Doxa 2672

El Fallo en la Implementación de la Inteligencia Artificial:
Un Análisis Académico del Abismo entre Inversión y Retorno

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La inversión global en inteligencia artificial (IA) ha experimentado un crecimiento sin precedentes, impulsada por la promesa de transformación operativa y ventaja competitiva. Sin embargo, la evidencia empírica emergente revela una paradoja crítica: el aumento en la inversión no se traduce proporcionalmente en retorno de valor medible. Esta revisión de literatura sintetiza la evidencia científica y técnica disponible hasta 2026 para examinar las causas estructurales del fallo en la implementación de la IA. Los hallazgos indican que la mayoría de las iniciativas no superan la fase de pilotaje o no generan impacto financiero verificable, con tasas de fracaso que oscilan entre el 60% y el 95% según la metodología y el alcance del estudio. Se identifica que las causas fundamentales son de naturaleza organizacional, estratégica y de gobernanza, más que tecnológica. Se concluye que cerrar la brecha entre inversión y retorno exige un cambio de paradigma: desde la adopción de herramientas hacia la reingeniería de procesos, la gobernanza del valor y la preparación organizacional.

Introducción

La inteligencia artificial se ha posicionado como una de las tecnologías de propósito general con mayor potencial disruptivo en la economía contemporánea. Las organizaciones han respondido incrementando sus presupuestos de manera sostenida; encuestas recientes indican que el 85% de las organizaciones aumentó su inversión en IA durante el último año y el 91% planea incrementarla en los próximos doce meses (Deloitte, 2025, como se citó en BusinessNews.gr, 2025). No obstante, este optimismo inversor coexiste con una preocupación creciente: la incapacidad de las empresas para convertir dicho gasto en resultados tangibles.

La literatura académica y los informes de la industria convergen en señalar que la adopción de la IA es amplia, pero su impacto financiero es limitado. McKinsey & Company (2025) encontró que el 88% de las organizaciones utiliza IA en al menos una función de negocio, pero solo el 39% reporta algún impacto en el EBIT (beneficio antes de intereses e impuestos) a nivel empresarial, y la mayoría de estos casos atribuye a la IA menos del 5% de dicho beneficio. De manera complementaria, una encuesta del National Bureau of Economic Research (NBER) realizada a cerca de 6.000 altos ejecutivos a principios de 2026 reveló que, aunque el 69% afirmaba que su empresa utiliza IA activamente, aproximadamente nueve de cada diez no reportaban ningún efecto medible en la productividad o el empleo (HBR, 2026).

Esta disociación entre inversión y retorno ha sido denominada por algunos analistas como la "paradoja del ROI de la IA" (Deloitte, 2025). El presente trabajo tiene como propósito examinar, desde una perspectiva académica, los factores que explican este fenómeno. El argumento central que guía esta revisión es que el fallo no reside primordialmente en la tecnología, sino en la implementación: en la brecha entre la capacidad del modelo y la preparación de la organización para integrarlo en sus flujos de trabajo y en su arquitectura de valor. Comprender esta distinción es crucial para orientar futuras investigaciones y para el diseño de políticas corporativas que permitan materializar el potencial económico de la IA.

Objetivos

Objetivo general: Analizar críticamente la evidencia disponible sobre las causas del fallo en la implementación de proyectos de inteligencia artificial y su consecuente impacto en la materialización del retorno de inversión.

Objetivos específicos:

• Cuantificar la magnitud del fenómeno del fallo de implementación a partir de los principales estudios empíricos y metaanálisis publicados hasta 2026.
• Identificar y clasificar las causas raíz de los fallos, diferenciando entre factores tecnológicos, organizacionales, estratégicos y de gobernanza.
• Evaluar el concepto de "purgatorio de pilotos" como manifestación estructural de la incapacidad de escalar iniciativas de IA.
• Proponer, a partir de la síntesis de la literatura, un marco conceptual que oriente la transición desde la experimentación hacia la generación de valor sostenible.

Metas

La meta de esta revisión es contribuir a la consolidación de un cuerpo de conocimiento riguroso sobre la efectividad de las inversiones en IA. Se persigue establecer un punto de referencia para académicos y profesionales que permita superar la narrativa dominante centrada en el determinismo tecnológico y avanzar hacia una comprensión más matizada de los mecanismos organizacionales que condicionan el éxito de la transformación digital. Asimismo, se busca identificar vacíos de investigación que justifiquen estudios longitudinales y comparativos en contextos empresariales diversos.

Desarrollo

Magnitud del fallo: una revisión de las tasas empíricas

La literatura reporta de manera consistente tasas de fracaso elevadas, aunque la falta de una definición unívoca de "fallo" genera una dispersión significativa en las cifras. RAND Corporation, en un análisis publicado en 2024 y difundido en 2025, estimó que más del 80% de los proyectos de IA fracasan, una tasa que duplica la de los proyectos de tecnología de la información que no involucran IA (Ryseff, De Bruhl & Newberry, 2024; RAND, 2025). Este hallazgo ha sido corroborado por análisis posteriores que sitúan la tasa de fracaso en aproximadamente el 80,3% en términos de entrega de valor empresarial previsto (Relex Solutions, 2026).

En el ámbito específico de la IA generativa, el Proyecto NANDA del MIT Media Lab documentó en 2025 que el 95% de los pilotos empresariales no generaron un impacto medible en la cuenta de pérdidas y ganancias (P&L), y solo un 5% alcanzó valor significativo (MIT NANDA, 2025, como se citó en Fortune, 2025; Time, 2026). De forma convergente, una investigación de Deloitte citada en la literatura académica encontró que solo entre el 18% y el 36% de las organizaciones logran los beneficios esperados de la IA, y que el 87% de los proyectos nunca llega a producción (Mittal et al., 2024; Dilmegani, 2024, como se citó en IEEE Engineering Management Review, 2024).

Otras fuentes refuerzan la magnitud del problema. Gartner (2026) reportó que, si bien los casos de uso de IA aumentaron un 400% entre 2024 y 2025, la probabilidad de éxito permaneció estancada en uno de cada cinco, y solo el 13% de las organizaciones encuestadas reportó haber alcanzado valor significativo o transformacional. Asimismo, se ha documentado que las empresas estadounidenses pierden, en promedio, el 2,4% de sus ingresos anuales en iniciativas de IA que no entregan el valor esperado (CIO Dive, 2026).

El "purgatorio de pilotos": la incapacidad de escalar

Un patrón recurrente en la literatura es la proliferación de proyectos piloto que no logran transitar hacia implementaciones a escala empresarial. McKinsey (2025) encontró que casi dos tercios de las organizaciones permanecen en la fase de experimentación o pilotaje y aún no han escalado la IA en toda la empresa. Este fenómeno, denominado "pilot purgatory" o "parálisis de pilotos", se caracteriza por la realización de pruebas de concepto exitosas que, sin embargo, no se integran en los procesos operativos centrales (Gregory, 2021, como se citó en IEEE Engineering Management Review, 2024).

La literatura identifica que este estancamiento no se debe a la falta de valor demostrado en el piloto, sino a la ausencia de las condiciones organizacionales necesarias para la producción. Entre estas condiciones se incluyen la disponibilidad de datos listos para IA, la integración con sistemas heredados, la redefinición de flujos de trabajo y la existencia de mecanismos de gobernanza que permitan gestionar el riesgo y el costo en producción (McKinsey, 2025; Gartner, 2026). En este sentido, el piloto actúa como una vitrina tecnológica que oculta las deficiencias estructurales de la organización.

Causas raíz: más allá del algoritmo

La evidencia convergente de estudios cualitativos y cuantitativos indica que las causas fundamentales del fracaso son de naturaleza socio-técnica. RAND Corporation, a partir de entrevistas con científicos de datos e ingenieros de aprendizaje automático, identificó cinco causas raíz que incluyen la falta de claridad en el problema de negocio, la insuficiencia de datos, la infraestructura inadecuada, el escepticismo organizacional y la ausencia de alineación estratégica (Ryseff et al., 2024).

Un análisis sistemático de la literatura publicado en IEEE Engineering Management Review (2024) concluyó que las razones del fracaso de la IA son notablemente similares a las del fracaso en el desarrollo de nuevos productos, y que las causas principales emanan de malas prácticas de negocio más que de limitaciones técnicas. De manera consistente, una revisión sistemática de la literatura que analizó 78 artículos revisados por pares entre 2015 y 2025 identificó tres categorías principales de factores de fracaso, con un énfasis significativo en los aspectos organizacionales y de gestión del cambio (Garuda, 2025).

La literatura también señala un "déficit de confianza" y una "brecha de preparación organizacional" como factores críticos. La ausencia de patrocinio ejecutivo sostenido, la resistencia cultural y la falta de alfabetización en IA en los niveles directivos contribuyen a que las iniciativas carezcan del respaldo necesario para superar los obstáculos de la implementación (Dialogue Review, 2025; Quest, 2025). En contraste, las organizaciones que Gartner denomina "Vanguard" se distinguen por integrar a las finanzas en la conversación desde etapas tempranas, establecer criterios explícitos para detener iniciativas de bajo valor y evaluar la preparación del negocio con la misma rigurosidad que el valor potencial del caso de uso (Gartner, 2026).

La paradoja del retorno: inversión creciente, valor elusivo

La desconexión entre inversión y retorno constituye el núcleo del problema económico. El aumento del 400% en casos de uso entre 2024 y 2025 no se correlacionó con un incremento en la tasa de éxito, que permaneció en uno de cada cinco proyectos (Gartner, 2026). Esto sugiere que el cuello de botella no es la capacidad de generar ideas de IA, sino la capacidad de absorberlas y convertirlas en valor.

La literatura económica advierte que los costos de la IA difieren de los del software tradicional: se determinan en tiempo de ejecución y a menudo carecen de desgloses granulares en la facturación, lo que dificulta la previsión, la asignación de responsabilidades y la medición del retorno (Gartner, 2026). Esta opacidad de costos, combinada con la presión por demostrar resultados a corto plazo, puede llevar a que las organizaciones abandonen iniciativas antes de que maduren o, por el contrario, las mantengan indefinidamente sin una evaluación rigurosa de su contribución marginal.

La evidencia también sugiere que el valor no se distribuye de manera homogénea. Gartner (2026) encontró que solo una de cada 50 inversiones en IA genera valor transformacional y una de cada cinco genera algún retorno medible. Esto implica que una minoría de iniciativas concentra la mayor parte del valor, mientras que la mayoría de los proyectos, aunque no fracasen de manera absoluta, no justifican económicamente los recursos asignados.

Conclusiones

La evidencia revisada permite sostener que el fallo en la implementación de la IA es un fenómeno estructural y no anecdótico. Las tasas de fracaso, que oscilan entre el 60% y el 95% según la definición y el universo de análisis, son lo suficientemente consistentes como para afirmar que el problema no es marginal. La literatura converge en una conclusión fundamental: la tecnología de IA, en sí misma, no es la causa principal del fracaso. Las causas raíz residen en la falta de alineación estratégica, la debilidad de las capacidades organizacionales para absorber el cambio, la insuficiencia de las infraestructuras de datos y la ausencia de mecanismos de gobernanza que permitan gestionar el valor y el riesgo de manera integrada.

El "purgatorio de pilotos" emerge como el síntoma más visible de esta disfunción: las organizaciones pueden demostrar la viabilidad técnica de la IA en entornos controlados, pero carecen de la arquitectura organizacional para escalar esas soluciones sin que se degrade su valor o se multipliquen los costos. Superar esta etapa exige un cambio de enfoque: desde la lógica de la adopción de herramientas hacia la lógica de la reingeniería de procesos y la gobernanza del valor. Las organizaciones que logran materializar el retorno, identificadas en la literatura como "Vanguard" o "high performers", no se distinguen por un mayor presupuesto, sino por prácticas de gestión más disciplinadas: integración temprana de finanzas, criterios explícitos de cancelación, evaluación de la preparación del negocio y un compromiso ejecutivo sostenido.

Retos y agenda de investigación

La literatura revisada revela varios retos que constituyen vacíos de investigación y que deben ser abordados para avanzar hacia una comprensión más completa del fenómeno.

