InicioDel marco lógico a la comprensión: el oficio del proyectista frente a la inteligencia artificial
A partir de una anécdota de clase en un curso dictado para Makaia, este ensayo reflexiona sobre qué le queda al oficio del diseñador de proyectos cuando la inteligencia artificial puede producir en minutos un marco lógico que antes tomaba días. La tesis: la IA formula con precisión, pero no puede decidir por sí sola qué hipótesis explica mejor un problema sin evidencia suficiente. Lo que queda para los proyectistas no es la técnica, sino el criterio para formular buenas preguntas antes de producir respuestas técnicamente impecables.
Esta semana enseñé 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, buena parte de nuestro valor profesional consistió en dominar técnicas que no todo el mundo conocía: convertir una conversación dispersa en árbol de problemas, teoría del cambio, marco lógico, indicadores, actividades y presupuesto. Ese tránsito era nuestra especialidad. También era, seamos honestos, parte de nuestra magia.
Recuerdo jornadas de varios días: cartulinas en la pared, café discutible, horas discutiendo la diferencia entre un resultado y un producto. 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 corteses, diríamos que la modificó; algunos días, diría que simplemente la eliminó.
Una IA bien configurada, con contexto y fuentes pertinentes, puede producir en minutos lo que antes nos tomaba días: cadena de resultados, indicadores, actividades, inconsistencias detectadas —a veces con más precisión técnica que nosotros. No tiene sentido ofenderse, ni 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, alguien preguntó: ¿cómo saber si una hipótesis es suficientemente buena antes de gastar en ella los recursos del proyecto?
No logré responder del todo. Guardé silencio: pilotear las dudas con lo que sabemos es, a veces, el arte de volar sin paracaídas. Poco antes habíamos trabajado cuatro hipótesis sobre deserción escolar: transporte, útiles, transferencias familiares, salud.
La mayoría apostó por transporte o por útiles; la evidencia apuntaba hacia la salud. La respuesta no estaba escondida: simplemente no había aparecido en nuestra primera lectura, porque buscamos el problema en los lugares habituales.
Años atrás me pasó algo parecido en Bolivia, en prevención de la ceguera: por años se creyó que faltaba infraestructura quirúrgica para operar cataratas. La verdadera barrera era otra —miedo, desinformación—: la cirugía estaba disponible y, aun así, decidían no operarse.
Una IA habría podido sugerir esas mismas hipótesis —distancia, costos, miedo, confianza— y redactar una explicación impecable para cada una. Lo que no podía hacer, sin evidencia, era decidir cuál explicaba mejor.
Pero conviene no atribuirnos superioridad moral: un consultor en un hotel, con poca información y una fecha imposible, tampoco puede hacerlo. 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 IA formule mal, sino que puede formular muy bien una intervención basada en una comprensión equivocada. Esa es la palabra hermosa: comprensión.
Puede construir un marco lógico coherente sobre la hipótesis equivocada, con indicadores y presupuesto. Todo estará en su lugar. Salvo el problema.
Esto separa dos cosas que solemos mezclar: la calidad de la formulación y la del razonamiento que la precede. Nada de esto nació con la IA —los proyectos equivocados existen desde antes—, solo que ahora se escriben más rápido y con más apariencia de rigor. Durante años confundimos dificultad técnica con profundidad profesional: quien sabía completar una matriz parecía comprender el problema, aunque a veces solo sabía completarla.
La IA vuelve esa distinción imposible de ignorar: si una máquina puede encargarse de la arquitectura técnica, nuestro valor no puede descansar únicamente en dominar la metodología.
Por eso cambié el orden de mis clases: dedico más tiempo a la identificación y discusión del problema, no porque antes no importara, 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: distinguir causas, síntomas y consecuencias, y buscar información que contradiga nuestra primera interpretación. Esta pregunta suele ser desagradable: los equipos se encariñan con sus explicaciones, sobre todo cuando ya hay presupuesto comprometido en 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: buscar fuentes, organizar literatura, comparar hipótesis, detectar vacíos. Sería absurdo renunciar a esa capacidad.
Pero debe entrar como instrumento de contraste, no como autoridad: no conoce un territorio por haber procesado veinte documentos sobre él, aunque pueda reconstruir lo que dicen. Esa no es una diferencia menor.
Cuando el problema ha sido discutido y formulado con rigor, la IA puede ordenar la estructura, desplegar alternativas, revisar consistencia, acelerar la escritura.
Después corresponde volver sobre el proyecto: no para defender cada coma humana, sino decidir si la intervención es pertinente, si la cadena causal se sostiene, y si los riesgos fueron procesados por quienes 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 ordena. Decidir qué evidencia alcanza para actuar y qué incertidumbre estamos dispuestos a aceptar. Escuchar a quienes conocen el problema, aunque no hablen nuestro idioma, 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 destreza principal fuera dominar procedimientos que una IA ejecuta más rápido.
En Nodoká by MAKAIA seguimos de cerca cómo la IA transforma la formulación de proyectos en la región. Por eso, en nuestros cursos y webinars, en la Red de Expertos y en el servicio de formulación y mapeo de oportunidades, apostamos por lo mismo que plantea este texto: usar la tecnología para formular mejor, sin perder de vista que lo primero es entender el problema.
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.
Síguenos en
