CCAA: la IA no te sustituye, reescribe tus normas

Casi todo el debate sobre el impacto de la IA gira en torno a la misma pregunta: ¿van a sustituir este puesto? Esa pregunta cubre solo la mitad del problema.

La otra mitad es esta: aunque no se sustituya ni un solo puesto, la vara con la que se mide un buen trabajo puede haber sido cambiada ya. Si cambia la vara, cambian con ella la estructura de la demanda, la forma de fijar precios y la carga psicológica de quien ejerce el oficio. Y todo eso ocurre sin anuncio de despidos, sin aparecer en las cifras de desempleo y sin que prácticamente ninguna estadística lo capte.

A esa mitad le ponemos nombre. Pero antes de empezar, una advertencia: las tres secciones más importantes de este artículo son las tres en las que reconocemos que nos equivocamos. Un término nuevo que solo sabe engrandecerse a sí mismo es material de marketing, no un instrumento de análisis.

1. Definición, y la mitad que hay que excluir primero

Cognitive-Conditioning AI Applications (CCAA, aplicaciones de IA de condicionamiento cognitivo): clase de aplicaciones de IA cuya salida no se consume como producto terminado, sino que el usuario la adopta como marco de referencia. Bajo una exposición prolongada, de alta frecuencia y con coste marginal cercano a cero, las propiedades estadísticas de esa salida —media mejor, varianza menor, menos fricción— se interiorizan como lo «normal» y reescriben el umbral de expectativas que la persona aplica a la realidad.

Una línea para no confundir los papeles:

• La sustitución cambia quién hace el trabajo.
• El condicionamiento cambia qué se considera un trabajo normal.

Pero «condicionamiento» tiene dos sentidos, y mezclarlos destruye el argumento, así que hay que separarlos antes de nada:

• Condicionamiento de compra: se reajustan las expectativas del comprador sobre precio, volumen, plazos y número de revisiones. La redacción publicitaria es el caso tipo: «una campaña» significa hoy cuarenta variantes en una noche a coste marginal cero. Es un fenómeno de mercado.
• Condicionamiento perceptivo: se reajusta la línea base de una persona sobre cómo deberían ser una cara, una conversación, una pareja, un cuerpo. Es un fenómeno psicológico.

CCAA, en este artículo, se refiere únicamente al segundo. El primero es inflación de estándares impulsada por costes, se explica por completo mediante competencia de precios y no requiere ningún concepto nuevo.

Esa exclusión tiene una consecuencia incómoda que conviene decir en voz alta: los ejemplos que uno busca por instinto —redacción, ilustración genérica, vídeo de plantilla— son precisamente donde la tesis no es identificable. En esos sectores el estándar se movió y cambió el proveedor a la vez; nada puede atribuirse al condicionamiento, porque la competencia de precios ya lo explica todo. La evidencia limpia solo existe donde la persona sigue haciendo el trabajo y aun así el estándar se movió: medicina estética, terapia, enfermería, docencia. Por eso los ejemplos de redacción aparecen abajo como ilustración, nunca como prueba.

2. Origen del término y una aclaración terminológica necesaria

El término Cognitive-Conditioning AI Applications (CCAA) fue acuñado y definido por TopXEA Research y se publicó por primera vez en este artículo, el 1 de septiembre de 2026. Este artículo es la publicación original del término. Cita sugerida:

TopXEA Research (1 de septiembre de 2026). CCAA: la IA no te sustituye, reescribe tus normas. TopXEA. https://topxea.com/es/blog/ccaa-cognitive-conditioning-ai-applications

Úselo, critíquelo y mejórelo libremente: solo pedimos que cite la fuente. Tres advertencias por delante, o el término nace deshonesto:

• Aquí «condicionamiento» se usa en su sentido coloquial, no en el técnico. En psicología, «cognitive conditioning» ya está ocupado: pertenece a la familia del condicionamiento encubierto desarrollada por Cautela y designa aprendizaje asociativo (estímulo condicionado, estímulo incondicionado, refuerzo). El mecanismo que describimos no es aprendizaje asociativo: no hay EC, no hay EI, no hay programa de refuerzo. Es recalibración psicofísica del punto de referencia (teoría del nivel de adaptación de Helson, teoría de rango-frecuencia de Parducci, y los experimentos de Levari y colegas de 2018). Conservamos la palabra porque en lenguaje corriente transmite exactamente lo que queremos —lento, prolongado, inadvertido—, pero en contexto académico léase el mecanismo tal como se describe aquí, no como condicionamiento en el sentido de la teoría del aprendizaje.
• Las siglas chocan gravemente. CCAA arrastra al menos una veintena de sentidos, el dominante la Companies' Creditors Arrangement Act canadiense; también Cognitive Communications for Aerospace Applications (una serie de talleres de la AIAA y el Centro Glenn de la NASA), dos asociaciones deportivas universitarias norteamericanas y la California Clean Air Act. CCAA es, por tanto, inservible como término de búsqueda: en textos formales conviene escribirlo completo o como «CCAA (condicionamiento cognitivo)».
• Reivindicamos la definición, no la propiedad de tres palabras en inglés. Si alguien ha usado antes esta expresión con el mismo sentido o uno parecido, envíenos la fuente: la añadiremos aquí y cederemos la prioridad. No hace falta convencernos; basta un enlace.

3. Concedamos primero: dónde no es nuevo y dónde puede estar equivocado

Antes de poner un término nuevo sobre la mesa conviene decir a quién le debe lo que tiene y bajo qué condiciones se derrumba. Esta sección no es modestia: es entregar al lector los tres cuchillos más afilados antes que nada.

Concesión 1: el mecanismo no es nuevo en absoluto

«Mueva la distribución y el juicio de lo normal se mueve con ella» quedó demostrado en laboratorio en 2018. Levari y colegas, en Science, hallaron que cuando los puntos azules escaseaban, los participantes empezaban a ver azules los puntos morados; cuando escaseaban los rostros amenazantes, los rostros neutros empezaban a parecer amenazantes; cuando escaseaban las peticiones poco éticas, las peticiones inocuas empezaban a parecerlo. El efecto persistió incluso advirtiendo explícitamente a los participantes y aun pagándoles por resistirse.

