La evidencia que estás esperando todavía no existe. La que necesitas existe desde hace cincuenta años.
De todas formas ya estás apostando con la IA. La única pregunta es a qué anclas la apuesta.
La IA es nueva. El humano al que se la entregan no lo es. Esa frase es el argumento completo de esta entrada, y la razón completa de que esta publicación exista. Los estudios de largo plazo sobre adopción de IA en los que te encantaría basar tus decisiones todavía no pueden existir, y todo el que está decidiendo algo sobre IA en este momento lo está haciendo sin ellos. Lo que sigue es la versión honesta de qué hacer con eso: qué no puede decirte la evidencia que falta, qué puede decirte ya medio siglo de ciencia conductual, y la pregunta que cierra la discusión con cualquiera que diga que es demasiado pronto para actuar.
Los estudios que quieres todavía no pueden existir
Digamos primero la parte callada: la evidencia que todos preferirían no existe. Nadie ha seguido a mil empresas durante diez años para volver a contarnos cuáles estrategias de IA de verdad pagaron. No porque los investigadores sean flojos, ni porque el campo no sea serio. La razón es más simple y más piadosa que eso: la tecnología está demasiado joven para la pregunta. La clase de IA que hoy está en los lugares de trabajo tiene apenas unos años de existir, y la investigación que observa organizaciones a largo plazo necesita, sin remedio, el largo plazo: años de observación, y encima el análisis, la revisión y la publicación. Con un reloj no se puede discutir, y aquí no hay a quién echarle la culpa.
Pero hay una segunda capa, más cruel, que se le escapa hasta a la gente que lee investigación por oficio. El objeto de estudio muta más rápido que el instrumento que lo mide. Supón que el estudio perfecto de cinco años sobre los modelos de hoy arrancara esta mañana. Para el día en que se publique, los modelos que estudió habrán sido reemplazados varias veces, las interfaces habrán cambiado de forma y el precio de la inteligencia se habrá movido. El estudio llegaría como historia, no como guía. Este es el rezago de la evidencia, y la IA en el trabajo está en lo más profundo: la tecnología obliga a decidir en un calendario que la ciencia, por estructura, no puede alcanzar.
Ahora pon esa brecha junto a los datos de campo de lo que pasa mientras tanto. La primera entrada de esta publicación puso los números sobre la mesa: el 88% de las empresas ya usa IA, y alrededor del 6% le ve impacto en las ganancias. El proyecto NANDA del MIT lo puso más duro: cerca del 95% de los pilotos empresariales de IA generativa no entregan impacto medible en resultados. Lee esos números junto al rezago y la situación queda clara. La batalla que se está perdiendo no es un pronóstico. Está pasando ahora, durante la espera, a los que esperan.
No hay asiento de espectador
La respuesta instintiva ante la evidencia que falta es esperarla, y en casi toda la vida ese instinto te sirve. Aquí está por qué falla con la IA: esperar no es una posición neutral. La evidencia de campo sobre la adopción en las sombras dice que tu gente ya está usando IA, en casa con confianza y en el trabajo en silencio, haya o no haya decidido algo la dirección. Así que la organización que espera no está fuera del juego. Está en el juego sin plan, absorbiendo los riesgos del uso de IA sin guía mientras no cobra ninguno de los retornos, y quedándose atrás en el único activo que se acumula: la competencia, que se construye con la práctica que la organización que espera no está haciendo.
Y eso disuelve por completo el encuadre cómodo. La elección nunca fue evidencia contra no evidencia, porque esa elección no la tiene nadie; la evidencia longitudinal no existe para nadie, incluidos todos los vendedores, consultores y competidores que hoy proyectan seguridad. Todo el que está decidiendo algo sobre IA en este momento está apostando sin ella. La única variable que de verdad está bajo tu control es a qué anclas la apuesta.
