Cuando hablamos de inteligencia artificial, casi siempre terminamos hablando de productividad: cuántas horas ahorra, cuántas tareas automatiza, cuánto código puede escribir o cuántos procesos ejecuta sin intervención humana. Esa forma de medir es fácil porque se basa en datos cuantificables.
Sin embargo, hay una manera mucho más interesante de evaluar su impacto: preguntar no cuánto más rápido permite hacer algo, sino qué cosas permite hacer a alguien que antes no podía. En ese punto la conversación cambia radicalmente.
La Organización Mundial de la Salud estima que unos 1.300 millones de personas, aproximadamente el 16 % de la población mundial, viven con una discapacidad significativa. Muchas de las barreras que enfrentan no provienen exclusivamente de la discapacidad, sino del entorno. Por ejemplo, una escalera es un obstáculo si la única forma de entrar a un edificio es subirla; una interfaz visual lo es si no existe otra manera de interactuar con ella; y una explicación escrita puede ser accesible para una persona e innecesariamente difícil para otra.
Hasta ahora, gran parte de la tecnología de accesibilidad se ha dedicado a compensar esas barreras.
La IA abre una posibilidad distinta: que sea el sistema el que se adapte a la persona.
Un ejemplo sencillo es Be My AI. Durante años hemos contado con software capaz de reconocer objetos o leer texto mediante OCR, pero los modelos multimodales pueden ir más allá: interpretan una escena y mantienen una conversación sobre ella. Así, una persona ciega puede tomar una fotografía y preguntar qué tiene delante. La diferencia entre recibir una respuesta como "Hay tres productos encima de una mesa" y poder preguntar "¿Cuál de ellos contiene frutos secos?" o "¿Dónde está el botón para encender este aparato?" es enorme. La primera opción solo reconoce información; la segunda la utiliza, y eso es autonomía.
La misma idea se aplica a tecnologías de transcripción, generación de voz, simplificación de textos y herramientas que transforman la forma en que presentamos la información. Donde el impacto resulta especialmente interesante es en la carga cognitiva que asumimos al usar las herramientas cotidianas.
La carga cognitiva que nadie mide
Pensemos en cómo está construido gran parte del software empresarial:
- Recordar qué tienes pendiente.
- Priorizar tareas.
- No perder el contexto.
- Entender una instrucción escrita rápidamente.
- Buscar el documento correcto.
- Recordar dónde dejaste algo antes de ser interrumpido.
Para algunas personas ese proceso supone un esfuerzo pequeño; para otras consume una cantidad considerable de energía. Aquí la IA puede hacer algo que la automatización tradicional no logra bien: convertir una reunión en decisiones y pasos concretos, transformar una tarea ambigua en cinco acciones específicas, o conservar el contexto de algo que dejaste a medias y recuperarlo horas después.
No estamos inventando el concepto. Desde hace siglos practicamos el cognitive offloading mediante agendas, notas, calendarios, alarmas y listas para descargar parte del trabajo de nuestra memoria. El problema es que todas esas herramientas requieren que nos acordemos de utilizarlas. La IA puede empezar a asumir parte de ese mantenimiento.
Adaptar la información, no sustituir el aprendizaje
Ya existen investigaciones que exploran cómo adaptar realmente la información. Un estudio publicado en Frontiers in Education (2026) utilizó explicaciones visuales generadas con IA para trabajar la comprensión lectora con tres niños de 9 a 11 años con dislexia. Aunque la muestra es diminuta y no permite generalizar los resultados, la idea es mucho más interesante que el típico "IA para estudiar": no pretende sustituir el aprendizaje, sino cambiar cómo se presenta el mismo contenido.
Otra revisión, también de 2026, analiza el uso de sistemas de IA dentro del Diseño Universal para el Aprendizaje, con el objetivo de ofrecer diferentes formas de acceder al mismo conocimiento, en lugar de crear una educación distinta para determinados grupos.
Esto lleva a una pregunta de diseño potente. Durante décadas hemos construido productos pensando primero en un usuario medio y después hemos añadido una sección de "accesibilidad". ¿Qué ocurre si invertimos el proceso? Una aplicación podría ofrecer una tarea completa a quien quiera verla de una vez y dividirla en pasos para quien prefiera trabajar así; podría reformular una explicación, eliminar ruido secundario, cambiar el formato de presentación o recuperar contexto cuando detecte que hace falta. No se trata simplemente de activar el modo oscuro o de aumentar el tamaño de la letra; se trata de adaptar la interacción.
Los subtítulos son imprescindibles para personas sordas, pero los usamos todos al ver un vídeo en el metro. Diseñar para necesidades diferentes suele producir mejores productos.
El dictado supera una barrera motora y resulta cómodo cuando tenemos las manos ocupadas. La historia muestra que muchas de estas soluciones terminan beneficiando a todos.
Capacidad técnica no es impacto real
En medicina ocurre algo similar. Hoy existen sistemas de IA capaces de analizar imágenes médicas, priorizar estudios o apoyar decisiones clínicas; la FDA mantiene un listado de dispositivos médicos que incorporan IA, especialmente en radiología. Pero conviene separar capacidad técnica de impacto real. Un estudio publicado en npj Digital Medicine (2026) evaluó un sistema comercial de detección de hemorragias intracraneales en más de 100.000 exploraciones realizadas en 17 centros sanitarios. Ese tipo de evaluación es más relevante que un simple benchmark, porque el examen importante comienza cuando el modelo sale del laboratorio y se enfrenta a pacientes reales, profesionales reales, procesos imperfectos y casos que quizá no se parecían a los datos de entrenamiento.
Deberíamos aplicar el mismo criterio a muchas otras aplicaciones de IA: no preguntar únicamente si el modelo tiene mejores métricas, sino qué cambia para la persona que lo utiliza. ¿Puede hacer algo que antes no podía? ¿Necesita menos ayuda? ¿Entiende algo que antes le resultaba inaccesible? ¿Se ha eliminado una barrera?
La automatización seguirá siendo una de las grandes aplicaciones de la inteligencia artificial, pero sería una pena medir esta tecnología solo en horas ahorradas. Algunas de sus mejores aplicaciones pueden no ser las que nos hacen hacer más cosas, sino las que permiten que más personas puedan hacerlas.
Referencias
- World Health Organization. Disability and health.
- Be My Eyes / OpenAI. Casos de uso de IA multimodal aplicada a accesibilidad visual.
- Alsamani, O. A. & Alsamiri, Y. A. The effects of AI-based visual instruction on the reading comprehension of students with dyslexia in Saudi Arabia: a single-case experimental study. Frontiers in Education, 2026.
- Ram, A. M. et al. The AI scaffold and engagement spectrum as a novel UDL aligned system for supporting students with dyslexia. Education and Information Technologies, 2026.
- U.S. Food and Drug Administration. Artificial Intelligence-Enabled Medical Devices.
- Real-world performance evaluation of a commercial deep learning model for intracranial hemorrhage detection. npj Digital Medicine, 2026.