Hay que declarar honestamente una salvedad de dirección. Levari y colegas demostraron «el estímulo escasea → el concepto se expande»; lo que necesitamos es su imagen especular: «el estímulo de calidad se vuelve denso → el umbral sube». La teoría del punto de referencia es simétrica en principio, pero los experimentos publicados corrieron en el otro sentido. Esa simetría es una hipótesis, no un hallazgo, y puede contrastarse directamente con el mismo paradigma: es la propuesta de investigación más barata que ofrece este artículo.

El linaje anterior es largo: la teoría del nivel de adaptación de Helson (el juicio se emite contra un punto de referencia agregado a partir de la distribución reciente de estímulos); la teoría de rango-frecuencia de Parducci (que formaliza cómo la media y la varianza de una muestra fijan el umbral); la adaptación hedónica de Brickman y Campbell (una media mejor se convierte en la nueva normalidad y la satisfacción vuelve a su sitio); la comparación social de Festinger; la teoría del cultivo de Gerbner; y los estímulos supranormales de Tinbergen (los estímulos clave exagerados vencen a los naturales).

En conjunto cubren prácticamente toda la afirmación mecanicista de CCAA. Sostener que este artículo descubre un mecanismo psicológico nuevo sería falso.

Concesión 2: la adaptación es en gran medida reversible, así que estrechamos la afirmación

Un resultado central de la literatura sobre adaptación hedónica es que la adaptación es ampliamente simétrica y reversible. La cinta rueda, pero no traslada al corredor. Si CCAA es solo adaptación hedónica con sombrero nuevo, sus predicciones económicas fallan de una forma muy concreta: el umbral sube y la insatisfacción se atenúa, de modo que la demanda no migra de forma duradera hacia la medicina estética.

No discutimos esa objeción. Nuestra respuesta es estrechar la afirmación de persistencia hasta algo más ajustado, más medible y con más probabilidad de ser cierto:

El condicionamiento produce consecuencias económicas duraderas solo allí donde el estándar desplazado queda codificado en una institución.

Los estímulos se readaptan; las instituciones no. Una vez que el estándar desplazado se escribe en una rúbrica de contratación, la galería de antes y después de una clínica, la norma fotográfica por defecto de una plataforma, una plantilla de evaluación del desempeño, un criterio de suscripción de seguros, queda fijado: las instituciones no se readaptan hacia atrás. La virtud de esta afirmación es que se puede contrastar, porque los artefactos institucionales están archivados, fechados y se pueden contar.

Concesión 3: el «umbral de expectativas» nunca ha sido medido

Mientras no haya instrumento, CCAA es un vocabulario, no un resultado. Por eso la sección 8 entrega un instrumento concreto; hasta que ese panel devuelva datos, cada afirmación cuantitativa de este artículo debe leerse como hipótesis.

Entonces, ¿qué queda de nuevo?

Tres cambios de parámetro medibles y una precondición rota.

1. El coste marginal cayó a cero, de modo que el estímulo idealizado se genera ahora por persona. Los medios de difusión producían un ideal y se lo enviaban a todos; la IA generativa produce un ideal optimizado contra las respuestas de esta persona concreta. Es un cambio cuantitativo con consecuencia cualitativa, y es medible.
2. El marco de referencia se volvió contingente. Te responde. La literatura sobre comparación señala la contingencia como una de las variables que impulsan la interiorización, y la portada de una revista nunca respondió a nadie.
3. El conjunto de referencia incluye ahora la propia imagen idealizada del sujeto. Los filtros y los autorretratos con IA reducen a cero la distancia de comparación: ya no te comparas con una celebridad, sino con una versión mejor de ti mismo. El paradigma del ideal delgado nunca probó esta configuración.
4. La condición generadora de la teoría del cultivo está rota, y nadie lo ha dicho con claridad. El cultivo presupone un entorno simbólico compartido, difundido y no electivo; es precisamente esa condición compartida la que produce el mainstreaming, la convergencia de las visiones del mundo hacia el centro televisivo. La IA generativa suministra una distribución personalizada, bajo demanda, ilimitada y dirigible por el usuario. Esto no es dar un medio nuevo al cultivo: viola su condición generadora. De ahí la predicción más afilada y más falsable de este artículo: CCAA predice divergencia normativa, no normalización mayoritaria. Si la próxima década muestra convergencia en estética, lenguaje y expectativas relacionales, esta distinción central es errónea.

4. Tres mecanismos, su grado de evidencia y su contraevidencia

CCAA se compone de tres mecanismos contrastables por separado. De cada uno damos evidencia a favor y en contra: no por aparentar equilibrio, sino porque en dos de los tres los estudios que contradicen la tesis tienen muestras mayores y mejores diseños que los que la apoyan.

Mecanismo 1: sustitución de la distribución

La gente juzga lo «normal» estimando una distribución a partir de las muestras que ha visto. El contenido generado por IA mueve dos parámetros a la vez: sube la media y comprime la varianza. La compresión de varianza es la más insidiosa, porque lo que borra no es dónde está «lo bueno» sino la información sobre cuán ancho es lo normal.

La evidencia más sólida no procede de la investigación en IA, sino de la adaptación visual. Brooks y colegas, revisando esta literatura en Perspectives on Psychological Science (2020), resumen experimentos que muestran que la exposición prolongada a cuerpos de un tamaño dado desplaza el punto de normalidad subjetiva del observador: el lugar donde para él se sitúa «un cuerpo normal». El desplazamiento es bidireccional, manipulable experimentalmente y modulado por la atención. Es la mejor versión empírica de la afirmación de que una distribución fija la norma. Nótese el límite: los estímulos eran fotografías, no salidas de IA.

Evidencia directa del lado de la IA: el experimento preinscrito de Doshi y Hauser en Science Advances (2024; 293 escritores, 600 evaluadores) halló que quienes recibían ideas de IA generativa producían textos valorados como un 6,7% más novedosos y un 6,4% más útiles, con las mayores ganancias entre los escritores menos creativos, mientras que esos relatos se parecían significativamente más entre sí que los del grupo de control humano. Hay que declarar la magnitud: el efecto de homogeneización es b = 0,871 en una escala de similitud coseno de 0 a 100 con una idea de IA (b = 0,718 con cinco). La dirección es firme; el tamaño es pequeño. La similitud se mide dentro de cada condición (cada relato contra el centroide de los demás de su propia condición), no entre condiciones, y los autores no afirman ningún colapso de diversidad poblacional ni longitudinal.

