Doxa 2694

Liderando tras el fundador: Planificación de la sucesión y continuidad organizacional
Una revisión sistemática de la literatura (1994–2025)

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La sucesión del fundador constituye uno de los eventos más críticos en la vida de las organizaciones, especialmente en empresas familiares y en firmas intensivas en conocimiento. La presente revisión sistemática sintetiza la evidencia científica publicada entre 1994 y 2025 sobre la planificación de la sucesión y el liderazgo posterior al fundador. Se identifican los principales enfoques estratégicos, los modelos procesales, los factores de gobernanza, el desarrollo del sucesor y los resultados post-sucesión. La evidencia disponible muestra que la sucesión no es un evento puntual, sino un proceso prolongado que exige planificación anticipada, mecanismos de gobernanza y una gestión cuidadosa de la influencia residual del fundador. Se concluye que la investigación futura debe abordar diseños longitudinales, comparaciones contextuales y mediciones más robustas de los resultados post-sucesión. Aquellos datos que no pudieron verificarse en fuentes primarias publicadas antes de 2026 se señalan explícitamente como "evidencia no encontrada".

Introducción

El fundador suele ser el arquitecto de la visión, la cultura y las capacidades iniciales de una organización. Su retirada del liderazgo formal representa una discontinuidad estructural que puede comprometer la continuidad del negocio, la moral del equipo y la confianza de los grupos de interés. La literatura académica ha reconocido desde hace décadas que la sucesión del fundador es un fenómeno complejo, multidimensional y frecuentemente mal gestionado (Handler, 1994). En las empresas familiares, la evidencia indica que muchas no logran superar el tránsito hacia la segunda generación, lo que subraya la relevancia de comprender los factores que determinan el éxito o el fracaso de la transición (Baltazar et al., 2025).

En años recientes, el interés por la sucesión del fundador se ha desplazado desde una concepción episódica —centrada en la identificación de un reemplazo— hacia una concepción procesal y sistémica. Cheng y Tran-Pham (2022), mediante un análisis bibliométrico de 151 artículos publicados entre 1997 y 2021, evidenciaron que la sucesión del fundador se ha consolidado como un ámbito de investigación diferenciado dentro del emprendimiento, aunque persisten vacíos teóricos y metodológicos. De forma complementaria, revisiones sistemáticas recientes han identificado seis enfoques estratégicos de sucesión en empresas familiares —planificación estratégica, transferencia de conocimiento, innovación e internacionalización, visión familia-empresa, salida del negocio y estrategia de gobernanza—, así como la necesidad de integrar los antecedentes, los procesos y los resultados en un marco unificado (Baltazar et al., 2025; Reif et al., 2025).

La evidencia empírica sugiere que la sustitución del fundador-CEO se asocia con una mayor probabilidad de fracaso de la nueva empresa, si bien las firmas que sobreviven experimentan un crecimiento acelerado (Chen & Thompson, 2015). Asimismo, la transición desde un liderazgo fundacional hacia una gestión profesional implica cambios profundos en el diseño organizacional y puede provocar la pérdida de talento clave si no se gestiona adecuadamente (Kaehr Serra & Thiel, 2019). Estos hallazgos justifican la necesidad de una revisión que organice el conocimiento acumulado y precise las condiciones bajo las cuales la planificación de la sucesión contribuye a la continuidad organizacional.

El presente artículo tiene como propósito sintetizar de manera rigurosa la evidencia científica disponible sobre la planificación de la sucesión del fundador y el liderazgo posterior a su retirada. La revisión se limita a fuentes primarias publicadas antes de 2026 y, en los casos en que un dato específico no pudo ser verificado en dichas fuentes, se indica explícitamente como "evidencia no encontrada".

Objetivos

Objetivo general: sintetizar la evidencia científica sobre la planificación de la sucesión del fundador y la transición hacia un liderazgo post-fundacional, identificando enfoques estratégicos, factores de gobernanza, mecanismos de desarrollo del sucesor y resultados organizacionales.

Objetivos específicos: (1) describir la evolución teórica y metodológica del campo de la sucesión del fundador; (2) identificar los principales enfoques estratégicos y modelos procesales de la sucesión; (3) analizar el papel de la gobernanza y del consejo en la planificación sucesoria; (4) examinar las estrategias de desarrollo del sucesor y transferencia de conocimiento; (5) contrastar los resultados post-sucesión en términos de desempeño financiero y riqueza socioemocional; y (6) delimitar los desafíos y las brechas de investigación persistentes.

Metas

La revisión se propone: (a) integrar los hallazgos de estudios publicados entre 1994 y 2025 en una síntesis coherente; (b) clasificar los enfoques de sucesión identificados en la literatura; (c) distinguir los factores que facilitan y obstaculizan la planificación sucesoria; (d) formular recomendaciones basadas en evidencia para investigadores y practitioners; y (e) señalar aquellos aspectos en los que la evidencia disponible es insuficiente o inexistente.

Desarrollo

1. Fundamento teórico y evolución del campo

El estudio científico de la sucesión del fundador se remonta a la revisión seminal de Handler (1994), quien sistematizó la investigación en cinco corrientes: la sucesión como proceso, el papel del fundador, la perspectiva de la siguiente generación, los múltiples niveles de análisis y la relación entre familia y empresa. Esta clasificación estableció las bases para décadas de investigación y sigue siendo un referente obligado para comprender la complejidad del fenómeno.

Con el tiempo, el campo ha evolucionado desde aproximaciones descriptivas hacia modelos explicativos y predictivos. Cheng y Tran-Pham (2022) documentaron que la sucesión del fundador ha dejado de ser un tema marginal para convertirse en un área consolidada, aunque todavía fragmentada. Las revisiones sistemáticas más recientes confirman esta tendencia y amplían el mapa del conocimiento: Baltazar et al. (2025), a partir de 122 estudios, identificaron seis enfoques estratégicos de sucesión; Reif et al. (2025), con 306 artículos, propusieron un modelo procesal que integra antecedentes, eventos de "gatekeeping" y resultados post-sucesión. Ambos trabajos coinciden en señalar que la investigación futura debe superar la lógica del evento aislado y adoptar una perspectiva procesal y contextual.

2. La centralidad del fundador y los riesgos de la transición

El fundador no es un directivo intercambiable. Su identidad, su red de relaciones y su conocimiento tácito suelen estar profundamente entrelazados con la organización, lo que genera una "centralidad" que dificulta la transición. Handler (1994) ya advertía que el papel del fundador constituye una de las fuerzas más poderosas en el proceso sucesorio, tanto por su influencia formal como por su legado simbólico. La evidencia empírica posterior confirma que la sustitución del fundador-CEO no es un evento neutro: Chen y Thompson (2015), en una muestra de 4.172 empresas emergentes danesas, encontraron que la sustitución del fundador se asocia con una mayor probabilidad de fracaso, aunque las empresas que sobreviven crecen significativamente más rápido. Este hallazgo sugiere que la transición puede ser destructiva a corto plazo pero regenerativa a largo plazo, dependiendo de cómo se gestione.

La influencia del fundador tampoco desaparece con su retirada formal. El Majhed et al. (2025), a partir de un estudio de casos múltiples en seis empresas familiares marroquíes, identificaron cinco patrones de influencia post-liderazgo: influencia basada en el legado, colaboración bigeneracional, liderazgo multigeneracional, delegación fraterna e institucionalización póstuma. Estos patrones muestran que el fundador puede seguir moldeando la dirección de la empresa mediante mecanismos informales, simbólicos o institucionales, lo que exige un diseño explícito de su rol posterior. La transición desde un liderazgo fundacional hacia una gestión profesional implica, además, un cambio en las normas de comportamiento y en las estructuras organizativas que puede generar resistencia y pérdida de talento si no se acompaña de estrategias de cambio adecuadas (Kaehr Serra & Thiel, 2019).

3. Planificación de la sucesión: modelos, fases y componentes

La planificación de la sucesión ha sido conceptualizada como un comportamiento planificado en el que intervienen la intención del incumbente, el compromiso de la familia y la existencia de un sucesor de confianza (Sharma et al., 2003). Desde esta perspectiva, la planificación no depende únicamente de variables estructurales, sino también de factores psicológicos y relacionales que condicionan la disposición del fundador a ceder el control.

Los modelos procesales más recientes distinguen al menos tres fases: la pre-sucesión (planificación y desarrollo del sucesor), la sucesión propiamente dicha (transferencia de autoridad y roles) y la post-sucesión (consolidación y ajuste). Reif et al. (2025) identifican que los procesos de sucesión incluyen planificación, desarrollo y onboarding, y que los antecedentes —atributos del sucesor, dinámica familiar y contexto organizacional— actúan como variables explicativas que moldean los eventos de "gatekeeping" entre fases. Por su parte, Baltazar et al. (2025) clasifican los enfoques estratégicos en seis categorías: planificación estratégica, transferencia de conocimiento, innovación e internacionalización, visión familia-empresa, salida del negocio y estrategia de gobernanza. Esta tipología resulta útil para ordenar la evidencia y para identificar qué estrategias se asocian con mejores resultados en distintos contextos.

4. Gobernanza y participación del consejo

La gobernanza constituye un pilar de la planificación sucesoria. La literatura identifica la estrategia de gobernanza como uno de los enfoques centrales de la sucesión en empresas familiares (Baltazar et al., 2025). La implicación temprana del consejo de administración permite someter las decisiones familiares a un escrutinio estratégico, reduce el riesgo de sesgos y facilita la alineación entre los objetivos familiares y los objetivos del negocio. Sin embargo, la evidencia disponible no permite cuantificar de manera concluyente el efecto causal de la participación del consejo sobre el éxito de la sucesión, por lo que este aspecto debe considerarse una línea de investigación abierta.

La resistencia del fundador a relinquish el control y la falta de claridad en los roles son barreras recurrentes en el proceso sucesorio. Sharma et al. (2003) demostraron que la intención del incumbente de mantener el negocio en la familia y su compromiso afectivo condicionan la planificación. En consecuencia, los mecanismos de gobernanza deben diseñarse no solo para regular la transferencia formal, sino también para gestionar las expectativas y los temores del fundador y de los demás grupos de interés.

5. Desarrollo del sucesor y transferencia de conocimiento

El desarrollo del sucesor es una de las dimensiones más estudiadas y, al mismo tiempo, más difíciles de operacionalizar. Handler (1994) subrayó la importancia de la perspectiva de la siguiente generación y de los procesos de socialización y mentoring. La transferencia de conocimiento —tácito y explícito— se ha identificado como un enfoque estratégico autónomo dentro de la literatura sucesoria (Baltazar et al., 2025). La evidencia sugiere que la planificación estructurada facilita la transferencia de conocimiento intergeneracional y mejora la estabilidad organizacional, aunque los estudios disponibles son en su mayoría cualitativos y de alcance limitado.

