A medida que la IA generativa se extiende rápidamente entre las organizaciones, los líderes se enfrentan a una pregunta engañosamente simple: ¿Cómo deberían trabajar las personas con IA? La respuesta general –“mantener a la gente informada”– suena tranquilizadora. Pero una nueva investigación muestra que esta respuesta es peligrosamente incompleta. Lo que parece ser el mismo enfoque de personas en el proceso, en realidad se manifiesta de tres maneras radicalmente diferentes, con consecuencias muy diferentes para la productividad y el desarrollo de habilidades.
Para comprender cómo las empresas pueden beneficiarse realmente de la colaboración entre humanos e IA, llevamos a cabo un experimento de campo con 244 consultores que utilizaron GPT-4 para resolver un problema empresarial complejo. Con el apoyo de científicos de Harvard Business School, MIT Sloan School of Management, Wharton School y Warwick School of Business, el experimento analizó casi 5.000 interacciones entre humanos y IA para responder una pregunta importante: cuando las personas colaboran con GenAI, ¿qué están haciendo realmente y qué deberían estar haciendo?
Tres modelos ocultos de colaboración entre humanos y IA
El resultado más sorprendente de nuestro experimento es que los profesionales que trabajaban con GenAI se dividieron naturalmente en tres estilos diferentes de colaboración, cada uno con resultados muy diferentes:
Los cyborgs (60% de los participantes) participaron en lo que llamamos “cocreación conjunta de conocimiento”, un diálogo continuo e iterativo con la IA a lo largo del flujo de trabajo. Lo usaron para cada subtarea en su flujo de trabajo y de diferentes maneras: asignaron caracteres de IA, dividieron tareas complejas en módulos, descartaron resultados de IA, identificaron inconsistencias y verificaron los resultados dinámicamente. Para los cyborgs, la línea entre el pensamiento humano y el de la IA se ha vuelto deliberadamente borrosa.
Los centauros (14% de los participantes) practicaron la “cocreación de conocimiento dirigido”, utilizando selectivamente la IA para subtareas específicas mientras mantenían un estricto control sobre el proceso general de resolución de problemas. Utilizaron la IA para ampliar sus capacidades, mapear áreas problemáticas, recopilar información metodológica y mejorar su propio contenido generado por humanos. Pero mantuvieron sus manos firmemente en el volante, utilizando la IA como herramienta de destino en lugar de un socio colaborador.
Los autoautomatizadores (27% de los participantes) participan en una “cocreación de conocimiento sin fallas”, delegando procesos de trabajo completos a la IA con una mínima iteración o aportes críticos. Proporcionaron a la IA datos e instrucciones para realizar subtareas y luego aceptaron sus resultados sin cambios o con cambios menores. Su trabajo fue rápido y pulido, pero carecía de profundidad; parecía que los resultados se habían hecho para ellos, no con ellos.
Lo que llama la atención es que cada participante tuvo acceso a las mismas herramientas y a la misma tarea. No recibieron otras instrucciones sobre el proceso de trabajo con IA. Sin embargo, sus decisiones espontáneas/instintivas sobre cuándo involucrar a la IA y cuánto poder darle dieron como resultado dinámicas de colaboración fundamentalmente diferentes.
Marco para comprender la colaboración
Para dar sentido a estos patrones, desarrollamos un marco basado en dos preguntas fundamentales que estructuran cualquier dinámica colaborativa de resolución de problemas entre humanos y máquinas: ¿Quién elige qué hacer? y ¿Quién determina cómo se hace?
Los cyborgs permiten a los humanos controlar el “qué”, pero le dan a la IA un control significativo sobre el “cómo”. Los centauros mantienen el control y el liderazgo humanos en ambas dimensiones, utilizando la IA sólo para asistencia específica. Los autoautomatizadores transfieren el control de ambos a la IA. Es de destacar que la cuarta posibilidad teórica, donde la IA controla la selección de tareas y los humanos controlan la ejecución, quedó en blanco en nuestro estudio; Cuando los profesionales ceden el control sobre en qué trabajar, también tienden a ceder el control sobre cómo hacerlo.