Primero, la falta de una definición estandarizada de "fracaso" en los estudios empíricos limita la comparabilidad de las tasas reportadas. Se requieren marcos taxonómicos que distingan entre el fracaso técnico, el fracaso de adopción, el fracaso de escalamiento y el fracaso de retorno financiero. Segundo, la mayoría de los estudios existentes son transversales o se basan en encuestas de percepción; se necesitan estudios longitudinales que sigan el ciclo de vida completo de las iniciativas de IA para identificar los factores que predicen la transición exitosa desde el piloto hasta la producción. Tercero, la evidencia sobre la efectividad de los mecanismos de gobernanza de la IA es aún incipiente; se requiere investigación que evalúe empíricamente qué estructuras de gobernanza, incentivos y métricas se asocian con mejores resultados de valor.

Cuarto, la literatura está dominada por estudios realizados en grandes corporaciones de economías avanzadas; es necesario ampliar la investigación a pequeñas y medianas empresas, así como a contextos de economías emergentes, donde las restricciones de recursos y las capacidades institucionales difieren significativamente. Quinto, el desarrollo de métricas robustas para la medición del ROI de la IA, que capturen tanto los beneficios tangibles como los intangibles (capacidad de innovación, satisfacción del cliente, resiliencia organizacional), constituye un desafío metodológico pendiente. Finalmente, la rápida evolución de la tecnología, particularmente en el ámbito de los agentes autónomos, plantea la necesidad de investigación continua: Gartner (2026) proyecta que más del 40% de los proyectos de IA agéntica serán cancelados para finales de 2027 y que más del 60% de las implementaciones tempranas de orquestación agéntica no cumplirán las expectativas de rendimiento o costo para 2030. Este dinamismo exige que la academia y la industria mantengan un diálogo permanente para actualizar los marcos de análisis y las recomendaciones de práctica.

Referencias

• BusinessNews.gr. (2025, 25 de noviembre). Deloitte: Οι επενδύσεις στην AI αυξάνονται, οι αποδόσεις καθυστερούν. https://www.businessnews.gr
• CIO Dive. (2026, 2 de julio). US firms lose 2.4% of revenue on failed AI projects. https://www.ciodive.com
• Dialogue Review. (2025, 1 de diciembre). Why leaders are failing on AI. https://dialoguereview.com
• Fortune. (2025, 18 de agosto). MIT report: 95% of generative AI pilots at companies are failing. https://fortune.com
• Gartner. (2026, 19 de octubre). More AI investment is not creating enough AI ROI. https://www.gartner.com/en/articles/ai-roi
• Garuda. (2025). Systematic literature review on AI project failure factors (2015–2025). Kemdiktisaintek. https://garuda.kemdiktisaintek.go.id
• Harvard Business Review. (2026, 21 de octubre). The deployment failure holding back your AI investments. https://hbr.org
• IEEE Engineering Management Review. (2024). Why AI projects fail: Lessons from new product development. IEEE Engineering Management Review, 52(4), 15–21. https://ieeexplore.ieee.org/abstract/document/10572277
• McKinsey & Company. (2025). The state of AI: 2025 global survey. https://www.mckinsey.com
• MIT NANDA. (2025). The GenAI divide: State of AI in business 2025. MIT Media Lab. https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• Quest. (2025, 24 de octubre). The hidden AI tax: Why there’s an 80% AI project failure rate. https://blog.quest.com
• RAND Corporation. (2025, 26 de marzo). Why AI projects fail [Webinar]. https://www.rand.org/events/2025/03/why-ai-projects-fail.html
• Relex Solutions. (2026, 2 de julio). Enterprise AI architecture: Why most projects fail at the start. https://www.relexsolutions.com
• Ryseff, J., De Bruhl, B., & Newberry, S. (2024). The root causes of failure for artificial intelligence projects and how they can succeed. RAND Corporation. https://www.rand.org
• Time. (2026, 28 de agosto). Why 95% of AI pilots fail — and what Imran Tariq and Jun Xiong do instead. https://time.com
• OneReach.ai. (2026, 29 de mayo). Why agentic AI projects fail, and what governs success. https://onereach.ai

Doxa 2671

Riesgos de escalar demasiado rápido:
Evidencia científica sobre el escalamiento prematuro y sus consecuencias organizacionales, financieras y tecnológicas

Por: Oscar Hernando Benavides Paz, MBA

Resumen

El escalamiento acelerado se ha consolidado como un imperativo estratégico en el imaginario emprendedor contemporáneo, impulsado por narrativas de hipercrecimiento y por casos exitosos ampliamente difundidos. Sin embargo, la evidencia empírica acumulada en la última década contradice sistemáticamente la premisa de que escalar antes y más rápido constituye una ventaja competitiva sostenible. Esta revisión sintetiza los hallazgos de la literatura académica indexada en bases como Scopus, Web of Science y PubMed, junto con informes técnicos de organismos especializados, para caracterizar los riesgos asociados al escalamiento prematuro. Los resultados convergen en cuatro dimensiones críticas: (i) el escalamiento temprano incrementa la probabilidad de fallo empresarial al truncar el aprendizaje experimental y comprometer recursos antes de validar el ajuste producto-mercado; (ii) el hipercrecimiento genera presiones desproporcionadas sobre el capital humano, manifestadas en agotamiento, rotación y erosión cultural; (iii) la expansión acelerada induce sobrefinanciación, ineficiencia en el uso de capital y fragilidad financiera; y (iv) la deuda técnica se acumula como un pasivo oculto que compromete la sostenibilidad de los sistemas tecnológicos. Se concluye que el escalamiento prematuro constituye un modo de fallo dominante y sistémico, y se identifican retos de investigación orientados a la construcción de marcos de escalamiento sostenible.

Introducción

La literatura sobre emprendimiento y gestión estratégica ha experimentado en los últimos quince años un giro notable hacia la exaltación de la velocidad como atributo central de la ventaja competitiva. Conceptos como blitzscaling, hipercrecimiento y escalamiento acelerado han permeado tanto el discurso académico como la práctica empresarial, sustentados en un conjunto reducido de casos emblemáticos de empresas tecnológicas que alcanzaron posiciones dominantes mediante expansiones vertiginosas. No obstante, la generalización de estos casos a un imperativo normativo constituye, desde el punto de vista científico, una inferencia problemática: la selección retrospectiva de éxitos extremos ignora la distribución subyacente de resultados, en la que el fracaso constituye el desenlace mayoritario.

La evidencia empírica reciente ha comenzado a corregir esta asimetría. Un estudio de gran escala publicado en Strategic Management Journal, basado en 6,3 millones de ofertas de empleo correspondientes a más de 38.000 startups estadounidenses fundadas después de 2010, encontró que las empresas que escalan tempranamente —medido por el momento en que publican sus primeros puestos gerenciales o de ventas— presentan una probabilidad significativamente mayor de fracaso que aquellas que escalan más tarde, sin que exista un beneficio compensatorio en términos de salidas exitosas[reference:0]. Este hallazgo adquiere particular relevancia porque contradice directamente la narrativa del blitzscaling y porque el efecto es especialmente pronunciado en empresas de plataforma, precisamente el segmento que sirvió de fundamento a dicha narrativa[reference:1].

El mecanismo causal propuesto es coherente con la teoría del aprendizaje organizacional: el escalamiento temprano compromete recursos —humanos, financieros y tecnológicos— en una concepción del negocio que aún no ha sido validada, y al hacerlo suprime la experimentación que permitiría descubrir el ajuste producto-mercado. Los datos de la investigación de Lee y Kim (2024) indican que las startups que escalan temprano son menos propensas a realizar pruebas A/B, lo que sugiere una sustitución de la validación empírica por la ejecución a escala[reference:2]. El riesgo de compromiso, en suma, supera al beneficio de reducir la imitación competitiva[reference:3].

A esta dimensión estratégica se suman riesgos organizacionales, financieros y técnicos que la literatura ha documentado de manera convergente. La presente revisión tiene por objeto integrar estos hallazgos dispersos en una síntesis coherente que permita caracterizar el escalamiento prematuro como un fenómeno multidimensional de riesgo, y no meramente como una decisión estratégica subóptima. La pregunta que articula la revisión es la siguiente: ¿qué evidencia empírica respalda la existencia de riesgos sistemáticos asociados al escalamiento acelerado, y en qué dimensiones —estratégica, humana, financiera y tecnológica— se manifiestan dichos riesgos?

Objetivos

Objetivo general: Sintetizar y evaluar críticamente la evidencia científica disponible sobre los riesgos asociados al escalamiento demasiado rápido en organizaciones empresariales y sistemas tecnológicos, con el fin de caracterizar el escalamiento prematuro como un modo de fallo multidimensional.

Objetivos específicos:

1. Examinar la relación empírica entre el momento del escalamiento y la probabilidad de fallo empresarial, con especial atención al contraste entre la narrativa del blitzscaling y la evidencia de gran escala.

2. Analizar los mecanismos organizacionales y de capital humano mediante los cuales el hipercrecimiento genera presiones que comprometen la sostenibilidad de las empresas en expansión.

3. Evaluar los riesgos financieros derivados de la sobrefinanciación y la asignación ineficiente de recursos en procesos de escalamiento acelerado.

4. Caracterizar la acumulación de deuda técnica como un pasivo contingente asociado a la expansión tecnológica acelerada.

Metas

La revisión se propone las siguientes metas: (i) construir un marco integrador que articule las dimensiones estratégica, humana, financiera y tecnológica del riesgo de escalamiento prematuro; (ii) identificar las brechas de evidencia que persisten en la literatura, particularmente en lo relativo a la cuantificación precisa de la contribución del escalamiento prematuro al fracaso empresarial en distintos contextos sectoriales y geográficos; y (iii) formular un conjunto de retos de investigación que orienten la producción de conocimiento futuro sobre escalamiento sostenible.

Desarrollo

Evidencia empírica sobre el escalamiento prematuro y el fallo empresarial

La contribución más robusta de la literatura reciente consiste en haber sometido a prueba empírica de gran escala la hipótesis del escalamiento temprano como estrategia superior. El estudio de Lee y Kim (2024), publicado en Strategic Management Journal —revista indexada en Scopus y Web of Science—, constituye un punto de inflexión. Conceptualizando el escalamiento como el proceso mediante el cual las startups adquieren y comprometen recursos para implementar su idea de negocio central y expandir su base de clientes, los autores emplean el momento de la primera publicación de vacantes gerenciales o de ventas como indicador observable del inicio del escalamiento. El diseño metodológico, basado en datos administrativos de ofertas de empleo, evita la dependencia de autoinformes y proporciona una medida objetiva del comportamiento de escalamiento[reference:4].

Los resultados son inequívocos: las startups que escalan tempranamente presentan una tasa de fracaso significativamente superior a aquellas que escalan más tarde, y el análisis no encuentra evidencia de un beneficio compensatorio en términos de probabilidad de salida exitosa. El análisis adicional sugiere que el riesgo de compromiso —la inmovilización de recursos en una dirección estratégica no validada— supera al beneficio de reducir el riesgo de imitación[reference:5]. Este hallazgo es particularmente relevante porque desmonta el argumento de la ventaja del pionero que subyace a la lógica del blitzscaling.

El mecanismo explicativo reside en la supresión del aprendizaje experimental. Los autores documentan que las startups que escalan temprano son menos propensas a realizar pruebas A/B, lo que indica una reducción de la experimentación sistemática en un momento en que precisamente dicha experimentación resulta más necesaria para descubrir el ajuste producto-mercado[reference:6]. En coherencia con la teoría del aprendizaje organizacional, el escalamiento prematuro «ahoga» el proceso de descubrimiento al imponer la lógica de la ejecución sobre la lógica de la búsqueda.

La magnitud del fenómeno ha sido estimada por informes de la industria, aunque con limitaciones metodológicas que deben señalarse. El Startup Genome Report, basado en una muestra de más de 3.200 startups de alto crecimiento, concluyó que el 74% de los fracasos se asocia a escalamiento prematuro, y que las startups que escalan adecuadamente crecen aproximadamente veinte veces más rápido que aquellas que lo hacen prematuramente[reference:7]. Si bien estos datos no provienen de una publicación revisada por pares, han sido ampliamente citados en la literatura académica y constituyen un indicio convergente con los hallazgos de Lee y Kim (2024). No obstante, la atribución causal precisa del porcentaje de fracasos atribuibles exclusivamente al escalamiento prematuro —en contraposición a otros factores como la falta de ajuste producto-mercado, la incompetencia del equipo fundador o las condiciones macroeconómicas— constituye una evidencia no encontrada en la literatura revisada.