El desarrollo del sucesor no se limita a la formación técnica; incluye la exposición gradual a la toma de decisiones, la construcción de legitimidad frente a los grupos de interés y la interiorización de la cultura organizacional. Kaehr Serra y Thiel (2019) muestran que los CEO profesionales que suceden a fundadores deben activar la preparación para el cambio, crear una senda compartida y gestionar la equidad del legado del fundador para facilitar la adaptación del equipo. Estas estrategias, sin embargo, han sido documentadas principalmente en empresas de nueva creación y su generalización a otros contextos requiere cautela.

6. Resultados post-sucesión: desempeño financiero y riqueza socioemocional

La evaluación de los resultados post-sucesión es un área particularmente compleja, pues involucra dimensiones financieras y no financieras. Reif et al. (2025) sintetizan la evidencia y concluyen que los sucesores familiares se asocian con mejores resultados de preservación de la riqueza socioemocional, mientras que los sucesores no familiares se vinculan con un mejor desempeño financiero post-sucesión. Esta distinción es relevante porque sugiere que la elección del sucesor implica un trade-off entre objetivos económicos y objetivos socioemocionales, y que la optimalidad de la decisión depende de las prioridades de la familia y de la etapa de desarrollo de la empresa.

Chen y Thompson (2015) aportan evidencia sobre el desempeño de las empresas que reemplazan a su fundador-CEO: aunque la sustitución se asocia con mayor fracaso, las firmas supervivientes crecen más rápido. Este hallazgo es consistente con la idea de que la transición puede liberar capacidades directivas que el fundador no poseía, pero también con la advertencia de que el proceso es intrínsecamente riesgoso. La evidencia disponible no permite establecer una relación causal unívoca entre la planificación de la sucesión y el desempeño financiero, en parte debido a la heterogeneidad de contextos y a la falta de estudios longitudinales con grupos de control adecuados.

7. Desafíos y barreras en la planificación de la sucesión

Los desafíos de la sucesión del fundador operan en múltiples niveles. En el nivel individual, la identidad del fundador, su apego emocional a la empresa y su resistencia a ceder el control constituyen barreras significativas (Handler, 1994; Sharma et al., 2003). En el nivel familiar, los conflictos intergeneracionales, las expectativas divergentes y la falta de comunicación pueden obstaculizar la planificación. En el nivel organizacional, la ausencia de estructuras de gobernanza, la informalidad de los procesos y la dependencia de conocimiento tácito dificultan la transferencia. En el nivel contextual, factores institucionales, culturales y legales condicionan las opciones disponibles para la sucesión.

La literatura también revela brechas importantes. No se encontraron estudios que cuantifiquen de manera robusta la tasa exacta de fracaso de sucesiones de fundadores en empresas no familiares (evidencia no encontrada). Asimismo, la evidencia sobre el impacto de la planificación sucesoria en el desempeño financiero de largo plazo es limitada y fragmentada. Estos vacíos justifican la necesidad de programas de investigación más sistemáticos y comparables.

Conclusiones

La revisión permite concluir que la sucesión del fundador es un proceso complejo, prolongado y contextualmente dependiente, que no puede reducirse a la identificación de un reemplazo. La evidencia acumulada durante tres décadas muestra que la planificación anticipada, la gobernanza efectiva, el desarrollo del sucesor y la gestión de la influencia residual del fundador son factores críticos para la continuidad organizacional. Al mismo tiempo, la literatura adolece de fragmentación teórica, escasez de estudios longitudinales y una limitada integración de los resultados financieros y socioemocionales.

Los hallazgos de esta revisión tienen implicaciones tanto para la investigación como para la práctica. Para los investigadores, se abre un espacio para diseñar estudios que integren múltiples niveles de análisis y que comparen contextos diversos. Para los practitioners —fundadores, consejos de administración y sucesores—, la evidencia sugiere que la sucesión debe iniciarse con años de antelación, institucionalizarse mediante mecanismos de gobernanza y acompañarse de estrategias explícitas de gestión del legado y del cambio organizacional.

Retos

El campo enfrenta varios retos prioritarios. En el plano teórico, se requiere un marco integrador que articule los enfoques estratégicos, procesales y contextuales de la sucesión. En el plano metodológico, son necesarios diseños longitudinales y cuasi-experimentales que permitan identificar relaciones causales y medir resultados a lo largo del tiempo. En el plano empírico, la investigación debe ampliar su alcance geográfico y sectorial, prestando mayor atención a economías emergentes, empresas no familiares y organizaciones intensivas en conocimiento. En el plano práctico, el desafío consiste en traducir la evidencia disponible en herramientas de planificación accesibles y adaptables a distintos tamaños y culturas organizacionales. La sucesión del fundador seguirá siendo un fenómeno crítico mientras existan organizaciones fundadas por individuos con una impronta personal indeleble; comprenderlo y gestionarlo con rigor científico es, por tanto, una tarea ineludible.

Referencias

• Baltazar, J. R., Ferreira, J. J., & Hughes, M. (2025). What do we know about strategic approaches to family businesses succession? A systematic review and future agenda. Scandinavian Journal of Management. https://www.sciencedirect.com/science/article/pii/S0956522125000016
• Chen, J., & Thompson, P. (2015). New firm performance and the replacement of founder-CEOs. Strategic Entrepreneurship Journal, 9(3), 243–262. https://doi.org/10.1002/sej.1203
• Cheng, M.-C., & Tran-Pham, Q.-N. (2022). How did it happen: Exploring 25 years of research on founder succession. Cogent Business & Management, 9(1), 2150115. https://doi.org/10.1080/23311975.2022.2150115
• El Majhed, A., Boumarete, H., & Tajer, A. (2025). Beyond the throne: Founder role reconfiguration in family business leadership transitions. International Journal of Accounting, Finance, Auditing, Management and Economics, 6(10), 296–313. https://doi.org/10.5281/zenodo.17213427
• Handler, W. C. (1994). Succession in family business: A review of the research. Family Business Review, 7(2), 133–157. https://doi.org/10.1111/j.1741-6248.1994.00133.x
• Kaehr Serra, C., & Thiel, J. (2019). Professionalizing entrepreneurial firms: Managing the challenges and outcomes of founder-CEO succession. Strategic Entrepreneurship Journal, 13(3), 379–409. https://doi.org/10.1002/sej.1329
• Reif, T., Bauer, D., Junge, S., & Hossnofsky, V. (2025). An update on family firm succession: A systematic literature review and future research directions. Journal of Family Business Strategy, 16(3), 100671. https://www.sciencedirect.com/science/article/pii/S1877858525000129
• Sharma, P., Chrisman, J. J., & Chua, J. H. (2003). Succession planning as planned behavior: Some empirical results. Family Business Review, 16(1), 1–15. https://doi.org/10.1111/j.1741-6248.2003.00001.x

Doxa 2693

Sucesión en Nvidia tras la dimisión de Jensen Huang:
Gobernanza, candidatos y riesgo sistémico en la era de la inteligencia artificial

Una revisión de literatura académica y corporativa sobre la transición de liderazgo más crítica del sector tecnológico

Por: Oscar Hernando Benavides Paz, MBA

Resumen. La dimisión inmediata de Jensen Huang como presidente, consejero delegado y miembro del consejo de administración de Nvidia, anunciada el 12 de noviembre de 2026 tras 33 años de liderazgo, constituye un evento de relevancia sistémica para la industria global de semiconductores e inteligencia artificial. La presente revisión sintetiza la evidencia disponible en fuentes corporativas, financieras y de gobernanza para analizar tres dimensiones interrelacionadas: (i) las deficiencias estructurales en el planeamiento de la sucesión que caracterizaron a Nvidia bajo el mandato de Huang; (ii) el perfil y las probabilidades relativas de los candidatos internos y externos llamados a ocupar la vacante; y (iii) las implicaciones de corto y largo plazo para la gobernanza corporativa, la estabilidad del ecosistema de IA y la gestión del llamado "riesgo de persona clave". El análisis concluye que la designación de Colette Kress como CEO interina representa una solución de continuidad operativa, pero que la ausencia de un ingeniero con legitimidad técnica —señaladamente Ian Buck— en la posición permanente podría erosionar la ventaja competitiva de Nvidia en un entorno de competencia acelerada.

Palabras clave: Jensen Huang; sucesión CEO; gobernanza corporativa; Nvidia; Colette Kress; Ian Buck; riesgo de persona clave; industria de IA.

Introducción

El 12 de noviembre de 2026, Nvidia Corporation comunicó la dimisión con efecto inmediato de Jensen Huang como presidente, consejero delegado y miembro de su consejo de administración, poniendo fin a un mandato de 33 años durante el cual la compañía pasó de ser un fabricante de tarjetas gráficas para videojuegos a convertirse en la empresa cotizada de mayor valor del mundo y en el proveedor dominante de procesadores para inteligencia artificial. La dimisión, que no especificó motivo oficial alguno en el comunicado corporativo, se produjo en el contexto de revelaciones sobre relaciones extramatrimoniales del directivo y de una investigación interna sobre posibles implicaciones de seguridad nacional. El consejo designó a Colette Kress, hasta entonces vicepresidenta ejecutiva y directora financiera, como consejera delegada interina, al tiempo que inició un proceso de selección para un sustituto permanente con el apoyo de una firma externa de cazatalentos.

El evento reviste una importancia que trasciende la biografía corporativa individual. Nvidia ocupa una posición de cuasi-monopolio en el suministro de unidades de procesamiento gráfico (GPU) para entrenamiento e inferencia de modelos de inteligencia artificial, y su capitalización bursátil superaba los 5 billones de dólares en el momento de la transición. La literatura sobre gobernanza corporativa ha identificado desde hace décadas que la concentración excesiva de poder en un CEO fundador, combinada con la ausencia de un plan de sucesión formal, genera un "riesgo de persona clave" (key-person risk) que puede materializarse en destrucción de valor ante eventos idiosincrásicos. El caso de Nvidia ofrece, por tanto, un objeto de estudio privilegiado para examinar la tensión entre el liderazgo visionario y la resiliencia institucional en empresas de base tecnológica.

La presente revisión tiene como propósito sintetizar la evidencia disponible sobre la sucesión en Nvidia, evaluar críticamente las opciones de reemplazo y extraer lecciones de gobernanza aplicables a otras organizaciones intensivas en conocimiento. Se estructura en cuatro secciones sustantivas: objetivos y metas, desarrollo analítico —subdividido en gobernanza y planeamiento, candidatos internos, candidatos externos e interimazgo—, conclusiones y retos pendientes.