Costo oculto: ¿qué pasa con la experiencia?
Quizás nuestro hallazgo más importante se refiere a lo que sucede con la experiencia profesional en cada modo de colaboración. Las consecuencias varían significativamente:
Los cyborgs han desarrollado nuevas experiencias relacionadas con la inteligencia artificial, lo que llamamos “nuevas habilidades”. A través de la experimentación constante con estrategias de estímulo, aprendieron cómo interactuar eficazmente con la IA, cuándo resistir y cómo aprovechar al máximo la cooperación. También mantuvieron su experiencia en el campo al participar activamente en el proceso.
Los centauros profundizaron sus conocimientos en el área temática: la tradicional “formación avanzada”. Al utilizar la IA para acelerar el aprendizaje sobre industrias desconocidas, recopilar orientación y mejorar su propio pensamiento, fortalecieron las capacidades fundamentales. Sin embargo, no han acumulado una experiencia significativa en IA porque sus interacciones con la IA han sido limitadas y enfocadas.
Los autoautomatizadores no tenían ninguna de estas cosas: no experimentaron lo que llamamos “falta de habilidad”. Al delegar todo el proceso cognitivo a la IA, perdieron la oportunidad de adquirir conocimiento del dominio o fluidez en la IA. Su mayor productividad se debió al desarrollo profesional.
Este hallazgo debería hacer reflexionar a los ejecutivos. Cuando los empleados adoptan un comportamiento autoautomatizado (como lo hicieron más de una cuarta parte de nuestros principales consultores), las organizaciones pueden perder sin darse cuenta la experiencia que crea una ventaja competitiva.
Impacto en el rendimiento: ¿quién lo hace bien?
En nuestro experimento, los resultados se midieron según dos dimensiones: precisión (¿recomendaron la marca correcta?) y persuasividad (¿qué tan persuasiva fue la nota del director ejecutivo?). Los resultados desafían las suposiciones simplistas sobre la colaboración con la IA:
Los centauros lograron la mayor precisión, por delante de los cyborgs y los automatistas a la hora de obtener la respuesta correcta. Al mantener el control sobre el proceso analítico y utilizar su propio criterio para evaluar los aportes de la IA, evitaron ser engañados por recomendaciones de la IA seguras, pero a veces incorrectas.
Tanto los Cyborgs como los Centauros sobresalieron en persuasión, logrando resultados más convincentes que los Autómatas. La profundidad de la interacción, ya sea a través del refinamiento iterativo (Cyborgs) o del análisis impulsado por humanos (Centauros), ha llevado a una mejor calidad de los resultados.
En particular, los cyborgs a veces han sido víctimas de la capacidad de persuasión de la IA. Incluso cuando utilizaron las mejores prácticas, como la verificación (pedirle a la IA que verificara su propio trabajo), a veces fueron persuadidos por la confianza de la IA en la justificación de las respuestas incorrectas. Esto pone de relieve un riesgo crítico: las interacciones complejas con la IA no garantizan inmunidad contra sus errores.
¿Qué deberían hacer las empresas ahora mismo?
Estos resultados tienen implicaciones inmediatas sobre cómo las organizaciones utilizan GenAI:
En primer lugar, rechazar el mito del enfoque único para todos, de personas en el proceso. Los líderes deben reconocer que sus empleados ya han adoptado estilos de colaboración muy diferentes y que esas diferencias son importantes. Introducir simplemente la “supervisión humana” sin especificar lo que eso significa conducirá a resultados tremendamente inconsistentes.
En segundo lugar, combine los estilos de colaboración con los objetivos estratégicos. Para tareas que requieren máxima precisión al tomar decisiones importantes, fomente el comportamiento “Centauro”: uso selectivo de la IA con un fuerte juicio humano. Para tareas que requieren repetición rápida y exploración creativa, el comportamiento cyborg puede ser más apropiado. Un autoautomatizador de reserva es adecuado para tareas verdaderamente rutinarias, en lugar de básicas o arriesgadas, y donde el desarrollo de habilidades no es un problema.