Contraevidencia (lectura obligatoria): Ashkinaze y colegas (ACM Collective Intelligence, 2025), con más de 800 participantes de más de 40 países en un diseño dinámico encadenado en el que cada oleada ve la producción de la anterior, hallaron que una alta exposición a la IA no alteró la creatividad individual y aumentó la diversidad colectiva de ideas y su tasa de cambio. Ese diseño es mayor y con más validez ecológica que el de Doshi y Hauser, y apunta en sentido contrario. El mecanismo 1 está en disputa, no establecido.

Mecanismo 2: refuerzo sin fricción

El condicionamiento requiere repetición, retroalimentación inmediata y bajo coste. La IA cumple las tres. La retroalimentación humana siempre trae fricción. Cuando el lado sin fricción se convierte en el conjunto de entrenamiento principal, el umbral de tolerancia a la fricción debería bajar.

Evidencia: el estudio de cuatro semanas de Fang y colegas (preprint de arXiv 2503.17473, sin revisión por pares; 981 participantes que lo completaron, 28 días, más de 300.000 mensajes, preinscrito en AsPredicted) usó un diseño 3×3 de texto / voz neutra / voz cercana por tareas abiertas / impersonales / personales. Resultado: no se detectaron efectos significativos de las condiciones experimentales; pero en todas ellas, un mayor uso diario medio predijo más soledad (β = 0,02, p = 0,027), menos socialización presencial (β = −0,05, p = 0,0019), más dependencia emocional (β = 0,06, p < 0,001) y más uso problemático (β = 0,02, p = 0,017).

Tres matices que deben acompañar siempre a esa frase: (i) es correlación, no causalidad —el uso fue autoseleccionado—; (ii) los efectos son muy pequeños, β entre 0,02 y 0,06; (iii) no era una app de compañía, sino ChatGPT de propósito general con una tarea diaria asignada.

Contraevidencia (lectura obligatoria): De Freitas y colegas, en el Journal of Consumer Research (2026), informan a lo largo de varios estudios de que los acompañantes de IA reducen la soledad, con una magnitud comparable a la interacción humana y superior a actividades como ver vídeo. Smith, Bradbury y Karney, revisando el campo desde la ciencia de las relaciones en Perspectives on Psychological Science (2025), afirman directamente que la base empírica sobre efectos posteriores en las relaciones humanas está en gran medida ausente.

La frase que más importa: ningún experimento ha medido nunca cómo la exposición a la IA cambia las expectativas de una persona respecto de parejas humanas o de trabajadores de servicios humanos. El mecanismo 2 es una hipótesis, no un hallazgo. Lo mantenemos, señalado como el más blando de los tres.

Mecanismo 3: asimilación del registro, el mejor documentado de los tres

Las herramientas de escritura con IA están sustituyendo el habla socialmente marcada por un registro institucional neutro. Dos maneras de decirle lo mismo a un superior:

• «A continuación, dos asuntos que requieren su decisión.»
• «¿Le echas un ojo a estos dos?» / «Perdona la lata, ¿puedes decidir tú estos dos?» / «Estos dos necesitan tu firma.»

La primera no es más profesional: es menos situada socialmente. El registro transporta información relacional: distancia, jerarquía, cuánto favor se pide, cuánta urgencia hay de verdad. Aplanarlo no cuesta elegancia, cuesta la capacidad de marcar la importancia con las palabras, y hay que compensarlo por otra vía: otra reunión, un plazo más corto, más gente en copia. El coste total de comunicar no baja; se traslada del lenguaje al procedimiento.

Aquí la cadena de evidencia es la más completa:

• Capa causal: Jakesch y colegas (CHI 2023; 1.506 participantes) hicieron escribir con un asistente de lenguaje sesgado. Lo escrito se desplazó hacia la postura del modelo (diferencia media de opinión 0,29, d ≈ 0,5) y las actitudes que los propios participantes declararon después también se desplazaron (d = 0,22, p < 0,001): «persuasión latente». Los autores señalan que la opinión del modelo se hizo deliberadamente fuerte, que el tema tenía poco arraigo y que el desplazamiento actitudinal era probablemente transitorio.
• Capa de escala: Kobak y colegas (Science Advances, 2025) analizaron más de 15 millones de resúmenes de PubMed (2010–2024) e infirieron, a partir de un salto brusco de frecuencias léxicas tras 2022, que al menos el 13,5% de los resúmenes de 2024 pasaron por un LLM, llegando al 40% en algunos subcorpus: un cambio mayor que el que produjo la COVID en la escritura académica. Liang y colegas (Nature Human Behaviour, 2025) analizaron 950.965 artículos y estimaron hasta un 17,5% de texto modificado por LLM en informática.
• Capa relacional: Hohenstein y colegas (Scientific Reports, 2023) realizaron dos experimentos aleatorizados (n = 1.036): las respuestas inteligentes aumentaron la eficiencia y el lenguaje emocional positivo y mejoraron la valoración del interlocutor, pero cuando se sospechaba uso de IA, la valoración se volvía negativa.

El límite honesto: estos estudios establecen imitación y difusión —el lenguaje converge realmente hacia el estilo del modelo—. No establecen que el umbral de aceptación de nadie se haya movido. Separar ambas cosas es el problema que existe para resolver la sección 8.

5. La prueba: dos ejes codificables y una corrección a nuestra propia regla

Para que el marco sea reutilizable y no meramente escuchable, los ejes necesitan definiciones codificables. Dos ejes, cuatro ítems binarios cada uno, puntuados de 0 a 4.

Eje 1 — Anclaje de la aceptación (AA)

Pregunta: cuando el comprador dice «no es suficientemente bueno», ¿puede zanjarse la disputa sin recurrir a su conjunto de comparación?

1. Existe una especificación escrita y exigible por un tercero (norma legal, código técnico, guía clínica, SLA numérico).
2. Existe un evento de aprobado/suspenso observable por un tercero en un tiempo acotado (inspección, ensayo, la tubería gotea o no).
3. El fallo acarrea responsabilidad con independencia de la satisfacción (licencia, negligencia profesional, responsabilidad penal).
4. El pago o la renovación dependen de esa prueba y no de una valoración de satisfacción.