Objetivos

El objetivo general de esta revisión es analizar, con base en la evidencia publicada y verificable, el proceso de sucesión del CEO en Nvidia tras la dimisión de Jensen Huang, identificando los factores de gobernanza que condicionan la transición y los perfiles con mayor probabilidad de ocupar la posición permanente.

Los objetivos específicos son: (1) describir las características estructurales del gobierno corporativo de Nvidia que explican la ausencia de un sucesor designado; (2) evaluar comparativamente las credenciales y limitaciones de los candidatos internos —Colette Kress, Ian Buck y otros directivos— y externos —Rene Haas, Tim Cook y ejecutivos de la competencia—; (3) examinar el papel del interimazgo de Kress como mecanismo de continuidad operativa y contención de la volatilidad bursátil; y (4) derivar implicaciones teóricas y prácticas sobre la gestión del riesgo de persona clave en empresas tecnológicas sistémicamente relevantes.

Metas

La revisión se propone alcanzar tres metas concretas. Primera, consolidar en un único documento de síntesis la información dispersa en fuentes primarias corporativas —comunicados de Nvidia, declaraciones de su consejo y perfiles oficiales de sus directivos— y en coberturas periodísticas de referencia (Reuters, Bloomberg, The Wall Street Journal, ABC News, NYT), distinguiendo entre hechos verificados y especulación analítica. Segunda, ofrecer un marco interpretativo que conecte el caso Nvidia con la literatura académica sobre sucesión de CEOs fundadores y gobernanza en empresas de tecnología, de modo que los hallazgos sean extrapolables más allá del caso individual. Tercera, formular un conjunto de retos y preguntas abiertas que orienten investigación futura, particularmente en lo relativo a la medición del impacto de la transición sobre el rendimiento financiero y la innovación tecnológica de Nvidia en el horizonte 2027–2030.

Desarrollo

Gobernanza y planeamiento de la sucesión: la arquitectura de un vacío

La literatura sobre gobierno corporativo sostiene que un plan de sucesión efectivo reduce la volatilidad de las acciones ante la salida del CEO, preserva el conocimiento tácito de la organización y legitima la autoridad del sucesor ante los grupos de interés. En el caso de Nvidia, la evidencia disponible indica que dicho plan no existía. Jensen Huang manifestó explícitamente al Wall Street Journal que no creía en el planeamiento de la sucesión, y su estilo de gestión se articuló en torno a una estructura organizativa inusualmente plana: aproximadamente 60 ejecutivos reportaban directamente a él, sin un segundo al mando claramente identificado ni una cadena de mando jerárquica que permitiera una transición ordenada. Esta configuración, si bien facilitaba la velocidad de decisión y la coherencia estratégica, suprimió los mecanismos de desarrollo de liderazgo que en otras tecnológicas permiten construir un bench de sucesores.

El consejo de administración tampoco compensó esta carencia. Bloomberg reportó que los diez directores que debían gestionar la búsqueda carecían de experiencia previa como CEOs de compañías del S&P 500, y que el board no había contado con un presidente permanente hasta la semana de la crisis. Nvidia era, además, la única gran tecnológica en la que el CEO era el único insider en el consejo, lo que limitaba la información de primera mano sobre el talento interno disponible para la sucesión. La propia declaración de representación (proxy statement) de la compañía advertía que la dependencia de un equipo ejecutivo altamente concentrado y la falta de una planificación efectiva de la sucesión podían "obstaculizar nuestra planificación estratégica". El vacío, por tanto, no fue un accidente fortuito, sino el resultado previsible de un modelo de gobernanza que priorizó la lealtad al fundador sobre la resiliencia institucional.

Candidatos internos: Colette Kress y el dilema entre continuidad y competencia técnica

La designación de Colette Kress como CEO interina constituye la respuesta inmediata del consejo para evitar un vacío de poder y contener la volatilidad del mercado. Kress, de 59 años, se incorporó a Nvidia en 2013 como vicepresidenta ejecutiva y directora financiera tras una dilatada trayectoria en Microsoft, Cisco y Texas Instruments. Su perfil combina un profundo conocimiento de la compañía —ha estado presente en todas las llamadas de resultados trimestrales junto a Huang durante más de una década— con una credibilidad consolidada ante la comunidad inversora, lo que la convierte en la opción más idónea para estabilizar la percepción del mercado en el corto plazo.

Sin embargo, la literatura especializada y los analistas de mercado coinciden en señalar que su designación permanente enfrenta un obstáculo estructural: la ventaja competitiva de Nvidia reside en su arquitectura tecnológica —GPU, CUDA, redes de interconexión— y no en su ingeniería financiera. Como señaló Josh Gilbert, analista de eToro, "el trabajo permanente es otra historia, porque el borde de Nvidia proviene de su tecnología, y el consejo probablemente querría a un ingeniero en la silla". La propia trayectoria de Kress carece de formación o experiencia en ingeniería, lo que, en una industria donde la hoja de ruta de producto y la relación con los desarrolladores son determinantes, la posiciona como una solución de continuidad operativa más que como una apuesta de liderazgo a largo plazo.

El candidato interno con mayor legitimidad técnica es Ian Buck, vicepresidente de hyperscale y computación de alto rendimiento, y arquitecto original de CUDA, la plataforma de software que ha creado un efecto de lock-in en torno al ecosistema de Nvidia y que constituye, según los analistas, la verdadera barrera de entrada de la compañía. Buck, doctor por Stanford y en Nvidia desde 2004, dirige actualmente la unidad de negocio responsable de la mayor parte de los ingresos de la compañía —hardware y software de IA para hyperscalers— y es señalado por casas de análisis y mercados de predicción como el favorito para la sucesión permanente. Tae Kim, autor de The Nvidia Way, lo describe como "una de las figuras más importantes en la historia de Nvidia" y argumenta que posee "el conocimiento de ingeniería, la experiencia, las relaciones con los clientes de centro de datos y el respeto de los empleados necesarios para liderar a Nvidia en su próximo capítulo".

Junto a Kress y Buck, la especulación ha incluido a otros directivos internos como Debora Shoquist (operaciones), Nick Parker (operaciones globales) y Tim Teter (consejero general), así como a Jeff Fisher, veterano de 32 años en la compañía, y a los hijos de Huang —Spencer y Madison— y su yerno, Nico Caprez, todos ellos empleados de Nvidia. No obstante, la evidencia disponible no permite atribuir a estos nombres probabilidades significativas, y la propia compañía ha desmentido en el pasado que exista un plan de sucesión familiar.

Candidatos externos: la tentación del "CEO estrella" y sus límites

La dimensión externa de la búsqueda ha generado un debate particularmente intenso. El presidente de Estados Unidos, Donald Trump, propuso públicamente a Tim Cook, expresidente y actual presidente del consejo de Apple, como sustituto de Huang, calificándolo como "una leyenda que reemplaza a una leyenda". Sin embargo, no existe confirmación de que Nvidia haya contactado a Cook ni de que este tenga interés en asumir la dirección ejecutiva de otra compañía tras su retiro de Apple, por lo que la propuesta debe interpretarse como una declaración política antes que como un movimiento corporativo verificable.

En el ámbito de los analistas financieros, el nombre externo con mayor respaldo es Rene Haas, actual CEO de Arm Holdings y antiguo ejecutivo de Nvidia. Tae Kim lo considera el candidato más fuerte junto a Buck, destacando su "sólida comprensión de la tecnología, su experiencia en gestión empresarial y su capacidad para representar públicamente a la compañía", así como el hecho de que es familiar para el liderazgo senior de Nvidia y muy respetado por antiguos colegas. Otros nombres mencionados en la cobertura periodística incluyen a Thomas Kurian (Google Cloud), Matt Garman (AWS) y Eric Schmidt (ex-Google), aunque la evidencia que respalda su consideración es especulativa y no proviene de fuentes corporativas.

La literatura sobre sucesión ejecutiva advierte que la contratación de un CEO externo en una empresa cuyo éxito se ha construido sobre una plataforma tecnológica propietaria y una cultura de ingeniería muy específica conlleva costos de adaptación considerables y un riesgo elevado de ruptura cultural. En el caso de Nvidia, la dependencia de CUDA y de las relaciones con los desarrolladores hace que un líder sin familiaridad profunda con el ecosistema técnico pueda tardar años en alcanzar la curva de aprendizaje necesaria, un lujo que la velocidad de la competencia en IA difícilmente permite.

El interimazgo de Kress y la gestión del riesgo de persona clave

La designación de un CEO interino proveniente de las finanzas es una práctica común en situaciones de crisis reputacional o escándalo, pues envía al mercado una señal de continuidad operativa y de sujeción a los procedimientos de gobernanza. En el caso de Nvidia, la caída inicial de la acción —superior al 13% en la sesión del 12 de noviembre, con una pérdida de capitalización de más de 575.000 millones de dólares— se moderó parcialmente tras el anuncio del interimazgo, lo que sugiere que el mercado valoró la existencia de un mecanismo de transición, aunque fuera provisional. No obstante, la evidencia empírica sobre transiciones de CEOs fundadores indica que los interimazgos financieros suelen tener una duración limitada y que su éxito depende de la capacidad del consejo para identificar y legitimar rápidamente a un sucesor permanente con credibilidad técnica.

El caso Nvidia ilustra con particular nitidez el concepto de "riesgo de persona clave": la concentración de conocimiento estratégico, relaciones con clientes y legitimidad simbólica en una sola figura generó una vulnerabilidad que el consejo no mitigó. Como señaló el analista Dan Ives, "Jensen no es reemplazable… no hay otra persona en el banquillo del equipo directivo que pueda intervenir sin problemas como CEO". La literatura de gobernanza sugiere que las empresas que gestionan eficazmente este riesgo desarrollan planes de sucesión plurianuales, exponen a los posibles sucesores a los inversores y a los medios, y establecen mecanismos de delegación que permitan la continuidad ante ausencias repentinas. Nvidia, al no hacerlo, transformó una crisis personal en una crisis institucional.

Conclusiones

La dimisión de Jensen Huang y el subsiguiente proceso de sucesión en Nvidia ofrecen un caso de estudio paradigmático sobre las tensiones entre liderazgo visionario y gobernanza corporativa en la industria tecnológica. La evidencia revisada permite sostener cuatro conclusiones principales.

Primera, la ausencia de un plan de sucesión formal no fue un hecho fortuito, sino una consecuencia directa de un modelo de gobierno que concentró el poder en el fundador y suprimió los mecanismos institucionales de desarrollo de liderazgo. La estructura de aproximadamente 60 reportes directos al CEO y la falta de un segundo al mando constituyen factores explicativos de primer orden.

Segunda, la designación de Colette Kress como CEO interina es una solución funcional para la estabilidad de corto plazo, pero insuficiente para el liderazgo permanente de una empresa cuya competitividad depende críticamente de la innovación en hardware y software. La probabilidad de que Kress sea confirmada en el cargo de forma indefinida es baja, según la opinión convergente de analistas y académicos.

