Los silvers y la vergüenza tecnológica: por qué preguntar lo mismo 10 veces puede ser la clave para aprender, del trabajo a la vida cotidiana Infobae

Quizás te pasó alguna vez: le pediste ayuda a alguien con el teléfono o la computadora, sentiste que no entendías y, antes de que el otro cerrara la explicación, ya querías que se terminara. No era falta de ganas de aprender, sino la sensación de estar en falta, de que el problema lo tenías vos.

Pocos lo dicen en voz alta, pero pasa: muchos sienten incomodidad al pedir ayuda con tecnología, al preguntar lo mismo dos veces o al sentir que ya deberían saber. Si alguna vez preferiste quedarte con la duda antes que parecer el que no entiende, lo que sigue es para vos.

Esa incomodidad tiene consecuencias concretas y operativas. La gran mayoría de los adultos mayores prefieren prescindir de una herramienta antes que admitir que necesitan ayuda para entenderla y, cuando finalmente se animan a preguntar, miden las palabras para no parecer torpes, aceleran cuando notan que el otro se impacienta, y terminan la conversación con más dudas de las que tenían al empezar.

Una encuesta de Hewlett-Packard, empresa tecnológica, realizada a 10.000 trabajadores en diez países encontró que uno de cada cinco jóvenes siente vergüenza cuando tiene problemas técnicos. Si el tech shame -un concepto que se usa para dar cuenta de esta vergüenza ante lo desconocido y tecnológico- existe incluso en quienes crecieron con la tecnología, imaginate cuánto más pesa en quienes la adoptaron de adultos.

La inteligencia artificial podría empezar a invertir esa dinámica. La IA tiene infinita paciencia (o al menos la simula muy bien) y ningún juicio, escribí en Generación IA: “Podés preguntar lo mismo diez veces, formularlo de maneras distintas, pedir que te lo explique como si tuvieras cinco años por ejemplo y la respuesta llega siempre con la misma disposición pero en otro formato. Mismo contenido, distinto paquete. Sin nadie que suspire, mire el reloj ni te advierta que ya te lo explicó cien veces.”

Pero hay algo más importante todavía y que estoy seguro que nadie te dijo todavía: esa forma de aprender con la que creciste y te formaste (preguntar, releer, reformular y volver a preguntar o hacer, fracasar, rehacer y finalmente, triunfar) es ideal porque replica exactamente cómo se supone que tenés que usar estos sistemas.

La iteración como ventaja de uso

Los sistemas basados en modelos de lenguaje, como ChatGPT, Gemini, Claude o Copilot, funcionan como una conversación en la que el resultado mejora cuando das más contexto, cuando corregís el rumbo y cuando pedís que se desarrolle una idea o que se simplifique.

Hay una cuestión técnica importante de entender y que en Generación IA, mi último libro, resumo así: la IA trabaja con la información que vos le das, y cuanta más información le das, mejor trabaja. Si el resultado no es el que esperabas, simplemente necesita más datos tuyos para afinar. Esto tiene una consecuencia que para muchos puede ser liberadora: el usuario silver que “pregunta demasiado” resulta ser el usuario ideal, el que itera, compara y pide otra versión en lugar de quedarse con la primera respuesta o de frustrarse porque el modelo no le devuelve lo que espera.

Según el Work Trend Index de Microsoft y LinkedIn, la incorporación de IA en el ámbito laboral supera el 70% en todas las generaciones, con los boomers alcanzando el 73%. “La brecha generacional en adopción de IA es mucho menor de lo que solemos asumir”. Pero la paciencia infinita de la IA convive con una limitación técnica que conviene que también entiendas porque va a cambiar la forma en que usás las herramientas.

Los modelos de lenguaje se basan en una arquitectura llamada Transformer, que funciona como un motor de predicción: toma todo lo que escribís, analiza patrones estadísticos derivados de su entrenamiento, y finalmente genera el fragmento de texto más probable para continuar la conversación.

