Ideas
La penalización por contribución de la IA en el trabajo
Una analista sobre la que leí recientemente pasó un año en un solo problema. Se sentó con las personas que gestionaban el proceso, recopiló las quejas que nadie había puesto por escrito, redactó alternativas, aprendió cuáles de ellas romperían algo más adelante y, finalmente, produjo un cambio de gran valor para su empresa. En algún momento de ese año, utilizó un asistente de IA durante unos días de redacción.
Cuando el trabajo llegó a la alta dirección, su jefe le pidió que pusiera la IA en primer plano. En la reunión, interrumpió su presentación para decir que la herramienta lo había hecho.
Vuelvo continuamente a ese momento, porque en realidad no es una historia sobre un mal jefe. Es la historia de una organización que había perdido la capacidad de ver la contribución humana una vez que una máquina había tocado cualquier parte de ella. Hoy en día existe una cantidad sorprendente de pruebas de que este error es sistemático.
En cuatro experimentos prerregistrados con 4.439 participantes, los investigadores descubrieron que las personas que usan IA en el trabajo anticipan y reciben peores evaluaciones de su competencia y motivación que quienes hacen el mismo trabajo sin ella. La penalización no era imaginaria. Apareció en evaluaciones reales de candidatos a puestos de trabajo.
Un programa independiente de once experimentos con 3.846 participantes descubrió que los evaluadores pagan menos a los trabajadores asistidos por IA (en diferentes tipos de tareas, situaciones laborales, formatos de pago e incluso cuando la calidad del resultado se mantuvo constante o se controló estadísticamente). El mecanismo se midió directamente: la gente consideró que los trabajadores asistidos por IA merecían menos mérito, y ese juicio explicó aproximadamente el sesenta por ciento de la reducción salarial. En otros trece experimentos sobre divulgación, los participantes que declararon su uso de IA inspiraron menos confianza que los que no lo hicieron, entre supervisores, subordinados, profesores, analistas y creativos. La explicación no fue la precisión, sino la legitimidad: la revelación señalaba el trabajo como socialmente inapropiado.
Adopta estas herramientas
Junta todo eso y tendrás a una organización ejecutando silenciosamente dos instrucciones incompatibles: adopta estas herramientas, pero que no te vean usándolas.
La respuesta racional, para cualquiera que preste atención, es el ocultamiento. Y el ocultamiento resulta caro de formas que nunca aparecen en un balance: nadie comparte lo que funcionó, nadie informa de lo que falló y el aprendizaje colectivo de la organización sobre su nueva capacidad más importante ocurre enteramente en privado.
El error contable subyacente
Lo que más me interesa es el error contable subyacente. Hemos construido sistemas de evaluación que miden el resultado e infieren el esfuerzo a partir de él. Cuando el resultado llega más rápido, la maquinaria de inferencia concluye que se ha aportado menos. Pero en la historia de la analista, casi nada de lo que realmente aportó fue de ejecución. Aportó un año de atención. Aportó saber qué objeción de las partes interesadas era real y cuál era territorial, y el criterio para descartar tres alternativas que sobre el papel parecían buenas. La IA redactó. Ella decidió.
Un sistema de evaluación que no pueda distinguir entre ambas cosas infravalorará sistemáticamente precisamente la capacidad que está escaseando.
Un hallazgo esperanzador en esta literatura
Hay un hallazgo esperanzador en esta literatura. La penalización se atenúa considerablemente cuando el ser humano sigue participando de forma visible: revisando, adaptando, contextualizando y asumiendo la responsabilidad del resultado. Lo que sugiere que el problema no es que la gente se niegue a reconocer el trabajo asistido por IA. Es que la mayor parte de lo que hace una persona en el trabajo asistido por IA es actualmente invisible, y las organizaciones no han creado ninguna forma de hacerlo visible.
Se trata de una tarea de diseño, no de un problema de valores: describir las contribuciones en términos del criterio ejercido, no de las horas desplazadas. Preguntar, en las evaluaciones, qué decidió la persona en lugar de qué produjo. Que un jefe sea capaz de decir qué aportó exactamente un compañero, y que se sienta avergonzado si no puede hacerlo.
Una organización que tidak pueda nombrar lo que aportan sus personas dejará tarde o temprano de pagarlo. No por malicia. Por ceguera.