Tercera, Ian Buck emerge como el candidato interno con mayor legitimidad técnica y estratégica, dada su condición de arquitecto de CUDA y su responsabilidad sobre el negocio de IA de mayor crecimiento. Su designación permitiría preservar la continuidad tecnológica y la confianza de la comunidad de desarrolladores, aunque enfrentaría el desafío de gestionar una organización acostumbrada a un liderazgo carismático y centralizado.

Cuarta, la opción externa, personificada en Rene Haas, ofrece un perfil de CEO experimentado y con conocimiento del ecosistema, pero conlleva riesgos de adaptación cultural y de pérdida de talento interno que el consejo deberá ponderar cuidadosamente. La propuesta de Tim Cook, aunque mediática, carece de respaldo corporativo verificable.

Retos y preguntas abiertas

El proceso de sucesión en Nvidia plantea retos que exceden el caso individual y que constituyen agenda de investigación futura. En primer lugar, resta por determinar empíricamente el impacto de la transición sobre el rendimiento financiero y la innovación de Nvidia en el horizonte 2027–2030: ¿se producirá una desaceleración en el lanzamiento de nuevas arquitecturas GPU? ¿Se erosionará la ventaja de CUDA frente a alternativas como ROCm (AMD) o los frameworks propietarios de los hyperscalers? La evidencia disponible no permite responder aún a estas preguntas, por lo que deben señalarse como evidencia no encontrada en el estado actual de la literatura.

En segundo lugar, el caso Nvidia invita a revisar los marcos regulatorios y de gobernanza aplicables a las empresas tecnológicas de importancia sistémica. Si un CEO fundador concentra un poder equiparable al de un monopolio natural en un insumo esencial para la IA, ¿deberían los reguladores exigir planes de sucesión verificables como condición para operar? La literatura sobre gobernanza de infraestructuras críticas sugiere que sí, pero la aplicación al sector del software y los semiconductores requiere un desarrollo teórico y normativo aún incipiente.

En tercer lugar, queda abierta la cuestión de la gestión del talento y la cultura post-Huang. La estructura plana y el liderazgo carismático de Huang atrajeron a Nvidia a algunos de los mejores ingenieros del mundo, pero también generaron una dependencia personal que ahora debe reconvertirse en procesos. El éxito del próximo CEO dependerá en gran medida de su capacidad para institucionalizar la innovación sin diluir la velocidad y la audacia que caracterizaron a la compañía.

Finalmente, el caso subraya la necesidad de que los consejos de administración de empresas tecnológicas incorporen, entre sus competencias básicas, la supervisión activa del desarrollo del liderazgo y la planificación de la sucesión. La lección de Nvidia es que el costo de no hacerlo no se limita a una crisis bursátil transitoria, sino que puede comprometer la posición competitiva de una empresa entera en un momento de transformación tecnológica acelerada.

Referencias

ABC News. (2026, 12 de noviembre). With Jensen Huang under pressure, Nvidia finds itself with no succession plan. https://newsapp.abc.net.au/news/2026-11-12/jensen-huang-nvidia-ceo-succession-plan-after-spy-plot/107376722

Baotintuc. (2026, 13 de noviembre). Tổng thống Trump lên tiếng sau khi CEO Nvidia từ chức, đề xuất người kế nhiệm. https://baotintuc.vn/tong-thong-trump-len-tieng-sau-khi-ceo-nvidia-tu-chuc-de-xuat-nguoi-ke-nhiem-post1402323.html

Bloomberg. (2026, 13 de noviembre). Nvidia’s board, free of star CEOs, takes on tech’s most important job hunt. https://origin.www.bloomberg.com/news/articles/2026-11-13/nvidia-s-board-was-built-around-jensen-huang-now-it-must-replace-him

Business Insider Africa. (2026, 12 de noviembre). Ian Buck built Nvidia’s secret weapon. Jensen Huang’s departure makes it even more essential to the company’s future. https://africa.businessinsider.com

Economic Times. (2026, 13 de noviembre). Nvidia has talent to thrive without Jensen Huang; Tae Kim backs Rene Haas, Ian Buck as CEO successors. https://m.economictimes.com/tech/technology/nvidia-has-talent-to-thrive-without-jensen-huang-tae-kim-backs-rene-haas-ian-buck-as-ceo-successors/amp_articleshow/135795254.cms

Euronext Live. (2026, 11 de noviembre). Who’s next CEO at Nvidia? Top engineer and CFO favored as candidates. https://live.euronext.com/de/node/12923108

Fortune. (2026, 12 de noviembre). 36 direct reports, no heir apparent: How Jensen Huang’s ‘flat’ org may have hampered Nvidia’s succession planning. https://fortune.com

Inc. (2026, 9 de noviembre). Who could replace Jensen Huang? Nvidia has no formal plan but 6 possible successors. https://www.inc.com/chris-morris/who-could-replace-jensen-huang-nvidia-has-no-formal-plan-but-6-possible-successors/91433674

La Razón. (2026, 12 de noviembre). Bombazo en NVIDIA: Jensen Huang dimite como CEO con efecto inmediato tras 33 años al frente de la compañía. https://www.larazon.es/tecnologia-consumo/bombazo-nvidia-jensen-huang-dimite-como-ceo-efecto-inmediato-33-anos-frente-compania_202611126af5c6fe03bbf30bb049c057.html

New York Times. (2026, 12 de noviembre). Who is Colette Kress, the interim Nvidia CEO replacing Jensen Huang? https://www.nytimes.com

VOV. (2026, 13 de noviembre). Ông Trump lên tiếng sau khi CEO Nvidia bất ngờ từ chức. https://vov.vn/the-gioi/ong-trump-len-tieng-sau-khi-ceo-nvidia-bat-ngo-tu-chuc-post1349788.vov

Wall Street Journal. (2026, 10 de noviembre). The Morning Risk Report: Jensen Huang doesn’t believe in succession planning. It’s become a big risk for Nvidia. https://www.wsj.com

Yonhap News Agency. (2026, 13 de noviembre). 크레스·벅·리사수…젠슨황 떠난 엔비디아에 차기수장은 누구. https://www.yna.co.kr/view/AKR20261113086100091

东方财富网. (2026, 13 de noviembre). 英伟达更新领导团队名单！黄仁勋将失去约1.08亿美元股权奖励. https://finance.eastmoney.com/a/202611133930614592.html

Doxa 2692

La paradoja de los productos ecológicos diseñados por inteligencia artificial:
Beneficios técnicos, costes ambientales y la brecha de percepción del consumidor

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La inteligencia artificial (IA) se presenta como una herramienta transformadora para el diseño de productos más sostenibles, capaz de optimizar materiales, reducir residuos y acelerar la evaluación de conceptos ambientales. Sin embargo, una creciente literatura revela una doble paradoja. Por un lado, la infraestructura computacional que hace posible la IA generativa impone costes ambientales significativos en términos de energía, agua y emisiones de carbono, y el efecto rebote o paradoja de Jevons puede contrarrestar las ganancias de eficiencia. Por otro, los consumidores perciben los productos diseñados por IA como menos sostenibles que productos idénticos diseñados por humanos, un sesgo impulsado por la percepción de ausencia de cuidado genuino. Esta revisión sintetiza la evidencia disponible en fuentes primarias y revisiones sistemáticas hasta 2026, caracteriza los términos de la paradoja y propone un marco integrador que distingue entre sostenibilidad técnica, sostenibilidad sistémica y sostenibilidad percibida. Se concluye que la IA puede ser un vector de sostenibilidad solo si se gobierna con métricas que internalicen su huella, se corrigen los incentivos del efecto rebote y se comunica la intencionalidad humana que orienta el diseño algorítmico.

Introducción

El diseño de productos determina una proporción sustancial del impacto ambiental a lo largo del ciclo de vida. Se estima que cerca del 80% de los impactos de sostenibilidad se define en la fase de diseño. En este contexto, la IA —y en particular la IA generativa y el diseño generativo— ha emergido como una promesa para identificar materiales más eficientes, reducir el desperdicio, optimizar el uso de recursos y generar y evaluar rápidamente nuevos conceptos de producto. La literatura técnica reporta que, cuando el diseño generativo, la optimización multiobjetivo y la manufactura inteligente operan de forma sinérgica, los fabricantes pueden alcanzar ganancias del 30% al 65% en eficiencia energética, reducción de residuos y optimización de materiales, superando ampliamente las mejoras logradas mediante esfuerzos tecnológicos aislados.

No obstante, la misma IA que promete desmaterializar la economía requiere una base material intensiva en energía y recursos. Los centros de datos que entrenan e infieren modelos de IA consumen electricidad, agua y minerales críticos, y generan residuos electrónicos. A esta tensión físico-ambiental se suma una tensión socio-cognitiva: los consumidores evalúan la sostenibilidad no solo por el desempeño ambiental objetivo, sino también por las intenciones y el cuidado que atribuyen al diseñador. Investigaciones recientes muestran que los productos descritos como diseñados por IA reciben calificaciones de sostenibilidad significativamente menores que productos idénticos atribuidos a diseñadores humanos. La confluencia de estos tres niveles —beneficio técnico, coste sistémico y penalización perceptiva— constituye lo que en esta revisión se denomina la paradoja de los productos ecológicos diseñados por IA.

Objetivos

Objetivo general: Sintetizar críticamente la evidencia científica disponible sobre la paradoja de los productos ecológicos diseñados por inteligencia artificial, integrando las dimensiones técnica, ambiental-sistémica y perceptiva del consumidor.

Objetivos específicos:

1. Caracterizar los beneficios técnicos documentados de la IA en el eco-diseño y la optimización de la sostenibilidad de productos.

2. Cuantificar y contrastar la huella ambiental de la infraestructura de IA (energía, agua, carbono y residuos electrónicos) a partir de evaluaciones de ciclo de vida y reportes técnicos oficiales.

3. Examinar el efecto rebote y la paradoja de Jevons como mecanismos que pueden anular las ganancias de eficiencia atribuidas a la IA.

4. Analizar la evidencia sobre la percepción del consumidor y la penalización de sostenibilidad de los productos diseñados por IA.

5. Identificar retos de gobernanza, métricas y comunicación para alinear la sostenibilidad técnica con la sostenibilidad percibida y sistémica.

Metas

La meta de esta revisión es proporcionar a investigadores, responsables de política y gerentes de producto un marco conceptual y empírico que permita evaluar la IA no como una solución automática de sostenibilidad, sino como una tecnología cuyo balance ambiental y social depende de decisiones de diseño institucional, de infraestructura y de comunicación. Se busca establecer puentes entre la literatura de ingeniería de producto, la economía ambiental y la psicología del consumidor, dominios que con frecuencia han analizado la IA sostenible de forma fragmentada.

