En 2025 cuatro investigadores publicaron en PNAS una serie de experimentos con más de 4.400 personas y una pregunta muy concreta: ¿qué piensan los demás de ti cuando declaras que has usado IA para hacer tu trabajo?
El resultado es coherente en los cuatro estudios. Quien declara usar herramientas de IA es valorado como más vago, menos competente, menos diligente. Y en el experimento sobre selección de personal, los evaluadores que no usaban IA eran menos propensos a contratar a candidatos que declaraban usarla. El signo se invertía solo cuando el evaluador era a su vez usuario habitual.
Así que la pregunta “cómo aprovecho la IA en el trabajo” tiene un componente que casi ninguna guía aborda: no es solo qué obtienes de la herramienta, sino qué pasa cuando se sabe que la has usado.
La consecuencia práctica: la IA se usa a escondidas
Esta penalización social tiene una consecuencia medible. En el Work Trend Index de Microsoft y LinkedIn de 2024 —una encuesta corporativa, y por tanto a tratar como tal y no como experimento— el 78% de quienes usaban IA en el trabajo decían llevar sus propias herramientas, no las proporcionadas por la empresa. Y algo más de la mitad admitía ser reticente a decir que había usado IA para las tareas más importantes.
Los dos datos juntos describen un patrón que reconoce cualquiera que trabaje en una empresa media: la herramienta está en todas partes y oficialmente no existe.
Las consecuencias no son solo de reputación. Si el uso es sumergido, no hay directrices sobre qué se puede pegar en un chat, nadie verifica los resultados críticos y las competencias no se transmiten entre compañeros porque nadie admite tener algo que enseñar.
El péndulo: primero desconfiamos demasiado, luego demasiado poco
Hay una literatura anterior a la IA generativa que describe bien lo que está pasando, y vale la pena conocerla porque evita dos errores opuestos.
Por un lado, Berkeley Dietvorst, Joseph Simmons y Cade Massey documentaron en 2015 lo que llamaron aversión al algoritmo: tras ver a un modelo estadístico equivocarse, la gente deja de usarlo y vuelve a su propio juicio, incluso cuando el modelo sigue siendo más preciso que ellos. Un error humano se perdona; uno de la máquina no.
Por otro, Jennifer Logg, Julia Minson y Don Moore encontraron en 2019 el fenómeno opuesto, que llamaron aprecio por el algoritmo: ante un consejo idéntico, la gente lo sigue más si cree que viene de un algoritmo y no de una persona.
Los dos resultados no se contradicen: dependen de cuánto sabes de la tarea. Y juntos explican el péndulo que se observa hoy en la oficina: rechazo categórico hasta que funciona, delegación total en cuanto parece funcionar.
El segundo extremo tiene nombre técnico y una literatura amplia. Raja Parasuraman y Dietrich Manzey, en una revisión de 2010 en Human Factors, llaman complacencia por automatización a la reducción de la supervisión que se produce cuando un sistema automático ha demostrado ser fiable. Linda Skitka y colegas ya habían mostrado en 1999 que la automatización produce dos tipos de error distintos: errores de omisión (no ves lo que el sistema no señaló) y errores de comisión (sigues un aviso equivocado contra la evidencia disponible).
Ambos se vuelven más probables cuanto más fiable es el sistema. No menos.
Las ironías de la automatización
La pieza más útil de esta literatura tiene cuarenta años. En 1983 Lisanne Bainbridge publicó en Automatica un artículo breve titulado Ironies of Automation que describe un mecanismo que la retórica actual ignora por completo.
El argumento es este. Cuando se automatiza un trabajo se automatizan las partes fáciles y regulares, porque son las automatizables. Al operador humano le quedan solo las excepciones, es decir, los casos más difíciles. Pero la competencia necesaria para gestionar los casos difíciles se construía precisamente haciendo, repetidamente, los fáciles. Al quitar la práctica ordinaria se erosiona la capacidad de afrontar la extraordinaria, y se erosiona exactamente en las personas a las que se pide que intervengan cuando el sistema falla.
Es la objeción más seria a la frase más repetida de estos años, la que dice que la IA te libera de las tareas de bajo valor para dejarte las de alto valor. En la medida en que la tarea de alto valor se aprendía haciendo la de bajo valor, la promesa contiene un problema.
Automatizar la primera versión es cómodo. El coste es que, al cabo de un tiempo, ya no reconoces una mala primera versión.
Cómo usarla sin perder el oficio
- Decide de antemano qué no delegarás nunca. Pon por escrito dos o tres actividades que seguirás haciendo a mano porque sobre ellas se apoya tu juicio profesional. Es la contramedida directa a la ironía de Bainbridge.