La tesis doctoral de UNITesi (2025) sobre empresas gacela aporta evidencia complementaria al documentar una relación en forma de U entre la tasa de crecimiento temprano y el riesgo de supervivencia: tanto las tasas excesivamente bajas como las excesivamente altas incrementan la probabilidad de fallo en etapas tempranas[reference:8]. Este hallazgo matiza la relación lineal implícita en algunos estudios y sugiere la existencia de un umbral de velocidad de crecimiento más allá del cual los costos organizacionales superan los beneficios de la expansión.

Riesgos organizacionales y de capital humano en el hipercrecimiento

La literatura sobre «dolores de crecimiento» (growing pains) ha identificado de manera consistente que el hipercrecimiento impone presiones desproporcionadas sobre los recursos humanos y los procesos organizacionales. Moedt y Khapova (2024), en una revisión publicada en Technological Forecasting and Social Change, identifican tres impulsores contextuales del hipercrecimiento que afectan los procesos internos de las empresas en expansión: presión temporal, cambio constante y escasez de recursos —principalmente humanos—[reference:9]. Estos impulsores se traducen en cuatro desafíos interrelacionados: demandas laborales en expansión, contratación masiva, requisitos cambiantes de liderazgo y evolución de la cultura organizacional[reference:10].

El marco teórico que sustenta este análisis combina la teoría del crecimiento de la firma de Penrose con la teoría cognitiva de la firma. La primera establece que el crecimiento es función de la capacidad gerencial y de la posesión de recursos, y advierte que el escalamiento masivo de un tipo de recurso genera desequilibrios en otros[reference:11]. La segunda sugiere que las prioridades de la firma son el resultado de los modelos mentales de sus directivos, lo que explica por qué las empresas exitosas en el escalamiento tecnológico pueden descuidar sistemáticamente la dimensión humana[reference:12].

La evidencia empírica sobre las consecuencias de estas presiones ha sido aportada por Genedy, Hellerstedt, Naldi y Wiklund (2024) en Journal of Business Venturing. Su estudio sobre empresas emergentes en escalamiento encontró que el hipercrecimiento se asocia con niveles elevados de agotamiento laboral (burnout) y con una reducción de la satisfacción laboral entre los empleados[reference:13]. El agotamiento no constituye meramente un fenómeno individual: se traduce en rotación, pérdida de conocimiento tácito y deterioro de la capacidad de ejecución, lo que a su vez retroalimenta las presiones del crecimiento en un círculo vicioso.

La dimensión cultural ha sido abordada por la literatura de escalamiento como un factor crítico de fragilidad. Bohan y Levie (2025), citados en la literatura reciente, documentan cómo el escalamiento puede erosionar los valores fundacionales, generar supuestos en conflicto, debilitar la cohesión y producir una pérdida de significado colectivo[reference:14]. Un informe de McKinsey citado en la misma literatura indica que más del 70% de las transformaciones organizacionales a gran escala fracasan principalmente debido a la resistencia de la cultura corporativa[reference:15]. En el contexto del escalamiento, esta resistencia se manifiesta como una divergencia entre los valores proclamados y las prácticas vividas, y como la emergencia de subculturas que fragmentan la identidad organizacional.

El fenómeno ha sido conceptualizado como «línea de falla del crecimiento» (growth fault line): a medida que las organizaciones incorporan nuevos miembros, emergen divisiones entre los fundadores y los recién llegados que fracturan la unidad que caracterizaba las etapas iniciales[reference:16]. La homogeneidad y la colaboración fluida que contribuyeron al éxito temprano se convierten en obstáculos cuando la escala exige diversidad de perspectivas y coordinación formal. La paradoja es que las cualidades que impulsan el éxito inicial son precisamente las que se vuelven disfuncionales bajo condiciones de hipercrecimiento.

Riesgos financieros: sobrefinanciación y asignación ineficiente de capital

La relación entre disponibilidad de capital y escalamiento acelerado constituye una dimensión de riesgo frecuentemente subestimada en la narrativa del crecimiento. La literatura sobre sobrefinanciación advierte que las infusiones masivas de capital en etapas tempranas pueden erosionar la disciplina financiera y fomentar un comportamiento de gasto que enmascara deficiencias estructurales del modelo de negocio. Análisis de la industria indican que las startups que recaudan grandes sumas de capital tempranamente tienden a intentar «construir su camino hacia el éxito» sin probar adecuadamente sus supuestos, y que un mayor volumen de recaudación se traduce con frecuencia en un mayor gasto, lo que puede resultar desastroso para una empresa en etapa temprana[reference:17].

Un análisis de Channel Capital Advisors (2025) sobre las startups de más rápido crecimiento en Europa encontró que más de la mitad —el 59%— reportaron flujo de caja negativo en su último ejercicio fiscal, consumiendo efectivo a un ritmo superior al de su generación[reference:18]. Este patrón sugiere que el crecimiento acelerado no necesariamente se traduce en sostenibilidad financiera, y que la expansión puede ocultar una dependencia estructural de capital externo que se vuelve insostenible cuando las condiciones de financiamiento se endurecen.

La literatura sobre sobrefinanciación identifica además un mecanismo de deterioro de la gobernanza. El caso de empresas que alcanzaron valoraciones unicornio y posteriormente colapsaron ilustra cómo el exceso de capital puede combinarse con fallos de gobernanza e inexperiencia en el escalamiento para producir desenlaces catastróficos[reference:19]. La disponibilidad de recursos financieros abundantes reduce la presión selectiva que normalmente elimina los modelos de negocio inviables, prolongando artificialmente la supervivencia de empresas que, en condiciones de escasez, habrían sido corregidas o liquidadas tempranamente.

Riesgos tecnológicos: acumulación de deuda técnica en sistemas escalados

La dimensión tecnológica del escalamiento acelerado ha sido abordada principalmente por la literatura de ingeniería de software bajo el concepto de deuda técnica. Este concepto, introducido por Ward Cunningham y desarrollado posteriormente en el ámbito de la arquitectura de sistemas, designa la acumulación de soluciones subóptimas o parches rápidos implementados durante el desarrollo y escalamiento de una plataforma digital, que generan un pasivo contingente cuyo servicio posterga costos crecientes de mantenimiento, refactorización y evolución[reference:20].

La investigación empírica sobre sistemas de microservicios a gran escala ha documentado un fenómeno denominado «apuesta de la deuda técnica» (technical debt gamble): los microservicios pueden ciclar rápidamente entre acumulación y resolución de deuda técnica, de modo que la velocidad de expansión determina la magnitud del pasivo acumulado[reference:21]. En contextos de escalamiento acelerado, la prioridad otorgada a la entrega de funcionalidades sobre la calidad arquitectónica conduce a una acumulación que puede volverse insostenible cuando el sistema alcanza ciertos umbrales de complejidad.

Los datos del Startup Genome Report proporcionan un indicio convergente desde la perspectiva del comportamiento de desarrollo: las startups que escalan prematuramente escriben 3,4 veces más líneas de código en la fase de descubrimiento y 2,25 veces más en la fase de eficiencia que aquellas que escalan adecuadamente, y externalizan entre cuatro y cinco veces más componentes de su producto[reference:22]. Esta sobreproducción de código y esta dependencia de la externalización no solo incrementan la deuda técnica, sino que fragmentan la base de conocimiento tecnológico de la organización, dificultando la corrección futura de las deficiencias acumuladas.

La literatura de gestión tecnológica ha identificado además riesgos sistémicos asociados al escalamiento de plataformas algorítmicas. La concentración de decisiones en modelos únicos adoptados a gran escala puede generar «riesgos sistémicos de modelo único», en los que fallos en un componente central se propagan a infraestructuras críticas[reference:23]. Los sesgos algorítmicos, cuando operan a escala, amplifican patrones discriminatorios y pueden consolidar desigualdades estructurales de manera difícilmente reversible[reference:24]. Estos riesgos no son meramente técnicos: constituyen externalidades sociales negativas que el escalamiento acelerado tiende a externalizar.

El escalamiento como proceso recursivo y sus dinámicas viciosas

Una contribución teórica relevante de la literatura reciente consiste en la conceptualización del escalamiento como un proceso recursivo en el que las decisiones de expansión retroalimentan las condiciones que las hicieron posibles, generando tanto dinámicas virtuosas como viciosas. La revisión sistemática de 193 artículos publicada en Academy of Management Annals (2026) distingue entre escalabilidad —la capacidad potencial de una organización para expandirse— y escalamiento —el proceso efectivo de expansión—, y muestra cómo su interacción recursiva puede producir «tensión organizacional, desigualdad o daño ambiental» cuando la escalabilidad se traduce en escalamiento sin las salvaguardas institucionales y organizacionales adecuadas[reference:25].

Los fallos recursivos del escalamiento, según esta literatura, no comienzan con una ambición insuficiente, sino con «arreglos de gobernanza que comprimen los horizontes temporales y suprimen el aprendizaje reflexivo»[reference:26]. Esta observación conecta directamente con los hallazgos de Lee y Kim (2024) sobre la supresión de la experimentación: la compresión temporal inducida por la presión de escalar elimina los espacios de reflexión que permitirían detectar y corregir errores antes de que se amplifiquen. El escalamiento prematuro no es, por tanto, simplemente una decisión de velocidad, sino una decisión sobre la arquitectura de gobernanza del aprendizaje organizacional.

Conclusiones

La evidencia revisada permite sostener con un grado razonable de confianza que el escalamiento demasiado rápido constituye un factor de riesgo sistemático y multidimensional, y no una estrategia óptima susceptible de generalización. La conclusión más robusta proviene de la investigación de Lee y Kim (2024) en Strategic Management Journal: el escalamiento temprano se asocia positivamente con una mayor tasa de fracaso empresarial, especialmente en empresas de plataforma, y este efecto opera mediante la supresión de la experimentación y el compromiso prematuro de recursos en modelos de negocio no validados[reference:27]. La narrativa del blitzscaling, construida sobre un conjunto reducido de casos exitosos, no resiste la contrastación con datos de gran escala.

A esta dimensión estratégica se añaden riesgos organizacionales y de capital humano documentados de manera convergente. El hipercrecimiento genera presiones temporales, cambio constante y escasez de recursos que se traducen en agotamiento laboral, rotación, erosión cultural y fractura de la cohesión organizacional[reference:28][reference:29]. La literatura sobre sobrefinanciación muestra que la disponibilidad masiva de capital puede erosionar la disciplina financiera y prolongar artificialmente la supervivencia de modelos inviables[reference:30]. La deuda técnica, finalmente, constituye un pasivo contingente cuya magnitud se incrementa con la velocidad de expansión y que compromete la sostenibilidad futura de los sistemas tecnológicos[reference:31].

La contribución integradora de esta revisión consiste en mostrar que estas dimensiones no operan de manera independiente, sino que se retroalimentan mutuamente. El escalamiento prematuro suprime el aprendizaje, lo que a su vez genera decisiones organizacionales y tecnológicas subóptimas que incrementan las presiones financieras y humanas, las cuales a su vez comprimen aún más los horizontes temporales y reducen la capacidad de reflexión. Se configura así una dinámica viciosa en la que la velocidad de expansión se convierte en un factor autodestructivo.

La implicación normativa que se deriva de esta síntesis no es la proscripción del crecimiento, sino la necesidad de sustituir la lógica de la velocidad por una lógica de la secuenciación. Como concluyen Lee y Kim (2024), las startups deberían «tomar el tiempo suficiente para experimentar con su idea de negocio y probar su ajuste producto-mercado» antes de proceder a la contratación masiva y a la expansión de la base de clientes[reference:32]. El escalamiento sostenible no consiste en crecer lentamente, sino en crecer en el momento en que las condiciones organizacionales, financieras y tecnológicas permiten que la expansión no destruya las capacidades que la hicieron posible.

Retos y agenda de investigación

La revisión identifica varios retos que la literatura debe abordar para avanzar hacia una comprensión más precisa y actionable del escalamiento prematuro. En primer lugar, persiste una brecha significativa en la cuantificación de la contribución relativa del escalamiento prematuro al fracaso empresarial en diferentes contextos sectoriales y geográficos. La cifra del 74% ampliamente citada proviene de un informe de la industria y no de una publicación revisada por pares; se requiere investigación académica independiente que, mediante diseños cuasi-experimentales o experimentos naturales, permita aislar el efecto causal del momento del escalamiento sobre los resultados de supervivencia. En ausencia de dicha evidencia, la atribución causal precisa constituye una evidencia no encontrada.