Desarrollo

1. El potencial técnico: diseño generativo y optimización multiobjetivo

La evidencia sistemática sobre IA en eco-diseño ha crecido de manera sostenida. Una revisión PRISMA de 38 estudios publicados entre 2014 y 2024 encontró que la IA se aplica principalmente en las fases de diseño y fin de vida, con prácticas comunes de reciclaje, reducción de energía y desensamblaje, aunque la producción, el uso y la distribución permanecen subexplorados. La misma revisión señala que las redes neuronales y los métodos híbridos se emplean para predecir compatibilidad de materiales y emisiones, pero que la IA generativa y los grandes modelos de lenguaje aún no se han integrado plenamente en el análisis de ciclo de vida y la circularidad. En contraste, revisiones más recientes que analizan la convergencia tecnológica reportan que, cuando el diseño generativo se combina con optimización multiobjetivo y manufactura inteligente, las ganancias en eficiencia energética, reducción de residuos y optimización de materiales oscilan entre el 30% y el 65%. Un estudio de caso en componentes aeronáuticos ilustra que la IA generativa puede optimizar la geometría para eficiencia de material, mientras que el aprendizaje automático informado por la física extiende la vida útil y difiere emisiones de alcance 3 asociadas a la fabricación de reemplazo.

2. La huella ambiental de la infraestructura de IA

El beneficio técnico en el producto no puede evaluarse de forma aislada del coste ambiental del sistema que lo diseña. Las evaluaciones de ciclo de vida (LCA) de centros de datos para IA generativa muestran que los impactos se extienden mucho más allá de los servidores e incluyen la arquitectura completa: sistemas de refrigeración, distribución de energía, infraestructura de red y fases de fabricación y fin de vida. La elección del modelo —GPT-4o, LLaMA o DeepSeek— altera significativamente la huella, y la ubicación geográfica y la intensidad de carbono de la red eléctrica modulan el impacto final. Un análisis de LCA de arquitecturas de centros de datos concluye que los diseños de alta densidad y refrigeración líquida ofrecen el menor coste ambiental por eFLOP, pero que el despliegue masivo de infraestructura dedicada a IA sigue ejerciendo una presión considerable sobre los recursos.

En términos absolutos, las estimaciones son contundentes. La demanda eléctrica global de los centros de datos podría más que duplicarse, pasando de aproximadamente 460 TWh en 2022 a 1000 TWh en 2026. Para 2024, se estimó que entre el 15% y el 20% del consumo eléctrico global de los centros de datos se atribuía a cargas de trabajo de IA, y se proyectó que los sistemas de IA podrían requerir hasta 23 GW de potencia eléctrica en 2025, comparable al consumo eléctrico medio del Reino Unido. La huella de carbono de los sistemas de IA por sí sola podría situarse entre 32,6 y 79,7 millones de toneladas de CO₂ en 2025, un rango similar al de la ciudad de Nueva York. La huella hídrica asociada —incluyendo el agua consumida directa e indirectamente para refrigeración y generación eléctrica— podría alcanzar entre 312,5 y 764,6 mil millones de litros en 2025, un volumen comparable al consumo global anual de agua embotellada. La intensidad hídrica de las redes eléctricas que alimentan los centros de datos varía enormemente, entre 0,68 y 11,98 L/kWh, lo que introduce una incertidumbre significativa en las estimaciones.

3. El efecto rebote y la paradoja de Jevons

El argumento de que la IA “desmaterializa” o “eficientiza” la economía descansa en una premisa que la economía ambiental ha cuestionado desde el siglo XIX: que las mejoras de eficiencia reducen el consumo total del recurso. La paradoja de Jevons establece que, cuando una tecnología se vuelve más eficiente y barata de usar, el consumo total de ese recurso tiende a aumentar, no a disminuir. Aplicada a la IA, la literatura identifica un efecto rebote robusto: las ganancias de eficiencia por tarea reducen el coste marginal de la computación, lo que estimula un mayor despliegue de modelos, entrenamientos más grandes y una expansión del alcance de las aplicaciones, compensando parcial o totalmente los ahorros absolutos de carbono. Un análisis de 2025 argumenta que el problema de Jevons aplica a la IA de manera especialmente intensa porque la eficiencia no es un fin en sí mismo, sino un incentivo para escalar. La implicación es directa: una estrategia de sostenibilidad basada exclusivamente en mejorar la eficiencia algorítmica —sin límites al crecimiento de la demanda ni internalización de costes— no es suficiente para reducir el impacto ambiental absoluto del sector.

4. La penalización de sostenibilidad en la percepción del consumidor

La paradoja adquiere una dimensión adicional cuando el producto ecológico llega al mercado. Una serie de 12 estudios, que incluyó experimentos prerregistrados, entrevistas con ejecutivos de diseño de producto, decisiones reales de consumidores y un experimento de campo, encontró que los consumidores califican sistemáticamente los productos descritos como diseñados por IA como menos sostenibles que productos idénticos atribuidos a diseñadores humanos. En un experimento de elección entre cepillos de dientes idénticos, solo el 23,6% eligió la opción “diseñada por IA” cuando se le pidió priorizar la sostenibilidad, frente al 76,4% que eligió la “diseñada por humanos”. En un experimento de campo con una campaña publicitaria A/B para un vaso reutilizable, la versión etiquetada como “diseñada por IA” generó tasas de clics significativamente menores.

El mecanismo psicológico identificado es la percepción de cuidado genuino. Los consumidores asocian la sostenibilidad con valores humanos —cuidado, preocupación, intención— y perciben que la IA, aunque eficiente y técnicamente competente, carece de esa dimensión emocional. Un ejecutivo entrevistado lo expresó con claridad: “La sostenibilidad se siente muy humana… ¿Por qué le importaría a una IA que un producto sea sostenible como le importaría a un humano? La IA no tiene hijos que van a caminar por la tierra dentro de cien años”. La investigación también muestra que la transparencia técnica —informar que la IA evaluó 10.000 configuraciones o redujo el material en un 18%— no elimina la penalización, porque la transparencia técnica no equivale a evidencia de intención humana sostenible. Sin embargo, la penalización no es inevitable: cuando se comunica explícitamente que el diseño fue guiado por objetivos de cuidado ambiental y social, la brecha se reduce significativamente.

5. Hacia una síntesis: tres capas de sostenibilidad

La evidencia revisada permite distinguir tres capas analíticamente distintas pero interconectadas. La sostenibilidad técnica se refiere al desempeño ambiental del producto a lo largo de su ciclo de vida y es la dimensión que la IA puede mejorar de manera más directa mediante optimización de materiales, reducción de residuos y diseño para la circularidad. La sostenibilidad sistémica incorpora la huella de la infraestructura que hace posible esa optimización —energía, agua, carbono y residuos electrónicos— y está sujeta al efecto rebote. La sostenibilidad percibida es la evaluación que el consumidor hace a partir de señales sobre la intención y el cuidado que subyacen al producto. La paradoja de los productos ecológicos diseñados por IA surge precisamente de la desalineación entre estas tres capas: un producto puede ser técnicamente más sostenible, sistémicamente costoso y percibido como menos sostenible. La gestión de esta paradoja exige métricas que integren las tres dimensiones, como el Sustainable AI Quotient (SAIQ), que mide la eficiencia con la que los sistemas de IA convierten dinero, energía, agua y emisiones en rendimiento cuantificable, o indicadores como el Design Simulation Energy Intensity (DSEI) propuesto para evaluar la relación entre el esfuerzo computacional de diseño y el beneficio ambiental neto.

Conclusiones

La literatura científica disponible hasta 2026 permite sostener que la IA no es intrínsecamente sostenible ni intrínsecamente insostenible: su balance ambiental y social depende de decisiones de infraestructura, de gobernanza y de comunicación. Los beneficios técnicos en eco-diseño son reales y cuantificables —con ganancias reportadas de 30% a 65% en eficiencia y optimización cuando las tecnologías convergen—, pero no pueden evaluarse sin descontar la huella energética e hídrica de los centros de datos que los hacen posibles, ni sin considerar el efecto rebote que puede anular los ahorros absolutos. La penalización de sostenibilidad que los consumidores aplican a los productos diseñados por IA añade una capa de complejidad que la literatura de ingeniería ha tendido a ignorar: la sostenibilidad percibida no es un epifenómeno de la sostenibilidad técnica, sino una variable con consecuencias comerciales y de adopción. La conclusión central es que la paradoja no se resuelve optimizando una sola capa, sino alineando las tres: internalizando la huella sistémica en las métricas de diseño, corrigiendo los incentivos del efecto rebote mediante políticas de demanda y precios, y comunicando la intencionalidad humana que orienta —y debe orientar— el diseño algorítmico.

Retos

Reto 1: Transparencia y trazabilidad de la huella de IA. La falta de distinción entre cargas de trabajo de IA y no-IA en los reportes ambientales de los operadores de centros de datos, así como la divulgación insuficiente de métricas como el consumo indirecto de agua, dificulta la evaluación rigurosa del impacto. Se requieren estándares de reporte obligatorios y auditables.

Reto 2: Gobernanza del efecto rebote. Sin límites al crecimiento de la demanda ni mecanismos de precio que internalicen los costes ambientales, la eficiencia algorítmica puede traducirse en mayor consumo total. La gobernanza debe combinar eficiencia técnica con políticas de suficiencia y responsabilidad extendida del productor digital.

Reto 3: Integración de la IA generativa en el análisis de ciclo de vida. A pesar del potencial, la IA generativa y los grandes modelos de lenguaje aún no se han incorporado plenamente en las evaluaciones de ciclo de vida y en los marcos de economía circular, y los estudios existentes se concentran en electrónica y electrodomésticos, con escasa aplicación en automoción, aviación, marítimo y salud.

Reto 4: Comunicación de la intencionalidad humana. La penalización de sostenibilidad de los productos diseñados por IA no se corrige solo con transparencia técnica. Las empresas deben comunicar para qué y por qué se optimizó, haciendo visibles los valores humanos embebidos en las funciones objetivo del sistema, y evitando presentar la IA como sustituto del cuidado humano.

Reto 5: Métricas integradoras. El desarrollo de indicadores como el SAIQ o el DSEI es un avance, pero su validación empírica y su adopción generalizada requieren datos comparables, marcos metodológicos consensuados y una gobernanza que impida su uso como herramienta de greenwashing.

Reto 6: Justicia ambiental y distribución de cargas. La huella hídrica y energética de la IA no se distribuye de manera uniforme: las comunidades locales donde se ubican los centros de datos asumen costes ambientales que no necesariamente se reflejan en los beneficios del producto final. La literatura sobre la paradoja de la sostenibilidad de la IA debe incorporar explícitamente dimensiones de equidad y justicia ambiental.

