Sobre el cambio en el diseño de proyectos y la inteligencia artificial
Esta semana enseñé, casi de corrido, a formular proyectos de desarrollo en instituciones paraguayas, colombianas y mexicanas. Mientras explicaba teorías del cambio, cadenas de resultados, indicadores y supuestos, una pregunta empezó a incomodarme.
¿Qué hacemos ahora los diseñadores de proyectos?
No es una pregunta filosófica. Es bastante más cotidiana, común y algunas veces profundamente filosófica.
Durante años, una parte importante de nuestro valor profesional consistió en dominar ciertas técnicas que no todo el mundo conocía. Sabíamos convertir una conversación dispersa en un árbol de problemas. Pasar de allí a una teoría del cambio. Luego a un marco lógico. Después venían los indicadores, las actividades y el presupuesto.
Ese tránsito era nuestra especialidad. También era, seamos honestos, parte de nuestra magia.
Recuerdo jornadas de tres o cinco días alrededor de una mesa. Cartulinas pegadas en las paredes, marcadores de colores, café de calidad muy discutible y discusiones de una hora sobre la diferencia entre un resultado y un producto. Al final, si todo salía bien, aparecía un proyecto.
Construirlo era hilar: una relación causal después de otra, hasta que el conjunto adquiría cierta coherencia. La inteligencia artificial alteró esa parte del trabajo por ser cortes, diría algunos dias que simplemente la eliminó.
Una IA bien configurada, alimentada con contexto, documentos, criterios y fuentes pertinentes, puede desarrollar en pocos minutos una primera versión de aquello que antes nos ocupaba varios días. Puede construir una cadena de resultados, proponer indicadores, identificar supuestos, formular actividades y detectar inconsistencias.
En algunos casos, lo hace con más precisión técnica que nosotros. No tiene mucho sentido ofenderse. Tampoco tendría sentido organizar un seminario para defender la dignidad de la cartulina.
La pregunta importante es otra: si la máquina puede hacer aquello sobre lo cual construimos buena parte de nuestra autoridad profesional, ¿qué queda de nuestro oficio?
Durante un curso en Makaia, en Medellín, lo sigo por su acento, aunque, como buena clase de Teams es mirar a un vacío del monitor lleno de nombres sin rostro. Alguien levantó la mano y preguntó:
¿Cómo hacemos para saber si una hipótesis es suficientemente buena antes de gastar los recursos del proyecto en ella?
No logré responder del todo, guardé silencio, hice lo que hacemos los profesores de vez en cuando: pilotear las dudas con lo que sabemos; la docencia es a veces el arte de volar sin paracaídas. La pregunta era mejor que muchas de las respuestas que solemos enseñar. Poco antes habíamos trabajado con cuatro hipótesis sobre deserción escolar: falta de transporte, falta de útiles, ausencia de transferencias para las familias y problemas de salud.
La mayoría apostó por transporte o por útiles. La evidencia del ejercicio apuntaba hacia la salud.
La respuesta no era absurda ni estaba escondida en un archivo secreto. Simplemente no había aparecido en nuestra primera lectura. Teníamos una idea previa sobre las causas de la deserción y buscamos el problema en los lugares habituales.
Años atrás me ocurrió algo parecido en Bolivia, mientras trabajábamos en prevención de la ceguera. Durante mucho tiempo se daba por sentado que las personas no se operaban de cataratas porque faltaba infraestructura quirúrgica. Cuando se examinó mejor la situación, aparecieron otras barreras. Había miedo y desinformación. La cirugía podía estar disponible y, aun así, las personas podían decidir no someterse a ella.
La infraestructura existía. El acceso, no necesariamente.
Una IA habría podido sugerir esas hipótesis. Habría producido, seguramente, una lista bastante convincente: distancia, costos, capacidad institucional, miedo, información, confianza en los servicios. También habría podido redactar una explicación impecable para cada una.
Lo que no podía hacer, sin evidencia suficiente, era determinar cuál explicaba mejor esa situación concreta.
Pero conviene no atribuirnos una superioridad moral demasiado rápido. Un consultor encerrado en un hotel, trabajando con información incompleta y una fecha de entrega imposible, tampoco puede hacerlo. La diferencia es que nosotros tardábamos tres días en producir el error. La IA puede entregarlo antes del almuerzo.
Ese es el cambio.
El problema no es que la inteligencia artificial formule mal. El problema es que puede formular muy bien una intervención basada en una comprensión equivocada. Esta es la palabra hermosa, comprensión; la IA necesita de los seres humanos para hilar las comprensiones.