- Distingue el primer borrador del resultado. La IA sirve para llevarte de la página en blanco a algo que criticar. El valor que aportas es la crítica, no el borrador.
- Verifica todo hecho verificable. Nombres, cifras, citas, referencias normativas. Es la categoría donde el modelo es más convincente y menos fiable; el porqué está en IA generativa.
- No pegues datos confidenciales en herramientas no aprobadas. Es el riesgo concreto del uso sumergido. Si en tu empresa no hay una política clara, pedirla es un gesto profesional, no una confesión.
- Sé transparente sobre el proceso, no sobre la herramienta. A la luz del estudio de PNAS, decir “he usado ChatGPT” y decir “hice una primera exploración, luego verifiqué las fuentes y reescribí” comunican cosas muy distintas, y lo segundo además informa más.
- Mide tus tiempos reales. La percepción del tiempo ahorrado no es fiable. Dos semanas de anotaciones valen más que cualquier impresión.
- Invierte en la parte que no se está nivelando. Entender el contexto, decir que no, decidir en condiciones ambiguas. Lo desarrollo en pensamiento crítico.
Lo que pienso: la penalización pasará, el riesgo de desaprender no
Creo que la penalización social documentada por el estudio de PNAS es una fase, y que desaparecerá cuando el uso sea mayoritario entre los evaluadores: ya lo sugiere el hallazgo de que los evaluadores usuarios no penalizaban. Pero mientras tanto es real, y es un hecho a tener presente al escribir una candidatura o entregar un trabajo a un cliente.
También me parece que el consejo más extendido —“usa la IA para las tareas aburridas”— es más ambiguo de lo que suena. Algunas tareas aburridas son solo aburridas. Otras son aburridas y el único sitio donde se acumula experiencia. Distinguirlas es un trabajo que nadie puede hacer por ti, porque depende de tu oficio.
Aquí voy más allá de los datos, así que tómalo como una intuición: dentro de diez años la diferencia entre profesionales no será cuánta IA usan, sino cuánto son capaces de funcionar cuando la herramienta da una respuesta equivocada con seguridad perfecta.
Preguntas frecuentes
¿Debo decirle a mi jefe que uso IA? Depende de la política de la empresa, que hay que respetar. En cuanto a la percepción, el estudio de PNAS sugiere que importa cómo lo dices: describir el proceso y la verificación no es lo mismo que nombrar la herramienta.
¿Usar IA me hace menos competente? La investigación no dice eso. El argumento de Bainbridge dice algo más sutil: si dejas de practicar las tareas ordinarias, se atrofia la capacidad de gestionar las extraordinarias. Es un riesgo gestionable, no un destino.
¿Por qué a veces confío demasiado en los resultados? Es complacencia por automatización, documentada mucho antes de los modelos de lenguaje. Crece con la fiabilidad percibida del sistema, lo que la hace más peligrosa justo cuando la herramienta es buena.
¿La IA sustituirá mi puesto? La pregunta merece más de un párrafo. La abordé en IA y trabajo, con las cifras de Frey y de la OCDE que miden cosas distintas.
¿Por dónde empiezo en concreto? Por una tarea recurrente, definida y verificable, durante dos semanas, midiendo los tiempos. Las indicaciones operativas están en cómo usar ChatGPT en el trabajo y escribir prompts eficaces.
Fuentes
- Reif, J. A., Larrick, R. P., y Soll, J. B. (2025). Evidence of a Social Evaluation Penalty for Using AI. PNAS, 122(19). Los cuatro experimentos con más de 4.400 participantes.
- Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775-779. El argumento sobre la erosión de la competencia.
- Dietvorst, B. J., Simmons, J. P., y Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114-126.
- Logg, J. M., Minson, J. A., y Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes, 151, 90-103.
- Parasuraman, R., y Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381-410.
- Skitka, L. J., Mosier, K. L., y Burdick, M. (1999). Does Automation Bias Decision-Making? International Journal of Human-Computer Studies, 51(5), 991-1006. Errores de omisión y de comisión.
- Parasuraman, R., y Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors, 39(2), 230-253.
- Dell’Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013. Las estrategias centauro y ciborg.
- Acemoglu, D., y Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3-30.
- Microsoft y LinkedIn (2024). Work Trend Index Annual Report. Los datos sobre herramientas aportadas por los empleados y la reticencia a declarar su uso. Encuesta corporativa, no estudio controlado.
Este artículo se ha escrito siguiendo el proceso descrito en cómo escribimos. Si encuentras un dato mal reportado, escríbeme: lo corrijo y lo señalo al final del artículo.


