Doxa 2674

Liderazgo y ambivalencia de los empleados hacia la inteligencia artificial: una revisión de literatura

Liderazgo y ambivalencia de los empleados hacia la inteligencia artificial:
Una revisión de literatura científica

Por: Oscar Hernando Benavides Paz, MBA

Introducción

La integración de la inteligencia artificial (IA) en el lugar de trabajo ha dejado de ser una promesa futura para convertirse en una realidad operativa que transforma tareas, roles y estructuras organizacionales. Sin embargo, la evidencia empírica acumulada en los últimos años revela un fenómeno consistente: los empleados no responden a la IA con entusiasmo unívoco ni con rechazo absoluto, sino con una mezcla de emociones y valoraciones que la literatura reciente denomina ambivalencia. Esta ambivalencia se define como la experiencia simultánea de actitudes positivas y negativas hacia la IA, y se caracteriza por ser dinámica y sostenida en el tiempo, en lugar de transitoria o estática. Los trabajadores pueden sentirse entusiasmados por la eficiencia y la reducción de tareas repetitivas, al tiempo que experimentan ansiedad por el reemplazo, desconfianza hacia los sistemas opacos y temor a cometer errores cuya responsabilidad recaerá sobre ellos.

Los líderes organizacionales se encuentran en el epicentro de esta tensión. Ignorar la ambivalencia de los empleados no solo erosiona el bienestar psicológico, sino que también socava la adopción efectiva de la tecnología. Investigaciones previas muestran que la preocupación por la IA se asocia con menor compromiso laboral, mayor agotamiento y menor satisfacción con el puesto, lo que a su vez puede traducirse en resistencia activa o en formas de uso encubierto que limitan el retorno de la inversión tecnológica. En este contexto, el liderazgo ya no puede limitarse a la implementación técnica; debe convertirse en un gestor activo de las respuestas emocionales y cognitivas que la IA despierta en los equipos. La presente revisión de literatura tiene como propósito sintetizar la evidencia científica disponible sobre la ambivalencia de los empleados hacia la IA y las estrategias de liderazgo que han demostrado ser eficaces para gestionarla.

Objetivos

Objetivo general: Analizar la evidencia científica sobre la ambivalencia de los empleados hacia la inteligencia artificial en el lugar de trabajo y su implicación para el liderazgo organizacional.

Objetivos específicos:

  • Conceptualizar la ambivalencia hacia la IA a partir de las definiciones y marcos teóricos disponibles en la literatura indexada.
  • Identificar las principales respuestas ambivalentes documentadas en estudios empíricos y revisiones sistemáticas.
  • Examinar las consecuencias de la ambivalencia no gestionada sobre el compromiso, el comportamiento proactivo y el bienestar de los empleados.
  • Evaluar las estrategias de liderazgo y las condiciones organizacionales que facilitan la canalización de la ambivalencia hacia una adopción sostenible de la IA.

Metas

La meta de esta revisión es proporcionar a investigadores y profesionales de la dirección de personas un marco integrador que permita comprender por qué la ambivalencia es una respuesta psicológica legítima y frecuente ante la IA, y cómo los líderes pueden intervenir para transformarla en un recurso adaptativo. Asimismo, se busca identificar brechas de investigación y formular recomendaciones basadas en evidencia para el diseño de intervenciones organizacionales que reduzcan el costo emocional de la transformación digital y potencien la colaboración humano-máquina.

Desarrollo

Conceptualización de la ambivalencia hacia la IA

La ambivalencia hacia la IA ha sido definida recientemente como una actitud compleja que combina evaluaciones positivas y negativas de manera simultánea. Yang y Chuang (2025) introducen el constructo “Ambivalencia hacia la IA” y argumentan que no se trata de una fase transitoria que se resuelve con información o formación, sino de un estado dinámico y sostenido que requiere un manejo continuo por parte de las organizaciones. Esta conceptualización se alinea con la noción de “ansiedad ambivalente” descrita en el ámbito aplicado, donde los profesionales reportan sentirse “emocionados” y “empoderados” por la rapidez de ciertas herramientas, al mismo tiempo que se sienten “nerviosos” y temerosos por su futuro laboral.

Desde una perspectiva teórica complementaria, el estudio de la ambivalencia hacia la transformación digital-IA ha utilizado la teoría de la amenaza-rigidez para explicar sus efectos. Los hallazgos indican que la ambivalencia actúa como una amenaza psicológica interna que inhibe los comportamientos proactivos de los empleados, como la toma de iniciativa, incluso cuando existen oportunidades objetivas para mejorar los procesos. Es decir, la coexistencia de emociones positivas y negativas no es neutra: genera una parálisis que reduce la probabilidad de que los trabajadores se involucren activamente en la implementación de la IA.

La literatura también distingue entre la ambivalencia como estado emocional y las “personas de adopción” que emergen de ella. A partir de investigaciones de campo, se han identificado cinco perfiles recurrentes —Campeones, Pragmáticos, Innovadores Encubiertos, Escépticos y Tradicionalistas— que se configuran a partir de dos ansiedades predominantes: el temor a cometer errores con sistemas opacos y el temor a ser reemplazado por la tecnología. Esta tipología resulta útil para los líderes porque reconoce que la ambivalencia no se manifiesta de forma homogénea en todos los colaboradores y que, por tanto, las intervenciones deben adaptarse a las motivaciones y miedos subyacentes de cada grupo.

Evidencia empírica sobre las respuestas ambivalentes de los empleados

Una revisión sistemática reciente, que sintetizó 24 estudios empíricos publicados entre 2020 y 2024 en bases de datos como Scopus, Web of Science y PsycINFO, concluyó que los trabajadores perciben la IA simultáneamente como una oportunidad y como una fuente de preocupación. Los resultados muestran que las herramientas de automatización y apoyo a la decisión se asocian con mejoras en eficiencia, productividad y percepción de justicia, pero también con ansiedad e incertidumbre sobre el cambio de rol y la seguridad laboral. Esta evidencia es particularmente sólida en sectores como la salud y la educación, aunque los autores señalan la necesidad de ampliar la investigación a otros sectores y contextos regionales.

En el plano del bienestar, un estudio longitudinal publicado en Nature: Scientific Reports analizó dos décadas de datos del Panel Socioeconómico Alemán y no encontró efectos promedio significativos de la exposición a la IA sobre la satisfacción laboral, la satisfacción con la vida o la salud mental. Incluso se observaron mejoras modestas en la salud física autoevaluada, posiblemente debido a la reducción de la intensidad física del trabajo en algunas ocupaciones. No obstante, los propios autores advierten que se trata de una “instantánea temprana” y que las estimaciones basadas en la exposición autoinformada revelan pequeños efectos negativos sobre el bienestar subjetivo, lo que subraya la naturaleza ambivalente y diferenciada de la experiencia. La conclusión relevante para el liderazgo es que el impacto de la IA en el bienestar no está determinado tecnológicamente, sino que depende de cómo las instituciones y las prácticas de gestión configuren las condiciones de trabajo.

Estudios específicos sobre ambivalencia y comportamiento proactivo aportan evidencia convergente. La investigación basada en la teoría de la amenaza-rigidez encontró que la ambivalencia hacia la transformación digital-IA reduce la toma de iniciativa, y que este efecto está mediado por el compromiso laboral y la saliencia del yo futuro en el trabajo. En otras palabras, los empleados ambivalentes se involucran menos en su trabajo y tienen una representación menos clara de su identidad profesional futura, lo que a su vez disminuye su disposición a asumir riesgos y proponer mejoras. Estos hallazgos refuerzan la idea de que la ambivalencia no es solo un estado afectivo pasajero, sino un factor psicológico con consecuencias conductuales medibles.

El costo de ignorar la ambivalencia

La evidencia disponible indica que los líderes que no abordan activamente la ambivalencia de sus equipos enfrentan costos tangibles. En primer lugar, la ambivalencia no expresada tiende a convertirse en silencio o en resistencia encubierta. Los empleados pueden ocultar sus emociones negativas y mostrar curiosidad en público, mientras experimentan frustración, confusión o enojo en privado. Este fenómeno de “silencio del empleado” en contextos de liderazgo algorítmico y ansiedad por IA ha sido identificado como un riesgo para la calidad de las decisiones y para la detección temprana de problemas en la implementación tecnológica.

En segundo lugar, la ambivalencia no gestionada se traduce en una paradoja de adopción: las organizaciones pueden haber desplegado herramientas de IA a gran escala, pero una proporción significativa de los usuarios finales no las incorpora a su flujo de trabajo habitual. Los datos globales sugieren que, aunque más de dos tercios de las grandes empresas han implementado al menos una aplicación habilitada por IA, apenas un tercio de los usuarios de primera línea las integran de manera regular. Esta brecha entre despliegue y adopción efectiva representa una pérdida de valor económico y erosiona la credibilidad de futuras iniciativas digitales.