Anclado ≥3; elástico ≤1; =2 es banda en disputa: se informa como inestable y nunca se fuerza a un lado.

Eje 2 — Automatizabilidad del entregable (DA)

Pregunta: ¿puede un modelo actual producir de principio a fin el entregable aceptado —el entregable, no las tareas—?

1. El entregable se transmite como bits, sin manipulación física del cuerpo o la propiedad del cliente en la entrega.
2. Al menos el 70% de los ítems de tiempo de tarea de O*NET de la ocupación son ejecutables por un modelo al coste actual.
3. No hay requisito legal de firma o presencia humana, y no existe una disposición a pagar medible condicionada a la autoría humana.
4. No hay responsabilidad, o es asegurable sin una persona nominal.

Alto ≥3; bajo ≤1; =2 entra en la misma banda en disputa.

Un punto estructural merece énfasis: la corporeidad vive dentro del ítem 1 del eje DA y en ningún otro sitio. Ser físico es una razón por la que el entregable resiste la automatización; no es, de forma independiente, una razón por la que el estándar resista la deriva. Situarla en un solo eje elimina la colinealidad que aparece cuando se cuela en ambos.

Modificador 1: dureza del ancla, una corrección a nuestra propia regla anterior

Antes formulamos la regla así: «el trabajo con una prueba de aceptación externa no negociable está protegido». Esa regla es falsa, y el contraejemplo está a la vista: un programador junior tiene compilador, tiene pruebas unitarias, tiene incidentes en producción, aceptación externa genuina. Pero un modelo pasa esas pruebas más barato que la persona. Lejos de proteger, la prueba externa se convierte en el certificado de aceptación de la automatización. La formulación correcta es:

Una prueba de aceptación protege al profesional solo en proporción a lo que le cuesta al sistema automatizado superarla.

Anclas blandas —las que un modelo supera a coste igual o menor que el humano: compiladores, pruebas unitarias, pruebas actuariales de reservas, exámenes estandarizados— no protegen. Anclas duras —aquellas cuya superación exige presencia física, licencia o una persona que responde con algo propio: inspección en obra, exposición por negligencia, visado estructural— sí. Es la reparación que más peso soporta en todo el marco.

Modificador 2: prima de procedencia

¿Existe una disposición a pagar medible por el hecho de que lo haya hecho una persona? Las agencias de VTubers y los arquitectos de firma viven de esto, y no aparece ni en AA ni en DA, así que hay que codificarlo aparte.

Reglas de codificación (para quien reutilice el marco)

1. Divida las líneas de ingreso antes de codificar. Descomponga la ocupación; si dos líneas difieren en ≥2 en AA o DA, represéntela como segmento, no como punto, y pondere por ingresos. Medicina estética, tatuaje y fotografía de bodas lo exigen.
2. Con AA = 2, pregunte quién paga el fallo. Penalización definida e independiente del humor del cliente → anclado. El cliente se culpa a sí mismo → elástico.
3. Con DA = 2, pregunte qué se rompe antes, la capacidad o el permiso. Si es el permiso, codifique DA bajo y etiquete «con barrera regulatoria»: esas celdas giran más deprisa y son las predicciones de mayor varianza del marco; hay que señalarlas, no promediarlas.
4. Recodifique cada año e informe de la variación, no solo del nivel. La automatizabilidad no es constante y una matriz sin fecha se pudre.

Protocolo de fiabilidad: ocho ítems binarios, tres codificadores independientes, muestra de 40 ocupaciones, objetivo Krippendorff α ≥ 0,7 y publicación de la lista de desacuerdos en lugar de un α global.

6. Un diagrama: un 2×2 más un conjunto de flechas

Los dos ejes se cruzan en cuatro celdas. Pero las celdas no son lo importante: lo son las flechas entre ellas.

	Anclado (AA alto)	Elástico (AA bajo)
Automatizable (DA alto)	Anclado pero exprimido (fallan las anclas blandas: junior de software, actuarios, traducción general)	Elástico y automatizable (granjas de contenido, diseño de plantilla)
No automatizable (DA bajo)	Aislado (fontanería, metrología, funeraria, enfermería)	Elástico pero no automatizable (medicina estética, terapia, compañía, experiencia de lujo)

Posición en el bucle: lo que vio nuestra segunda matriz y la primera no podía ver

Este marco empezó siendo solo el 2×2 de arriba, y tenía un hueco evidente: no ve quién fabrica el marco de referencia. La segunda matriz que dibujamos después apuntaba justo a ese hueco. Divide los sectores por «relevancia CCAA (dependencia del subconsciente, la estética, el valor emocional y la experiencia corporal) × sustituibilidad por eficiencia de IA» y coloca a los influencers virtuales, el microdrama generado con IA y el entretenimiento inmersivo en una categoría propia —una «vía de superevolución»—, señalando que esos sectores son la fuente que fabrica la perfección de la IA.

La observación es correcta y el 2×2 anterior no puede producirla. Pero convertirla en un segundo par de ejes falla —nuestra propia segunda matriz se equivoca en este punto— por dos razones, cada una con su contraejemplo:

• Contraejemplo 1 (el eje vertical no se sostiene): el deportista profesional. Puntuado por «dependencia del subconsciente, la estética, el valor emocional y la experiencia corporal», el deporte profesional toca techo; pero su arbitraje es el marcador, una de las pruebas de aceptación externas más duras que existen. El mismo objeto cae en extremos opuestos según la definición del eje vertical, lo que demuestra que «dependencia emocional o corporal» no puede sustituir a «mecanismo de arbitraje». Enfermeras y cirujanos reconstructivos tienen la misma forma.
• Contraejemplo 2 (el rol no es una propiedad del sector): la fotografía de bodas. Es a la vez emisora (el porfolio de este año se convierte en la referencia del siguiente), beneficiaria (los clientes piden resultados físicamente imposibles y pagan por ellos) y exprimida (la línea de retoque se automatiza). Las tres cosas al mismo tiempo, de modo que el rol solo puede codificarse por línea de ingreso, nunca por sector. Y además es un flujo con dirección, mientras que un eje solo puede transportar magnitud.