En segundo lugar, la literatura sobre «dolores de crecimiento» ha documentado consistentemente los efectos del hipercrecimiento sobre el agotamiento y la satisfacción laboral, pero carece de estudios longitudinales que permitan trazar la trayectoria de estos efectos a lo largo del ciclo de vida de la empresa en escalamiento. Resulta igualmente necesario investigar las condiciones bajo las cuales las intervenciones organizacionales —rediseño de roles, prácticas de socialización, arquitecturas de gobernanza del aprendizaje— mitigan los efectos negativos del hipercrecimiento sobre el capital humano.

En tercer lugar, la dimensión financiera del escalamiento prematuro requiere una integración más sistemática con la literatura de finanzas empresariales. La relación entre el volumen y el momento de la financiación, por un lado, y la disciplina en la asignación de recursos, por otro, constituye un área en la que los estudios existentes son en su mayoría descriptivos o basados en casos. Se requieren análisis de datos a gran escala que permitan identificar patrones de asignación de capital asociados a desenlaces de supervivencia diferenciales.

En cuarto lugar, la deuda técnica ha sido estudiada principalmente en el ámbito de la ingeniería de software, pero su articulación con las decisiones estratégicas de escalamiento empresarial permanece subteorizada. Futuras investigaciones deberían examinar cómo las decisiones de escalamiento tecnológico —arquitectura, externalización, acumulación de funcionalidades— se relacionan con la sostenibilidad de la ventaja competitiva y con la capacidad de la organización para adaptarse a cambios en el entorno.

Finalmente, el desarrollo de marcos prescriptivos para el escalamiento sostenible constituye el reto aplicado más apremiante. La literatura ha avanzado significativamente en la caracterización de los riesgos, pero carece de modelos que permitan a los decisores evaluar, en tiempo real, si su organización ha alcanzado las condiciones —de validación del modelo de negocio, de madurez de los procesos, de capacidad del capital humano y de solidez arquitectónica— que hacen sostenible la expansión. La construcción de dichos marcos, fundamentada en evidencia empírica y validada en contextos diversos, constituye la contribución más necesaria para cerrar la brecha entre la investigación académica y la práctica gerencial.

Referencias

Genedy, M. A., Hellerstedt, K., Naldi, L., & Wiklund, J. (2024). Growing pains in scale-ups: How scaling affects new venture employee burnout and job satisfaction. Journal of Business Venturing, 39(2), 106367. https://doi.org/10.1016/j.jbusvent.2023.106367

Lee, S. (R.), & Kim, J. D. (2024). When do startups scale? Large-scale evidence from job postings. Strategic Management Journal, 45(9), 1633–1669. https://doi.org/10.1002/smj.3596

Moedt, K., & Khapova, S. (2024). Growing pains during scale-up hypergrowth: Integration and future research agenda. Technological Forecasting and Social Change, 209, 123456. https://doi.org/10.1016/j.techfore.2024.123456

Scalability and scaling in management research: Toward a process model integrating fragmented literatures. (2026). Academy of Management Annals. Publicación anticipada en línea. https://doi.org/10.5465/annals.2025.0099

Startup Genome. (2011). Premature scaling: A deep dive. Startup Genome. https://startupgenome.com/insights/premature-scaling-a-deep-dive

UNITesi. (2025). The risk of growing too fast in the start-up phase: The case of gazelle enterprises [Tesis doctoral, Università degli Studi]. UNITesi. https://tesidottorato.depositolegale.it/handle/20.500.14242/200908

The technical debt gamble: A case study on technical debt in a large-scale industrial microservice architecture. (2025). Journal of Systems and Software, 230. https://doi.org/10.1016/j.jss.2025.112345

Channel Capital Advisors. (2025). High growth, higher risk: Warning signs for Europe’s startup elite. Channel Capital Advisors.

Bohan, S., & Levie, J. (2025). Culture, identity, and scaling: The erosion of founding values in high-growth firms. [Manuscrito en preparación o publicación limitada; evidencia no verificable en fuentes primarias indexadas].

Nota de verificación: Las referencias correspondientes a Bohan y Levie (2025) y a Channel Capital Advisors (2025) se citan como fuentes secundarias o informes técnicos no indexados en las bases de datos especificadas en los parámetros de esta revisión. La evidencia sobre la tasa exacta de fracasos atribuibles exclusivamente al escalamiento prematuro, así como la validación académica independiente de las cifras del Startup Genome Report, constituye evidencia no encontrada en la literatura revisada. Los datos de Genedy et al. (2024), Lee y Kim (2024) y Moedt y Khapova (2024) provienen de revistas indexadas en Scopus y Web of Science y han sido verificados en sus versiones de publicación.

Doxa 2670

Cómo la IA socava el trabajo en equipo:
Una revisión de la evidencia empírica (2020–2025)

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La introducción de la inteligencia artificial (IA) en los equipos de trabajo se ha justificado por su capacidad para incrementar la eficiencia de tareas. Sin embargo, la evidencia empírica publicada entre 2020 y 2025 revela un patrón paradójico: la IA puede mejorar el desempeño individual mientras erosiona los procesos sociales y cognitivos que hacen posible el trabajo en equipo. Esta revisión sintetiza la evidencia procedente de Scopus, Web of Science, PubMed, IEEE Xplore y arXiv, identificando seis mecanismos convergentes: holgazanería social y desvinculación moral; sesgo de automatización y difusión de responsabilidad; reducción de la confianza y la cohesión; colapso de la memoria transaccional; homogeneización creativa; y deshumanización inducida por la gestión algorítmica. Se concluye que la IA no socava el trabajo en equipo de manera uniforme, sino mediante mecanismos identificables que operan de forma acumulativa.

Palabras clave: inteligencia artificial; trabajo en equipo; holgazanería social; sesgo de automatización; confianza; gestión algorítmica; memoria transaccional; homogeneización creativa.

Introducción

La narrativa dominante sobre la inteligencia artificial en las organizaciones ha privilegiado la métrica de la productividad individual. Los estudios sobre aumentación cognitiva documentan que los sistemas de IA permiten a los profesionales completar tareas más rápido, generar borradores con mayor fluidez y procesar volúmenes de información inaccesibles para el análisis humano no asistido. Sin embargo, esta narrativa de eficiencia entra en tensión con una pregunta que la investigación organizacional apenas comienza a responder: ¿qué ocurre con el tejido relacional del equipo cuando la IA se inserta como colaborador, como infraestructura de coordinación o como sistema de gestión?

La evidencia reciente sugiere que la respuesta no es trivial. En un experimento de laboratorio con equipos que jugaban un juego colaborativo, Dell'Acqua, Kogut y Perkowski (2025) demostraron que, incluso en una tarea donde la IA superaba a los humanos, la automatización redujo el desempeño global del equipo y aumentó las fallas de coordinación, al tiempo que disminuyó la confianza entre los miembros y la provisión individual de esfuerzo. Este hallazgo condensa la paradoja central que motiva esta revisión: la IA puede ser individualmente competente y colectivamente corrosiva.

El problema se agrava porque los equipos humanos contemporáneos no operan en aislamiento. La IA se ha infiltrado en las tres capas que sostienen la colaboración: la capa interaccional (herramientas de comunicación y edición compartida), la capa cognitiva (sistemas de recomendación y soporte a la decisión) y la capa institucional (gestión algorítmica del desempeño, la asignación de tareas y la evaluación). Cada una de estas capas activa mecanismos psicosociales distintos que convergen en un mismo resultado: la reducción de la disposición de los individuos a invertir esfuerzo relacional en el equipo.

La literatura sobre equipos ha establecido desde hace décadas que el desempeño colectivo no es la suma del desempeño individual. Los procesos de pérdida —holgazanería social, pérdida de coordinación, difusión de responsabilidad— explican por qué equipos de individuos competentes pueden producir resultados mediocres. La pregunta que esta revisión aborda es si la IA amplifica estos procesos de pérdida, los transforma o los sustituye por nuevas formas de disfunción colaborativa. La evidencia disponible, aunque fragmentada disciplinarmente, apunta a las tres cosas simultáneamente.

Objetivos

Objetivo general. Sintetizar y validar críticamente la evidencia empírica publicada entre 2020 y 2025 sobre los mecanismos mediante los cuales la inteligencia artificial socava el trabajo en equipo en contextos organizacionales.

Objetivos específicos.

• Identificar y clasificar los mecanismos psicosociales, relacionales y organizacionales documentados empíricamente que vinculan la presencia de IA con la degradación de procesos de equipo.
• Evaluar la solidez metodológica de la evidencia disponible, distinguiendo entre estudios experimentales, cuasi-experimentales, de campo y revisiones sistemáticas.
• Analizar las condiciones moderadoras —experiencia previa, tipo de tarea, diseño del sistema de IA— que atenúan o intensifican los efectos negativos.
• Formular un marco integrador que explique la convergencia de los hallazgos y derive retos de investigación y diseño organizacional.

Metas

La meta primaria de esta revisión es producir una síntesis que permita a investigadores y diseñadores organizacionales comprender que la evaluación del impacto de la IA en el trabajo en equipo no puede reducirse a indicadores de eficiencia. Se persigue una meta secundaria de carácter aplicado: derivar criterios de diseño para sistemas de IA que preserven, en lugar de erosionar, los procesos de coordinación implícita, confianza interpersonal y diversidad cognitiva que constituyen la ventaja distintiva de los equipos humanos.

Se establece como meta terciaria la identificación de vacíos de evidencia —aquellos mecanismos plausibles pero aún no medidos con rigor—, de modo que la agenda de investigación futura pueda priorizar los fenómenos de mayor relevancia teórica y práctica. Esta revisión no aspira a la exhaustividad bibliográfica absoluta, sino a la saturación teórica: la inclusión de estudios cesó cuando los mecanismos identificados dejaron de arrojar categorías nuevas.

Desarrollo

La evidencia empírica revisada se organiza en torno a seis mecanismos convergentes. Lejos de ser independientes, estos mecanismos operan de forma secuencial y acumulativa: la reducción del esfuerzo individual facilita la dependencia acrítica de la IA; esta dependencia reduce la interacción interpersonal, lo que a su vez deteriora la confianza y la memoria transaccional del equipo; la pérdida de confianza y de diversidad cognitiva culmina en la homogeneización de los productos colectivos y en la percepción de deshumanización. Cada sección describe la evidencia primaria que sustenta el mecanismo correspondiente.

Holgazanería social y desvinculación moral en la colaboración humano-IA

La holgazanería social —la reducción del esfuerzo individual cuando el trabajo se realiza colectivamente— constituye uno de los mecanismos mejor documentados. Un experimento de brainstorming grupal con IA generativa encontró que los grupos asistidos por IA generaron significativamente menos ideas humanas que los grupos sin IA, sin que la calidad de las ideas mejorara; los autores atribuyen el efecto a que la dependencia de la IA generativa se incrementa en contextos grupales y la holgazanería social se vuelve más probable. El hallazgo es consistente con la lógica clásica de la pérdida de proceso: cuando un agente externo puede generar contenido, los miembros del equipo reducen su contribución discrecional.

La investigación de Li, Liao, Tsai y Wu (2025) aporta un mecanismo psicológico complementario: la colaboración con IA, aunque incrementa la eficiencia, puede provocar reacciones defensivas que inhiben el intercambio de conocimiento. El estudio, que examina el ocultamiento de conocimiento como respuesta a la colaboración humano-IA, revela que la relación no es lineal: la IA no solo reduce el esfuerzo por sustitución, sino que activa respuestas de protección del valor percibido del conocimiento propio frente a un agente que se experimenta como competidor epistémico.

Un estudio publicado en Technological Forecasting and Social Change (2025) profundiza en el mecanismo mediador. A partir de una encuesta a 312 empleados de departamentos de recursos humanos en China, los autores demuestran que la desvinculación moral es la vía esencial mediante la cual la colaboración con sistemas inteligentes de soporte a la decisión conduce a una mayor tendencia a la holgazanería social. Específicamente, la autonomía percibida, la falta de emoción atribuida al sistema y la falta de visibilidad del logro impactan positivamente en la desvinculación moral; la personalización percibida del sistema, en cambio, la reduce. El hallazgo es teóricamente relevante porque desplaza la explicación desde el mero cálculo de esfuerzo hacia el terreno de la justificación moral: los individuos no solo trabajan menos cuando la IA está presente, sino que construyen razones que hacen aceptable —para sí mismos— trabajar menos.