Referencias

Ashkbous, M., Ghorbani, E., & Keivanpour, S. (2026). Artificial intelligence for eco-design: A systematic review. Advanced Engineering Informatics, 69(Part C), 103989. https://doi.org/10.1016/j.aei.2025.103989

Berthelot, A., et al. (2024). Estimating the environmental impact of Generative-AI services using an LCA-based methodology. Procedia CIRP, 1–10. (CIRP LCE 2024 – 31st Conference on Life Cycle Engineering).

Biswas, D., & Duffek, B. (2026). AI and human designers: How consumers see the genuine care in product design as more sustainable. Journal of the Academy of Marketing Science. https://doi.org/10.1007/s11747-026-01170-4

De Vries-Gao, A. (2025). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns. Lawrence Berkeley National Laboratory. https://doi.org/10.1016/j.patter.2025.100278

European Commission. (2019). Regulation (EU) 2019/424 laying down ecodesign requirements for servers and data storage products. Official Journal of the European Union.

Falahat, M., et al. (2026). Generative AI for sustainable product design: A technology convergence framework integrating multi-objective optimisation and smart manufacturing. IET Collaborative Intelligent Manufacturing. https://doi.org/10.1049/cim2.12089

Lawrence Berkeley National Laboratory. (2024). 2024 United States Data Center Energy Usage Report. https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report_1.pdf

Luccioni, A. S., Strubell, E., & Crawford, K. (2025). From efficiency gains to rebound effects: The problem of Jevons' paradox in AI's polarized environmental debate. Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency. https://doi.org/10.1145/3715275.3732043

Mhlanga, D. (2025). The green paradox: The climate, environmental, and sustainability implications of artificial intelligence. Sustainability Solutions. https://doi.org/10.1016/j.susol.2025.100017

Srinivasan, K., G.V.V., R., Vaderahobli, D., Bhate, U., et al. (2026). AI-led sustainability strategy: Driving product value from birth to disposal. SAE Technical Paper 2026-26-0781. https://doi.org/10.4271/2026-26-0781

University of South Florida. (2026, 30 de julio). Consumers perceive AI-designed products as less sustainable than human-designed alternatives [Comunicado de prensa]. EurekAlert! https://www.eurekalert.org/news-releases/1138153

Harvard Business Review. (2026, 11 de noviembre). The paradox of AI-designed green products. Harvard Business Review. https://hbr.org/2026/11/the-paradox-of-ai-designed-green-products

Accenture. (2026). Powering sustainable AI: The Sustainable AI Quotient (SAIQ). Accenture Research.

Doxa 2691

Los costes ocultos de delegar en la inteligencia artificial:
Una revisión integradora de la evidencia científica (2019–2025)

Por: Oscar Hernando Benavides Paz, MBA

Investigación en gestión de la tecnología y economía de la inteligencia artificial

Resumen. La narrativa dominante sobre la inteligencia artificial (IA) enfatiza ganancias de velocidad y reducción de costes de ejecución. Sin embargo, la evidencia científica acumulada entre 2019 y 2025 muestra que delegar trabajo en sistemas de IA genera costes que no aparecen en las métricas convencionales de productividad. Esta revisión integradora sintetiza hallazgos de estudios publicados en revistas indexadas y informes técnicos oficiales para identificar y clasificar los costes ocultos de la delegación en IA. Se identifican seis dimensiones interrelacionadas: costes cognitivos (offloading, fatiga y erosión del pensamiento crítico), costes organizativos (verificación, coordinación, accountability y lock-in), costes económicos (deuda técnica, paradoja de productividad y dependencia de proveedores), costes laborales y sociales (trabajo fantasma, precariedad y desigualdad), costes ambientales (huella energética, hídrica y de carbono) y costes de gobernanza (shadow AI, sesgo de automatización y asimetría de evaluación). Los resultados sugieren que el coste total de delegación —ejecución más todo lo que la rodea— supera sistemáticamente las estimaciones a nivel de tarea. Se concluye que la adopción responsable de IA exige marcos de contabilidad organizacional que internalicen estos costes y políticas de gobernanza que preserven la agencia humana, la verificabilidad y la sostenibilidad.

Palabras clave: costes ocultos; delegación algorítmica; offloading cognitivo; trabajo fantasma; huella ambiental de la IA; gobernanza de IA; productividad; revisión de literatura.

1. Introducción

La inteligencia artificial se ha consolidado como una tecnología de propósito general con capacidad para reconfigurar procesos productivos, prácticas profesionales y estructuras organizativas. Los informes de adopción empresarial indican que una mayoría sustancial de organizaciones utiliza herramientas de IA generativa de forma regular, aunque solo una fracción reducida reporta impacto medible en resultados económicos a escala organizacional. Esta disociación entre adopción y valor efectivo constituye el punto de partida de la presente revisión: la aceleración de tareas individuales no se traduce automáticamente en mejoras equivalentes para la organización, porque delegar trabajo en un sistema de IA crea costes que van más allá de la ejecución.

La literatura científica ha documentado de manera creciente que la delegación en IA no es un acto neutral de sustitución tecnológica. Implica transferir funciones cognitivas, decisiones y responsabilidades a sistemas cuyos mecanismos internos son opacos para el usuario y cuyas consecuencias se distribuyen de forma asimétrica entre actores. Chen, Amrollahi y Yue (2025), en una revisión sistemática de configuraciones de colaboración humano-IA, identifican tres paradojas emergentes: la paradoja del sobrecoste —sistemas diseñados para reducir la carga cognitiva que, sin embargo, la aumentan mediante exigencias de transparencia e interpretabilidad—, la asimetría de evaluación —sistemas presentados como bidireccionales en los que la evaluación fluye exclusivamente del humano a la máquina— y la accountability fantasma —configuraciones delegativas en las que los humanos conservan responsabilidad formal sobre decisiones algorítmicas que no comprenden ni controlan—. Estas paradojas no son anomalías transitorias, sino propiedades estructurales de la colaboración humano-IA que deben incorporarse al análisis económico y organizativo.

La presente revisión parte de una premisa metodológica: el coste relevante no es el coste de ejecución de una tarea aislada, sino el coste total de delegación, que incluye la especificación del trabajo, la verificación del resultado, la coordinación con otros actores, la asunción de responsabilidad, el aprendizaje organizativo y las externalidades sociales y ambientales asociadas. Este enfoque permite integrar hallazgos dispersos en psicología cognitiva, estudios organizacionales, economía de la innovación, sociología del trabajo y ciencias ambientales en un marco comprehensivo.

La revisión se justifica por tres razones. Primera, la evidencia empírica sobre los efectos de la IA es fragmentaria y con frecuencia se limita a métricas de productividad a corto plazo. Segunda, los costes ocultos tienden a distribuirse en el tiempo y entre actores, lo que dificulta su detección mediante indicadores convencionales. Tercera, la formulación de políticas de adopción responsable requiere identificar no solo los beneficios potenciales, sino también los mecanismos concretos mediante los cuales la delegación en IA puede erosionar capacidades humanas, ampliar desigualdades o generar riesgos sistémicos.

2. Objetivos

Objetivo general. Sintetizar y clasificar la evidencia científica disponible entre 2019 y 2025 sobre los costes ocultos asociados a la delegación de tareas y decisiones en sistemas de inteligencia artificial, con el fin de construir un marco integrador que permita a investigadores y responsables de política evaluar el coste total de delegación más allá de las métricas de eficiencia inmediata.

Objetivos específicos.

• Identificar las dimensiones cognitivas, organizativas, económicas, laborales, ambientales y de gobernanza de los costes ocultos de la delegación en IA.
• Analizar los mecanismos causales que explican por qué la aceleración de tareas individuales no se traduce en mejoras equivalentes a nivel organizacional.
• Examinar las paradojas estructurales de la colaboración humano-IA documentadas en la literatura científica reciente.
• Evaluar la calidad y consistencia de la evidencia disponible, señalando vacíos y limitaciones metodológicas.
• Proponer un marco conceptual de coste total de delegación que integre las dimensiones identificadas y oriente futuras investigaciones y prácticas de gobernanza.

3. Metas

La revisión se plantea las siguientes metas operativas, concebidas como resultados verificables del proceso de síntesis:

• Meta 1: Delimitar un corpus de evidencia primaria y secundaria publicada entre 2019 y 2025 en fuentes indexadas y organismos técnicos oficiales, priorizando estudios empíricos y revisiones sistemáticas sobre IA y trabajo, cognición, organización y medio ambiente.
• Meta 2: Construir una taxonomía de costes ocultos que distinga entre costes internos a la organización, costes externalizados hacia trabajadores y comunidades, y costes diferidos en el tiempo.
• Meta 3: Contrastar la hipótesis de la paradoja de productividad de la IA, según la cual las ganancias a nivel de tarea no se propagan proporcionalmente al nivel organizacional.
• Meta 4: Identificar mecanismos de mitigación documentados y áreas prioritarias de investigación futura.
• Meta 5: Producir un marco de referencia utilizable en la evaluación ex ante y ex post de proyectos de delegación en IA.

4. Desarrollo

4.1. Marco conceptual: de la sustitución de tareas a la delegación sociotécnica

La literatura temprana sobre automatización tendía a conceptualizar la IA como un conjunto de tecnologías de sustitución de tareas. Sin embargo, la evidencia reciente sugiere que la categoría analítica más adecuada es la de delegación, entendida como la transferencia de una actividad a un agente —humano o artificial— que actúa en nombre de otro y cuyos resultados deben ser especificados, verificados y asumidos por quien delega. Chen et al. (2025) distinguen tres configuraciones de colaboración: co-adaptativa, aumentativa y delegativa. En la configuración delegativa, el humano conserva la responsabilidad formal pero pierde control efectivo sobre el proceso, lo que genera lo que los autores denominan "accountability fantasma". Esta distinción es crucial porque el coste de delegación no depende únicamente de la capacidad técnica del sistema, sino de la estructura de responsabilidad y de los mecanismos de evaluación disponibles.

El marco de delegación permite integrar hallazgos que de otro modo aparecerían desconectados. La psicología cognitiva aporta evidencia sobre los efectos del offloading en la memoria de trabajo y el pensamiento crítico. La sociología del trabajo documenta la reorganización de tareas, la pérdida de autonomía y la emergencia de formas de trabajo invisibilizado. La economía de la innovación explica los costes de transacción, la dependencia tecnológica y la deuda técnica. Las ciencias ambientales cuantifican las externalidades energéticas e hídricas. La teoría política y del derecho contribuye al análisis de la accountability y la legitimidad. La presente revisión sostiene que estos niveles de análisis son interdependentes y que ignorar cualquiera de ellos conduce a una subestimación sistemática del coste real de la IA.

