Hay un Nombre para lo que le Está Sucediendo al Juicio de sus Empleados
Dependencia Excesiva: Depender demasiado de herramientas de IA puede provocar resultados laborales significativamente negativos.
Atrofia de Habilidades: La dependencia de la IA puede erosionar las habilidades de pensamiento crítico, reduciendo la capacidad de los empleados para analizar información de manera independiente.
Impacto en la Fuerza Laboral: Las organizaciones deben evaluar los efectos de la implementación de la IA en los empleados como parte de su proceso de toma de decisiones tecnológicas.
Están ocurriendo cosas con los empleados a medida que las herramientas de IA se extienden por las organizaciones, y en algún momento la pregunta es: ¿tiene tu equipo directivo un lenguaje para describir lo que está pasando?
No te preocupes. Un informe publicado el mes pasado por MIT Sloan Management Review y Boston Consulting Group sí lo tiene.
El documento, "Más allá del modelo: por qué la IA responsable debe abordar el impacto en la fuerza laboral", es el quinto estudio anual sobre IA responsable de ambas instituciones, basado en encuestas globales a ejecutivos y paneles de expertos seleccionados.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
En años anteriores, la investigación se centró en la madurez de la gobernanza, el riesgo de terceros y las estructuras de rendición de cuentas. Este año, los investigadores enfocaron algo más inmediato: lo que la implementación empresarial de la IA provoca en las personas que la utilizan.
Identificaron cinco efectos.
- Confianza excesiva
- Atrofia de habilidades
- Desempoderamiento
- Intensificación del trabajo
- "Cansancio mental por IA".
El argumento de los autores Elizabeth Renieris, David Kiron, Steven Mills y Anne Kleppe es claro al afirmar que estos no son riesgos hipotéticos ni casos excepcionales. Son resultados laborales medibles que deberían influir en las decisiones de avanzar o no antes de que una organización adopte cualquier herramienta de IA específica.
Ese lenguaje de evaluación de producto es intencional. Dicen que el impacto en la fuerza laboral debe incluirse en el análisis junto al rendimiento técnico, cumplimiento normativo y coste total, y que actualmente no está presente.
Qué revelan las investigaciones
El efecto medido con mayor precisión de los cinco es lo que denominan "cansancio mental por IA", un término que entró en la literatura científica en marzo a través de un estudio de BCG y la Universidad de California, Riverside, publicado en Harvard Business Review.
Los investigadores lo definieron como fatiga mental provocada por el uso excesivo, la interacción con o la supervisión de herramientas de IA más allá de la capacidad cognitiva del empleado.
Las cifras de ese estudio muestran que el 14% de los trabajadores que usan IA informaron haberlo experimentado.
Los empleados que sufrían cansancio mental por IA cometieron un 39% más de errores graves que aquellos que no lo tenían. La productividad comenzó a disminuir cuando los empleados usaban más de tres herramientas de IA a la vez. La forma más agotadora cognitivamente de interacción con IA no era la complejidad de los prompts ni el volumen de resultados, sino la supervisión. Los empleados que monitorizaban sistemas de IA reportaron un 12% más de fatiga mental que los que no lo hacían, y un 19% más de sobrecarga de información.
Los grupos más afectados estaban en marketing, desarrollo de software, recursos humanos, finanzas e IT. No son funciones periféricas.
La paradoja que identificaron los investigadores es relevante para cualquier COO o CHRO que piense en la planificación de la plantilla. Los empleados más expuestos al agotamiento mental suelen ser los primeros en adoptar la IA, quienes más entusiasmo muestran por la tecnología.
Utilizan más herramientas, supervisan más resultados y asumen mayor carga cognitiva en el proceso. La tecnología diseñada para reducir su carga, en la práctica, la intensifica.
Eliza Jackson, directora de operaciones de ButcherBox, describió este fenómeno desde dentro.
«You end up thinking ‘What did I even do? Did I just respond to 800 chats? Did I make any decisions that weren’t thoughtful? Did I think about anything I decided?»
Agregó que su organización está intentando activamente construir más espacios para la reflexión, aunque admitió que aún están buscando la mejor fórmula.