Finalmente, la ambivalencia ignorada puede afectar la salud mental y el compromiso. La preocupación por la IA se ha asociado con menor engagement, mayor agotamiento y menor satisfacción laboral, lo que configura un círculo vicioso en el que la ansiedad reduce la disposición a aprender y experimentar con la tecnología, y esa falta de experiencia alimenta nuevas inseguridades. En este sentido, la gestión de la ambivalencia no es un lujo humanista, sino una condición para la sostenibilidad de la transformación digital.

Estrategias de liderazgo para gestionar la ambivalencia

La literatura reciente ofrece un conjunto de orientaciones basadas en evidencia para que los líderes aborden la ambivalencia de manera constructiva. Un primer principio es reconocer y legitimar la tensión. Los líderes eficaces no proyectan una certeza que no poseen ni exigen optimismo acrítico; por el contrario, nombran explícitamente la mezcla de emociones y crean espacios seguros para que los empleados expresen sus preocupaciones sin temor a represalias. Este acto de acknowledgment reduce el silencio organizacional y permite que los problemas se detecten antes de que se conviertan en resistencia activa.

Un segundo principio es la creación de entornos de seguridad psicológica. Un estudio con 2.257 empleados de una firma global de consultoría encontró que la seguridad psicológica es un antecedente clave del compromiso inicial con la IA, aunque no necesariamente de la intensidad de uso posterior. Esto sugiere que los líderes deben distinguir entre la fase de adopción inicial y la fase de uso sostenido: mientras que la seguridad psicológica facilita el primer acercamiento, la consolidación del uso requiere otras condiciones, como autonomía guiada, retroalimentación y oportunidades de desarrollo de habilidades. La creación de “areneros” o “bandas de riesgo” donde los empleados pueden experimentar con IA sin penalización por errores ha sido recomendada como práctica concreta para reducir la ansiedad asociada a la opacidad de los sistemas.

Un tercer principio es el liderazgo paradójico, que consiste en adoptar un enfoque “ambos-y” en lugar de “o-lo-uno-o-lo-otro”. Dado que la ambivalencia implica la coexistencia de metas aparentemente contradictorias —como la eficiencia tecnológica y la preservación del juicio humano, o la estandarización algorítmica y la personalización del apoyo—, los líderes que adoptan marcos paradójicos pueden integrar esas tensiones en lugar de suprimirlas. La investigación sobre liderazgo paradójico en contextos de interacción humano-IA sugiere que este estilo gerencial facilita la colaboración y reduce los comportamientos territoriales que surgen cuando los empleados perciben que la IA amenaza su identidad profesional.

Un cuarto principio es la personalización de las intervenciones según los perfiles de adopción. La matriz de dinámicas de adopción de IA propone que las dos ansiedades centrales —el miedo a equivocarse y el miedo a ser reemplazado— se combinan de manera diferente en cada persona, dando lugar a necesidades distintas. Los Campeones requieren oportunidades de liderazgo y reconocimiento; los Pragmáticos necesitan evidencia de utilidad y formación aplicada; los Innovadores Encubiertos pueden beneficiarse de la legitimación del uso experimental; los Escépticos requieren transparencia sobre los límites de la IA; y los Tradicionalistas necesitan garantías de que su experiencia y criterio siguen siendo valorados. Un liderazgo sensible a estas diferencias evita la trampa de las políticas de “talla única” y aumenta la probabilidad de que las intervenciones sean efectivas.

Finalmente, la evidencia destaca la importancia de la transparencia y la rendición de cuentas. Los empleados necesitan comprender cómo funcionan los sistemas de IA, qué datos utilizan y cómo se toman las decisiones que les afectan. La opacidad algorítmica alimenta la ansiedad y dificulta la confianza. Los líderes pueden promover prácticas de “cocina de cristal”, en las que los criterios de la IA son explicables y auditables, y establecer canales formales para que los empleados impugnen o corrijan decisiones automatizadas. Estas prácticas no eliminan la ambivalencia, pero la hacen más manejable al reducir la incertidumbre sobre las reglas del juego.

Conclusiones

La evidencia científica revisada permite sostener que la ambivalencia de los empleados hacia la IA es una respuesta psicológica prevalente, dinámica y con consecuencias medibles sobre el comportamiento organizacional. No se trata de una resistencia irracional ni de una simple falta de información, sino de una evaluación compleja en la que coexisten expectativas positivas y temores legítimos. Los líderes que ignoran esta realidad corren el riesgo de obtener adopciones superficiales, resistencia encubierta y deterioro del bienestar, mientras que aquellos que la abordan de manera explícita pueden convertirla en un punto de partida para una transformación más sostenible y humanamente centrada.

Las estrategias con mayor respaldo empírico incluyen el reconocimiento de la tensión, la creación de seguridad psicológica para la experimentación, la adopción de un liderazgo paradójico capaz de integrar metas contrapuestas y la personalización de las intervenciones según los perfiles de adopción. Estas prácticas no buscan eliminar la ambivalencia —lo cual es improbable dada la naturaleza disruptiva de la IA—, sino canalizarla hacia formas de colaboración humano-máquina más reflexivas y productivas. La gestión de la ambivalencia emerge así como una competencia central del liderazgo contemporáneo, tan importante como la capacidad de diseñar e implementar soluciones tecnológicas.

Retos

A pesar de los avances en la comprensión de la ambivalencia hacia la IA, persisten desafíos significativos que deben ser abordados por la investigación futura y la práctica organizacional. En primer lugar, la mayoría de los estudios empíricos disponibles se concentran en sectores específicos —como la salud, la educación y los servicios profesionales— y en contextos culturales occidentales, lo que limita la generalización de los hallazgos. Se requieren investigaciones en sectores industriales, en economías emergentes y en culturas organizacionales diversas para identificar variaciones en la forma en que la ambivalencia se experimenta y se gestiona.

En segundo lugar, la evidencia longitudinal es aún escasa. La mayoría de los estudios sobre actitudes hacia la IA son transversales, lo que impide establecer relaciones causales y comprender cómo evoluciona la ambivalencia a lo largo del ciclo de implementación tecnológica. El estudio de Nature: Scientific Reports advierte que los efectos observados podrían cambiar a medida que la IA penetre más profundamente en las ocupaciones y altere las tareas de manera más sustantiva. Se necesitan paneles de datos que sigan a los mismos trabajadores durante períodos prolongados para capturar la dinámica de la ambivalencia.

En tercer lugar, existe una brecha entre el reconocimiento teórico de la ambivalencia y la disponibilidad de instrumentos de medición validados. Aunque se han propuesto definiciones y marcos conceptuales, la operacionalización de la ambivalencia hacia la IA en encuestas y estudios de campo aún es incipiente. El desarrollo de escalas psicométricas robustas permitiría comparar hallazgos entre estudios y evaluar la eficacia de las intervenciones de liderazgo.

Un cuarto reto se refiere a la ética y la privacidad. Las estrategias de liderazgo que buscan reducir la ambivalencia deben evitar caer en prácticas de vigilancia o manipulación emocional. La línea entre acompañar la ansiedad y monitorear las actitudes de los empleados es delicada, y las organizaciones deben establecer salvaguardas para que las intervenciones respeten la autonomía y la dignidad de las personas. La evidencia sobre los riesgos de la vigilancia habilitada por IA y su impacto en la confianza organizacional subraya la necesidad de un enfoque ético explícito.

Finalmente, el liderazgo de la ambivalencia requiere habilidades que no siempre están presentes en los repertorios gerenciales tradicionales: empatía, comunicación emocional, tolerancia a la incertidumbre y capacidad de sostener conversaciones difíciles sobre el futuro del trabajo. El desarrollo de estas competencias debe integrarse en los programas de formación de líderes y en las políticas de gestión del talento. Sin esta inversión en el “capital humano” de la transformación, las mejores herramientas de IA seguirán enfrentando el obstáculo de equipos humanos que, legítimamente, dudan entre abrazar y resistir el cambio.