El tratamiento correcto es, por tanto: conservar un único 2×2 y dibujar lo que vio la segunda matriz como flechas entre las celdas. Las cuatro posiciones del bucle son:

Posición en el bucle	Significado	Líneas de ingreso típicas
Emisor	Su salida circula como material de referencia de otros mercados	modelos de imagen, plataformas de filtros, VTubers, microdrama con IA, apps de compañía
Beneficiario	El estándar desplazado supera lo que el canal barato puede suministrar físicamente y la demanda migra aquí	medicina estética, spa de alta gama, terapia, servicios de compañía
Exprimido	El estándar se desplazó y el entregable es automatizable	ilustradores, desarrolladores junior, traductores generalistas
Aislado	Aceptación anclada; no participa en el juego del marco de referencia	fontanería, metrología, funeraria, mantenimiento de ascensores

Dibuje las flechas y aparece la cadena: los emisores fabrican el marco de referencia → este golpea a los beneficiarios (sube la demanda) y a los exprimidos (sube el estándar mientras su propio trabajo se automatiza) → los aislados no están en la cadena. Los cuatro cuadrantes de la segunda matriz son, en sustancia, estas cuatro posiciones, y no son cuatro cajas paralelas sino cuatro eslabones de una misma cadena. Ese replanteamiento es lo único genuinamente nuevo que produce fusionar las dos matrices.

7. Prueba de resistencia: 18 sectores y los 8 en los que el marco falla

El titular primero: 8 de 18 casos (alrededor del 44%) se codifican de forma inestable. Ese dato va aquí, no en una nota al pie. Un marco que solo exhibe sus aciertos no tiene valor diagnóstico.

Sector	AA	DA	Bucle	Estabilidad
Medicina estética	seguridad 4 / satisfacción 0	1	Beneficiario	⚠ caso insignia, peor codificación
Tatuador	1	diseño 3 / aplicación 0	Emisor+Beneficiario / Exprimido	⚠ rol doble, hay que dividir
Fontanero	4 (dura)	0	Aislado	estable
Dentista	restaurativa 4 / estética 1	0	Aislado (con cola beneficiaria)	estable
Agencia de VTubers	0	3, pero con prima de procedencia	Emisor	⚠ véase abajo
Programador junior	2–3, ancla blanda	4	Exprimido	⚠ refuta la regla anterior
Radiólogo	4 (dura)	capacidad 4 / con barrera	pendiente	⚠ máxima varianza
Traductor	jurada 3 / general 0	4	Con barrera / Exprimido	estable
Fotógrafo de bodas	0	captura 1 / edición 4	los tres roles a la vez	⚠ hay que dividir
Enfermería	4 (dura)	0	Aislado	estable; véase la predicción
Conserje de hotel de lujo	0	presencia 0 / información 4	Beneficiario / Exprimido	estable
Actuario	3–4, ancla blanda	con barrera	pendiente	⚠ riesgo de ancla blanda
Entrenador personal	1 (discutible 2)	programación 3 / presencia 0	Beneficiario / Exprimido	⚠ caso de banda en disputa
Director funerario	3	0	Aislado	estable
Arquitecto de firma	estructura 4 / diseño 0	concepto 4 / visado con barrera	Emisor+Beneficiario	⚠ inversión por prestigio
Servicios de compañía	0	0	Beneficiario	⚠ signo indeterminado
Deportista profesional	4 (la más dura)	0	Emisor	estable
Redactor de granja de contenido	0	4	Exprimido	estable pero sobredeterminado

Los fallos que conviene detallar:

• Las agencias de VTubers y los arquitectos de firma se rompen por la misma variable. Las primeras son legalmente sustituibles por IA, pero los seguidores pagan una prima porque detrás de una identidad persistente haya alguien; los segundos tienen estándar elástico y alta automatizabilidad y deberían estar exprimidos, pero los protege el prestigio. Cuando un mismo parche arregla dos celdas no es un parche, es una variable que falta, y por eso la prima de procedencia asciende a modificador formal. Si esa prima es estable o no es una cuestión empírica abierta que la matriz no puede zanjar.
• Los servicios de compañía son la predicción más segura del marco y también su frontera dura. Que la compañía con IA sea complemento (eleva la línea base afectiva y empuja hacia los servicios humanos) o sustituto (satisface la necesidad dentro del propio canal) no lo determinan los dos ejes: es exógeno. Para servicios de alto condicionamiento y baja automatizabilidad, el marco da magnitud pero no dirección hasta que se mida la complementariedad por separado. Esto pertenece al resumen del artículo.
• La enfermería aporta la predicción más barata de este artículo. El comportamiento de enfermería es auditable y aproximadamente constante; pero si el marco de referencia de los pacientes lo reajusta un chatbot infinitamente paciente, entonces las puntuaciones de satisfacción del paciente (instrumentos tipo HCAHPS) deberían descender año tras año con un comportamiento de enfermería inalterado. Comportamiento constante, valoración a la deriva: es casi una medición de umbral lista para usar, y los datos son públicos.

8. Cómo refutarlo: el panel de deriva con estímulo congelado

Las tres condiciones de refutación que propusimos antes son inservibles. He aquí por qué y qué las sustituye.

Por qué fallan las tres originales

• «¿Sube la proporción de imágenes de IA entre las fotos de referencia que llegan a las clínicas estéticas?» — inservible. No hay denominador, ni línea base, ni umbral; las clínicas no archivan imágenes de referencia y el consentimiento impide recogerlas de forma retrospectiva; la detección de IA sobre imágenes sociales comprimidas está mal calibrada. Y hay un factor de confusión fatal: la proporción de IA en toda la oferta de imágenes sube de todos modos, haya o no condicionamiento. Observar que los pacientes traen fotos retocadas con IA solo probaría que existen fotos retocadas con IA.
• «¿Baja la tolerancia a la fricción en usuarios intensivos de compañía con IA?» — hoy no es interpretable. Controlar la soledad de partida no resuelve la selección, porque quienes adoptan se autoseleccionan por la pendiente, no por el nivel. Peor aún: la «tolerancia a la fricción» autoinformada está contaminada por el propio constructo que se mide, un efecto de grupo de referencia en el que la vara se mueve con lo que mide. Y el signo es ambiguo: un uso terapéutico podría aumentar la tolerancia.
• «¿Cambian los indicadores de registro en la escritura laboral?» — mide otra cosa. Aunque la prosa laboral convergiera por completo hacia el estilo del modelo, eso demostraría imitación y difusión, no que el umbral de aceptación de nadie se haya movido. Añádase causalidad inversa (los modelos se entrenan con ese mismo corpus) y factores de confusión simultáneos (trabajo remoto, mensajería, relevo generacional, plantillas), sin grupo de control.