La capa estable
Entonces ánclate a lo que no se está moviendo. Mira dónde se concentran las fallas, en los números de arriba y en cada sistema que esta publicación ha examinado en producción: no en los puntajes de benchmark del modelo, que siguen mejorando, sino en la unión donde la tecnología se encuentra con la gente. Si la esconden o la comparten. Si le creen de más, de menos, o exactamente lo que se ha ganado. Si la competencia callada de una persona se vuelve capacidad de la operación o se queda en palanca personal. Esa lectura de los números es nuestra, y la marcamos como nuestra. Pero fíjate qué implica si es aunque sea mitad correcta: la capa donde la IA triunfa o fracasa es la única capa que no ha cambiado, y es la mejor estudiada de todo el sistema.
Porque la psicología de un humano frente a una herramienta nueva no salió al mercado el trimestre pasado. Si la gente se siente lo bastante segura para intentar cosas y admitir errores: Amy Edmondson operacionalizó la seguridad psicológica en 1999, sobre una tradición de investigación más vieja todavía. Si la gente cree que puede aprender la herramienta, la creencia que lleva la adopción al retorno: Albert Bandura pasó cuatro décadas construyendo la literatura de la autoeficacia. Cómo debe diseñarse el entrenamiento para que la habilidad sobreviva el contacto con el trabajo real: Robert Bjork nombró las dificultades deseables en 1994. Por qué la exploración necesita una base segura a la cual volver: Bowlby y Ainsworth construyeron esa evidencia a lo largo de medio siglo, y Feeney y Thrush la mostraron operando entre adultos en 2010. Y el ala más nueva, cómo la gente confía de más y de menos en el consejo automatizado, se está acumulando rápido en las ciencias de la decisión ahora mismo. La IA es nueva. El humano al que se la entregan no lo es. Cuando esta publicación afirma algo, este es el piso que pisa: no predicciones sobre una tecnología que muta, sino hallazgos de décadas sobre la constante de la ecuación.
Cuatro disciplinas que sustituyen al tiempo
Anclarse es la primera disciplina, no el método completo. Actuar con honestidad adentro del rezago de la evidencia requiere cuatro hábitos, y puedes auditar cada uno contra el historial de esta misma publicación. Primero, marcar las costuras. La ciencia establecida y la síntesis propuesta nunca llevan la misma etiqueta aquí: lo verificado lleva cita, lo nuestro se reclama como nuestro, y la página de metodología guarda el registro completo de qué es qué. Segundo, apostar en público. Una teoría propuesta solo es honesta si puede perder: La Base Segura en la IA salió con una predicción falsable incluida y la consecuencia declarada de que si los datos salen planos, la teoría se muere en público.
Tercero, verificar antes de citar, cada vez. Cada estadística de esta publicación se rastrea a una fuente primaria leída antes de usarse, porque en un campo así de ruidoso, los números de segunda mano son la forma en que la gente honesta termina mintiendo. Y cuarto, el que le paga directo a tu operación: construir corrientes de evidencia local. Los instrumentos de estas entradas, llevar la cuenta de la herramienta por tipo de tarea, correr el mismo trabajo dos veces y mirar el camino, mandar los números mensuales del sistema al equipo que lo corre, son todos la misma movida: contabilidad para el criterio. Una operación que lleva esos libros está corriendo un pequeño estudio longitudinal de la única organización cuyos resultados necesita: la suya. La evidencia del campo está a años. La tuya puede empezar el lunes.
La pregunta que cierra la discusión: ¿cuál es la alternativa?
Todo lo de arriba puede sonar a alegato conveniente hasta que lo pones junto a las otras opciones que de verdad están sobre la mesa. Son cuatro, y vale la pena mirar a qué ancla su apuesta cada una.