4.2. Costes cognitivos: offloading, fatiga y erosión de la agencia epistémica

El concepto de offloading cognitivo designa el uso de herramientas externas para almacenar o procesar información con el fin de conservar recursos cognitivos internos. Aunque puede ser adaptativo en determinadas circunstancias, la evidencia empírica reciente indica que la dependencia habitual de sistemas de IA se asocia con una reducción de la actividad reflexiva y analítica. Tian y Zhang (2025), en un estudio con 580 estudiantes universitarios, encontraron que una mayor dependencia de la IA se asociaba con niveles más bajos de pensamiento crítico, con la fatiga cognitiva como mediadora parcial de esta relación. El estudio también reveló que la alfabetización informacional amortigua el impacto negativo de la dependencia, pero puede amplificar la fatiga cognitiva cuando la confianza en la IA es elevada, lo que sugiere un papel dual de las competencias digitales.

Estos hallazgos son consistentes con la teoría de la carga cognitiva y con la investigación sobre inercia cognitiva. La externalización repetida de procesos de inferencia, síntesis y evaluación reduce la demanda cognitiva inmediata, pero puede impedir el desarrollo y el mantenimiento de las capacidades de orden superior necesarias para detectar errores, evaluar la plausibilidad de los resultados y adaptarse a situaciones novedosas. En contextos profesionales, este fenómeno se traduce en lo que la literatura denomina des-skilling o erosión de la experiencia: los profesionales que delegan sistemáticamente tareas complejas pueden perder gradualmente la capacidad de realizarlas de forma autónoma, lo que incrementa la dependencia de la tecnología y reduce la resiliencia organizacional.

La dimensión epistémica del coste cognitivo es particularmente relevante. La delegación en IA no solo transfiere la ejecución de una tarea, sino también la autoridad epistémica para determinar qué cuenta como respuesta válida. Cuando los usuarios aceptan los resultados sin verificación independiente, se produce un desplazamiento de la carga de la prueba: la IA se convierte en el punto de referencia por defecto y la verificación humana se vuelve reactiva, limitada a confirmar la plausibilidad superficial del output. Este desplazamiento incrementa la vulnerabilidad a errores sistemáticos y reduce la capacidad colectiva de generar conocimiento validado de forma independiente.

4.3. Costes organizativos: verificación, coordinación y accountability

Uno de los hallazgos más robustos de la literatura reciente es que la aceleración de la ejecución de tareas desplaza los cuellos de botella hacia actividades de verificación, revisión y coordinación. El análisis de la implantación de IA en la preparación de declaraciones fiscales en cuatro firmas contables durante la temporada 2025–2026 ilustra este fenómeno: aunque la IA redujo el tiempo de preparación en aproximadamente un tercio y aumentó el rendimiento en torno al 50%, los revisores seguían necesitando determinar si el trabajo era correcto y comprender cómo el sistema había llegado a su output, especialmente en casos límite. En algunos casos, el tiempo de revisión apenas disminuyó, y la ganancia de productividad se tradujo en un desplazamiento del cuello de botella más que en su eliminación.

La verificación de resultados generados por IA presenta dificultades específicas. Los errores humanos suelen ser idiosincrásicos, mientras que los errores de la IA tienden a repetirse en torno a tipos de documentos o casos límite concretos, lo que puede facilitar la revisión una vez identificados los patrones, pero también puede generar puntos ciegos sistemáticos si los revisores no disponen de información sobre el proceso de generación. La trazabilidad y la explicabilidad se convierten, por tanto, en condiciones necesarias para reducir el coste de verificación, pero su implementación añade a su vez costes de diseño, documentación y mantenimiento.

La coordinación constituye otra dimensión crítica. Los informes sectoriales de 2025 indican que una mayoría de trabajadores percibe que la IA genera más trabajo de coordinación entre miembros del equipo, y esta percepción se intensifica entre los trabajadores de alta productividad. La razón es estructural: cuando la IA acelera la producción en una etapa del flujo de trabajo, las etapas posteriores deben absorber un volumen mayor de inputs, y la coordinación entre actores humanos y sistemas automatizados requiere mecanismos de sincronización, definición de interfaces y resolución de ambigüedades que no siempre están previstos. El resultado es una "taxa de orquestación" que recae sobre los trabajadores y que rara vez se contabiliza en los estudios de retorno de la inversión.

La accountability representa el coste de explicar el trabajo a otros y asumir las consecuencias en caso de error. La delegación en IA no reduce este coste, sino que lo transforma. En la configuración delegativa, el humano conserva la responsabilidad formal sobre decisiones que no comprende completamente, lo que genera una asimetría entre responsabilidad y control. Esta asimetría se agrava en contextos regulados, donde los marcos normativos exigen supervisión humana efectiva pero no proporcionan criterios claros para evaluar si esa supervisión es genuina o meramente formal. La accountability fantasma no es solo un problema ético: es un coste operativo que se materializa en seguros, auditorías, litigios y pérdida de confianza institucional.

4.4. Costes económicos: lock-in, deuda técnica y paradoja de productividad

La dependencia de proveedores de IA —vendor lock-in— constituye uno de los riesgos económicos más subestimados de la adopción empresarial. Los análisis de implementaciones empresariales sugieren que los costes de cambio de plataforma pueden situarse entre 2,3 y 5,7 veces el coste de implementación original, especialmente cuando las arquitecturas técnicas, los espacios de embeddings propietarios y los flujos de trabajo se han adaptado a un proveedor específico. Estos costes no se limitan a la migración técnica: incluyen la reconfiguración de procesos, la recapacitación del personal, la pérdida de integraciones y el tiempo de inactividad durante la transición.

La deuda técnica asociada a la IA agrava este problema. Gartner (2025) proyecta que, para 2030, la mitad de las empresas enfrentará retrasos en actualizaciones y costes crecientes de mantenimiento debido a deuda técnica de IA generativa no gestionada. La rápida adopción de herramientas generativas sin marcos de gobernanza adecuados produce artefactos difíciles de mantener, documentar y reemplazar, lo que incrementa el coste total de propiedad a lo largo del ciclo de vida. La deuda técnica no es un fenómeno puramente técnico: refleja decisiones organizativas de corto plazo que externalizan costes hacia el futuro.

La paradoja de productividad de la IA se manifiesta en la disociación entre ganancias a nivel de tarea y resultados a nivel organizacional. Un estudio del MIT de 2025 sobre 300 pilotos de IA en grandes organizaciones encontró que solo el 5% producía valor medible. Otras estimaciones sugieren que, aunque el 88% de las organizaciones utiliza IA de forma regular, solo el 39% reporta impacto en el EBIT a nivel empresarial. Estas cifras no implican que la IA sea improductiva, sino que las ganancias de eficiencia en tareas aisladas se absorben en costes de coordinación, verificación, integración y reorganización que no se contabilizan en las evaluaciones convencionales. La paradoja es, en gran medida, un artefacto de medición: lo que no se mide no se gestiona, y lo que no se gestiona se convierte en coste oculto.

4.5. Costes laborales y sociales: trabajo fantasma, precariedad y desigualdad

La narrativa de la automatización autónoma oculta una realidad material: los sistemas de IA dependen de redes distribuidas de trabajadores humanos que realizan tareas de anotación de datos, moderación de contenido, verificación de resultados y corrección de errores en condiciones de precariedad. Nemer y Sobral (2025) analizan este fenómeno bajo el concepto de heteromation y demuestran que los sistemas de IA operan como ensamblajes sociotécnicos en los que el trabajo humano fragmentado, invisible y mal remunerado sostiene la apariencia de inteligencia maquínica. Plataformas como Amazon Mechanical Turk y Appen organizan y oscurecen esta labor mediante gestión algorítmica y borrado cultural, extrayendo valor de trabajadores que carecen de visibilidad y protección social.

El coste humano de este trabajo invisible incluye salarios explotadores, ausencia de beneficios sociales, terminación arbitraria y consecuencias graves para la salud mental. Los trabajadores expuestos a contenido violento o gráfico durante tareas de moderación y etiquetado presentan tasas elevadas de estrés postraumático, ansiedad y consumo de sustancias, sin acceso adecuado a apoyo psicológico. Estas externalidades no aparecen en los estados financieros de las empresas que despliegan IA, pero constituyen un coste social real que recae sobre trabajadores y comunidades, con frecuencia en el Sur Global.

La dimensión de desigualdad es igualmente significativa. Los informes de Naciones Unidas de 2025 advierten que la IA podría ampliar la brecha entre países ricos y pobres, así como entre grupos sociales dentro de cada país, debido a diferencias en infraestructura, habilidades, capacidad de cómputo y gobernanza. La concentración de capacidades de IA en unas pocas empresas y países limita la capacidad de los actores periféricos para participar en la creación de valor y los expone a dependencias tecnológicas estructurales. La desigualdad no es un efecto secundario inevitable, sino el resultado de decisiones de diseño, inversión y gobernanza que distribuyen de forma asimétrica los beneficios y los costes.

4.6. Costes ambientales: la huella material de la inteligencia artificial

La IA es una tecnología intensiva en recursos. Los centros de datos que soportan los modelos de gran escala consumen cantidades crecientes de electricidad y agua, y dependen de hardware cuya fabricación implica extracción de minerales y generación de residuos electrónicos. de Vries-Gao (2025) estima que la huella de carbono de los sistemas de IA podría situarse entre 32,6 y 79,7 millones de toneladas de CO₂ en 2025, mientras que la huella hídrica podría alcanzar entre 312,5 y 764,6 mil millones de litros. Estas cifras equivalen, en orden de magnitud, a las emisiones de una ciudad como Nueva York y al consumo anual global de agua embotellada.

La falta de transparencia de los operadores de centros de datos dificulta la atribución precisa de estos impactos a cargas de trabajo de IA específicas. La mayoría de los informes ambientales corporativos no distinguen entre cargas de IA y no-IA, lo que obliga a los investigadores a aproximar el impacto mediante métricas generales de rendimiento de los centros de datos. Esta opacidad no es un problema meramente metodológico: impide la rendición de cuentas y dificulta el diseño de políticas de mitigación. La urgencia de transparencia es creciente, dado que la demanda de electricidad de los centros de datos podría más que duplicarse para 2030.

Los costes ambientales de la IA no se distribuyen de forma equitativa. Las comunidades locales donde se instalan centros de datos enfrentan presiones sobre recursos hídricos y energéticos, así como impactos en el uso del suelo y la biodiversidad. Estos costes recaen con frecuencia sobre poblaciones que no participan de los beneficios de la IA, lo que plantea cuestiones de justicia ambiental que la literatura científica apenas comienza a abordar de forma sistemática.