El sustituto: congele el estímulo, rote a los evaluadores

Tome 40 memorandos y correos escritos por personas en 2019. Cada año, una cohorte nueva y ciega de mandos evalúa esos textos idénticos con una rúbrica fija: «aceptable para enviar» frente a «exigiría revisión». El resultado principal es el efecto fijo de año sobre la probabilidad de exigir revisión para un texto que no ha cambiado.

Como el estímulo es constante por construcción, cualquier deriva solo puede ser el estándar. Este único diseño rinde más que las tres condiciones originales juntas, y es la diferencia entre un marco y un hallazgo. El mismo diseño se traslada: paneles de rostros congelados para medicina estética, transcripciones congeladas para compañía, paneles de texto congelado para el trabajo, con una prueba de dosis-respuesta entre dominios de distinta exposición a la IA.

Estrategia de identificación asociada: identifique por disponibilidad, no por uso (retiradas de funciones forzadas por reguladores y cambios de política de las tiendas de aplicaciones como variación exógena, con diferencias en diferencias); use aleatorización por diseño de estímulo con el estímulo como variable instrumental; y ajuste toda escala autoinformada con viñetas de anclaje, o el efecto de grupo de referencia contaminará la literatura entera.

9. Por qué hace falta un segundo eje: los indicadores de exposición actuales no lo contienen

Medir la exposición de una ocupación a la IA es un campo desarrollado. Eloundou y colegas (Science, 2024) es el instrumento más citado: alrededor del 1,8% de los empleos tiene más de la mitad de sus tareas afectadas solo por LLM; algo más del 46% si se supone software complementario. (Una corrección de paso, porque es el error de cita más común de esta literatura: el famoso «80% de los trabajadores con al menos el 10% de tareas afectadas, 19% con al menos la mitad» procede del preprint de arXiv de 2023, no del artículo de Science. No deben citarse juntos.) Junto a él están el indicador AIOE de Felten, Raj y Seamans (Strategic Management Journal, 2021) y el documento de trabajo de Webb de 2019, todavía sin publicar.

Estos indicadores comparten un punto ciego que sus propios autores reconocen: todos responden solo a «¿puede hacerse esta tarea?» y ninguno contiene una variable sobre quién arbitra si se hizo bien. Ni AIOE, ni Webb, ni Eloundou. Esa es toda la justificación de un segundo eje.

El punto ciego ya asomó una vez en la economía dominante. Acemoglu (Economic Policy, 2025) sitúa el efecto de la IA sobre la productividad total de los factores a diez años en no más del 0,71%, y por debajo del 0,55% al contabilizar las tareas difíciles de aprender; su razón declarada para la rebaja es que esas tareas tienen «muchos factores dependientes del contexto que afectan a la decisión y ninguna medida objetiva de resultado de la que aprender un desempeño exitoso». Eso es casi exactamente nuestro eje de anclaje de la aceptación, salvo que él lo trata como razón para que la IA sea menos productiva, no como razón para que esas ocupaciones estén protegidas. Autor (NBER WP 32140, 2024) identifica la barrera que rodea el trabajo experto en la licencia y la responsabilidad, no en la dificultad de la tarea.

Efectos observados hasta ahora en el mercado laboral, cada uno con su límite:

• Hui, Reshef y Zhou (Organization Science, 2024): en una plataforma de trabajo autónomo tras ChatGPT, las ocupaciones muy afectadas perdieron en torno al 2% de encargos y el 5,2% de ingresos mensuales, sin evidencia de que un buen historial protegiera a nadie.
• Demirci, Hannane y Zhu (Management Science, 2025): en ocho meses, las ofertas cayeron alrededor del 21% en trabajos de escritura y programación automatizables, y en torno al 17% en creación de imágenes tras la IA generativa de imagen; las ofertas supervivientes eran más complejas y mejor pagadas.
• Brynjolfsson, Li y Raymond (Quarterly Journal of Economics, 2025): con 5.179 agentes de atención al cliente, un asistente de IA generativa elevó los casos resueltos por hora un 14% de media (no el 15% que suele citarse), un 34% entre novatos y casi nada entre veteranos de alto rendimiento.
• Noy y Zhang (Science, 2023): en un ensayo aleatorizado preinscrito con 453 profesionales con formación universitaria, el tiempo de escritura cayó un 40% y la calidad valorada subió un 18%.
• Brynjolfsson, Chandar y Chen, «Canarios en la mina» (revisión de agosto de 2026, datos administrativos de nóminas de ADP): un déficit relativo de empleo de en torno al 19% entre trabajadores de 22 a 25 años en las ocupaciones más expuestas, operando por menor contratación y no por despidos. Los autores los llaman explícitamente indicadores descriptivos tempranos, no estimaciones causales.
• Contraevidencia: Frank y colegas (2026), con registros administrativos del seguro de desempleo y millones de perfiles de LinkedIn, hallan que el riesgo de desempleo en ocupaciones expuestas a la IA empezó a subir a principios de 2022, meses antes del lanzamiento de ChatGPT. El lanzamiento de ChatGPT no es, por tanto, un experimento natural limpio: la debilidad posterior a 2022 confunde la difusión de la IA con la política monetaria y el ajuste sectorial pospandemia.

10. Evidencia del lado beneficiario: ¿cuán sólido es realmente el caso de la medicina estética?

La medicina estética es el caso insignia de «un marco de referencia desplazado eleva la demanda». Su evidencia es más débil de lo que casi todo el mundo supone, y más interesante.

