Investigación: la penalización oculta del uso de la IA en el trabajo

El vicepresidente de ingeniería de una empresa tecnológica líder observaba con creciente frustración las métricas de adopción trimestrales. Doce meses después de lanzar un asistente de codificación con IA de última generación, una herramienta que prometía aumentar significativamente la productividad de los desarrolladores, solo el 41 % de los ingenieros lo había probado. Más preocupante aún: solo el 31 % de las ingenieras lo había adoptado, y el 39 % de los ingenieros de 40 años o más. Este hallazgo surgió de nuestra investigación con 28 698 ingenieros de software de la empresa. El equipo directivo estaba sorprendido. Habían invertido mucho dinero y esfuerzo en esto. Habían invertido en herramientas de última generación. Habían abordado cuidadosamente el acceso, la infraestructura y el desarrollo de habilidades. Habían asignado un equipo dedicado a la implementación y la promoción. Estaban listos para ver cómo se disparaba la productividad. La empresa no es la única: en todo el mundo empresarial estadounidense se repite el mismo patrón. Según una encuesta realizada por el Pew Research Center, dos años después del lanzamiento de ChatGPT, solo el 16 % de los trabajadores estadounidenses utilizan la IA en su trabajo, a pesar de que el 91 % tiene permiso para hacerlo. La explicación convencional apunta a la brecha de habilidades o a la fricción en la formación. Es posible que algunos empleados no reconozcan en qué aspectos la IA podría ayudarles o que no confíen en sus habilidades técnicas. De hecho, los trabajadores tecnológicos de primera línea, como los ingenieros de software y los científicos de datos, son más propensos a utilizar la IA que los trabajadores de otros sectores. Sin embargo, incluso entre estos primeros usuarios, el uso sigue siendo sorprendentemente bajo y desigual. ¿Cómo se explica esto? La penalización por competencia Para entender por qué, realizamos un experimento preinscrito con 1026 ingenieros de la misma empresa. El diseño era sencillo: los participantes evaluaban un fragmento de código Python que supuestamente había sido escrito por otro ingeniero, con o sin la ayuda de la IA. El código en sí era idéntico en todas las condiciones, solo difería el método de creación descrito. Los resultados fueron sorprendentes. Cuando los revisores creían que un ingeniero había utilizado IA, calificaban la competencia de ese ingeniero un 9 % menos de media, a pesar de revisar un trabajo idéntico. No se trataba de la calidad del código, ya que las calificaciones del código en sí seguían siendo similares independientemente de si se había utilizado IA o no. La penalización se centraba en la capacidad percibida de la persona que lo había escrito. La penalización por competencia fue más del doble de severa para las ingenieras, que se enfrentaron a una reducción del 13 % en comparación con el 6 % de los ingenieros. Cuando los revisores pensaban que una mujer había utilizado la IA para escribir código, cuestionaban sus habilidades fundamentales mucho más que cuando revisaban el mismo código asistido por IA de un hombre. Lo más revelador fue quién impuso estas penalizaciones. Los ingenieros que no habían adoptado la IA eran los críticos más severos. Los hombres que no la habían adoptado fueron especialmente duros al evaluar a las ingenieras que utilizaban la IA, penalizándolas un 26 % más que a los ingenieros que hacían un uso idéntico de la IA. Las encuestas de seguimiento realizadas a 919 ingenieros revelaron un panorama más completo. Muchos ingenieros anticiparon activamente esta penalización por competencia y evitaron estratégicamente el uso de la IA para proteger su reputación profesional. Los que más temían las penalizaciones por competencia en el sector tecnológico —en su mayoría mujeres e ingenieros de más edad— eran precisamente los que menos adoptaban la IA. Los mismos grupos que más podrían beneficiarse de las herramientas de mejora de la productividad sentían que no podían permitirse utilizarlas. El coste de la penalización de la competencia Estos hallazgos revelan un impuesto oculto sobre la adopción de la IA. Lo que parece una simple renuencia a utilizar nuevas herramientas refleja en realidad una autoprotección racional. El verdadero coste va mucho más allá de la pérdida de productividad, aunque las pérdidas de productividad por sí solas también pueden ser sustanciales. Consideremos la empresa tecnológica de nuestro estudio. Invirtieron mucho en el desarrollo de su asistente de codificación con IA y en su implementación. Con solo un 41 % de adopción, y tasas aún más bajas entre los grupos demográficos clave, obtuvieron menos de la mitad de los beneficios esperados. El resultado fue una pérdida neta de al menos el 2,5 % de los beneficios anuales y, potencialmente, de hasta un 14 %, dependiendo del método de cálculo (basado en la pérdida de valor salarial frente a las ganancias previstas por la adopción). Para una empresa de ese tamaño, incluso la estimación más conservadora representa una pérdida de valor de cientos de millones. Otra consecuencia de la penalización por competencia es el posible uso de IA paralela. Cuando los empleados temen utilizar las herramientas oficiales de IA, no necesariamente evitan por completo el uso de la IA. En cambio, algunos pueden utilizar otras herramientas de IA no