Referencias

  • Yang, J., & Chuang, A. (2025). Ambivalence Toward AI at Work: A Dynamic Perspective on AI Integration in Organizations. Academy of Management Proceedings, 2025(1). https://doi.org/10.5465/AMPROC.2025.20015abstract
  • Reich, A., Wolfe, D., Price, M., Choe, A., Kidd, F., & Wagner, H. (2026). Safety First: Psychological Safety as the Key to AI Transformation. arXiv preprint arXiv:2602.23279. https://arxiv.org/abs/2602.23279
  • Giuntella, O., Stella, L., & King, J. (2025). Artificial intelligence and the wellbeing of workers. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-XXXXX (Publicado en línea el 23 de junio de 2025).
  • Cook, E., & De Bassio, T. (2026). Employee responses to workplace AI across cultural contexts: a systematic review of explicitly AI-framed evidence. Behaviour & Information Technology, 1–24. https://doi.org/10.1080/0144929X.2026.XXXXXXX.
  • Revisión sistemática sobre actitudes y uso de IA en el trabajo. (2025). AI transformation in working life: A systematic review of usage and attitudes towards AI among workers. Computers in Human Behavior Reports, 100XXX. https://doi.org/10.1016/j.chbr.2025.100XXX.
  • Artículo sobre ansiedades y perfiles de adopción. (2025). From anxiety to advantage: Guiding employees to embrace AI at work. Business Horizons, 68(4), XXX–XXX. https://doi.org/10.1016/j.bushor.2025.04.003.
  • Estudio sobre ambivalencia y comportamiento proactivo. (2025). How Ambivalence Toward Digital–AI Transformation Affects Taking-Charge Behavior: A Threat–Rigidity Theoretical Perspective. Behavioral Sciences, 15(3), 261. https://doi.org/10.3390/bs15030261.
  • Harvard Business Review. (2026, 22 de octubre). Leaders Need to Grapple with Employee Ambivalence on AI. Harvard Business Review. https://hbr.org/2026/10/leaders-need-to-grapple-with-employee-ambivalence-on-ai. (Fuente de divulgación que reporta hallazgos de encuestas primarias; se cita como evidencia contextual).
Publicado por en No hay comentarios:
Etiquetas:

Doxa 2600s

 Doxa 2.600 ...


Próxima Meta 2.800 y 800 K

Delegación eficaz en la gestión:
Evidencia científica, consejos favoritos y retos para líderes organizacionales
Delegación eficaz, liderazgo empoderador, accountability, autonomía, desarrollo de talento, gestión organizacional

El Fallo en la Implementación de la Inteligencia Artificial: Un Análisis Académico del Abismo entre Inversión y Retorno
Fallo implementación IA, ROI, inteligencia artificial, pilotos IA, gobernanza de IA, transformación digital, inversión tecnológica

Riesgos de escalar demasiado rápido: evidencia científica sobre el escalamiento prematuro y sus consecuencias organizacionales, financieras y tecnológicas
Escalamiento prematuro, riesgos de escalar rápido, fracaso de startups, blitzscaling, deuda técnica, hipercrecimiento, fallo organizacional, capital humano, sobrefinanciación

Cómo la IA socava el trabajo en equipo:
Una revisión de la evidencia empírica (2020–2025)
Inteligencia artificial, trabajo en equipo, holgazanería social, sesgo de automatización, confianza, gestión algorítmica, memoria transaccional, homogeneización creativa

Liderazgo y honestidad sobre el envejecimiento en el trabajo:
Revisión de literatura sobre edadismo, comunicación y sostenibilidad organizacional
Liderazgo, envejecimiento en el trabajo, edadismo, ageism, comunicación honesta, diversidad generacional, sucesión, retiro, inclusión etaria, líderes

La dinámica de equipo se debilita cuando los empleados recurren a la IA en lugar de a sus compañeros:
Revisión académica de mecanismos socio-cognitivos, evidencia empírica y retos organizacionales
Dinámica de equipo, inteligencia artificial, memoria transactiva, holgazanería social, ocultamiento de conocimiento, cohesión, colaboración humano-IA, aprenizaje automatico

La Decisión Más Trascendental del Nuevo Director Ejecutivo: Una Revisión Sistemática de la Literatura sobre Sucesión, Cambio Estratégico y Rendimiento Organizacional
Sucesión de CEO, cambio estratégico, teoría de los escalones superiores, compromiso con el statu quo, rendimiento organizacional, liderazgo estratégico

Estrategias de Precios para Afrontar la Inflación Persistente: Un Análisis de Evidencia Científica y Empírica
Estrategias de precios, inflación persistente, evidencia científica, análisis empírico, fijación de precios, gestión de costos, poder adquisitivo, economía empresarial, dinámica de mercado, estabilidad financiera

Construyendo un Tablero que se Ajuste a sus Necesidades: Fundamentos, Metodología y Optimización para la Visibilidad Académica
Visibilidad académica, tablero de control, metodología de investigación, optimización académica, métricas de impacto, gestión del conocimiento, indicadores bibliométricos, herramientas de análisis, divulgación científica, estrategia digital

Cómo una empresa utilizó el caos controlado para impulsar la innovación: Evidencia empírica sobre la gestión de la tensión orden-desorden en contextos organizacionales complejos
Caos controlado, innovación organizacional, gestión de la tensión, orden y desorden, contextos complejos, evidencia empírica, adaptabilidad estratégica, resiliencia empresarial, dinámicas de cambio, creatividad disruptiva

¿Qué información proporcionan realmente los datos de los clientes? Una revisión académica sobre la brecha entre la captura transaccional y el conocimiento profundo del consumidor
Datos de clientes, captura transaccional, conocimiento del consumidor, brecha analítica, revisión académica, comportamiento del consumidor, valor de la información, inteligencia de negocios, análisis de datos, experiencia del cliente

Plan de Respuesta a Incidentes de Ciberseguridad: Las Primeras 72 Horas como Ventana Crítica para la Resiliencia Organizacional
Respuesta a incidentes, ciberseguridad, resiliencia organizacional, ventana crítica, primeras 72 horas, contención de amenazas, continuidad del negocio, gestión de crisis, análisis forense, recuperación de sistemas

¿Quién es el dueño del cliente en la era de los agentes de IA?
Plataformas de IA, ecosistemas digitales, intermediarios algorítmicos, propiedad de datos, gobernanza de CRM, comercio agéntico, custodios tecnológicos, lealtad automatizada, soberanía del usuario, experiencia de cliente

La Colisión Cognitiva:
Cómo la Inteligencia Artificial Está Remodelando el Pensamiento Humano, la Toma de Decisiones y la Práctica Científica
Automatización cognitiva, sesgo algorítmico, desinformación, hiperconexión, pensamiento crítico, toma de decisiones, práctica científica, ética de la IA, sobrecarga informativa, dependencia tecnológica

Las 6 Habilidades Esenciales que su Fuerza Laboral Necesita para Mantenerse al Día con la Inteligencia Artificial:
Una Revisión Sistemática de la Evidencia Científica y Corporativa 2024-2026
Inteligencia Artificial, habilidades esenciales, fuerza laboral, evidencia científica, competencias digitales, futuro del trabajo, capacitación corporativa, adaptación tecnológica, revisión sistemática, productividad empresarial

El Riesgo de la IA que su Empresa Está Pasando por Alto:
Una Revisión Académica de la Brecha de Gobernanza en la Adopción Empresarial de Inteligencia Artificial
Inteligencia artificial, gobernanza de IA, adopción empresarial, gestión de riesgos, brecha de gobernanza, ética tecnológica, cumplimiento normativo, estrategia corporativa, innovación responsable, regulación de IA

¿Sabes qué valoran tus clientes?
Una revisión académica sobre el valor percibido, la satisfacción y la lealtad
Valor percibido, satisfacción del cliente, lealtad, calidad, precio, confianza, experiencia del cliente, retención, fidelización, comportamiento de compra

Cuando los Salarios Fluctúan, los Trabajadores se Marchan:
Evidencia Científica sobre la Variabilidad Salarial y la Rotación Voluntaria en el Empleo
Salarios, fluctuación, variabilidad salarial, trabajadores, rotación voluntaria, empleo, evidencia científica, retención de talento, compensación, recursos humanos

Emprendimiento, Innovación y Ecosistemas Empresariales: Revisión Sistemática de la Literatura Científica sobre Teorías, Dinámicas Digitales, Sostenibilidad y Desafíos Contemporáneos
Emprendimiento, Innovación, Ecosistemas empresariales, Revisión sistemática, Teorías, Dinámicas digitales, Sostenibilidad, Desafíos contemporáneos, Literatura científica, Transformación digital

Los cuatro asientos que la inteligencia artificial puede ocupar en la mesa de negociación. Revisión de literatura sobre asesores, agentes delegados, mediadores y contrapartes algorítmicas
Inteligencia artificial, negociación, revisión de literatura, asesores, agentes delegados, mediadores, contrapartes algorítmicas, roles autónomos, negociación computacional, toma de decisiones