Esperar a la ciencia ancla la apuesta a una fecha que no deja de alejarse, y paga el precio del mientras-tanto que ya recorrimos: adopción en las sombras sin guía, riesgo sin retorno, una brecha de competencia que se acumula mientras todos se quedan quietos. Es la opción de mejor reputación de la lista, y la única garantizada de convertir el rezago de la evidencia en pérdida pura. Confiar en la evidencia del vendedor ancla la apuesta al testimonio de la parte que vende el resultado, y la prueba rigurosa que esta publicación no deja de citar debería bastar para acabar con ese hábito: la función de confianza más intuitiva de la industria, mostrarle al usuario las explicaciones de la IA, no redujo la frecuencia con la que la gente aceptaba respuestas equivocadas en ensayos controlados, y a veces la empeoró. La intuición del vendedor no solo está sin probar. Ya la cacharon apuntando al revés.
Copiar lo que hacen todos ancla la apuesta al adoptante promedio, y el adoptante promedio es el lado perdedor de la estadística: cuando el 6% gana, imitar es apostar 94 a 6 contra ti mismo, vestido de prudencia. Y correr el manual estándar de TI, licencias, accesos, una presentación de capacitación, una fecha de arranque, ancla la apuesta a la suposición de que esto es un problema de instalación, que es exactamente la suposición que los números de fracaso no dejan de castigar: la tecnología se instala bien, y los retornos se mueren en la capa humana que ese manual nunca toca.
Cuatro alternativas, cuatro anclas: una fecha que se aleja, un testimonio con conflicto, un promedio que pierde, una suposición equivocada. Ese es el terreno. Enfrente está la opción sobre la que se construyó esta publicación: anclarse a medio siglo de ciencia probada sobre los humanos que están adoptando, marcar lo propuesto, apostar en público, y dejar que tu propia operación empiece a generar la evidencia que las revistas todavía no le pueden entregar a nadie. Lo nuestro es la investigación. Exactamente por eso nos negamos a quedarnos quietos esperándola: respetar la evidencia es usar la evidencia madura que existe, no tratar su ausencia en un campo como permiso para adivinar en todos.
Cómo se ve lo sensato un lunes
Nada de esto requiere un departamento de investigación. Ubica tus procesos en el mapa antes de hablar de herramientas. Ajusta el circuito humano a la tarea, y gasta la pausa deliberada donde la respuesta equivocada sale cara. Dale a la gente un lugar seguro donde construir la habilidad antes de que la habilidad haga falta enfrente de un cliente. Empieza la cuenta que convierte la confianza en un número sobre una tarea. Y escribe, con honestidad, qué estás suponiendo y qué sabes, porque ese hábito, más que cualquier decisión de herramienta, es lo que el rezago de la evidencia de verdad te exige.
Los estudios van a llegar, y esta publicación los va a leer el día que aterricen, y va a reportar qué dicen de nuestras propias predicciones, corten para donde corten. Hasta entonces la pregunta queda en pie, para nosotros y para cualquiera que te venda certeza en cualquiera de las dos direcciones. De todas formas ya estás apostando con la IA. ¿Anclado a qué?
Si quieres la versión anclada de la primerísima decisión, la Matriz de Impacto vs. Riesgo es la herramienta gratuita de una página: donde el impacto es alto y el riesgo es bajo, empieza ahí.
Preguntas frecuentes
¿Deberían las empresas esperar más investigación antes de adoptar IA?
Esperar se siente prudente, pero no es una posición neutral: es apostar a que perder despacio es seguro. Tres cosas pasan durante la espera. Tus empleados adoptan de todos modos, en privado y sin guía, así que la organización absorbe los riesgos del uso de IA sin los retornos. La brecha de competencia se acumula, porque la habilidad con IA se construye con práctica que la organización que espera no está haciendo. Y la evidencia que se espera sigue alejándose, porque la tecnología cambia más rápido de lo que se pueden correr estudios de largo plazo sobre ella. La alternativa a esperar no es la imprudencia; es anclar las decisiones a la ciencia conductual madura que ya existe sobre cómo la gente adopta herramientas, construye habilidad y deposita mal su confianza.