El resultado es fluido, coherente y hasta puede parecerte convincente, aunque en ocasiones también está completamente equivocado, porque el sistema prioriza la fluidez por sobre la verdad factual. La IA puede afirmar fechas que no existen, citar estudios que nunca se publicaron o describir medicamentos con una seguridad que no tiene base, y en todos esos casos lo hace con la misma convicción con la que acierta. Seguro que conocés a una persona que va por la vida tirando verdades con esta misma seguridad...

Algunos expertos llaman a esto “alucinación” y es una limitación estudiada e inherente al funcionamiento de estos sistemas. Pero también es importante atender a lo que Mariana Ferrarelli, directora de estrategia de IA en educación de la Universidad de San Andrés, llama “antropomorfización por diseño”: la IA simula empatía, pide disculpas, habla en primera persona, y eso puede confundir a cualquier usuario que la tome como un oráculo de información. Quedate tranquilo: no es un problema exclusivo de los adultos mayores —hay abogados que incluyeron alucinaciones en escritos jurídicos y periodistas que citaron datos inventados— sino de cualquiera que adopte la herramienta sin entender cómo funciona por dentro.

Según investigación de OpenAI, empresa de inteligencia artificial, y Georgia Tech, instituto tecnológico de Estados Unidos, los modelos alucinan porque sus procedimientos de entrenamiento valoran más las respuestas fluidas que el reconocimiento de la incertidumbre: los hechos arbitrarios y poco frecuentes —como un nombre propio, una fecha específica, un dato técnico— requieren algo más que reconocimiento de patrones lingüísticos, y ahí es donde aparecen los errores.

Los mejores modelos redujeron en 2025 las tasas de alucinación a menos del 2%. “La mejora es real y sostenida, pero el cero absoluto sigue siendo inalcanzable con la arquitectura actual.”

A medida que los modelos mejoran, los errores se vuelven menos frecuentes pero más pulidos y más difíciles de detectar. Una respuesta incorrecta de los primeros modelos sonaba forzada; hoy puede sonar perfectamente natural y aun así estar equivocada. Por eso el criterio del lector importa tanto como la capacidad del sistema, y creo es justamente ahí donde la experiencia del segmento silver se vuelve una ventaja real. La generación silver ya tiene esa experticia disciplinar.

Cómo usarla mejor y con menos riesgo

Empezá con contexto. En lugar de “¿cómo se trata la hipertensión?”, probá con: “Tengo 68 años, tomo amlodipina desde hace tres años y mi médico mencionó agregar otro medicamento. ¿Qué preguntas podría hacerle en la próxima consulta?”. Cuanto más contexto le das a la IA, más útil y precisa se vuelve la respuesta.

Pedile que simplifique. Si la respuesta tiene términos que no entendés, decile exactamente eso: “Usaste palabras técnicas que no conozco. ¿Podés explicarlo de otra manera, con un ejemplo cotidiano?”. La IA lo ajusta sin problema y sin impaciencia.

Iterá sin vergüenza. Si la primera respuesta no es lo que necesitabas, continuá desde ahí: “Eso no era lo que buscaba. Lo que yo quería saber era...”. “La conversación se sigue construyendo sobre lo anterior y no se reinicia desde cero”.

Verificá lo que importa. Para salud, cuestiones legales o finanzas, usá la IA para preparar preguntas o entender conceptos, y confirmá los datos con un profesional, porque la IA puede afirmar algo incorrecto con total convicción y en esos dominios el margen de error es demasiado alto.

Guardá lo que te sirve. Cuando la IA te explique algo que finalmente entendiste, copiá esa explicación en un documento o en el bloc de notas del teléfono.

Qué muestran los estudios sobre los usuarios mayores

Tu momento para iterar con IA es ahora. “Está probado que la principal barrera no es la capacidad, sino la entrada". Y esa entrada, en muchos casos, la frena exactamente esa incomodidad con la que abrí esta nota.

Y hay más: un informe de EY, firma de servicios profesionales, elaborado junto a Microsoft, OATS, organización enfocada en tecnología para adultos mayores, y OpenAI, basado en 2.515 personas de entre 60 y 85 años en 16 países, concluyó que las conversaciones sobre IA son incompletas si no incluyen la experiencia de las generaciones mayores, que hasta ahora han estado casi ausentes del debate, de las estadísticas y de los centros donde se diseñan estas herramientas.