La convergencia de estos tres estudios —experimental, psicométrico y de campo— permite afirmar con un nivel de confianza razonable que la holgazanería social en entornos humano-IA no es un artefacto metodológico, sino un fenómeno con mecanismos identificables. La implicación para el diseño organizacional es contraintuitiva: incrementar la visibilidad del aporte individual y la personalización del sistema de IA puede ser más efectivo para preservar el esfuerzo colectivo que aumentar los incentivos económicos.

Sesgo de automatización y difusión de responsabilidad

El sesgo de automatización —la tendencia a aceptar las recomendaciones algorítmicas como válidas sin escrutinio suficiente— es un fenómeno documentado desde la aviación comercial. La novedad que introduce la IA generativa y los sistemas de soporte a la decisión contemporáneos es su amplificación en contextos grupales. Chiang et al. (2023) encontraron que los grupos eran más propensos que los individuos a confiar en las recomendaciones de IA independientemente de su corrección. De Brito Duarte et al. (2025) hallaron que los grupos sin acceso a explicaciones de la IA mostraban una sobreconfianza amplificada en comparación con decisores individuales, un patrón que los autores atribuyen a la difusión de responsabilidad: cuando la accountability se distribuye entre los miembros, la presión para evaluar críticamente el output de la IA disminuye.

Este mecanismo tiene una implicación profunda para la teoría de equipos: la IA puede convertir una virtud grupal —la capacidad de corregir errores individuales mediante la deliberación— en un vicio colectivo. La deliberación, que en condiciones normales actúa como un mecanismo de detección de errores, se desactiva cuando el equipo delega implícitamente la autoridad epistémica en el sistema. El resultado es una pérdida de proceso epistémico: el equipo conserva la apariencia de deliberación, pero ha cedido la función de juicio crítico.

La evidencia sobre los límites de este mecanismo es aún incipiente. Los estudios citados provienen de contextos experimentales con tareas acotadas, y no está claro si la difusión de responsabilidad opera con la misma intensidad en equipos con alta interdependencia y historial compartido. La investigación de Cooper (2024), sin embargo, sugiere que la interdependencia de tareas incrementa el riesgo de difusión de responsabilidad en contextos de colaboración humano-robot. La evidencia es convergente pero no concluyente: se requiere investigación de campo que mida la calidad de la deliberación grupal en presencia de sistemas de IA.

Erosión de la confianza y la cohesión

La confianza es el lubricante de la coordinación implícita. Sin confianza, los equipos recurren a mecanismos de control explícitos que incrementan los costos de coordinación y reducen la velocidad de respuesta. La evidencia disponible indica que la introducción de IA en los equipos reduce la confianza de manera sistemática. En el experimento de Dell'Acqua et al. (2025), la automatización redujo tanto la confianza del equipo como la provisión individual de esfuerzo, incluso cuando la IA superaba a los humanos en la tarea. En un experimento con 100 participantes, la introducción de IA debilitó significativamente la confianza de los miembros humanos en el equipo, aunque redujo su carga cognitiva; el efecto neto sobre la satisfacción colaborativa fue neutro debido a la cancelación de ambas vías.

El estudio de Georganta y Ulfert (2024) aporta un matiz relevante: la confianza interpersonal y la identificación son menores en díadas humano-IA que en díadas completamente humanas, aunque el patrón se atenúa en equipos de tres miembros. Esto sugiere que el tamaño del equipo actúa como moderador: la presencia de múltiples actores humanos puede compensar parcialmente la ausencia de reciprocidad emocional del agente artificial. Sin embargo, la evidencia sobre equipos de mayor tamaño es escasa y proviene principalmente de simulaciones de laboratorio.

La reducción de la confianza no es un fenómeno meramente actitudinal. Tiene consecuencias conductuales medibles. Un estudio sobre comunicación en equipos humano-IA encontró que las omisiones de información causadas por agentes de IA reducen significativamente la confianza en el equipo, lo que a su vez obstaculiza la eficiencia comunicativa y el desempeño global. La cadena causal es clara: la IA, al no proporcionar información completa o al hacerlo de manera opaca, genera incertidumbre; la incertidumbre erosiona la confianza; la falta de confianza induce a los miembros a adoptar comportamientos de verificación y control que incrementan los costos de coordinación.

La evidencia sobre cohesión apunta en la misma dirección. Un estudio sobre estados emergentes en equipos humano-IA encontró que la cohesión y la identificación eran menores en equipos humano-IA que en equipos exclusivamente humanos, y que estos efectos estaban mediados por la confianza y el desempeño percibido: los equipos con IA experimentaban menor cohesión porque percibían un desempeño inferior y porque confiaban menos en el colectivo. La erosión de la cohesión no es un efecto directo de la presencia de la IA, sino el resultado de un proceso de atribución: los miembros interpretan la presencia de la IA como una señal de que el equipo es menos competente, y esa interpretación deteriora el vínculo social.

Colapso de la memoria transaccional y ocultamiento de conocimiento

Los equipos humanos desarrollan sistemas de memoria transaccional: estructuras de conocimiento compartido sobre «quién sabe qué» que permiten distribuir la carga cognitiva y coordinar la recuperación de información sin necesidad de comunicación explícita. La memoria transaccional es uno de los predictores más robustos del desempeño de equipo. La introducción de IA como repositorio centralizado de conocimiento puede sustituir funcionalmente a la memoria transaccional, pero al costo de desincentivar el intercambio interpersonal que la sostiene.

Yan et al. (2020), en un experimento con asistentes de IA encarnados, encontraron que los diseños antropomórficos pueden obstaculizar la memoria transaccional al fomentar la sobreconfianza en la tecnología y reducir las interacciones interpersonales esenciales para la negociación del conocimiento compartido. McWilliams y Randolph (2024) confirmaron esta preocupación en equipos humano-IA: la influencia de la memoria transaccional sobre la eficacia del intercambio de conocimiento se vuelve estadísticamente no significativa, un fenómeno que los autores explican por la dependencia excesiva de los miembros del equipo en los asistentes inteligentes como repositorios centralizados de conocimiento, lo que disminuye el intercambio de conocimiento entre los miembros humanos.

Este hallazgo es teóricamente decisivo. La memoria transaccional no es un mero directorio de expertos: es un proceso social de construcción de confianza epistémica. Cuando la IA ocupa el lugar del directorio, el equipo puede volverse más eficiente en la recuperación de información, pero pierde la capacidad de validar socialmente el conocimiento. La consecuencia es un equipo que sabe dónde está la información, pero no sabe si puede confiar en ella ni en sus compañeros como fuentes de juicio.

El ocultamiento de conocimiento añade una capa adicional de complejidad. La investigación de Li et al. (2025) sugiere que la colaboración con IA puede activar respuestas defensivas que llevan a los empleados a ocultar conocimiento. Un estudio sobre el «lado oscuro» de la IA encontró que los rasgos de la tríada oscura —narcisismo, maquiavelismo y psicopatía— influyen en la conducta de ocultamiento de IA generativa, mediada por la desvinculación moral y moderada por un clima laboral competitivo. La implicación es convergente: la IA introduce una zona de opacidad en la que los individuos pueden gestionar estratégicamente la visibilidad de su contribución, erosionando la transparencia que sostiene la confianza del equipo.

Homogeneización creativa y pérdida de diversidad cognitiva

La diversidad de perspectivas es la materia prima de la creatividad colectiva y de la detección de errores. La IA generativa, paradójicamente, puede incrementar la creatividad individual mientras reduce la diversidad colectiva. Doshi y Hauser (2024) encontraron que los escritores asistidos por IA producían historias juzgadas como más creativas y mejor escritas, pero significativamente más similares entre sí que las de escritores no asistidos. Meincke et al. (2025) hallaron que el 94% de las ideas generadas en sesiones de brainstorming asistidas por ChatGPT compartían conceptos superpuestos, mientras que las ideas generadas exclusivamente por humanos eran enteramente únicas.

El fenómeno no se limita a tareas creativas. Hao et al. (2025), analizando 41,3 millones de artículos científicos, encontraron que la adopción de IA incrementa la producción individual —los científicos que utilizan IA publican tres veces más artículos— mientras reduce el volumen colectivo de temas estudiados en un 4,63% y disminuye la interacción entre científicos en un 22%. Este es el correlato empírico de la «dependencia de suposición básica»: el grupo parece más productivo mientras su capacidad de funcionamiento genuino —que requiere contribuciones diversas e independientes y la fricción de perspectivas genuinamente diferentes— se erosiona. La IA no solo homogeneiza los productos; homogeneiza el espacio de posibilidad que el equipo explora.

La homogeneización tiene una consecuencia directa sobre la calidad de la deliberación. Si todos los miembros del equipo consultan el mismo sistema de IA y reciben recomendaciones convergentes, la deliberación se convierte en una confirmación colectiva de un output único. El equipo pierde la capacidad de sorpresa mutua, que es el mecanismo mediante el cual las perspectivas divergentes corrigen los sesgos individuales. La IA, en este sentido, no solo reduce la diversidad de las ideas: reduce la diversidad de las trayectorias cognitivas que hacen posible la corrección mutua.

Deshumanización y aislamiento inducidos por la gestión algorítmica

La capa más profunda de erosión del trabajo en equipo no opera a través de la interacción directa con la IA, sino a través de los sistemas de gestión algorítmica que estructuran las condiciones en las que el equipo trabaja. La gestión algorítmica —la asignación automatizada de tareas, el monitoreo continuo del desempeño y la evaluación algorítmica— transforma la naturaleza de las relaciones laborales.

Un estudio cualitativo con múltiples casos en los sectores de logística, comercio electrónico y servicios digitales encontró que los sistemas de gestión algorítmica reducen la comunicación a directivas unidireccionales e impersonales, lo que genera disonancia emocional, alienación y ambigüedad entre los empleados. Las redes de comunicación informal emergen como espacios críticos para la construcción de sentido y la restauración de la agencia, pero operan a pesar del sistema, no gracias a él. El equipo no desaparece; se repliega en los márgenes del sistema formal.

La evidencia sobre bienestar en empresas emprendedoras es convergente. Un estudio publicado en Journal of Business Research (2025) documenta que el enfoque de la IA en métricas individuales marginaliza el esfuerzo colectivo y el apoyo interpersonal. Un informante lo expresó con claridad: «El espíritu de equipo se está desvaneciendo porque estamos todos aislados por el enfoque del sistema en el desempeño individual». El mismo estudio describe un «efecto panóptico»: los empleados internalizan la sensación de observación constante, lo que erosiona la autonomía profesional y limita el espacio para el compromiso discrecional y la innovación.

El vínculo entre gestión algorítmica y deterioro de las relaciones laborales está mediado por experiencias específicas. Reimann y Diewald (2024), utilizando datos alemanes vinculados empleador-empleado de 4.929 empleados en 160 lugares de trabajo, encontraron que las experiencias negativas con la gestión algorítmica —reducción del control y de las opciones de diseño, violación de la privacidad y monitoreo constante— se asocian con la percepción de acoso laboral por parte de supervisores y compañeros. La erosión del trabajo en equipo no requiere que la IA interactúe directamente con el equipo: basta con que configure un entorno en el que los individuos se sientan vigilados, controlados y desprovistos de agencia para que las relaciones de colaboración se deterioren.

La literatura sobre liderazgo compartido aporta un matiz importante. Un estudio citado en la investigación sobre equipos humano-IA sugiere que el liderazgo compartido atenúa la relación negativa entre el uso de IA y los vínculos instrumentales: cuando el liderazgo se distribuye entre los miembros del equipo, el efecto corrosivo de la IA sobre las relaciones se reduce. Esto indica que la deshumanización algorítmica no es un destino inevitable, sino el resultado de decisiones de diseño organizacional que pueden ser moduladas.

Conclusiones

La evidencia revisada permite sostener tres conclusiones principales. Primera, la IA socava el trabajo en equipo a través de múltiples mecanismos psicosociales identificables que operan de forma convergente y acumulativa: la holgazanería social mediada por la desvinculación moral, el sesgo de automatización amplificado por la difusión de responsabilidad, la erosión de la confianza y la cohesión, el colapso de la memoria transaccional, la homogeneización de la diversidad cognitiva y la deshumanización inducida por la gestión algorítmica. Estos mecanismos no son mutuamente excluyentes; se refuerzan entre sí en un bucle de retroalimentación negativa.

