Las tres carreras universitarias que, según Bill Gates, no serán reemplazadas por la inteligencia artificial
¿Y si lo que estudias hoy cambia de forma antes de que termines la carrera? Ese miedo se ha vuelto común porque la inteligencia artificial ya escribe textos, analiza datos, crea imágenes y hasta ayuda a programar. Y cuando una herramienta hace “tu tarea” en segundos, es normal preguntarse si también puede hacer tu trabajo.
En este debate suele aparecer Bill Gates. No porque tenga una bola de cristal, sino porque lleva décadas mirando cómo la tecnología mueve la economía. Aun así, su mensaje no es “estas profesiones son intocables”. Es más bien esto: habrá áreas donde el papel humano seguirá pesando, aunque todo se haga con IA.
La idea central, si estás pensando en carreras universitarias, es simple: elegir no va solo de “qué no desaparece”, también de “qué se transforma” y cómo te adaptas.
Qué dijo Bill Gates y por qué su opinión importa cuando se habla de trabajos e IA
En entrevistas recientes en televisión y medios de gran alcance, Gates ha repetido una idea: la IA va a hacer que muchas tareas sean más rápidas y baratas, y eso va a cambiar el reparto del trabajo. En programas populares como The Tonight Show with Jimmy Fallon y The Late Show with Stephen Colbert, habló de jornadas más cortas y de cómo la IA podría ayudar en áreas con escasez de profesionales, como la educación o la salud. En conversaciones en foros y entrevistas, también insistió en el ritmo del cambio y en la necesidad de adaptarse.
Un matiz importante: en esas apariciones no presentó una lista oficial de “carreras a prueba de IA”. Lo que sí hizo fue señalar campos donde la tecnología puede ayudar mucho, pero donde aún se necesita gente que entienda el mundo real, tome decisiones y cargue con consecuencias.
Eso conecta con tres áreas que se repiten cuando se interpreta su visión: ciencias de la vida, software y energía. No porque la IA no entre ahí, sino porque el trabajo no se reduce a producir texto o código.
En 2025, “no ser reemplazado” casi nunca significa “la IA no toca tu sector”. Significa otra cosa: que la automatización de tareas no elimina el rol completo. Quedan partes que exigen juicio humano y un enfoque de trabajo con IA para ganar productividad sin perder control.
Qué significa en la práctica “no ser reemplazado” por la IA
La IA puede redactar un informe, sugerir un diagnóstico probable o proponer un diseño de sistema. Aun así, alguien tiene que definir qué se busca, con qué límites, y qué riesgos no se aceptan. Y, cuando hay un error, alguien responde.
Piensa en un ejemplo cotidiano: un modelo te resume 40 páginas en 10 segundos. Genial. Pero tú decides si ese resumen es fiel, qué puntos faltan, qué impacto tiene en el cliente o en un paciente, y qué se hace después. Ahí entran la responsabilidad, el criterio y el contexto real.
Por eso se habla cada vez más de profesiones híbridas: personas que dominan su campo y usan IA como herramienta. No compiten “a mano” contra la máquina, la dirigen.
Las tres carreras que, según Bill Gates, resistirán mejor el reemplazo por la inteligencia artificial
Biología y ciencias de la vida, cuando entender lo vivo exige intuición y buenas preguntas
Estudiar biología y ciencias de la vida te mete en sistemas que no se comportan como una hoja de cálculo. Aprendes sobre células, genética, microbiología, fisiología, ecología y, según el enfoque, laboratorio y análisis de datos biomédicos. Hay mucha complejidad y variación entre personas y entornos.
La IA ya acelera tareas potentes, como analizar imágenes médicas o procesar datos de genómica. Pero no “piensa” un estudio por sí sola. Formular una buena hipótesis, diseñar experimentos que la pongan a prueba y decidir si un resultado es útil o es ruido sigue requiriendo humanos. También está la ética: qué se puede hacer con datos sensibles, cómo se prueba un tratamiento, quién asume el riesgo.
Dos ejemplos lo aterrizan rápido. En medicina personalizada, la IA puede detectar patrones en ADN y datos clínicos, pero el equipo humano decide qué pruebas se piden y cómo se traduce eso en decisiones reales. En una respuesta a brotes, la IA ayuda a analizar tendencias y mapas, pero la estrategia de salud pública depende de información local, recursos y coordinación humana.