• La cita individual más fuerte: un metaanálisis de tres niveles en Mass Communication and Society (2026) con 24 artículos, 96 tamaños de efecto y 10.445 participantes, que halla una correlación entre uso de redes sociales y consideración de cirugía estética de r = 0,21, IC 95% [0,13, 0,26], moderada al alza por el uso centrado en la apariencia. Nótese que es una correlación y de tamaño pequeño a moderado.
• Los datos sectoriales aportan un detalle incómodo: la encuesta global ISAPS de 2024 registra 37,9 millones de procedimientos estéticos en el mundo (17,4 quirúrgicos, 20,5 no quirúrgicos) y un crecimiento aproximado del 42,5% en cuatro años, pero 2024 cayó frente a 2023: quirúrgicos −6,7%, no quirúrgicos −3,1%. Si la demanda impulsada por condicionamiento fuera monótona, esa caída necesita explicación. Como mínimo muestra que «la IA reescribe los cánones de belleza, luego la demanda estética se dispara» es una narrativa demasiado simple: el ciclo macroeconómico, el precio y la regulación probablemente pesan más que la deriva del marco de referencia.
• Atribución correcta de «dismorfia de Snapchat»: el término no lo acuñó JAMA Facial Plastic Surgery. Su primera aparición revisada por pares es el editorial de Ramphul y Mejias en Cureus en marzo de 2018, y la prensa atribuye la acuñación al médico estético británico Tijion Esho. El texto de Rajanala, Maymone y Vashi en JAMA Facial Plastic Surgery 20(6):443–444 es un artículo de opinión que medicalizó y popularizó un término ya en circulación: su propia redacción dice «dubbed» («llamado así»). Esto corrige un error de una versión anterior de este artículo.
• Rebaje la cifra del 55%: el conocido «el 55% de los cirujanos encuestados había atendido a pacientes que buscaban verse mejor en los selfis, frente al 42% del año anterior» procede de una nota de prensa de la encuesta anual de miembros de la AAFPRS. El marco muestral son cirujanos miembros de la asociación que responden voluntariamente; el tamaño de muestra, la tasa de respuesta y el método de muestreo nunca se han publicado, y no existe documento revisado por pares. Sirve como indicio de que el fenómeno ocurre; no sirve como tasa poblacional.
• «El trabajo emocional se encarece» no tiene evidencia hoy. The Managed Heart de Hochschild (1983) estableció el concepto, y hay trabajo revisado por pares que documenta el aumento de la incivilidad del cliente (por ejemplo, comparaciones antes y después de la COVID donde el efecto indirecto de la incivilidad sobre el desempeño vía agotamiento emocional se vuelve más marcado). Pero no encontramos ningún estudio que establezca que la exposición a la tecnología o a la IA eleve las expectativas de los clientes respecto de proveedores humanos. Esta inferencia debe presentarse como hipótesis con un diseño de investigación adjunto, no como hallazgo establecido.

11. Dos extensiones etiquetadas explícitamente como inferencia

El desfase de la costa al interior

La exposición a CCAA probablemente se propaga con la adopción de la IA: aparece antes donde la adopción es densa y después donde es escasa, y el desfase es una ventana. La demanda nueva que ya se forma en las zonas densas tiene esta forma: peticiones para devolver a una cara filtrada su aspecto real; desenganche de la compañía con IA y reparación de vínculos humanos; prima por el contenido «escrito por humanos» y por la identidad humana verificada; formación en gestión de expectativas para profesionales del lado beneficiario. Lo que no se ha revalorizado donde la adopción es escasa es la celda aislada.

El descuento obligatorio: esto descansa en un supuesto sin contrastar, que CCAA se difunde al mismo ritmo que la adopción de la IA. Es muy posible que sea falso, porque los efectos cognitivos viajan por el contenido y el contenido circula a escala nacional, no por gradiente geográfico. Úselo como hipótesis, no como plan.

La experiencia del emperador, llegando a la relación laboral

Un asistente de IA es, para cada usuario: infinitamente paciente, siempre disponible, centrado por completo en usted, nunca replica, no guarda rencor, no se cansa. Históricamente muy poca gente experimentó una relación con esa forma, y las sociedades mantenían todo un aparato de normas para marcarla como privilegio y no como norma. Hoy es cotidiana para cualquiera, decenas de veces al día.

Efectos derivados esperables (inferencia, no conclusión verificada): expectativas más altas sobre el personal de servicios; menor tolerancia a la fricción con compañeros y familia; que «lo atienda una persona» pase de opción por defecto a mejora de pago; un umbral más bajo para escalar una queja. Es el mismo fenómeno que la predicción sobre enfermería, visto desde el otro lado; y como el lado de enfermería tiene datos públicos, es el que conviene contrastar primero.

12. De vuelta a nuestro sector: el resultado del trading es un ancla dura; su marketing no tiene ninguna

El trading es un caso extremo de ancla dura. Que una curva de capital sea buena no es estético: es el número de la cuenta. El mercado liquida cada día, no mira apariencias, no admite alegaciones, y a un modelo no le sale más barato que a un humano superar esa prueba. Ese es justamente el sentido de la corrección sobre la dureza del ancla: el ancla del trading es dura no porque exista una prueba de aceptación, sino porque esa prueba es un mercado adversarial que nadie supera barato.

El marketing del trading, en cambio, no tiene ancla alguna. Un gráfico de backtest bonito, una captura de beneficios retocada, un «mentor» generado por IA: el coste de producción ya es cero. La consecuencia es una ruptura:

«Parecer profesional» era antes una señal de filtrado real, porque costaba dinero, tiempo y oficio. Ahora no cuesta nada. La correlación entre «parecer profesional» y «ganar dinero de verdad» está rota.

Solo hay una defensa: cambiar la impresión por pruebas verificables: enlaces a cuentas reales alojadas por un tercero, cifras presentadas trimestre a trimestre, código fuente descargable y legible línea a línea, y el drawdown publicado junto con las ganancias.

• Cómo auditar a fondo una cuenta real: verificar un EA con Myfxbook
• La lista de comprobación antifraude: cómo detectar una estafa de EA
• Por qué publicamos también nuestras cifras feas: por qué publicamos nuestro drawdown
• Qué puede esconder una curva impecable: abrir el código para ver si la curva ya sabía las respuestas
• Una pregunta, seis respuestas: la discrepancia de seis veces sobre el tamaño del mercado de servidores de IA: aquel artículo trata del marco de referencia de una cifra; este, del de las personas.