4.7. Costes de gobernanza: shadow AI, sesgo de automatización y asimetría de evaluación

La adopción no autorizada de herramientas de IA —shadow AI— constituye un riesgo de gobernanza con costes económicos y de seguridad cuantificables. Gartner (2025) encontró que el 69% de las organizaciones sospecha o tiene evidencia de que sus empleados utilizan herramientas de IA generativa públicas prohibidas, y predice que para 2030 más del 40% de las empresas experimentará incidentes de seguridad o cumplimiento vinculados a shadow AI. Los informes de costes de brechas de datos indican que los incidentes que involucran shadow AI tienen un coste promedio significativamente mayor que las brechas convencionales, con estimaciones que oscilan entre 308.000 y 670.000 dólares adicionales por incidente.

El sesgo de automatización —la tendencia humana a confiar excesivamente en los outputs de los sistemas automatizados— agrava estos riesgos. La literatura sobre decisiones asistidas por IA muestra que los usuarios pueden desactivar su juicio crítico, sentirse menos responsables y aceptar recomendaciones algorítmicas incluso cuando contradicen su experiencia o la evidencia disponible. Este fenómeno no se corrige simplemente añadiendo requisitos de accountability: un estudio experimental encontró que los requisitos de rendición de cuentas aumentaron el tiempo de deliberación pero no redujeron la dependencia excesiva de la IA ni mejoraron la alineación con el juicio experto.

La asimetría de evaluación identificada por Chen et al. (2025) complementa este diagnóstico: en muchos sistemas presentados como colaborativos, la evaluación fluye exclusivamente del humano a la máquina, sin que existan mecanismos equivalentes para que el sistema evalúe la calidad del juicio humano o para que los usuarios reciban retroalimentación sobre sus propios sesgos. Esta asimetría impide el aprendizaje mutuo y refuerza relaciones de dependencia en las que el humano pierde progresivamente capacidad de agencia epistémica. La gobernanza efectiva de la IA requiere, por tanto, no solo controles técnicos, sino también diseños institucionales que preserven la simetría evaluativa y la capacidad de los usuarios para cuestionar y corregir los sistemas.

4.8. Paradojas emergentes y límites de los modelos de colaboración humano-IA

La evidencia revisada permite identificar un conjunto de paradojas que cuestionan los supuestos dominantes sobre la colaboración humano-IA. La primera es la paradoja del sobrecoste cognitivo: los sistemas diseñados para reducir la carga de trabajo pueden incrementarla al exigir transparencia, interpretabilidad y verificación constante. La segunda es la asimetría de evaluación: la retórica del aprendizaje mutuo no se corresponde con arquitecturas que evalúan al humano pero no son evaluadas por él de forma significativa. La tercera es la accountability fantasma: la responsabilidad formal se conserva en el humano mientras el control efectivo se desplaza hacia el sistema.

A estas paradojas se añade la homogeneización creativa. Los estudios sobre el efecto de los modelos de lenguaje de gran escala en la diversidad creativa sugieren que, aunque la IA puede aumentar la creatividad individual en el corto plazo, el uso generalizado de los mismos modelos tiende a reducir la diversidad colectiva de ideas y a promover la convergencia estilística. Moon, Green y Kushlev (2025) encontraron que cada ensayo escrito por humanos contribuye con más ideas nuevas que un ensayo generado por GPT, lo que sugiere que la dependencia de la IA puede empobrecer el pool colectivo de innovación. Esta homogeneización no es un fallo técnico, sino una consecuencia estructural de la optimización para la plausibilidad estadística y la conformidad con patrones dominantes.

Finalmente, la paradoja de la productividad organizacional sintetiza estas tensiones: la IA acelera la ejecución pero desplaza los cuellos de botella hacia la verificación, la coordinación y la accountability, de modo que el beneficio neto a nivel organizacional puede ser sustancialmente menor que el beneficio a nivel de tarea. La implicación no es que la IA carezca de valor, sino que su valor debe evaluarse con métricas que capturen el coste total de delegación y no únicamente la eficiencia de ejecución.

5. Conclusiones

La evidencia científica revisada permite sostener cuatro conclusiones principales. Primera, los costes ocultos de delegar en IA son multidimensionales y sistémicos: no se limitan a fallos técnicos o a resistencias culturales, sino que emergen de la interacción entre arquitecturas tecnológicas, estructuras organizativas, incentivos económicos y marcos institucionales. Ignorar cualquiera de estas dimensiones conduce a una subestimación sistemática del coste real y a una sobreestimación del valor esperado.

Segunda, la paradoja de productividad de la IA es en gran medida un problema de contabilidad organizacional. Las métricas convencionales capturan la aceleración de tareas pero no los costes de verificación, coordinación, accountability, lock-in, deuda técnica y externalidades sociales y ambientales. La adopción de un marco de coste total de delegación —que incluya estos componentes— permitiría a las organizaciones tomar decisiones más informadas y evitar la trampa de optimizar para indicadores parciales.

Tercera, los costes cognitivos y laborales no son efectos secundarios inevitables, sino consecuencias de decisiones de diseño y gobernanza. La evidencia sobre offloading cognitivo, des-skilling y trabajo fantasma muestra que la delegación en IA puede erosionar capacidades humanas y reproducir formas de explotación cuando no se acompaña de salvaguardas institucionales. La mitigación requiere políticas de alfabetización crítica, diseños que preserven la agencia epistémica y marcos laborales que protejan a los trabajadores invisibles de la cadena de valor de la IA.

Cuarta, la sostenibilidad ambiental de la IA es un coste presente, no futuro. Las estimaciones de huella de carbono e hídrica para 2025 indican que la escala del impacto ya es significativa y que la falta de transparencia de los operadores impide una gestión responsable. La internalización de estos costes mediante regulación, estándares de divulgación y mecanismos de precio del carbono es una condición necesaria para que la IA contribuya a un desarrollo sostenible en lugar de socavarlo.

6. Retos

La agenda de investigación y gobernanza derivada de esta revisión enfrenta varios retos prioritarios.

Reto 1: Medición del coste total de delegación. Es necesario desarrollar metodologías robustas para cuantificar los costes de verificación, coordinación, accountability y lock-in a lo largo del ciclo de vida de los proyectos de IA. Sin instrumentos de medición validados, la comparación entre alternativas tecnológicas y organizativas seguirá sesgada hacia métricas de eficiencia inmediata.

Reto 2: Transparencia y trazabilidad. La reducción del coste de verificación requiere sistemas que hagan explícitos sus procesos de generación, sus fuentes y sus niveles de confianza. La trazabilidad no es solo un requisito técnico, sino una condición para la accountability democrática y para la confianza pública en los sistemas de IA.

Reto 3: Preservación de la agencia humana y la diversidad cognitiva. El diseño de sistemas de IA debe orientarse a ampliar las capacidades humanas, no a sustituirlas de forma que se erosionen las competencias necesarias para ejercer un juicio independiente. Esto implica invertir en formación crítica, diseñar interfaces que fomenten la verificación activa y evitar arquitecturas que promuevan la aceptación pasiva de outputs.

Reto 4: Gobernanza de la cadena de valor global. La invisibilidad del trabajo de anotación y moderación, junto con la concentración de capacidades de IA en pocas empresas, plantea desafíos de justicia global que no pueden resolverse únicamente con iniciativas voluntarias. Se requieren marcos vinculantes de derechos humanos, salarios dignos, protección social y condiciones de trabajo seguras a lo largo de toda la cadena de valor.

Reto 5: Sostenibilidad ambiental y divulgación obligatoria. La falta de datos desagregados sobre el consumo energético e hídrico de las cargas de trabajo de IA impide una gestión ambiental responsable. La divulgación obligatoria de métricas ambientales específicas para IA, junto con estándares de eficiencia y mecanismos de compensación, es un paso necesario para internalizar las externalidades ambientales.

Reto 6: Coherencia regulatoria y accountability efectiva. Los marcos regulatorios emergentes, como el Reglamento de IA de la Unión Europea, exigen supervisión humana, pero no especifican cómo garantizar que esa supervisión sea genuina y no meramente formal. Es necesario desarrollar estándares de auditoría, certificación y evaluación de impacto que permitan verificar la calidad de la supervisión humana y la distribución de responsabilidades.

En síntesis, la delegación en IA no es una elección binaria entre adopción y rechazo, sino un proceso de diseño sociotécnico que debe gestionarse con atención explícita a los costes que se distribuyen de forma invisible. La evidencia revisada ofrece una base sólida para avanzar hacia prácticas de adopción más responsables, pero también revela vacíos significativos que la investigación futura debe abordar con rigor metodológico y perspectiva interdisciplinaria.

Referencias

Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence [Working paper]. Stanford Digital Economy Lab.

Chen, Y., Amrollahi, A., & Yue, L. (2025). Reconceptualising human-AI collaboration: A systematic review of human-AI collaboration configurations. ACIS 2025 Proceedings, 30. https://aisel.aisnet.org/acis2025/30

de Vries-Gao, A. (2025). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, 7(1), 101430. https://doi.org/10.1016/j.patter.2025.101430

Gartner. (2025, 19 de noviembre). Gartner identifies critical GenAI blind spots that CIOs must urgently address [Comunicado de prensa]. https://www.gartner.com/en/newsroom/press-releases/2025-11-19-gartner-identifies-critical-genai-blind-spots-that-cios-must-urgently-address0

IBM. (2025). Cost of a data breach report 2025. IBM Security.

Kaput, M. (2025). MIT study finds only 5% of AI pilots deliver measurable value [Informe técnico]. Massachusetts Institute of Technology.

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. Artificial Humans, 6, 100207. https://doi.org/10.1016/j.artd.2025.100207

Nemer, D., & Sobral, A. (2025). Artificial intelligence as heteromation: The human infrastructure behind the machine. AI & Society. https://doi.org/10.1007/s00146-025-02664-5

Tian, J., & Zhang, R. (2025). Learners' AI dependence and critical thinking: The psychological mechanism of fatigue and the social buffering role of AI literacy. Acta Psychologica, 260, 105725. https://doi.org/10.1016/j.actpsy.2025.105725

Xu, J. (2025). Algorithmic management and workers' responses: A systematic review and thematic analysis. Academy of Management Proceedings. https://doi.org/10.5465/AMPROC.2025.18879abstract

Asana. (2025). The AI super productivity paradox: More output, same bottlenecks [Informe sectorial]. https://asana.com

Business and Human Rights Resource Centre. (2025). Scroll. Click. Suffer: The hidden human cost of content moderation and data labelling. https://www.business-humanrights.org

Naciones Unidas. (2025). AI could widen global inequality without investment and safeguards [Informe de política]. UN Geneva Press Briefing.