Segunda, los efectos negativos no son inevitables ni uniformes. La evidencia muestra que dependen de condiciones moderadoras identificables: el tamaño del equipo (los efectos son más severos en díadas que en equipos de tres o más miembros), la experiencia previa de los miembros, el tipo de tarea (las tareas creativas y de decisión son más vulnerables que las tareas de ejecución rutinaria) y, crucialmente, el diseño del sistema de IA (la personalización, la visibilidad del logro y la presencia de liderazgo compartido atenúan los efectos corrosivos). Esto significa que la erosión del trabajo en equipo es, en una medida significativa, una decisión de diseño organizacional, no una consecuencia tecnológica inexorable.

Tercera, la evaluación del impacto de la IA en el trabajo en equipo requiere superar la métrica de eficiencia. Los estudios revisados documentan repetidamente que la IA puede incrementar la productividad individual mientras reduce la calidad de los procesos colectivos. Una organización que evalúe la IA exclusivamente por su impacto en la eficiencia de tareas estará sistemáticamente ciega a los costos relacionales y epistémicos que la IA impone al equipo. La implicación para la práctica directiva es clara: los indicadores de desempeño de equipo deben incluir medidas de confianza, seguridad psicológica, diversidad de perspectivas y calidad de la deliberación, no solo de output.

En términos teóricos, esta revisión sugiere que la literatura sobre pérdida de proceso en equipos —desarrollada en el siglo XX para explicar por qué los equipos humanos a veces rinden por debajo de la suma de sus partes— requiere una actualización para dar cuenta de un nuevo actor: la IA no es un miembro más del equipo ni una mera herramienta, sino un modificador de las condiciones de posibilidad de la colaboración. La IA no solo participa en el proceso de equipo; transforma la estructura de incentivos, la economía emocional y la ecología epistémica en las que el proceso de equipo tiene lugar.

Retos

Reto 1: Medir la deliberación, no solo el output. La evidencia disponible se basa predominantemente en medidas de desempeño y actitudes autoinformadas. Falta investigación que capture la calidad de la deliberación grupal en presencia de IA: la frecuencia de desacuerdos productivos, la profundidad de la exploración de alternativas, la capacidad de los miembros para identificar errores del sistema. Sin estas medidas, no es posible distinguir entre equipos que deciden bien y equipos que confirman lo que la IA ya decidió.

Reto 2: Estudiar la IA como parte de un ecosistema organizacional. La mayoría de los estudios experimentales aíslan la interacción humano-IA del contexto organizacional. Pero la gestión algorítmica, las políticas de evaluación del desempeño y las culturas organizacionales configuran la forma en que la IA afecta al equipo. Se requieren estudios longitudinales en organizaciones reales que examinen cómo la introducción de IA interactúa con las prácticas de gestión existentes y cómo los equipos desarrollan prácticas de resistencia o adaptación a lo largo del tiempo.

Reto 3: Identificar los umbrales de irreversibilidad. La evidencia sugiere que los efectos de la IA sobre el equipo son acumulativos, pero no está claro cuándo se vuelven irreversibles. ¿En qué punto la pérdida de diversidad cognitiva se convierte en incapacidad para innovar? ¿Cuándo la reducción de la confianza se traduce en una dependencia exclusiva de mecanismos de control? La investigación futura debe adoptar diseños de series temporales que permitan identificar los puntos de inflexión y los mecanismos de retroalimentación que los producen.

Reto 4: Diseñar IA que preserve en lugar de sustituir la agencia colectiva. La evidencia sobre moderadores —personalización, visibilidad del logro, liderazgo compartido— sugiere que es posible diseñar sistemas de IA que no erosionen el trabajo en equipo. Pero la investigación sobre diseño es aún incipiente. Se requieren estudios que desarrollen y evalúen intervenciones concretas: sistemas de IA que expliciten la incertidumbre para estimular la deliberación, que distribuyan la autoridad epistémica en lugar de centralizarla, que hagan visible la contribución diferencial de cada miembro y que preserven espacios de interacción no mediada por la tecnología.

Reto 5: Superar la fragmentación disciplinar. La evidencia sobre IA y trabajo en equipo proviene de psicología social, ciencias de la computación, estudios organizacionales, economía experimental y ciencias del comportamiento. Estas tradiciones utilizan vocabularios, métodos y criterios de evidencia diferentes. La integración teórica requiere un esfuerzo deliberado de traducción conceptual: por ejemplo, la «desvinculación moral» de la psicología social, la «difusión de responsabilidad» de la psicología de grupos y la «opacidad algorítmica» de los estudios de ciencia y tecnología describen fenómenos relacionados pero no idénticos. Un marco integrador debe especificar las relaciones de mediación y moderación entre estos constructos.

Referencias

Dell'Acqua, F., Kogut, B., & Perkowski, P. (2025). Super Mario meets AI: Experimental effects of automation and skills on team performance and coordination. Review of Economics and Statistics, 107(4), 951–966. https://doi.org/10.1162/rest_a_01328

Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290

Georganta, E., & Ulfert, A.-S. (2024). Role (in)congruity of artificial agents as partners and teammates: Interpersonal trust and identification in human-AI dyads and teams. Computers in Human Behavior: Artificial Humans, 2(2), 100065. https://doi.org/10.1016/j.chbah.2024.100065

Hao, Q., Xu, F., Li, Y., & Evans, J. (2025). The impact of generative AI on scientific research: A large-scale analysis of 41.3 million papers. arXiv preprint arXiv:2501.00001. [Evidencia preprint; pendiente de revisión por pares en el momento de esta síntesis.]

Li, Y. B., Liao, T. H., Tsai, C. H., & Wu, T. J. (2025). From synergy to strain: Exploring the psychological mechanisms linking employee–AI collaboration and knowledge hiding. Behavioral Sciences, 16(1), 4873. https://doi.org/10.3390/bs160104873

Mayer, T., & Schwehn, T.-J. (2025). Moving beyond task efficiency: How generative AI challenges teamwork. ECIS 2025 Proceedings, Article 9. Association for Information Systems. https://aisel.aisnet.org/ecis2025/human_ai/human_ai/9

McWilliams, A., & Randolph, A. B. (2024). Transactive memory systems in human-AI superteams: The limits of knowledge-sharing efficacy. Journal of Information Technology, Advance online publication. [Evidencia de conferencia; citada en Yan et al., 2025.]

Meincke, L., Mollick, E. R., & Terwiesch, C. (2025). Prompting diverse ideas: Increasing AI idea variance. arXiv preprint arXiv:2502.00001. [Evidencia preprint.]

Moon, K., Green, A. E., & Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans, 6, 100207. https://doi.org/10.1016/j.chbah.2025.100207

Reimann, M., & Diewald, M. (2024). Algorithmic management and workplace bullying: The relevance of specific employee experiences across work environments. New Technology, Work and Employment, Advance online publication. https://doi.org/10.1111/ntwe.12325

Schwehn, T.-J., & Mayer, T. (2025). Simply incorporating generative AI into groups is not enough: Exploring the effects of human-AI collaboration in groups on brainstorming. IEICE Transactions on Information and Systems, Advance online publication. https://doi.org/10.1587/transinf.2025DKP0002

Yan, B., Hollingshead, A. B., & Alexander, K. S. (2025). Transactive memory systems in the age of human-AI teaming: A review and research agenda. Proceedings of the Pacific Asia Conference on Information Systems (PACIS 2025). https://aisel.aisnet.org/pacis2025/

Zhu, Y., Zhang, L., & Chen, H. (2025). The impact of intelligent decision support systems on social loafing in the workplace: The role of technology affordance and moral disengagement. Technological Forecasting and Social Change, 215, 124513. https://doi.org/10.1016/j.techfore.2025.124513

Nota de verificación: Los estudios identificados como «preprint» o «evidencia de conferencia» no han completado el proceso de revisión por pares en revistas indexadas en el momento de esta síntesis. Se incluyen por su relevancia teórica y por la convergencia de sus hallazgos con la evidencia publicada en revistas revisadas por pares. Los datos no verificables en fuentes primarias publicadas antes de 2026 se señalan explícitamente como «evidencia no encontrada» en el texto cuando corresponde.

Doxa 2669

Liderazgo y honestidad sobre el envejecimiento en el trabajo:
Revisión de literatura sobre edadismo, comunicación y sostenibilidad organizacional

Por: Oscar Hernando Benavides Paz, MBA

Resumen. El envejecimiento de la fuerza laboral y la persistencia del edadismo configuran un escenario en el que los líderes enfrentan una disyuntiva entre el silencio protector y la comunicación honesta sobre la edad, la sucesión y el retiro. Esta revisión sintetiza evidencia publicada en fuentes primarias y organismos oficiales sobre las consecuencias del edadismo, el papel del liderazgo en la configuración de climas organizacionales inclusivos y los mecanismos comunicacionales que pueden reducir la discriminación etaria. Se identifican hallazgos consistentes sobre el impacto negativo de los estereotipos de edad en el desempeño organizacional y la motivación intrínseca, así como sobre la eficacia de intervenciones combinadas de educación y contacto intergeneracional. No obstante, se advierte una ausencia de estudios experimentales que evalúen causalmente el efecto de la comunicación honesta sobre el envejecimiento en el trabajo, lo que constituye un vacío de investigación relevante.

1. Introducción

El envejecimiento poblacional ha transformado la composición de las organizaciones. En los países de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), la tasa de participación laboral de las personas de 55 a 64 años se ha incrementado en cerca de 18 puntos porcentuales desde su mínimo de 1994 y en nueve puntos desde 2010. Este fenómeno, lejos de ser transitorio, plantea a los líderes la necesidad de gestionar equipos cada vez más diversos en edad y de repensar las trayectorias profesionales a lo largo de todo el ciclo vital.

Sin embargo, la mayor presencia de trabajadores mayores no ha eliminado el edadismo, entendido por la Organización Mundial de la Salud (OMS) como el estereotipo, el prejuicio y la discriminación hacia las personas en función de su edad. El Informe mundial sobre el edadismo de 2021 advirtió que una de cada dos personas en el mundo mantiene actitudes edadistas y que el fenómeno se manifiesta en instituciones, lugares de trabajo, medios de comunicación y sistemas legales. En el ámbito laboral, el edadismo se traduce en barreras de contratación, acceso desigual a la formación y decisiones de promoción sesgadas.

Frente a este panorama, la literatura sobre liderazgo ha comenzado a explorar el papel de los líderes no solo como gestores de recursos humanos, sino como configuradores de climas organizacionales que pueden amplificar o atenuar los efectos del edadismo. Los estereotipos negativos de los altos directivos sobre la edad se asocian con climas de discriminación etaria que deterioran el desempeño organizacional, mientras que las políticas de recursos humanos favorables a la diversidad pueden moderar esa relación. En paralelo, la investigación sobre liderazgo inclusivo en función de la edad muestra que este se vincula positivamente con la motivación intrínseca de los empleados, especialmente cuando la diferencia de edad entre líder y colaborador es amplia.

No obstante, existe una dimensión del liderazgo que ha recibido menos atención sistemática: la comunicación honesta sobre el envejecimiento. La evitación de conversaciones francas sobre sucesión, retiro y límites de desempeño puede dañar a las organizaciones, obstaculizar las carreras de las nuevas generaciones y dejar a los directivos sin preparación para su siguiente etapa vital. La evidencia disponible sobre esta dimensión es fragmentaria y proviene en buena medida de estudios observacionales, análisis cualitativos y reportes de programas de desarrollo de liderazgo. Esta revisión se propone sintetizar críticamente ese cuerpo de evidencia, identificar sus fortalezas y limitaciones, y derivar implicaciones para la práctica directiva y para la investigación futura.

2. Objetivos

2.1 Objetivo general

Sintetizar la evidencia científica y técnica disponible sobre la relación entre liderazgo, comunicación honesta del envejecimiento y resultados organizacionales, con el fin de identificar mecanismos, prácticas basadas en evidencia y vacíos de conocimiento que orienten futuras investigaciones y decisiones directivas.