En tercer lugar, hay que tener cuidado con la complacencia en materia de automatización. El nivel de autoautomatización (27%) en nuestro estudio entre profesionales altamente capacitados y motivados que sabían que su trabajo estaba siendo evaluado sugiere que la tentación de delegar en exceso es muy fuerte. Las organizaciones deben desarrollar mecanismos para detectar cuándo los empleados avanzan hacia la automatización total de tareas que requieren intervención humana.
Cuarto, reconsiderar cómo se mide el éxito de la adopción de la IA. Utilizar únicamente los resultados finales (como las tasas de edición o las tasas de aceptación) como métricas de participación no es suficiente. Un Self-Automator que acepta resultados de IA y un Cyborg que itera extensamente y luego acepta una versión refinada pueden verse iguales en los datos. Las empresas necesitan realizar un seguimiento de la calidad de las interacciones a lo largo de todo el flujo de trabajo, no sólo del resultado.
Quinto, invertir en el desarrollo de habilidades de IA junto con experiencia en el campo. Nuestros resultados muestran que el enfoque más sostenible combina ambos enfoques. El comportamiento cyborg desarrolla habilidades avanzadas de IA al mismo tiempo que mantiene el conocimiento del dominio; El comportamiento del centauro desarrolla las habilidades del sujeto al mismo tiempo que proporciona una exposición básica a la IA. Las empresas necesitan programas de capacitación que se dirijan a ambas habilidades en lugar de depender de que los empleados lo descubran por sí solos.
Lo que está en juego: experiencia en la era de la inteligencia artificial
El surgimiento de GenAI presenta a las organizaciones una paradoja. La tecnología promete mejorar el juicio, la creatividad y la velocidad humanos, pero también conlleva un riesgo más silencioso: al entregar más pensamiento a las máquinas, los profesionales podrían renunciar gradualmente a las mismas capacidades que las hacen valiosas. Las mismas herramientas que mejoran la experiencia en algunas manos pueden reemplazarla por completo en otras, dejando a las organizaciones con impresionantes resultados a corto plazo pero con un débil núcleo de juicio humano. No es una herramienta más de productividad, es una revolución. La buena noticia es que hay formas de colaborar productivamente. Los cyborgs y los centauros demuestran que los humanos pueden trabajar eficazmente con la IA acumulando experiencia, en lugar de agotarla. El desafío para los líderes es crear condiciones organizacionales que fomenten estos modelos productivos y al mismo tiempo desalienten el camino tentador pero contraproducente de la automatización total.
A medida que las capacidades de la IA continúen expandiéndose y mejorando, las organizaciones que prosperarán serán aquellas que poseen no sólo lo que la IA puede hacer, sino también cómo las personas deben trabajar con ella. Comprender que “humano en proceso” no es un enfoque único, sino que, de hecho, son tres modos de colaboración fundamentalmente diferentes (con consecuencias fundamentalmente diferentes) es el primer paso para desarrollar este dominio.
François Candelon es socio de la firma de capital privado Seven2 y miembro ejecutivo del Instituto D^3 de Harvard. Lea otras columnas de Francois Candelon en la revista Fortune. Katherine Kellogg es profesora David J. McGrath, Jr. de Gestión e Innovación en la Escuela de Gestión Sloan del Instituto Tecnológico de Massachusetts. Hila Lifshitz es profesora de gestión en Warwick Business School, investigadora en el Laboratorio de Ciencias de la Innovación de Harvard y codirectora de la Red de Innovación en Inteligencia Artificial. Stephen Randazzo es un estudiante de posgrado en Warwick Business School, miembro visitante del Harvard Innovation Science Lab y codirector de AI Innovation Network.
Esta historia se publicó originalmente en Fortune.com.