autorizadas, más de lo que sus empleadores podrían anticipar. Estas actividades son difíciles, si no imposibles, de rastrear y exponen a la organización a muchos riesgos, que van desde la seguridad de los datos hasta el cumplimiento normativo. Pueden socavar el uso responsable de la IA mediante prácticas inconsistentes. La penalización por competencia también agrava las desigualdades existentes en el lugar de trabajo. Es razonable y quizás tentador suponer que las herramientas de IA deberían igualar las condiciones al aumentar las capacidades de todos. Nuestros resultados sugieren que esto no está garantizado y que, de hecho, podría ocurrir lo contrario. En nuestro contexto, dominado por hombres jóvenes, hacer que la IA esté disponible por igual aumentó el sesgo contra las ingenieras. Probablemente esto ocurra a través de un proceso denominado «amenaza a la identidad social». Cuando los miembros de grupos estereotipados —por ejemplo, las mujeres en el sector tecnológico o los trabajadores mayores en campos dominados por los jóvenes— utilizan la IA, se refuerzan las dudas existentes sobre su competencia. La asistencia de la IA se presenta como una «prueba» de su incompetencia, en lugar de como una evidencia del uso estratégico de las herramientas. Cualquier sector en el que predomine un segmento sobre otro probablemente sea testigo de mayores penalizaciones en materia de competencia para los trabajadores pertenecientes a minorías. La penalización a los usuarios de IA también plantea preguntas incómodas sobre las políticas de divulgación en el lugar de trabajo. Si bien la transparencia es un componente fundamental del uso responsable de la IA, cuando se trata de la dinámica interna del lugar de trabajo, puede hacer más daño que bien. Nuestros hallazgos sugieren que exigir a los empleados que revelen el uso de la IA a sus compañeros de trabajo podría crear riesgos profesionales injustos. Es fundamental encontrar el equilibrio adecuado. En entornos en los que es probable que se produzcan penalizaciones por competencia, puede ser más responsable no exigir la divulgación. Romper la penalización La empresa tecnológica objeto de nuestro estudio ya había hecho más que la mayoría. Formó equipos dedicados a la IA, creó incentivos y proporcionó formación. Sin embargo, estas inversiones resultaron insuficientes porque no abordaban la amenaza subyacente a la competencia. Nuestras conclusiones sugieren la necesidad de un enfoque más refinado. 1. Identifique los puntos críticos de penalización de su organización. La penalización de la competencia crea una dinámica preocupante. Quienes más podrían beneficiarse de las herramientas que mejoran la productividad son precisamente aquellos que sienten que no pueden arriesgarse a utilizarlas. En nuestra investigación, las mujeres jóvenes que trabajan en el sector tecnológico son las que más tiempo productivo pueden ganar, pero actualmente son las que menos las adoptan. Abordar esa brecha representa resultados rápidos para las organizaciones que buscan maximizar sus inversiones en IA. Para localizar los equipos en los que la penalización por competencia es mayor, busquen la vulnerabilidad demográfica y los desequilibrios de poder. Los equipos con pocas mujeres o ingenieros maduros en puestos junior, pero con muchos revisores masculinos que no adoptan la IA en puestos senior, crean las condiciones perfectas para las penalizaciones por competencia. Examinen las métricas de tiempo hasta la promoción por demografía y uso de la IA para revelar si los efectos de la penalización ya están afectando a las carreras profesionales y midan la urgencia del problema. Compruebe si los grupos vulnerables se enfrentan a políticas de divulgación de IA obligatorias o voluntarias y evalúe el impacto de la divulgación en los resultados de sus carreras profesionales. 2. Convence a los escépticos influyentes. Los que no adoptan la IA imponen las sanciones más severas en materia de competencia y, en la mayoría de las organizaciones, siguen siendo mayoría. En nuestro estudio, los ingenieros que no habían adoptado la IA calificaron con especial dureza a sus colegas que sí la utilizaban, y los hombres que no la adoptaban penalizaban más severamente a las ingenieras. Para romper este ciclo se necesita una influencia social estratégica. Cuando los empleados ven que colegas respetados utilizan con éxito la IA sin consecuencias profesionales, el riesgo percibido disminuye. El enfoque más eficaz es aprovechar los modelos a seguir visibles que demuestran que el uso de la IA y la excelencia profesional pueden coexistir. Los defensores más poderosos son aquellos que reflejan los grupos demográficos que se enfrentan a las mayores penalizaciones. Nuestra investigación reveló que las mujeres que ocupan puestos de alta dirección temen menos la penalización por competencia que sus homólogos más jóvenes. Cuando estos líderes utilizan abiertamente la IA, proporcionan una cobertura crucial a sus colegas más vulnerables. Un estudio de BCG también ilustra esta dinámica: cuando las mujeres que ocupan puestos de alta dirección lideran a sus homólogos masculinos en la adopción de la IA, la brecha de adopción entre las mujeres y los hombres más jóvenes se reduce significativamente. Los ejemplos individuales inspiran, pero los programas estructurados crean impulso. Consideremos el reto«30 días de GPT» lanzado por