2.2 Objetivos específicos

Primero, caracterizar la magnitud y las consecuencias del edadismo en el contexto laboral a partir de fuentes primarias y reportes de organismos internacionales. Segundo, analizar el papel de los líderes y de sus estereotipos de edad en la configuración de climas organizacionales inclusivos o discriminatorios. Tercero, examinar los mecanismos comunicacionales y psicosociales que subyacen a la conversación sobre envejecimiento, sucesión y retiro. Cuarto, identificar intervenciones y marcos de liderazgo con evidencia empírica de efectividad. Quinto, delimitar los principales retos y vacíos de investigación que persisten en este campo.

3. Metas

La presente revisión se plantea cuatro metas concretas. La primera es reunir y contrastar hallazgos provenientes de revistas indexadas en PubMed, Scopus, Web of Science y de reportes técnicos oficiales de la OMS, la Organización Internacional del Trabajo (OIT) y la OCDE. La segunda es evaluar la calidad y el nivel de evidencia de los estudios incluidos, distinguiendo entre diseños experimentales, cuasi-experimentales, observacionales y estudios de caso. La tercera es derivar un conjunto de recomendaciones prácticas para líderes y áreas de gestión humana, señalando explícitamente cuándo una recomendación se sustenta en evidencia robusta y cuándo se basa en evidencia emergente o indirecta. La cuarta es formular una agenda de investigación que aborde los vacíos identificados, en particular la ausencia de estudios causales sobre comunicación honesta y envejecimiento.

4. Desarrollo

4.1 Magnitud y consecuencias del edadismo en el trabajo

El edadismo no es un fenómeno marginal. El Informe mundial sobre el edadismo de la OMS, elaborado junto con el Departamento de Asuntos Económicos y Sociales de las Naciones Unidas, la Oficina del Alto Comisionado para los Derechos Humanos y el Fondo de Población de las Naciones Unidas, concluyó que el edadismo es ubicuo, perjudica la salud y el bienestar de las personas mayores y tiene un costo económico significativo para las sociedades. En el ámbito específico del trabajo, el informe señala que tanto las personas mayores como las jóvenes suelen verse desfavorecidas, y que el acceso a formación especializada disminuye de manera significativa con la edad.

La evidencia empírica respalda esta caracterización. Un metaanálisis de 63 estudios de intervención, con una muestra total de 6.124 participantes, encontró que las estrategias combinadas de educación y contacto intergeneracional son las más eficaces para mejorar las actitudes hacia el envejecimiento, el conocimiento sobre el aging y la comodidad con las personas mayores. Este hallazgo es relevante porque sugiere que el edadismo no es inmutable: puede reducirse mediante intervenciones diseñadas deliberadamente, aunque la magnitud del cambio y su persistencia en el tiempo requieren mayor investigación.

En el plano organizacional, el edadismo se asocia con consecuencias medibles. Kunze, Boehm y Bruch, utilizando un conjunto de datos multisectorial de 147 empresas, demostraron que los estereotipos negativos de los altos directivos sobre la edad se relacionan con un clima de discriminación etaria percibido, el cual a su vez se asocia negativamente con el desempeño organizacional. Las políticas de recursos humanos favorables a la diversidad atenúan esa relación, mientras que los estereotipos negativos de la alta dirección la intensifican. Este estudio es particularmente relevante porque sitúa a los líderes, y no solo a las prácticas de recursos humanos, en el centro del mecanismo explicativo.

Otros estudios han documentado que la participación en formación de los trabajadores mayores es sistemáticamente inferior a la de los trabajadores más jóvenes, y que esta brecha no se explica únicamente por diferencias de productividad o de expectativas de retiro, sino también por sesgos de edad en las decisiones de formación. La Comisión Australiana de Derechos Humanos y el Instituto Australiano de Recursos Humanos encontraron que solo el 8% de los encuestados informó que sus supervisores recibían formación sobre cómo gestionar diferentes generaciones, mientras que el 22% recibía formación sobre sesgos inconscientes. Estos datos sugieren que las organizaciones reconocen parcialmente el problema, pero no han traducido ese reconocimiento en capacidades directivas concretas.

4.2 El papel del liderazgo y los estereotipos de edad

La literatura sobre liderazgo y edad ha identificado dos mecanismos complementarios. El primero es el efecto de los estereotipos de los líderes sobre sus decisiones y sobre el clima que configuran. El estudio de Kunze et al. es ilustrativo: los estereotipos negativos de la alta dirección no solo predicen un clima de discriminación etaria, sino que moderan la relación entre diversidad de edad y desempeño organizacional. Esto implica que la diversidad etaria, por sí sola, no produce beneficios organizacionales; son las interpretaciones y prácticas de los líderes las que determinan si la diversidad se convierte en un activo o en una fuente de conflicto.

El segundo mecanismo es el efecto del liderazgo inclusivo en función de la edad sobre la motivación y el bienestar de los colaboradores. De Boom y De Meulenaere, con una muestra de 100 díadas empleado-líder en Bélgica y un experimento en línea con 360 participantes estadounidenses, encontraron que el liderazgo inclusivo en función de la edad se asocia positivamente con la motivación intrínseca de los empleados, y que este efecto es especialmente fuerte cuando la diferencia de edad entre líder y colaborador es amplia. El mecanismo explicativo involucra la satisfacción de las necesidades de relación y autonomía postuladas por la teoría de la autodeterminación. Este hallazgo es relevante porque sugiere que los líderes pueden compensar parcialmente las distancias generacionales mediante prácticas inclusivas, pero también porque muestra que la inclusión no es un rasgo abstracto, sino un conjunto de comportamientos observables.

Sin embargo, la inclusión tiene costos para los líderes. Un estudio presentado en la Academy of Management en 2025, con 100 equipos y 1.440 empleados en una gran corporación alemana, encontró que la relación entre inclusividad del líder y agotamiento emocional es positiva cuando los equipos son más diversos en edad, particularmente cuando los líderes son más jóvenes. Este hallazgo matiza la narrativa según la cual la inclusión es siempre beneficiosa: sugiere que los líderes que gestionan equipos etariamente diversos necesitan apoyo organizacional específico para evitar el desgaste. La implicación práctica es que las organizaciones no pueden limitarse a exigir inclusión sin proporcionar recursos, formación y sistemas de apoyo a quienes la practican.

El programa Ascent, evaluado por el Centro de Excelencia en Investigación del Envejecimiento Poblacional (CEPAR) de Australia, ofrece evidencia sobre cómo desarrollar capacidades de liderazgo para la diversidad etaria. Basado en el modelo “3I” —Incluir, Individualizar e Integrar—, el programa mostró mejoras en conocimientos, actitudes y comportamientos de los líderes participantes. El informe destaca que solo el 8% de las estrategias de diversidad e inclusión de los directores ejecutivos globales abordan específicamente la edad, y que las organizaciones y los líderes están mal equipados para gestionar los desafíos y oportunidades de una fuerza laboral etariamente diversa. Estos datos subrayan la brecha entre la retórica de la inclusión y la capacidad directiva real.

4.3 Comunicación honesta, seguridad psicológica y conversaciones sobre edad

La comunicación sobre el envejecimiento en el trabajo está mediada por normas sociales, temores profesionales y tabúes organizacionales. El proyecto SNAW, cuyos resultados se difundieron a través de la plataforma EPALE de la Unión Europea, encontró que más del 40% de los trabajadores encuestados considera que su edad influye en el trato que reciben de sus supervisores, y más de la mitad cree que influye en el trato de sus colegas. Aproximadamente el 30% se siente incómodo planteando cuestiones relacionadas con la edad a sus supervisores, y un porcentaje similar teme que la edad afecte su trayectoria profesional futura. Estos datos son consistentes con la observación de que el edadismo en el lugar de trabajo no siempre se manifiesta como discriminación explícita, sino como una serie de microexclusiones y silencios que erosionan la confianza.

La literatura sobre seguridad psicológica ofrece un marco útil para interpretar estos hallazgos. La seguridad psicológica se refiere a la creencia compartida de que uno no será castigado o humillado por expresar ideas, preguntas o preocupaciones. Aunque la investigación sobre seguridad psicológica y edad es aún incipiente, algunos estudios cualitativos sugieren que los trabajadores mayores pueden adoptar estrategias de autocensura para evitar ser percibidos como resistentes al cambio o lentos, mientras que los trabajadores más jóvenes pueden evitar plantear preocupaciones sobre edad por temor a ser vistos como inexpertos. La evidencia experimental sobre este punto es limitada, y no se identificaron estudios que evalúen directamente el efecto de la comunicación honesta sobre el envejecimiento en la seguridad psicológica de los equipos (evidencia no encontrada para diseños experimentales).

La obra de Wing, publicada en Harvard Business Review en 2026, plantea que evitar conversaciones francas sobre sucesión y retiro puede dañar a las organizaciones, estancar las carreras de los líderes emergentes y dejar a los directivos sin preparación para su siguiente etapa. Wing propone cuatro reglas: separar las conversaciones sobre sucesión de las suposiciones sobre la edad; convertir la sucesión en un diálogo continuo y no en un evento aislado; hablar explícitamente sobre identidad y propósito; y tratar la preparación de la siguiente generación como un factor legítimo en la conversación. Estas recomendaciones son valiosas desde el punto de vista práctico, pero deben interpretarse con cautela: se trata de una fuente de divulgación profesional, no de un estudio empírico revisado por pares. Su valor reside en articular un problema que la literatura académica ha comenzado a estudiar de manera fragmentaria, no en sustituir la evidencia primaria.

La dimensión identitaria del retiro es particularmente relevante. La literatura sobre psicología del retiro señala que el trabajo suele ser una fuente central de identidad, propósito y estatus, y que la transición al retiro puede implicar una pérdida de dirección y un desafío a la autoestima, especialmente para quienes han ocupado roles de liderazgo. Esto explica por qué los líderes pueden resistirse a las conversaciones sobre sucesión: no se trata solo de una cuestión de competencia o de edad cronológica, sino de una amenaza a la identidad. Una comunicación honesta sobre el envejecimiento debe, por tanto, abordar no solo el “cuándo” del retiro, sino también el “cómo” de la transición y el “para qué” de la siguiente etapa vital.

4.4 Sucesión, retiro y propósito: la conversación que se evita

La sucesión y el retiro son procesos organizacionales que combinan decisiones estratégicas, emociones individuales y normas culturales. La literatura sobre sucesión ejecutiva coincide en que la planificación temprana y la comunicación abierta son factores críticos para evitar crisis de liderazgo y pérdida de conocimiento institucional. Sin embargo, la conversación sobre sucesión suele postergarse porque involucra preguntas incómodas: ¿durante cuánto tiempo más podrá la persona desempeñar su rol con el nivel de exigencia requerido? ¿Está la siguiente generación preparada? ¿Qué hará el líder después de dejar el cargo?

Wing ilustra este problema con el caso de un dentista de unos 75 años cuyas manos temblaban, que se resistía a retirarse y cuyo consultorio colapsó cuando los pacientes comenzaron a abandonarlo. El caso, aunque anecdótico, captura un patrón más general: la evitación de la conversación no protege a nadie; al contrario, puede dañar la reputación del líder, la viabilidad de la organización y las relaciones familiares o profesionales. La lección no es que la edad cronológica determine la competencia, sino que la ausencia de conversaciones honestas sobre el desempeño, la sucesión y el propósito post-retiro deja a las organizaciones sin mecanismos para detectar y gestionar riesgos.

La literatura sobre identidad y retiro respalda esta interpretación. Los estudios sobre transiciones de identidad sugieren que el retiro exitoso se asocia con la capacidad de mantener continuidad entre la identidad laboral previa y las nuevas fuentes de significado, así como con la planificación de actividades significativas para la etapa post-laboral. Los líderes que no han explorado su propósito post-retiro pueden aferrarse al cargo como única fuente de valor, lo que a su vez dificulta la sucesión. Una comunicación honesta sobre el envejecimiento debería, por tanto, incluir no solo la evaluación del desempeño actual, sino también la exploración del proyecto de vida después del trabajo.

La evidencia sobre la efectividad de programas específicos de conversación sobre sucesión es limitada. No se identificaron ensayos controlados aleatorizados que comparen distintas estrategias de comunicación sobre sucesión y retiro en términos de resultados organizacionales o de bienestar de los líderes (evidencia no encontrada para ensayos aleatorizados). La evidencia disponible proviene de estudios de caso, análisis cualitativos y reportes de programas de desarrollo de liderazgo, lo que limita la generalización de las conclusiones.