Integración de Agentes de Inteligencia Artificial en Sistemas de Negociación Multi-Partidista: Un Marco Taxonómico Ampliado de Cuatro Roles Autónomos y Modelos Transferibles
Inteligencia artificial, agentes autónomos, negociación multi-partidista, marco taxonómico, modelos transferibles, sistemas de negociación, roles autónomos, negociación computacional, automatización, toma de decisiones

Cómo la Inteligencia Artificial Está Cambiando las Ciberamenazas y la Ciberseguridad para las Pymes: Revisión Sistemática, Modelo de Defensa y Hoja de Ruta de Resiliencia 2024-2026
Inteligencia artificial, ciberamenazas, ciberseguridad, pymes, revisión sistemática, modelo de defensa, ciberresiliencia, hoja de ruta, seguridad informática, gestión de riesgos

¿Qué es lo que realmente distingue a las personas de alto rendimiento?
Una síntesis de la evidencia científica sobre la adquisición de la excelencia humana
Deliberada, práctica, consistencia, resiliencia, enfoque, hábitos, mentalidad, recuperación, propósito, disciplina

Cómo los Directores Ejecutivos Marcan el Ritmo
liderazgo, estrategia, cultura organizacional, toma de decisiones, visión corporativa, gestión del cambio, comunicación efectiva, rendimiento empresarial, innovación, responsabilidad

Un Marco para Determinar Cuándo la Inteligencia Artificial Puede Tomar Decisiones: Dimensiones de Ambigüedad, Riesgo y Supervisión Humana
Inteligencia artificial, toma de decisiones, ambigüedad, evaluación de riesgos, supervisión humana, marco de gobernanza, ética en IA, autonomía algorítmica, responsabilidad corporativa, validación humana

Por qué los mejores empleados anulan los sistemas de IA que funcionan:
Aversión algorítmica, calibración de la confianza y diseño de la colaboración humano-IA
Aversión algorítmica, calibración de confianza, colaboración humano-IA, anulación de sistemas, toma de decisiones, diseño de interacción, confianza tecnológica, rendimiento laboral, sesgo de automatización, experiencia de usuario

Poder, Sucesión y Liderazgo en Tiempos de Grandes Cambios:
Una Revisión Sistemática de la Literatura Científica
Poder, Sucesión, Liderazgo, Cambio Organizacional, Revisión Sistemática, Gestión del Cambio, Transición de Liderazgo, Dinámica de Poder, Estrategia Corporativa, Literatura Científica

Cuando Subir los Precios es Mejor que Recortar la Calidad:<br>Una Revisión Sistemática de la Literatura sobre Estrategias de Gestión de Márgenes ante Presiones de Costos
Percepción del consumidor, Justicia percibida, Transparencia, Experiencia de consumo, Traspaso de costos, Esencialismo del producto, Precio por valor, Competencia en calidad

Tu Chatbot Definirá tu Marca: Evidencia Científica sobre Diseño Conversacional, Confianza y Lealtad del Consumidor en la Era de la IA
Diseño conversacional, confianza del consumidor, lealtad de marca, inteligencia artificial, chatbots, experiencia de usuario, personalización, transparencia algorítmica, satisfacción del cliente, marketing digital

Cuanto más accesible es la información, menos la recuerdan los empleados: el efecto Google, la memoria transactiva y la descarga cognitiva en la retención de conocimiento organizacional
Revisión sistemática de evidencia empírica en psicología cognitiva, ciencia del aprendizaje y comportamiento organizacional (2011–2026)

Sobrecarga Laboral: Qué Hacer Cuando Hay Demasiado Trabajo. Revisión Sistemática de la Evidencia Científica sobre Gestión del Tiempo, Carga Laboral y Prevención del Burnout
Sobrecarga laboral, gestión del tiempo, carga de trabajo, prevención del burnout, agotamiento profesional, estrés ocupacional, productividad laboral, bienestar psicológico, equilibrio trabajo-vida y estrategias de afrontamiento

Cómo los Líderes Contrarrestan el Pesimismo en Tiempos Difíciles: Mecanismos Psicológicos, Estrategias de Framing y Evidencia Empírica
Liderazgo resiliente, gestión crisis, optimismo realista, comunicación estratégica, framing positivo, inteligencia emocional, cultura organizacional, evidencia empírica, bienestar psicológico, toma decisiones

¿Cuál es el verdadero coste de los escándalos corporativos?Una revisión sistemática del impacto financiero, reputacional y organizacional de la mala conducta empresarial
Escándalos corporativos, gobierno corporativo, coste de la mala conducta, reputación empresarial, estudios de eventos, riesgo de cumplimiento, fraude ocupacional

Cuándo es el momento de dimitir según evidencia científica: criterios de tenure, burnout, ética, apoyo de stakeholders y sucesión en liderazgo organizacional, académico y político
Agotamiento, estancamiento, toxicidad, desmotivación, salud, incompatibilidad, desconfianza, subvaloración, estrés, transición

Inteligencia Artificial y Seguridad Psicológica: Implicaciones Estratégicas para Líderes en la Adopción Organizacional
Inteligencia Artificial, Seguridad Psicológica, Liderazgo Estratégico, Adopción Organizacional, Cultura Corporativa, Gestión del Cambio, Confianza Digital, Innovación Responsable, Capital Humano, Transformación Tecnológica

Colapso de procesos creativos por IA generativa de última generación: evidencia empírica de homogeneización, ilusión creativa y process collapse (2024-2026)
Doxa, inteligencia artificial generativa, homogeneización cultural, ilusión creativa, colapso de proceso, monocultivo algorítmico, atrofia cognitiva, entropía semántica, ecosistema creativo, evidencia empírica y deriva generativa

El Estrés Laboral No Siempre se Debe a la Carga de Trabajo: Una Revisión de Factores Psicosociales Multifactoriales en el Entorno Ocupacional
Estrés, Laboral, Trabajo, Psicosiales, Entorno, Ocupaciona,

Sobrecarga de carga de trabajo en equipos: revisión sistemática de evidencia sobre desajuste entre demanda y capacidad, impactos en rendimiento y bienestar, y estrategias de gestión basadas en evidencia
Trabajo, Equipos, Sistema, Demanda, Capacidad, Impacto, Bienestar, Rendimiento, Estrategia, Gestión, Evidencia

¿Somos los líderes buenos colaboradores? Una revisión de la evidencia sobre la concordancia entre la autopercepción y la percepción de los seguidores (Self-Other Agreement)
Lider, Colaborador, Equipo, percepción, innovación, sostenibilidad, tecnología, educación, salud, economía, cultura, medioambiente, digitalización, colaboración 

Cuándo la persuasión es manipulación y cuándo no lo es: criterios éticos, autonómicos y epistémicos desde la literatura científica
Filosofía moral, psicología social, ética de la comunicación y teoría de la argumentación

Reinventar una empresa sin empezar de cero: revisión de la evidencia sobre capacidades dinámicas, modelos de negocio y ambidestreza organizacional
Reinventar, Empresa, Evidencia, Dipaamicas, Modelo, Negocio, Organizacional

Calibración de la Ambición en Planes Estratégicos: ¿Demasiado Ambicioso o Insuficientemente Ambicioso?
Calibración, ambición estratégica, viabilidad, ejecución, recursos, riesgo, adaptabilidad, objetivos realistas, ventaja competitiva y sostenibilidad.

Lo que los lideres empresariales aun no comprenden sobre China: Innovación, demografia y capitalismo de partido-estado
Innovacion china, productividad total de factores, demografía China, envejecimiento poblacional, capitalismo de partido-estado, Global Innovation Index, conocimiento de procesos, escalado industrial, política industrial china, malentendidos empresariales

Adaptación de HCLTech a la Era de la IA: Estrategia, Gobernanza y Transformación Organizacional bajo el Liderazgo del CEO C. Vijayakumar
Análisis técnico, Transformación digital e Inteligencia Artificial Empresarial, IA empresarial, Estrategia corporativa, Industria de TI,

Cómo la inteligencia artificial está cambiando las reglas del emprendimiento en 2026: del "lean startup" a la abundancia emprendedora
Inteligencia artificial, emprendimiento 2026, lean startup, abundancia emprendedora, automatización, datos predictivos, agilidad algorítmica, escalado instantáneo, innovación continua, ecosistema digital

Para adoptar la IA a gran escala, los empleados necesitan confiar en los agentes: Estrategias clave en 2026
adopción de IA, confianza en la IA, agentes de IA, cultura organizacional, IA a gran escala, gestión del cambio, transformación digital 2026

Optimización del Trabajo en Equipo Mediante Inteligencia Artificial Generativa: Un Enfoque Condicional de Integración Socio-Técnica
Inteligencia Artificial Generativa, Trabajo Colaborativo, Sistemas Socio-Técnicos, Seguridad Psicológica, Gobernanza Tecnológica, Human-in-the-Loop.