Desarrollo de software, porque alguien debe construir, revisar y gobernar los sistemas de IA
El desarrollo de software no es “escribir código” y ya. En una carrera relacionada aprendes bases de programación, estructuras de datos, sistemas, bases de datos, redes y, en muchos planes, fundamentos de IA. En el trabajo, lo duro es entender necesidades, diseñar arquitectura, mantener sistemas vivos y tomar decisiones cuando algo falla.
Aunque hoy una IA escriba funciones enteras, el riesgo aparece en los bordes: requisitos ambiguos, integraciones rotas, dependencias viejas, rendimiento, y fallos en producción. Y hay temas donde no vale improvisar: seguridad (fugas de datos, acceso indebido), calidad (pruebas, monitoreo, trazabilidad) y pensamiento lógico para detectar errores sutiles.
La demanda se está moviendo hacia perfiles que usan IA como copiloto, pero no delegan la responsabilidad. Si una app gestiona pagos, historiales médicos o infraestructura, alguien tiene que revisar, probar, documentar y responder ante usuarios y reguladores.
Energía y transición energética, donde el mundo físico, los riesgos y las decisiones públicas pesan
El sector energético toca ingeniería, economía, operación y normas. Incluye redes eléctricas, renovables (solar y eólica), almacenamiento, eficiencia, y también decisiones sobre precios, permisos y planificación. Aquí la IA ayuda mucho a predecir demanda, detectar fallos y optimizar mantenimiento, pero choca con límites físicos y con riesgos de seguridad.
En energía, un error no es solo un “bug”. Puede ser un corte masivo, un incendio, una avería cara o un problema de seguridad industrial. Por eso pesan los sistemas complejos, la seguridad y las decisiones de alto impacto.
Un ejemplo simple: integrar solar y eólica es bueno, pero son variables. La IA puede prever producción por clima y ajustar la operación, pero la estabilidad de la red exige criterios de ingeniería, márgenes de seguridad, planes de contingencia y coordinación con operadores. Y muchas veces, la última palabra la marcan normas y políticas públicas.
Cómo elegir entre estas carreras en 2026, habilidades que te protegen y pasos realistas para empezar
Elegir no tiene que sentirse como apostar a una sola carta. Una señal útil es mirar qué tipo de problemas disfrutas resolver. Si te llama la atención la salud, el laboratorio y entender por qué el cuerpo o un ecosistema cambia, ciencias de la vida puede encajar. Si te gusta construir cosas, probar, romper y arreglar con lógica, software suele ser más natural. Si te preocupa el clima, te interesa la infraestructura y no te asusta la parte regulatoria, energía es un campo con mucho recorrido.
En cualquiera de las tres, te van a proteger más las habilidades transferibles que el nombre exacto del título. Pensamiento crítico para no tragarte una salida de la IA sin revisar, comunicación clara para explicar decisiones a gente no técnica, estadística básica para interpretar resultados y un marco ético para no “optimizar” algo que daña.
Para empezar, no hace falta esperar al primer empleo. Puedes combinar una licenciatura con optativas, dobles grados o cursos cortos; también sumar prácticas y voluntariados. Lo que más pesa al buscar oportunidades son aprender con IA sin depender de ella, y acumular proyectos reales que puedas enseñar y explicar.
La idea clave, no competir contra la IA, sino aprender a dirigirla
La ventaja no está en teclear más rápido. Está en hacer buenas preguntas y convertir respuestas en decisiones seguras. Eso implica saber qué datos faltan, qué supuestos hay detrás y qué podría salir mal.
Construye un pequeño portafolio y úsalo para aprender a validar: un informe de laboratorio con resultados revisables, una app sencilla con pruebas, un análisis energético con fuentes claras. La meta es demostrar impacto y buen juicio, no solo “usar herramientas”.
Este artículo fue elaborado con el apoyo de una herramienta de inteligencia artificial. Posteriormente, fue objeto de una revisión exhaustiva por parte de un periodista profesional y un redactor jefe, garantizando así su exactitud, su pertinencia y su conformidad con los estándares editoriales.