La atrofia de habilidades opera en un plazo más largo. Un estudio de Microsoft Research y Carnegie Mellon University, presentado en la conferencia CHI el año pasado y basado en 936 ejemplos reales de 319 trabajadores del conocimiento, concluyó que una mayor confianza en las herramientas de IA se asociaba consistentemente con menos pensamiento crítico.
Los empleados no dejaban de analizar, simplemente confiaban en el resultado y continuaban. El estudio también halló que el uso de IA cambia la naturaleza del pensamiento crítico: de generar el análisis a verificarlo. Puede sonar a adaptación, pero en realidad es un estrechamiento. Cuando la IA falla, la cuestión es si los empleados todavía tienen suficiente juicio independiente para detectarlo.
La versión clínica de esta dinámica ya ha sido documentada en la práctica. Vivienne Ming, neurocientífica teórica e investigadora en IA, señala un estudio sobre gastroenterólogos que utilizan sistemas de colonoscopia asistidos por IA. Cuando esos sistemas se apagan, los médicos rinden notablemente peor que antes de usar la IA.
«Les hace rendir mejor cuando la utilizan, pero luego rinden mucho peor después.»
El riesgo no es solo el desempeño actual, sino la capacidad que se erosiona en segundo plano mientras la herramienta realiza el trabajo.
La sobredependencia es el patrón subyacente en ambos casos. Cuando los trabajadores se fían de los resultados de la IA aun cuando la herramienta no es confiable o está operando fuera de su competencia, los errores individuales se acumulan. A través de una plantilla siguiendo los mismos resultados hacia las mismas decisiones, estos se amplifican.
A nivel individual, esto es un problema de rendimiento. A nivel de toda la plantilla utilizando las mismas herramientas hacia los mismos resultados, se vuelve un problema sistémico.
La cuestión del gobierno
El informe de MIT Sloan hace una recomendación que tiene implicaciones estructurales para el rol de los CHRO y COO en la toma de decisiones sobre IA. Los impactos en la plantilla deben ser evaluados como parte de la justificación de negocio para el uso de IA, integrados en los planes de despliegue y considerados antes de la adquisición. Eso no es cómo se toman la mayoría de decisiones actualmente.
Los investigadores enmarcan esto como una obligación, no una sugerencia. Las organizaciones deben comunicarse abiertamente con los trabajadores sobre cómo la IA reformulará o eliminará sus tareas, qué apoyo habrá para la transición y cómo se tomaron esas decisiones. No como una cortesía, escriben, sino como una responsabilidad central de gobierno.
La brecha de responsabilidad que se crea es real. Normalmente, los CHRO son quienes responden por los resultados de las personas, pero rara vez tienen un lugar en la mesa cuando se seleccionan las herramientas de IA. Los líderes de tecnología son dueños del stack, pero no de la erosión de habilidades en la plantilla que las utiliza.
Los líderes de operaciones miden el rendimiento, pero a menudo carecen de un marco para monitorear la degradación de capacidades que precede a la caída en el desempeño.
Los términos que ha propuesto MIT Sloan son útiles precisamente porque son lo suficientemente concretos para asignar responsabilidades y lo bastante detallados para poder medirlos.
La sobredependencia no es el mismo riesgo que la despersonalización. Cada uno requiere cuestiones de gobierno diferentes al momento del despliegue, y un propietario distinto dentro de la organización.
Para la mayoría de las empresas, ninguno de esos responsables existe aún.
La investigación no prescribe un organigrama. Lo que hace, de forma clara y con el peso de cinco años de datos sobre IA responsable, es identificar la brecha.
Las decisiones de avance/frenado son los momentos en que estas cuestiones deberían salir a la luz. Antes de firmar el contrato, antes de empezar el despliegue, antes de la primera sesión de capacitación, alguien en la organización necesita preguntar qué le hará esta herramienta al criterio de las personas que la usan y prevenir que el uso de IA se convierta en una métrica de rendimiento.
Actualmente, la mayoría de las organizaciones no tiene respuesta sobre quién es ese alguien.