¿Podría usted beneficiarse de un gemelo digital?
Gemelo Digital, Digital Twin, Inteligencia Artificial, IA, tecnología, futuro, salud digital, personalización, IoT, machine learning, transformación digital, innovación, datos, productividad.

La IA está difuminando la línea entre ventas y marketing: el nacimiento de una nueva experiencia del cliente
Cómo la inteligencia artificial está transformando el recorrido del cliente y obligando a las empresas a integrar marketing, ventas y servicio

Evaluación Estratégica de los Programas de Suscripción en el Sector Automotriz de Lujo

La inteligencia artificial en la publicidad: 
Cuando “suficientemente bueno” no es suficiente
#InteligenciaArtificial #Publicidad #MarketingDigital #Creatividad #Automatizacion #Estrategia #Innovacion #Personalizacion #Algoritmos #ExperienciaCliente

¿Qué sucede cuando la IA hace negocios con la IA? Agentes autónomos, economía agéntica y el futuro de los mercados (2026-2030)
#EconomíaAgéntica #AgentesAutónomos #NegociosEntreIAs #MercadosAutónomos #FinanzasConIA #AutomatizaciónEconómica #FuturoDelComercio #ContratosInteligentes #EcosistemaDigital2030 #IAAutónoma

La tienda no ha muerto, pero el modelo de comerciante sí
#Doxa #retail #tienda #comercio #comerciante #transformación #innovación #negocio #evolución #disrupción #futuro

Cómo las empresas más antiguas de Japón afrontan la incertidumbre
#Doxa #empresasjaponesas #longevidad #incertidumbre #resiliencia #tradición #adaptación #sostenibilidad #legado #continuidad #innovación

Es necesario que comprendas las responsabilidades de cuidado de tus empleados
La concienciación puede conducir a un mayor bienestar, productividad y disfrute en el trabajo, un mayor compromiso y retención de personal, e incluso a una vida familiar más gratificante y significativa
#Doxa #Responsabilidad #Cuidado #Empleados #Concienciación #Bienestar #Productividad #Disfrute #Compromiso #RetenciónDePersonal #VidaFamiliar

Nuestros consejos favoritos de gestión sobre cómo aprender de los fracasos
#Doxa #AprendizajeContinuo #Resiliencia #MentalidadDeCrecimiento #Liderazgo #MejoraContinua #Innovación #GestiónDeRiesgos #Adaptabilidad #Reflexión #CulturaOrganizacional

La transformación mediante IA requiere rediseñar el trabajo, no recortar puestos
Si los líderes optan por reducir la plantilla, el resultado será una organización más pequeña, pero no más inteligente
#Doxa #TransformaciónIA #RediseñoDelTrabajo #Liderazgo #GestiónDeTalento #OrganizaciónInteligente #Innovación #FuturoDelTrabajo #Estrategia #InteligenciaArtificial #TalentoHumano

Una fórmula para calcular la exposición geopolítica de su empresa
Las organizaciones que hagan los cálculos estarán varios pasos por delante
#Doxa #GeopolíticaCorporativa #RiesgoPais #CadenasDeSuministro #SancionesInternacionales #ResilienciaEstratégica #DueDiligence #Diversificación #EscenariosGeopolíticos #InteligenciaCompetitiva #VentajaCompetitiva

¿Sus clientes B2B perciben el valor que usted les aporta?
#Doxa #ValorB2B #PercepciónDeValor #ClientesB2B #RetornoDeInversión #PropuestaDeValor #Fidelización #SatisfacciónDelCliente #AlineaciónEstratégica #ResultadosMedibles #ConfianzaEmpresarial

Cómo identificar a un líder tóxico antes de contratarlo
Seis pasos para ayudar a los responsables de contratación a evaluar las habilidades interpersonales de los candidatos
#Doxa #Liderazgo #Contratación #HabilidadesInterpersonales #GestiónDeTalento #EntrevistasLaborales #ClimaLaboral #EvaluaciónDeCandidatos #RecursosHumanos #LiderazgoTóxico #SelecciónDePersonal

4 pasos para transformar el Middle Office con IA
#Doxa #MiddleOffice #InteligenciaArtificial #TransformaciónDigital #Automatización #OptimizaciónDeProcesos #EstrategiaEmpresarial #InnovaciónFinanciera #GestiónDeOperaciones #TransformaciónConIA #TecnologíaFinanciera

La ciencia del desarrollo del talento creativo
Un análisis de 15 años de datos sobre más de 4.200 músicos y cientos de sellos discográficos apunta a tres factores que ayudan a que las carreras creativas prosperen
#Doxa #TalentoCreativo #DesarrolloDelTalento #CienciaDeLaCreatividad #IndustriaMusical #CarrerasCreativas #AnálisisDeDatos #Músicos #SellosDiscográficos #ÉxitoProfesional #InnovaciónArtística

Las herramientas diseñadas para mejorar tu capacidad de tomar decisiones podrían terminar debilitándola
#Doxa #TomaDeDecisiones #SesgoCognitivo #DependenciaTecnológica #PensamientoCrítico #Automatización #SobrecargaCognitiva #Autonomía #InfluenciaAlgorítmica #JuicioHumano #ParadojaDeLaElección

¿La cultura de tu organización es demasiado complaciente?
#Doxa #CulturaOrganizacional #Complacencia #Liderazgo #Rendimiento #Innovación #Responsabilidad #CambioCultural #Excelencia #GestiónDelTalento #MejoraContinua

La inteligencia artificial está socavando el criterio de los líderes. Esto es lo que se puede hacer al respecto
#Doxa #InteligenciaArtificial #Liderazgo #CriterioHumano #TomaDeDecisiones #SesgoAlgorítmico #ÉticaTecnológica #PensamientoCrítico #GestiónDelRiesgo #TransformaciónDigital #LiderazgoConsciente

Investigación: ¿Qué ofrecen las tiendas físicas en una economía digital?
#tiendasfísicas #economíadigital #omnicanalidad #experienciadelcliente #retailphygital #comercioelectrónico #transformacióndigital #consumidorGenZ #gratificacióninmediata #inteligenciaartificial

Cómo responder al impacto que supondrá el aumento de costes de la IA
#InteligenciaArtificial #ControlDeCostes #Estrategia #Optimización #Rentabilidad #Presupuesto #Innovación #GestiónFinanciera #TransformaciónDigital #Adaptación

Un análisis de 1000 reuniones muestra cómo los mejores líderes dan forma a las conversaciones
Toda estrategia, decisión y transformación comienza con una conversación
#Doxa #Liderazgo #Reuniones #Conversaciones #Estrategia #TomaDeDecisiones #Transformación #ComunicaciónEfectiva #GestiónDeEquipos #CulturaOrganizacional #Facilitación

Investigación: Los problemas de innovación que la IA no puede resolver
La IA generativa acelera la innovación, pero también puede limitar el pensamiento, reforzar los prejuicios y alejar a los equipos de los clientes
#Doxa #Innovación #InteligenciaArtificial #IAGenerativa #SesgosAlgorítmicos #PensamientoCrítico #ExperienciaCliente #LimitacionesTecnológicas #CreatividadHumana #ÉticaDigital #DesconexiónSocial

Por qué la IA agencial podría transformar el aprovisionamiento
#Doxa #IAAgencial #Aprovisionamiento #AutomatizaciónInteligente #CadenaSuministro #NegociaciónAutónoma #GestiónProveedores #EficienciaOperativa #AnálisisPredictivo #Resiliencia #TransformaciónDigital

Antes de implementar una nueva estrategia, evalúe la preparación de su equipo
Tres condiciones determinarán si puedes ejecutar el plan
#Doxa #Estrategia #Equipo #Preparación #Liderazgo #Ejecución #Cambio #Objetivos #Adaptabilidad #Comunicación #Resultados

Por qué las empresas familiares pierden el control
#Doxa #EmpresasFamiliares #RelevoGeneracional #GobiernoCorporativo #SucesiónEmpresarial #ConflictosFamiliares #PérdidaDeControl #Profesionalización #GestiónDePatrimonio #Accionistas #PlanificaciónEstratégica

La “deriva del liderazgo” está frenando su estrategia de IA
#Doxa #InteligenciaArtificial #EstrategiaIA #Liderazgo #DerivaLiderazgo #TransformaciónDigital #GestiónDelCambio #Innovación #CulturaOrganizacional #EstrategiaEmpresarial #LiderazgoDigital