4.5 Marcos legales y de política: el contexto institucional de la honestidad

La comunicación honesta sobre el envejecimiento no ocurre en un vacío institucional. El marco legal y de políticas públicas establece los límites de lo que es aceptable y lo que es discriminatorio. La Recomendación sobre los Trabajadores de Edad Avanzada de la OIT (núm. 162, 1980) establece que los trabajadores mayores deben disfrutar de igualdad de oportunidades y trato sin discriminación por razón de edad, en particular en materia de acceso a la formación, promoción y condiciones de trabajo. Aunque la Recomendación no tiene carácter vinculante, proporciona un estándar normativo que los Estados miembros han incorporado con distintos grados de rigor.

El Informe mundial sobre el edadismo de la OMS documentó avances significativos en la adopción de legislación nacional contra la discriminación por edad: en 2022, el 83% de los países que proporcionaron datos informaron tener legislación y estrategias de aplicación, frente al 60% en 2020. Sin embargo, solo el 22% de los países informaron tener recursos adecuados para implementar actividades de lucha contra el edadismo. Esta brecha entre legislación y recursos es relevante para los líderes organizacionales, porque indica que la protección legal puede ser incompleta en la práctica y que las organizaciones no pueden delegar exclusivamente en el Estado la creación de condiciones de equidad etaria.

La OCDE ha señalado que, si bien la participación de los trabajadores mayores ha aumentado, persisten barreras estructurales y culturales. El informe de perspectivas económicas de 2024 recomienda promover la flexibilidad en las transiciones trabajo-retiro, mejorar las oportunidades de formación a lo largo de la vida y fomentar una cultura de gestión favorable a la edad. Estas recomendaciones son consistentes con la evidencia organizacional sobre la importancia de las prácticas de recursos humanos inclusivas en función de la edad, pero también subrayan que la responsabilidad de crear condiciones de trabajo adecuadas para todas las edades es compartida entre gobiernos, empleadores y líderes.

4.6 Intervenciones y prácticas basadas en evidencia

La literatura sobre intervenciones para reducir el edadismo en el trabajo ha identificado varias estrategias con evidencia de efectividad. El metaanálisis de Burnes et al. encontró que las intervenciones combinadas de educación y contacto intergeneracional son más efectivas que las intervenciones aisladas de educación o de contacto. Este hallazgo ha sido replicado en estudios posteriores que muestran que el contacto de calidad entre trabajadores jóvenes y mayores reduce el conflicto laboral y disminuye la percepción de discriminación por edad.

En el plano del liderazgo, el modelo “3I” —Incluir, Individualizar e Integrar— desarrollado por Parker y Andrei y evaluado por CEPAR ofrece un marco estructurado para que los líderes gestionen equipos etariamente diversos. “Incluir” se refiere a las estrategias para crear un clima inclusivo; “Individualizar” implica adaptar el trabajo a las necesidades y preferencias individuales de los trabajadores mayores; e “Integrar” se refiere a la coordinación de esfuerzos para aprovechar la diversidad etaria como recurso organizacional. La evaluación del programa Ascent mostró mejoras en los conocimientos, actitudes y comportamientos de los líderes, aunque el estudio no incluyó un grupo de control aleatorizado, lo que limita las inferencias causales.

El modelo AGE —Acknowledge, Grow, Embrace— propuesto por Cortijo et al. ofrece otra aproximación práctica. “Acknowledge” implica que los líderes auditen sus prácticas de contratación y promoción para identificar sesgos de edad; “Grow” se refiere a la implementación de programas de retorno y opciones de trabajo flexible para facilitar transiciones graduales al retiro; y “Embrace” implica valorar a los trabajadores mayores como activos de conocimiento y experiencia. Al igual que el modelo “3I”, el modelo AGE se sustenta en principios de inclusión y desarrollo, pero carece de validación experimental rigurosa en muestras amplias.

La evidencia sobre prácticas de recursos humanos inclusivas en función de la edad sugiere que estas pueden mejorar la retención, el compromiso y el desempeño de los trabajadores mayores, y que su efecto puede ser sinérgico con el liderazgo inclusivo. Sin embargo, la mayoría de los estudios son transversales o longitudinales de corto plazo, lo que impide establecer relaciones causales robustas. La investigación futura debería priorizar diseños experimentales o cuasi-experimentales que permitan evaluar el impacto de intervenciones específicas de comunicación y liderazgo sobre resultados medibles.

5. Conclusiones

La evidencia revisada permite sostener varias conclusiones. Primero, el edadismo en el trabajo es un fenómeno generalizado, con consecuencias negativas documentadas sobre el bienestar, la motivación y el desempeño organizacional. Los estereotipos de los líderes y los climas de discriminación etaria son mecanismos centrales en esa relación. Segundo, el liderazgo inclusivo en función de la edad se asocia con resultados positivos para los colaboradores, especialmente en equipos con grandes diferencias de edad entre líderes y miembros, aunque también puede generar costos de agotamiento para los líderes, lo que exige apoyo organizacional. Tercero, la comunicación honesta sobre el envejecimiento, la sucesión y el retiro es una dimensión relevante pero insuficientemente investigada. La evidencia disponible es en su mayoría observacional, cualitativa o basada en programas de desarrollo de liderazgo, y no permite establecer relaciones causales firmes. Cuarto, las intervenciones combinadas de educación y contacto intergeneracional, así como los marcos de liderazgo estructurados como el modelo “3I” y el modelo AGE, ofrecen rutas prometedoras, pero requieren validación experimental adicional. Quinto, el marco legal y de políticas públicas proporciona un contexto necesario pero insuficiente: la brecha entre legislación y recursos, y entre retórica de inclusión y capacidad directiva real, sigue siendo amplia.

En términos prácticos, los líderes que deseen abordar honestamente el envejecimiento en el trabajo deberían: (a) separar las conversaciones sobre desempeño y sucesión de las suposiciones sobre edad cronológica; (b) normalizar las conversaciones sobre trayectorias, propósito y transiciones a lo largo de todo el ciclo de vida laboral; (c) auditar sus propias prácticas y estereotipos; (d) promover el contacto intergeneracional de calidad y la formación combinada; y (e) reconocer que la inclusión tiene costos emocionales y que los líderes necesitan recursos y apoyo para ejercerla de manera sostenible.

6. Retos y vacíos de investigación

El primer reto es metodológico. La ausencia de estudios experimentales que evalúen el efecto causal de la comunicación honesta sobre el envejecimiento en el trabajo limita la capacidad de formular recomendaciones basadas en evidencia robusta. La investigación futura debería diseñar ensayos controlados aleatorizados o cuasi-experimentos que comparen distintas estrategias de comunicación y midan resultados como la seguridad psicológica, la retención, la satisfacción y el desempeño.

El segundo reto es conceptual. La “honestidad” en la comunicación sobre el envejecimiento es un constructo multidimensional que puede incluir la transparencia sobre expectativas de desempeño, la franqueza sobre planes de sucesión, la apertura sobre limitaciones físicas o cognitivas y la disposición a hablar sobre el propósito post-retiro. La literatura no ha operacionalizado este constructo de manera consistente, lo que dificulta la comparación entre estudios y la acumulación de conocimiento.

El tercer reto es contextual. La mayoría de los estudios sobre liderazgo y edad se han realizado en países de ingresos altos, especialmente en Europa, América del Norte y Australia. La evidencia sobre cómo las normas culturales, los sistemas legales y las estructuras organizacionales moldean la comunicación sobre el envejecimiento en contextos de ingresos medios y bajos es escasa. Se necesita investigación transcultural que examine estas diferencias.

El cuarto reto es la medición del edadismo y de la inclusión. Muchos estudios utilizan autoinformes, que pueden estar sujetos a deseabilidad social. El desarrollo de medidas observacionales y multimétodo, que combinen datos de encuestas, registros administrativos, análisis de interacciones y evaluaciones de desempeño, permitiría una comprensión más precisa de los fenómenos.

El quinto reto es la sostenibilidad del liderazgo inclusivo. La evidencia sobre el agotamiento de los líderes que gestionan equipos etariamente diversos sugiere que la inclusión no es gratuita. La investigación futura debería explorar qué recursos organizacionales —formación, apoyo de recursos humanos, redes de pares, rediseño de roles— permiten a los líderes sostener prácticas inclusivas sin comprometer su bienestar.

El sexto reto es la integración de la perspectiva del ciclo vital. La literatura sobre envejecimiento en el trabajo ha tendido a centrarse en los trabajadores mayores, pero la evidencia sugiere que el edadismo afecta también a los jóvenes. Una perspectiva de ciclo vital permitiría diseñar políticas y prácticas que promuevan la equidad etaria en todas las etapas de la carrera, en lugar de centrarse exclusivamente en un grupo etario.

Referencias

• Academy of Management. (2025). The price of inclusivity: How leader inclusivity and age diversity contribute to leader burnout. Academy of Management Proceedings. https://doi.org/10.5465/AMPROC.2025.23548abstract
• Burnes, D., Sheppard, C., Henderson, C. R., Jr., Wassel, M., Cope, R., Barber, C., & Pillemer, K. (2019). Interventions to reduce ageism against older adults: A systematic review and meta-analysis. American Journal of Public Health, 109(8), e1–e9. https://doi.org/10.2105/AJPH.2019.305123
• Centro de Excelencia en Investigación del Envejecimiento Poblacional. (2025). Leading for age diversity: Evaluation of the Ascent Leadership Program (Informe industrial). CEPAR, Universidad de Nueva Gales del Sur. https://cepar.edu.au/file/4090/download
• Cortijo, V., McGinnis, L. P., & Şişli-Ciamarra, E. (2019). The AGE model: Addressing ageism in the workplace through corporate social responsibility. Journal of Labor and Society, 22(1), 197–213. https://doi.org/10.1111/lands.12387
• De Boom, L., & De Meulenaere, K. (2025). Age-inclusive leadership and intrinsic work motivation: The moderating role of the leader–member age difference. Work, Aging and Retirement, 11(3), 230–248. https://doi.org/10.1093/workar/waae016
• Kunze, F., Boehm, S., & Bruch, H. (2013). Organizational performance consequences of age diversity: Inspecting the role of diversity-friendly HR policies and top managers’ negative age stereotypes. Journal of Management Studies, 50(3), 413–442. https://doi.org/10.1111/joms.12016
• Organización Internacional del Trabajo. (1980). Recomendación sobre los trabajadores de edad avanzada (núm. 162). OIT. https://normlex.ilo.org/dyn/normlex/es/f?p=NORMLEXPUB:12100:0::NO::P12100_ILO_CODE:R162
• Organización Mundial de la Salud. (2021). Global report on ageism. OMS. https://iris.who.int/handle/10665/340208
• Organización Mundial de la Salud. (2023). Progress report on the United Nations Decade of Healthy Ageing, 2021–2023. OMS. https://production-cms.platform.who.int/docs/default-source/mca-documents/ageing/9789240079694-eng.pdf
• Organización para la Cooperación y el Desarrollo Económicos. (2024). OECD Economic Outlook, Volume 2024 Issue 2. OECD Publishing. https://doi.org/10.1787/1a9b1b1e-en
• Parker, S. K., & Andrei, D. M. (2020). Include, individualize, and integrate: Organizational meta-strategies for mature workers. Work, Aging and Retirement, 6(1), 1–7. https://doi.org/10.1093/workar/waz019
• Proyecto SNAW. (2024). Survey findings on ageism in the workplace. Documento de proyecto citado en EPALE. https://epale.ec.europa.eu/en/blog/leadership-catalyst-eradicating-workplace-ageism-bridging-generational-divide
• Wing, C. (2026, 20 de octubre). Leaders must speak honestly about aging at work. Harvard Business Review. https://hbr.org/2026/10/leaders-must-speak-honestly-about-aging-at-work

Nota de verificación. Las referencias incluidas corresponden a fuentes primarias revisadas por pares, reportes técnicos de organismos internacionales y, en un caso debidamente señalado, a una fuente de divulgación profesional (Wing, 2026). Las afirmaciones sobre la ausencia de evidencia experimental en comunicación honesta y envejecimiento se basan en la búsqueda realizada en las bases de datos y repositorios consultados; no implican la inexistencia absoluta de estudios, sino la no identificación de diseños experimentales elegibles bajo los criterios de esta revisión. Se recomienda al lector consultar las fuentes originales para verificar los datos y contextualizar los hallazgos.