990). “Absorptive Capacity: A New Perspective on Learning and Innovation”. Administrative Science Quarterly, 35(1), 128–152.
• Lévy, P. (1994). L’intelligence collective: pour une anthropologie du cyberspace. La Découverte. Traducción inglesa: Collective Intelligence: Mankind’s Emerging World in Cyberspace (1997).
• Boh, W. F.; Evaristo, R.; Ouderkirk, A. J. (2014). “Balancing breadth and depth of expertise for innovation: A 3M story”. Research Policy, 43(2), 349–366. DOI
• Gardner, H. (2006). Five Minds for the Future. Harvard Business School Press. Project Zero
• Ackoff, R. L. (1989). “From Data to Wisdom”. Journal of Applied Systems Analysis, 16, 3–9.
• Frické, M. (2009). “The Knowledge Pyramid: A Critique of the DIKW Hierarchy”. Journal of Information Science, 35(2), 131–142. DOI
• Simon, H. A. (1971). “Designing Organizations for an Information-Rich World”. En M. Greenberger (ed.), Computers, Communications, and the Public Interest. Johns Hopkins Press.
• Tasaka, H. (2007). The paradox of knowledge society. Intervención audiovisual difundida por Infonomia. Se utiliza aquí como marco interpretativo.

Evolución humana, tecnología e historia

• Smithsonian Human Origins Program. Homo sapiens. Referencia
• Harmand, S. et al. (2015). “3.3-million-year-old stone tools from Lomekwi 3, West Turkana, Kenya”. Nature, 521, 310–315. DOI
• Darwin Correspondence Project. “The evolution of a misquotation”. Referencia sobre Megginson y la falsa atribución a Darwin
• Dimitri, C.; Effland, A.; Conklin, N. (2005). The 20th Century Transformation of U.S. Agriculture and Farm Policy. USDA Economic Research Service, EIB-3. Informe

Computación, Internet y Web

• Moore, G. E. (1965). “Cramming More Components onto Integrated Circuits”. Electronics, 38(8), 114–117.
• Moore, G. E. (1975). “Progress in Digital Integrated Electronics”. IEDM Technical Digest, 11–13.
• Carlsmith, J. (2020). How Much Computational Power Does It Take to Match the Human Brain? Open Philanthropy / Coefficient Giving. Informe
• Ma, J.; Guo, W. (2026). “Highly energy-efficient information-handling dynamics of the brain”. National Science Review, 13(15), nwag373. Artículo
• TOP500. Listas históricas y sistemas nº 1; rendimiento HPL Rmax utilizado para R08. TOP500
• CERN. The birth of the Web. Historia de la Web
• Berners-Lee, T. (1998). Semantic Web Road Map. W3C. Documento
• International Telecommunication Union (2025). Facts and Figures 2025. Estadísticas

Inteligencia artificial, trabajo y capacidades

• Dell’Acqua, F.; McFowland III, E.; Mollick, E.; Lifshitz, H.; Kellogg, K. C.; Rajendran, S.; Krayer, L.; Candelon, F.; Lakhani, K. R. (2026). “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality”. Organization Science, 37(2), 403–423. DOI. Versión previa difundida como Harvard Business School Working Paper 24-013 (2023).
• International Labour Organization (2026). Workers’ exposure to AI: What indicators tell us – and what they don’t. Informe
• UNESCO (2021). Recommendation on the Ethics of Artificial Intelligence. Recomendación

Economía digital, energía y límites

• UNCTAD (2025). World Investment Report 2025: International Investment in the Digital Economy. Informe
• International Energy Agency (2026). Key Questions on Energy and AI. Resumen ejecutivo

Lecturas y citas

• Unamuno, M. de (1904). Almas de jóvenes. Biblioteca Virtual Miguel de Cervantes. Texto
• Bustamante, E. (2001; primera versión, 2000). “Comunicación y educación en la Era Digital”. Eptic, III(3). Texto