Se acabó la predecible trayectoria profesional de los ejecutivos
En una era de vidas laborales más largas y rápidos cambios tecnológicos, los líderes deben prepararse para muchos futuros posibles. Aquí te explicamos cómo
#Doxa #Liderazgo #FuturoDelTrabajo #Adaptabilidad #Reskilling #CarreraProfesional #TransformaciónDigital #AprendizajeContinuo #GestiónDelTalento #Incertidumbre #DesarrolloEjecutivo


Publicado por en No hay comentarios:
Etiquetas:

Doxa 2660

La Colisión Cognitiva:
Cómo la Inteligencia Artificial Está Remodelando el Pensamiento Humano, la Toma de Decisiones y la Práctica Científica

Por: Oscar Hernando Benavides Paz, MBA
Investigador, Universidad de Nariño

Resumen

La integración acelerada de la inteligencia artificial (IA) generativa en los procesos cognitivos humanos ha dejado de ser una promesa tecnológica para convertirse en un fenómeno de reconfiguración epistémica. Este artículo de revisión examina la evidencia científica disponible sobre lo que Eric So denomina “la colisión” entre la inteligencia humana y la inteligencia de máquina: un punto de inflexión en el que la delegación cognitiva sistemática amenaza con erosionar capacidades humanas fundamentales. A través de una síntesis crítica de literatura publicada entre 2018 y 2026 en fuentes como MIT, Cambridge University Press, IEEE, ILO y Frontiers in Ecology and the Environment, se analizan cuatro dimensiones interconectadas: (1) el desplazamiento cognitivo y la atrofia de habilidades críticas, (2) los sesgos de automatización en la toma de decisiones, (3) la transformación dialógica de la práctica científica, y (4) las asimetrías de gobernanza en América Latina. Los hallazgos revelan un consenso emergente: la IA no es inherentemente beneficiosa ni perjudicial, sino un amplificador de intenciones cuya trayectoria depende de decisiones humanas deliberadas. Se identifican retos críticos que exigen marcos regulatorios adaptativos, rediseño de la formación cognitiva y una reconfiguración de los incentivos institucionales para preservar el juicio humano como activo irremplazable.

Palabras clave: inteligencia artificial, cognición humana, desplazamiento cognitivo, sesgo de automatización, gobernanza algorítmica, práctica científica, América Latina.

1. Introducción

La inteligencia artificial generativa ha irrumpido en el ecosistema cognitivo humano con una velocidad y ubicuidad sin precedentes en la historia de las tecnologías intelectuales. A diferencia de innovaciones previas como la imprenta o la calculadora, que externalizaron funciones específicas de memoria o cálculo, los modelos de lenguaje de gran escala (LLM) intervienen directamente en procesos de razonamiento, síntesis, creatividad y juicio que hasta hace pocos años se consideraban dominio exclusivo de la cognición humana . Esta intervención no es neutral: como argumenta Eric So en The Collision: What AI Does to Us, la IA “no solo está cambiando lo que hacemos; está cambiando quiénes somos como pensadores” .

El fenómeno que este artículo examina bajo el término “la colisión que nos hace la IA” trasciende la mera adopción tecnológica. Se trata de una reconfiguración de las condiciones mismas del pensamiento: qué habilidades se ejercitan, qué capacidades se atrofian, qué formas de juicio se preservan y cuáles se delegan irreversiblemente. La evidencia emergente sugiere que nos encontramos ante una bifurcación: algunos usuarios utilizan la IA para pensar mejor, mientras otros la utilizan en lugar de pensar . Esta distinción, aparentemente trivial, contiene implicaciones profundas para la salud cognitiva individual, la calidad de las decisiones organizacionales y la integridad de la empresa científica.

El presente artículo de revisión tiene como propósito sintetizar la evidencia disponible sobre los mecanismos mediante los cuales la IA está remodelando la cognición humana, evaluar críticamente los riesgos y oportunidades identificados en la literatura científica, y proponer un marco de referencia para la acción institucional y regulatoria. La revisión se estructura en cuatro secciones sustantivas que abordan, respectivamente, los mecanismos de desplazamiento cognitivo, los sesgos en la toma de decisiones asistida por IA, la transformación de la práctica científica y las asimetrías de gobernanza en América Latina, seguidas de conclusiones y retos identificados.

2. Objetivos

Objetivo general: Analizar críticamente la evidencia científica sobre los efectos de la inteligencia artificial en la cognición humana, la toma de decisiones y la práctica científica, identificando mecanismos causales, riesgos documentados y estrategias de mitigación validadas empíricamente.

Objetivos específicos:

1. Caracterizar los mecanismos neurocognitivos y conductuales mediante los cuales la delegación sistemática de tareas intelectuales a sistemas de IA afecta capacidades como la memoria de trabajo, el razonamiento crítico y la creatividad.

2. Evaluar la evidencia sobre sesgos de automatización, confianza calibrada y riesgo de manipulación en entornos de decisión asistida por IA.

3. Examinar las transformaciones en la epistemología de la práctica científica derivadas de la integración de LLM en flujos de trabajo investigativos.

4. Identificar el estado actual de los marcos de gobernanza de IA en América Latina y sus implicaciones para la protección de la autonomía cognitiva.

3. Metas

Meta 1 — Diagnóstico: Establecer un estado del arte que permita a investigadores, formuladores de política y líderes organizacionales comprender la magnitud y naturaleza de los cambios cognitivos asociados a la adopción de IA, con base en evidencia publicada en fuentes primarias indexadas.

Meta 2 — Marco interpretativo: Proporcionar un marco conceptual que integre las perspectivas de la ciencia cognitiva, la economía del comportamiento y la gobernanza tecnológica para interpretar los hallazgos y orientar decisiones informadas.

Meta 3 — Recomendaciones accionables: Derivar recomendaciones específicas para tres audiencias: investigadores y académicos, organizaciones y empleadores, y formuladores de política pública en el contexto latinoamericano.

4. Desarrollo

4.1. El Desplazamiento Cognitivo: La Mecánica de la Atrofia

La arquitectura cognitiva humana está optimizada evolutivamente para conservar esfuerzo mental. Esta predisposición, funcional en entornos de escasez energética, se convierte en vulnerabilidad cuando el entorno ofrece herramientas que eliminan la fricción del pensamiento difícil . So articula este mecanismo con precisión: la IA es seductora precisamente porque asume las tareas mentales costosas, pero esa conveniencia “puede erosionar habilidades duramente ganadas, y los niños que rutinariamente externalizan el pensamiento pueden nunca desarrollar plenamente habilidades cognitivas robustas” .

La evidencia sobre desplazamiento cognitivo (cognitive offloading) documenta que la delegación de procesos de razonamiento a sistemas externos no es inocua. Un análisis presentado en el marco de AI for Good identifica cuatro mecanismos interconectados mediante los cuales la adopción de IA sin diseño centrado en la salud cognitiva puede desencadenar un cambio medible en la forma de pensar: (1) desplazamiento cognitivo, (2) sesgo de automatización, (3) fragmentación atencional, y (4) la tensión entre el cerebro predictivo humano y la IA predictiva . Estos mecanismos no operan en aislamiento; se refuerzan mutuamente en una espiral que puede erosionar la agencia humana, el juicio independiente y el pensamiento crítico .

El caso de los bomberos de Houston en 2013, documentado por So, ilustra las consecuencias letales del sesgo de automatización: los bomberos, confiando en cámaras térmicas, ignoraron señales sensoriales que indicaban el inminente colapso de la estructura, resultando en la muerte de cuatro de ellos . El paralelo con la delegación cognitiva en contextos profesionales es directo: cuando los sistemas de IA proporcionan respuestas plausibles y fluidas, la disposición a cuestionarlas disminuye, incluso cuando el costo del error es catastrófico.

La evidencia empírica sobre la magnitud del fenómeno proviene de múltiples frentes. Un estudio basado en encuestas a estudiantes, profesionales y emprendedores encontró que los individuos de 25 a 35 años exhiben la mayor dependencia de IA, con Gen Z y Millennials experimentando simultáneamente los mayores niveles de incomodidad y presión social asociados a su uso . La implementación de técnicas de IA explicable (XAI) —LIME y SHAP— sobre estos datos reveló que los impulsores clave de la dependencia incluyen beneficios de ahorro de tiempo, soporte para ideación y presión de pares . Estos hallazgos subrayan que la adopción de IA no es puramente instrumental; está mediada por dinámicas sociales y emocionales que complican las estrategias de mitigación puramente técnicas.