Puede construir un marco lógico perfectamente coherente sobre transporte y útiles cuando la principal barrera está relacionada con la salud. Puede proponer indicadores, actividades, resultados y presupuesto para una hipótesis débil. Puede incluso anticipar riesgos y redactar una sección convincente sobre sostenibilidad.
Todo estará en su lugar. Salvo el problema.
Esto obliga a separar dos cosas que en nuestro oficio suelen aparecer mezcladas: la calidad de la formulación y la calidad del razonamiento que la precede. El marco lógico organiza una intervención. No demuestra que la intervención sea necesaria ni que su explicación causal sea correcta. La teoría del cambio hace explícitas ciertas relaciones entre acciones y resultados. No convierte esas relaciones en verdaderas por el simple hecho de representarlas con flechas.Un indicador bien redactado puede medir con precisión un resultado irrelevante. Y un presupuesto puede estar perfectamente calculado para financiar algo que no debería hacerse.
Nada de esto nació con la inteligencia artificial. Los proyectos equivocados existen desde mucho antes. La diferencia es que ahora pueden escribirse con mayor rapidez, consistencia y apariencia de rigor.
Durante años confundimos, a veces, dificultad técnica con profundidad profesional. Como pocas personas dominaban las herramientas, quien sabía completar una matriz parecía comprender el problema.
No siempre era así. A veces solo sabía completar la matriz.
La IA vuelve esa distinción imposible de ignorar. Si una máquina puede encargarse de buena parte de la arquitectura técnica, nuestro valor ya no puede descansar únicamente en conocer la nomenclatura, manejar una metodología o recordar en qué columna se escriben los medios de verificación.
Por eso he empezado a cambiar el orden de mis clases.
Ahora dedico más tiempo a la identificación y discusión del problema. No porque antes no fuera importante, sino porque ya no podemos escondernos detrás de la complejidad de la formulación.
La primera pregunta es quién define el problema, con qué evidencia y desde qué posición. Después viene el trabajo menos cómodo: distinguir causas, síntomas y consecuencias; reconocer qué actores quedaron fuera del diagnóstico; buscar información capaz de contradecir nuestra primera interpretación.
También necesitamos establecer qué evidencia nos obligaría a abandonar una hipótesis.
Esta última pregunta suele ser desagradable. Los equipos se encariñan rápidamente con sus explicaciones. A veces porque parecen razonables. A veces porque la organización ya dispone de experiencia, personal y presupuesto para trabajar sobre ellas.
No siempre diseñamos proyectos para resolver el problema encontrado. En ocasiones encontramos el problema que permite justificar el proyecto que ya sabemos ejecutar.
La IA puede colaborar en esta etapa. Puede buscar fuentes, organizar literatura, comparar hipótesis, detectar vacíos y proponer explicaciones alternativas. Sería absurdo renunciar a esa capacidad.
Pero debe entrar como instrumento de contraste, no como autoridad. Una IA no conoce un territorio por haber procesado veinte documentos sobre él. Tampoco conoce una institución porque le hayamos cargado su plan estratégico y sus últimos cinco informes. Puede reconstruir lo que esos documentos dicen. Esa no es una diferencia menor.
Cuando el problema ha sido discutido, contrastado y formulado con cierto rigor, entonces la IA puede hacer buena parte de lo que hace mejor: ordenar la estructura, desplegar alternativas, revisar la consistencia y acelerar la escritura.
Después corresponde volver sobre el proyecto. No para defender cada coma escrita por un ser humano. Para decidir si la intervención es pertinente, si la cadena causal se sostiene, si los indicadores miden algo importante y si los riesgos han sido tratados como algo más que una columna obligatoria, realmente han sido procesados por personas que conocen el territorio, que lo han respirado.
Tal vez eso sea lo que nos queda a los proyectistas. Formular buenas preguntas antes de producir respuestas técnicamente impecables.
Leer el conflicto, los intereses y las relaciones de poder que una matriz suele convertir en categorías ordenadas. Decidir qué evidencia es suficiente para actuar y qué nivel de incertidumbre estamos dispuestos a aceptar.
Escuchar a quienes conocen el problema, aunque no hablen necesariamente el idioma de los proyectos y asumir una tarea menos prestigiosa: admitir que no sabemos.
No sé si esta es la forma correcta de enseñar diseño de proyectos en 2026. Sí sé que ya no puedo enseñarlo como si nuestra principal destreza consistiera en dominar procedimientos que una inteligencia artificial ejecuta con más rapidez y, a menudo, con mayor precisión técnica.
La formulación no ha muerto. Pero dejó de ser el truco principal, quizá eso sea saludable. Nos obliga a demostrar que, detrás de la matriz, había realmente un oficio.
Deja un comentario