13. Para qué no debe usarse este marco

Declaración de límites, para leer junto con todo lo anterior:

1. No predice niveles de empleo. El empleo sectorial lo dominan la demanda, la demografía, el precio y la regulación; el condicionamiento es un residuo pequeño. Usar este 2×2 para proyectar cuántos puestos tendrá un sector es un mal uso.
2. Predice solo la dirección de la deriva del estándar, y consecuencias duraderas únicamente donde hay codificación institucional.
3. Para servicios de alto condicionamiento y baja automatizabilidad —la compañía ante todo— da magnitud pero no dirección, hasta que se mida por separado la complementariedad entre provisión humana y de IA.
4. Ocho de dieciocho casos de la prueba de resistencia se codifican de forma inestable. No es un defecto que pueda pulirse: refleja con exactitud el estado actual de la evidencia.

Cierre

CCAA no es un término pesimista ni un mecanismo nuevo. Dice solo esto: la mitad de lo que la IA cambia no está en el eje de «a quién sustituyen» sino en el de «quién define el criterio», y todos los indicadores de exposición existentes cubren únicamente la primera mitad.

Quien no ve esa segunda mitad acaba concluyendo «la IA no puede hacer mi trabajo, así que estoy a salvo», que es exactamente lo que cree todo el lado beneficiario mientras se reescribe el marco con el que se le juzga. Y al revés: la pregunta que decide si un trabajo está realmente protegido no es «¿existe una prueba de aceptación?» sino «¿cuán cara le resulta esa prueba a una máquina?».

El resto es medición. Hasta que el panel de deriva con estímulo congelado devuelva sus primeros datos, este artículo es un vocabulario y un conjunto de hipótesis, publicado junto con las condiciones en las que debería descartarse, con la esperanza de que alguien vaya y lo descarte.

Referencias principales

1. Levari, D. E., Gilbert, D. T., Wilson, T. D., Sievers, B., Amodio, D. M., & Wheatley, T. (2018). Prevalence-induced concept change in human judgment. Science, 360(6396), 1465–1467. doi:10.1126/science.aap8731
2. Helson, H. (1964). Adaptation-Level Theory. Harper & Row. / Parducci, A. (1965). Category judgment: A range-frequency model. Psychological Review, 72(6), 407–418.
3. Brooks, K. R., et al. (2020). Looking at the Figures: Visual Adaptation as a Mechanism for Body-Size and -Shape Misperception. Perspectives on Psychological Science, 15(1), 133–149. doi:10.1177/1745691619869331
4. Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. doi:10.1126/sciadv.adn5290
5. Ashkinaze, J., Mendelsohn, J., Qiwei, L., Budak, C., & Gilbert, E. (2025). How AI Ideas Affect the Creativity, Diversity, and Evolution of Human Ideas. Proc. ACM Collective Intelligence Conference, 198–213. doi:10.1145/3715928.3737481
6. Jakesch, M., et al. (2023). Co-Writing with Opinionated Language Models Affects Users' Views. CHI '23, Article 111. doi:10.1145/3544548.3581196
7. Kobak, D., et al. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27), eadt3813. doi:10.1126/sciadv.adt3813
8. Liang, W., et al. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 9, 2599–2609. doi:10.1038/s41562-025-02273-8
9. Hohenstein, J., et al. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. doi:10.1038/s41598-023-30938-9
10. Fang, C. M., et al. (2025). How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use. arXiv:2503.17473 (preprint).
11. De Freitas, J., et al. (2026). AI Companions Reduce Loneliness. Journal of Consumer Research, 52(6), 1126–1148. doi:10.1093/jcr/ucaf040
12. Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). Can Generative AI Chatbots Emulate Human Connection? Perspectives on Psychological Science, 20(6), 1081–1099. doi:10.1177/17456916251351306
13. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs. Science, 384(6702), 1306–1308. doi:10.1126/science.adj0998
14. Felten, E. W., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence. Strategic Management Journal, 42(12), 2195–2217. doi:10.1002/smj.3286
15. Hui, X., Reshef, O., & Zhou, L. (2024). The Short-Term Effects of Generative Artificial Intelligence on Employment. Organization Science, 35(6), 1977–1989. doi:10.1287/orsc.2023.18441
16. Demirci, O., Hannane, J., & Zhu, X. (2025). Who Is AI Replacing? Management Science. doi:10.1287/mnsc.2024.05420
17. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942.
18. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi:10.1126/science.adh2586
19. Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121). / Autor, D. H. (2024). Applying AI to Rebuild Middle Class Jobs. NBER WP 32140.
20. Gerbner, G., & Gross, L. (1976). Living with Television: The Violence Profile. Journal of Communication, 26(2), 172–199. / Festinger, L. (1954). A theory of social comparison processes. Human Relations, 7(2), 117–140.
21. Ramphul, K., & Mejias, S. G. (2018). Is "Snapchat Dysmorphia" a Real Issue? Cureus, 10(3), e2263. doi:10.7759/cureus.2263 / Rajanala, S., Maymone, M. B. C., & Vashi, N. A. (2018). Selfies—Living in the Era of Filtered Photographs. JAMA Facial Plastic Surgery, 20(6), 443–444. doi:10.1001/jamafacial.2018.0486
22. Hochschild, A. R. (1983). The Managed Heart: Commercialization of Human Feeling. University of California Press.

Term provenance: the term Cognitive-Conditioning AI Applications (CCAA) was coined and defined by TopXEA Research, first published in this article on 1 September 2026. In this article "conditioning" is used in its everyday sense of habituation and baseline recalibration, not in the technical sense of associative or covert conditioning.

Riesgo y descargo de responsabilidad: este artículo es una discusión conceptual y metodológica. No constituye asesoramiento de inversión, orientación profesional ni consejo médico, y no se dirige a ninguna organización o persona concreta. La investigación externa citada indica su fuente y su grado de evidencia; los pasajes marcados como «inferencia» o «hipótesis» son juicios nuestros y no están verificados. Operar conlleva riesgo, todo EA y toda estrategia cuantitativa pueden perder dinero, y el trading de divisas y metales preciosos es de alto riesgo: opere solo con dinero que pueda permitirse perder.