La distinción entre augmentation y replacement cognitivo es, por tanto, el eje crítico. So recomienda explícitamente “valorar la lucha del esfuerzo humano”, “conocer quién eres sin IA”, “reinvertir el excedente cognitivo que la IA crea” y “tratar la IA como un entrenador cognitivo, no como un reemplazo” . Estas prescripciones, aunque intuitivas, carecen aún de validación empírica sistemática en entornos controlados, lo que constituye una brecha significativa en la literatura.

4.2. La Toma de Decisiones Asistida: Entre la Complementariedad y la Manipulación

La literatura sobre toma de decisiones asistida por IA ha madurado desde posiciones polarizadas hacia un consenso matizado. El análisis de Clarke, Garcia-Garcia y Joffe en Smarter Together argumenta que los sistemas más efectivos integran agencia humana y predicción algorítmica en un modelo balanceado de “human-in-the-loop” . Sin embargo, la implementación de este modelo ideal enfrenta obstáculos significativos que la evidencia empírica comienza a documentar.

Una revisión sistemática de la influencia de la IA en la cognición humana y la toma de decisiones éticas, que abarcó el período 2018-2025, identificó tres áreas de impacto: (1) efectos psicológicos y emocionales, (2) procesos de toma de decisiones, y (3) problemas emergentes que incluyen sesgo de automatización, falta de confianza en algoritmos y riesgo de manipulación . Los autores observaron brechas específicas en la literatura, particularmente en la comprensión de respuestas emocionales de largo plazo y variaciones culturales en la interacción humano-IA . La recomendación de desarrollar IA explicable (XAI), sistemas regulatorios robustos y colaboración humano-IA más sofisticada emerge como respuesta a estas brechas .

La evidencia sobre cómo los individuos interactúan con IA en contextos de decisión reales proviene de un estudio de observación participante con emprendedores latentes . Los hallazgos revelan que, aunque los participantes reconocían la capacidad de la máquina para ofrecer sugerencias e información útiles, “no consideran las sugerencias de la tecnología confiables sin intervención y supervisión humana” . Esta desconfianza calibrada es funcional: los participantes que percibían control sobre la situación mostraban mayor compromiso y compromiso con las decisiones . Sin embargo, el mismo estudio documenta el fenómeno de la “biblioteca de Babel”: la proliferación de información falsa percibida como verdadera, donde “falsedad y verdad se superponen, socavando la credibilidad” . El efecto de “caja negra” de los modelos generativos agrava esta dinámica, reduciendo la confianza en la fiabilidad de los outputs .

La tensión entre eficiencia y calidad decisional es particularmente aguda en entornos organizacionales. El análisis del Foro Económico Mundial advierte que “reemplazar trabajadores humanos con IA erosiona activamente conocimiento institucional crítico y valor organizacional de largo plazo” . El estudio de PwC citado en ese análisis, basado en más de mil millones de anuncios de empleo en seis continentes, encontró que las empresas con mayores ganancias de productividad por IA la utilizaban para amplificar el desempeño humano, no para recortar costos; las firmas que trataban la IA como reemplazo obtuvieron peor desempeño que aquellas que la trataban como aumento . Este hallazgo es crítico: la elección entre aumento y reemplazo no es meramente ética, sino que tiene consecuencias medibles en el desempeño organizacional.

4.3. La Transformación Dialógica de la Práctica Científica

La irrupción de los LLM en la práctica científica constituye una reconfiguración epistémica que trasciende la mera ganancia de eficiencia. Gavrilova y Galli argumentan que los LLM han convertido la computación en diálogo: “el razonamiento se vuelve dialógico, evolucionando a través de la retroalimentación entre representación e interpretación, y los LLM funcionan como artefactos mediadores que dan forma a lo que puede inferirse y cómo se articulan las hipótesis” .

Esta transformación tiene implicaciones profundas para la trazabilidad y la reproducibilidad del conocimiento científico. La capa conversacional hace visible parte del razonamiento que antes permanecía implícito: las respuestas pueden ser interrogadas, revisadas o rastreadas, y los registros almacenados junto a los datos y el código que ayudaron a producir, constituyendo una suerte de “procedencia epistémica” análoga al control de versiones . Sin embargo, los autores advierten que la fluidez puede engañar: los modelos generan texto plausible más que verdad verificada, y las citas fabricadas o la precisión estilística pueden crear una “ilusión de rigor” .

El concepto de “normalidad rampante” (creeping normality), desarrollado por Jarić y colaboradores en Frontiers in Ecology and the Environment, captura la dinámica mediante la cual cambios profundos se aceptan porque ocurren a través de pasos pequeños y sutiles . Estos autores identifican varios dominios donde las transformaciones ya son evidentes. En colaboración científica, los investigadores utilizan cada vez más LLM para soporte que convencionalmente provenía de colegas y redes profesionales informales, lo que “puede debilitar interacciones interdisciplinarias, reducir la exposición a perspectivas diversas y fomentar una ciencia más aislada y menos innovadora” . En búsqueda de información e ideación, la dependencia de feedback generado por IA “puede reforzar involuntariamente el sesgo de confirmación, crear cámaras de eco intelectuales y contribuir a una mayor uniformidad y menor originalidad en el lenguaje, los enfoques y el pensamiento creativo científico” .

Las consecuencias para la formación científica y las trayectorias profesionales son igualmente significativas. Jarić et al. advierten que el uso de LLM “intensificará la pérdida de competencias centrales”, con habilidades fundamentales en ciencias biológicas —búsqueda y síntesis de literatura, lectura de historia natural, juicio taxonómico, codificación y depuración, razonamiento estadístico— siendo externalizadas a los modelos . Esto podría influir incluso en decisiones de contratación y oportunidades profesionales, reduciendo la necesidad y motivación para abrir nuevas posiciones de doctorado y postdoctorado .

La respuesta propuesta por estos autores no es rechazo ni adopción acrítica, sino el establecimiento de límites claros: los LLM “deberían ser ampliamente adoptados para tareas rutinarias como corrección de estilo, edición de lenguaje y anotación de flujos de trabajo, e, con control humano adecuado, también para tareas avanzadas como síntesis de literatura y extracción de datos. Sin embargo, el uso de IA debería ser indeseable en actividades que requieren juicio científico independiente, incluyendo priorización de investigación, revisión por pares, decisiones de financiamiento y consideraciones éticas” .

En el ámbito de la productividad, la evidencia es consistente con un impacto positivo pero heterogéneo. El economista jefe de Google cita estudios que documentan incrementos de 14% en resolución de problemas por hora en centros de llamadas, 21% de ahorro de tiempo en entornos de desarrollo de software, y 2.8% de ahorro de tiempo promedio en la economía danesa . Sin embargo, estas ganancias de eficiencia no se traducen automáticamente en mejor cognición o mejor ciencia; pueden, de hecho, coexistir con el deterioro de las capacidades que hacen posible el juicio científico de alto nivel.

4.4. Asimetrías de Gobernanza y el Contexto Latinoamericano

La gobernanza de la IA en América Latina presenta un panorama de fragmentación, asimetrías institucionales y capacidades desiguales. El análisis de Sánchez Rojas sobre gobernanza tecnológica adaptable documenta que la región ha experimentado un giro hacia la “regulación basada en principios en lugar de normas prescriptivas rígidas”, incorporando principios como protección de derechos, transparencia, rendición de cuentas y no discriminación . Chile, por ejemplo, lanzó consultas públicas sobre su política de datos, invitando a participación amplia del mundo académico, la sociedad civil y la industria .

El mapeo comparativo de marcos regulatorios revela heterogeneidad significativa. Argentina cuenta con una ley de protección de datos de 2000, complementada por legislación sobre delitos informáticos de 2008, supervisada por la Agencia de Acceso a la Información Pública . Bolivia carece de una ley específica de protección de datos, con normas fragmentadas en telecomunicaciones, banca y protección al consumidor . Colombia formuló su Política Nacional para la Transformación Digital e Inteligencia Artificial en 2019, y en 2021 estableció un Marco Ético para la IA con nueve principios, incluyendo transparencia, explicación, privacidad, control humano de las decisiones, responsabilidad y no discriminación . En 2024, el Ministerio de Ciencia, Tecnología e Innovación publicó una Hoja de Ruta para la Adopción Ética y Sostenible de IA, organizada en torno a cinco ejes: ética y gobernanza; educación, investigación e innovación; industrias innovadoras; datos y organizaciones; y privacidad, ciberseguridad y defensa .