Hilary Gridley, directora de producto de Whoop. El programa pasó de tareas sencillas, como cumplir con las agendas, a flujos de trabajo complejos con GPT personalizados. Las demostraciones diarias y las celebraciones públicas de los logros crearon seguridad psicológica; los miembros del equipo vieron cómo sus compañeros, con distintos niveles de habilidad, tenían éxito con la IA. Cuando los escépticos ven a colegas a quienes respetan, y no solo a los altos directivos, utilizar con éxito la IA en el trabajo real, su resistencia se debilita. El Makeathon anual de Pinterest demuestra cómo ampliar este enfoque a toda una organización. El hackatón, abierto a toda la empresa, estaba abierto a todos los empleados, tanto técnicos como no técnicos. Los equipos presentaron ideas basadas en la IA, crearon prototipos y mostraron proyectos. Los líderes internos actuaron como «hack doctors» y jefes de equipo, aportando su credibilidad a la experimentación con la IA. Los resultados hablan por sí solos: el 96 % de los participantes afirmaron seguir utilizando la IA mensualmente y el 78 % de los ingenieros atribuyeron a la IA un ahorro de tiempo. 3. Rediseñar las evaluaciones para eliminar la señal Cuando los ingenieros deben etiquetar su código como «asistido por IA», se vuelven vulnerables a evaluaciones sesgadas. A menos que cambie la cultura organizacional, esta etiqueta conlleva prejuicios. La solución es sencilla: dejen de señalar el uso de la IA en las evaluaciones de rendimiento hasta que su cultura esté preparada. Nuestro experimento demostró que no hay diferencia de calidad en el trabajo asistido por IA, a pesar de la penalización por competencia. Esta desconexión revela el camino a seguir: pasar de evaluar cómo se realiza el trabajo a evaluar lo que se logra. Sustituir las calificaciones subjetivas de competencia por métricas objetivas, como el tiempo de ciclo, la precisión y las tasas de defectos. Las organizaciones deben eliminar gradualmente las etiquetas públicas «utiliza IA» una vez que existan registros de cumplimiento, conservándolas solo para auditorías internas. Las revisiones ciegas que ocultan la información personal pueden ayudar a reducir los prejuicios contra las minorías que ya son objeto de escrutinio. Cuando los evaluadores no pueden ver quién escribió el código o si se utilizó IA, es probable que juzguen únicamente por los méritos. Algunas empresas líderes están yendo más allá de la neutralidad: están recompensando activamente el uso de la IA para convertir la penalización por competencia en una bonificación por competencia. Julia Liuson, presidenta de la división de herramientas para desarrolladores de Microsoft, instruyó recientemente a los gerentes para que incluyeran el uso de la IA como «parte de sus reflexiones holísticas sobre el rendimiento y el impacto de cada individuo», y algunos equipos están considerando métricas formales de IA para las revisiones del próximo año. El CEO de Shopify, Tobias Lütke, ha convertido el «uso reflexivo de la IA» en una expectativa básica y ha anunciado planes para añadir preguntas sobre el uso de la IA a las evaluaciones de rendimiento y a las revisiones por pares. Considera que el dominio de la IA es una «habilidad no evidente» que requiere retroalimentación y desarrollo, y posiciona a quienes la dominan como más valiosos que aquellos que no lo hacen. El camino a seguir La penalización por competencia apunta a un desajuste fundamental en la forma en que las organizaciones abordan la adopción de la IA. Mientras que las empresas se centran en el acceso, la formación y la infraestructura técnica, pasan por alto las dinámicas sociales que determinan si los empleados utilizan realmente estas herramientas. Esta información arroja luz sobre varios patrones desconcertantes que afectan a las transformaciones de la IA. ¿Por qué los empleados utilizan ChatGPT en secreto e ignoran las herramientas aprobadas? ¿Por qué los grupos que más podrían beneficiarse del aumento de la IA son los que menos la adoptan? ¿Por qué las empresas obtienen un retorno de la inversión limitado a pesar de las enormes inversiones en IA? La penalización es más dura cuando ya se cuestiona la competencia. Nuestra investigación muestra que las mujeres que utilizan la IA sufren casi el doble de daño a su reputación que los hombres. Los trabajadores de más edad en campos dominados por los jóvenes se enfrentan a un sesgo similar. La ironía es que quienes más necesitan el poder igualador de la IA son los que menos pueden permitirse utilizarla. Pero la penalización no es inevitable. Las organizaciones pueden eliminarla mediante tres intervenciones específicas: identificar dónde se concentran las penalizaciones, movilizar a líderes respetados como defensores visibles de la IA y rediseñar las evaluaciones para recompensar los resultados por encima de los métodos. En definitiva, las organizaciones que lideran la transformación de la IA no necesariamente tendrán las mejores herramientas ni los mayores presupuestos. Serán aquellas que creen entornos en los que todos los empleados puedan utilizar la IA de forma segura. Hasta entonces, las empresas no solo están desperdiciando licencias, sino, lo que es más importante, desperdiciando el potencial humano que está listo para ser aprovechado.

Investigación: la penalización oculta del uso de la IA en el trabajo

Resumen.

Partner Center