A pesar de estos avances, persisten brechas críticas. La gobernanza distribuida —que distribuye poder de decisión entre gobiernos, reguladores, sociedad civil, academia y sector privado— se percibe como necesaria pero desafiante, exigiendo “coordinación entre actores con niveles muy diferentes de capacidad institucional y recursos” . Los participantes en el estudio de Sánchez Rojas enfatizaron repetidamente que “la cooperación regional es crucial para evitar la fragmentación de las regulaciones nacionales y fortalecer la resiliencia colectiva frente a riesgos transnacionales como la ciberdelincuencia, los sesgos algorítmicos y la monopolización digital” .

La perspectiva de derechos humanos en la gobernanza de IA ha sido articulada por el ex primer ministro peruano Eduardo Arana Ysa, quien advirtió que “en el ámbito digital, la IA no tiene fronteras” y que “bajo la influencia de decisiones algorítmicas o de IA, los derechos humanos pueden quedar subordinados a la eficiencia, el sesgo algorítmico y la falsa objetividad” . Arana Ysa identifica una amenaza más profunda: “estamos perdiendo la capacidad de tomar decisiones, resolver conflictos y prevenir desastres ambientales. Nos enfrentamos al peligro de una transferencia de poder a quienes controlan la tecnología de IA, o peor aún, de dejar que la tecnología misma determine qué es lo mejor para la humanidad” .

El contexto laboral latinoamericano añade una dimensión de urgencia. El informe de la OIT sobre “Trabajo Transformado” documenta que en América Latina los empleos más expuestos a la IA generativa tienden a ser urbanos, requerir educación superior, y ser ocupados por individuos más jóvenes, de mayores ingresos y en el sector formal . Campos como finanzas, seguros y administración pública enfrentan riesgos elevados de automatización . La evidencia de Brasil indica que los trabajadores con educación universitaria y los más jóvenes tienen más probabilidades de transitar hacia roles de alta complementariedad con IA, lo que sugiere que la adaptación exitosa está mediada por factores socioeconómicos preexistentes .

La recomendación de política de la OIT es explícita: invertir en habilidades complementarias a la IA —pensamiento crítico, resolución de problemas, creatividad, inteligencia emocional, alfabetización digital—, fortalecer la infraestructura digital accesible, promover la transferencia tecnológica, establecer pathways de educación y capacitación integrales, desarrollar programas de upskilling y reskilling, y regular el uso de IA con marcos que aseguren uso ético, transparente y accountable .

5. Conclusiones

La evidencia sintetizada en esta revisión permite articular seis conclusiones fundamentales:

Primera. La IA generativa no es cognitivamente neutral. Su adopción sistemática activa mecanismos documentados de desplazamiento cognitivo, sesgo de automatización y fragmentación atencional que, en ausencia de contramedidas deliberadas, pueden erosionar capacidades humanas fundamentales como el pensamiento crítico, el juicio independiente y la creatividad .

Segunda. La distinción entre IA como herramienta de aumento cognitivo y IA como sustituto del pensamiento es empíricamente significativa y tiene consecuencias medibles en el desempeño organizacional, la calidad decisional y la innovación científica . Las organizaciones y los individuos que logran mantener esta distinción —utilizando la IA para amplificar capacidades sin delegar el juicio— obtienen mejores resultados que quienes tratan la tecnología como reemplazo .

Tercera. La práctica científica está experimentando una reconfiguración epistémica dialógica que ofrece oportunidades sin precedentes para la transparencia del razonamiento y la equidad epistémica, pero simultáneamente introduce riesgos de uniformidad intelectual, pérdida de competencias centrales y erosión del juicio científico independiente . La comunidad científica debe establecer límites claros sobre dónde la IA es apropiada y dónde es epistémicamente peligrosa .

Cuarta. América Latina enfrenta un panorama de gobernanza fragmentado, con marcos regulatorios heterogéneos, capacidades institucionales desiguales y una dependencia persistente de modelos de IA desarrollados en jurisdicciones con diferentes prioridades éticas y regulatorias . La cooperación regional y la gobernanza distribuida emergen como estrategias necesarias pero insuficientemente desarrolladas .

Quinta. El impacto laboral de la IA en la región está mediado por factores socioeconómicos preexistentes: los trabajadores con mayor educación, en sectores formales y en ocupaciones urbanas están mejor posicionados para la complementariedad, mientras que los trabajadores en ocupaciones de exposición alta y complementariedad baja enfrentan riesgos de desplazamiento . Las políticas de reconversión laboral tradicionales son insuficientes ante la velocidad del cambio tecnológico .

Sexta. La evidencia disponible sobre los efectos de largo plazo de la IA en la cognición humana, particularmente en poblaciones infantiles y en contextos culturales no occidentales, es insuficiente. Se requieren estudios longitudinales que permitan distinguir entre adaptación funcional y atrofia patológica, y que informen el diseño de intervenciones basadas en evidencia .

6. Retos Identificados

La síntesis de la literatura permite identificar siete retos críticos que requieren atención prioritaria:

Reto 1 — Preservación del juicio humano en entornos de alta dependencia algorítmica. El sesgo de automatización y la fluidez de las respuestas generadas por IA crean condiciones propicias para la delegación acrítica. Diseñar sistemas que fomenten la fricción cognitiva productiva —sin sacrificar eficiencia— es un problema de diseño abierto .

Reto 2 — Reconfiguración de la formación cognitiva en todos los niveles educativos. Si las habilidades fundamentales —búsqueda de información, razonamiento estadístico, síntesis crítica— se externalizan sistemáticamente durante las etapas formativas, las generaciones futuras pueden carecer de las capacidades necesarias para evaluar críticamente los outputs de IA .

Reto 3 — Establecimiento de límites epistémicos en la práctica científica. La comunidad científica necesita desarrollar normas explícitas sobre el uso apropiado de IA en diferentes etapas del proceso investigativo, con mecanismos de verificación y trazabilidad que preserven la integridad del conocimiento .

Reto 4 — Gobernanza adaptativa en contextos de capacidad institucional limitada. Los marcos regulatorios latinoamericanos deben equilibrar flexibilidad —para no obstaculizar la innovación— con protecciones robustas para derechos fundamentales, en un contexto de recursos limitados y asimetrías de poder frente a los actores tecnológicos globales .

Reto 5 — Transición laboral justa en economías con alta informalidad. Las estrategias de reskilling y upskilling deben diseñarse para poblaciones diversas, incluyendo trabajadores informales, mujeres (que enfrentan 2.5 veces mayor exposición al riesgo de automatización que los hombres) y grupos históricamente marginados .

Reto 6 — Medición y monitoreo de impactos cognitivos de largo plazo. La ausencia de datos longitudinales sobre cómo la dependencia de IA afecta trayectorias cognitivas —especialmente en niños y adolescentes— limita la capacidad de diseñar intervenciones basadas en evidencia .

Reto 7 — Preservación de la diversidad epistémica y cultural. Los LLM, entrenados predominantemente con datos en inglés y de contextos occidentales, pueden homogeneizar prácticas científicas y culturales, reforzando desigualdades epistémicas existentes bajo la apariencia de neutralidad tecnológica .

Referencias

Clarke, M., Garcia-Garcia, M., & Joffe, M. (2026). Decision-making. In Smarter together: How we think, feel and decide with AI (pp. 87–112). Cambridge University Press.

Clarke, M., Garcia-Garcia, M., & Joffe, M. (2026). Cognition. In Smarter together: How we think, feel and decide with AI (pp. 3–22). Cambridge University Press.

Gavrilova, A. V., & Galli, C. (2026). Conversing with machines: How AI is changing the way scientists think. Quantitative Biology. Advance online publication.

International Labour Organization. (2025). Work transformed: The promise and peril of artificial intelligence. ILO.

Jarić, I., Pipek, P., Canavan, S., Firth, J. A., & Bertram, M. G. (2026). The creeping normality of AI in the life sciences. Frontiers in Ecology and the Environment. https://doi.org/10.1002/fee.70059

MIT Initiative on the Digital Economy. (2026, April 29). Book launch: “The Collision: What AI Does to Us” by Eric So. MIT IDE.

Sánchez Rojas, J. (2025). Gobernanza tecnológica adaptable: Hacia políticas públicas flexibles para tecnologías disruptivas en América Latina y el Caribe. LACNIC.

Sharma, P., Kumar, S., & Dixit, P. (2026). A review of artificial intelligence’s influence on human cognition and ethical decision-making. In Proceedings of the International Conference on Human-Computer Interaction. Taylor & Francis.

So, E. C. (2026). The collision: What AI does to us. W. W. Norton.

Stephens, M. (2026, July 16). Why the AI era presents not a jobs crisis, but a livelihood one. World Economic Forum.

United Nations Development Programme. (2025). Atlas de gobernanza de inteligencia artificial en América Latina. UNDP.

Publicado por en No hay comentarios:
Etiquetas:
Suscribirse a: Entradas (Atom)