¿Existe evidencia científica para las estrategias de adopción de IA?
No del tipo que la mayoría quiere decir con esa pregunta: no hay estudios de largo plazo a nivel organizacional sobre resultados de adopción de IA, porque la tecnología desplegada tiene pocos años y sigue cambiando. Pero la evidencia que sí existe es más fuerte de lo que sugiere la reputación del campo, si miras una capa más abajo. Las fallas ocurren donde la IA se encuentra con la gente, y esa capa es uno de los territorios mejor estudiados de la ciencia conductual: seguridad psicológica (Edmondson, 1999), autoeficacia (Bandura), diseño de entrenamiento y dificultades deseables (Bjork, 1994), exploración con base segura (Bowlby; Feeney y Thrush, 2010), y una literatura creciente de ciencias de la decisión sobre sobreconfianza y calibración (Buçinca et al., 2021; Schoeffer et al., 2025). La tecnología es nueva. La ciencia de los humanos que la usan no lo es.
¿Por qué todavía no hay estudios de largo plazo sobre la IA en el trabajo?
Dos razones honestas. Primera, el tiempo: la IA laboral con capacidad como la actual tiene apenas unos años, y la investigación organizacional longitudinal necesita ventanas de varios años, más el análisis, la revisión y la publicación encima. Segunda, y menos apreciada, el problema del blanco móvil: para cuando se publique un estudio de varios años sobre los modelos de hoy, los modelos que estudió ya habrán sido reemplazados varias veces. El objeto de estudio muta más rápido que el instrumento que lo mide. Esto no es culpa de nadie; es una propiedad estructural de estudiar una tecnología que se mueve rápido. También significa que la respuesta racional no es quedarse quieto hasta que lleguen los estudios, sino anclarse a investigación cuyo objeto no muta: la conducta humana.
¿Qué es el rezago de la evidencia en la IA?
La brecha entre el momento en que una tecnología obliga a decidir y el momento en que puede existir ciencia asentada sobre ella. La IA en el trabajo está en lo profundo de esa brecha: las organizaciones tienen que tomar decisiones de adopción ahora, mientras la evidencia longitudinal que las guiaría está a años de distancia y apunta a un blanco móvil. El rezago de la evidencia no da permiso de adivinar. Define cómo se ve la práctica disciplinada: anclar las afirmaciones a ciencia madura adyacente, marcar con claridad qué está establecido y qué está propuesto, poner predicciones falsables por escrito antes de que lleguen los resultados, e instrumentar tu propia operación para que genere evidencia local mientras el campo se pone al día.
¿Cómo puede un negocio generar su propia evidencia sobre la IA?
Instrumentando el trabajo que ya hace. Lleva la cuenta de los resultados de la IA por tipo de tarea, los correctos y los cachados, para que la confianza se calibre con tu propio registro y no con los benchmarks del vendedor. Pásale el mismo trabajo dos veces a cualquier cosa que en tu operación se llame automatización: si funciona igual las dos veces, es un sistema fijo que puedes auditar y mejorar; si una IA está escogiendo la ruta y la ruta cambia, su conducta no se puede estudiar de la misma forma y merece vigilancia más de cerca. Manda los números mensuales del sistema al equipo que lo opera, para que la tendencia sea visible para la gente que la produce. Nada de esto es un programa de investigación; es contabilidad para el criterio. Una operación que la lleva acumula algo que la literatura publicada todavía no le puede dar a nadie: evidencia longitudinal sobre la IA en la única organización que le importa, la suya.
Fuentes
- Stanford Institute for Human-Centered AI (2026). The AI Index Report.
- McKinsey & Company (2025). The State of AI. Global survey.
- MIT NANDA (2025). The GenAI Divide: State of AI in Business.
- Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383.
- Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
- Bowlby, J. (1988). A secure base: Parent-child attachment and healthy human development. Basic Books.
- Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press.
- Feeney, B. C., & Thrush, R. L. (2010). Relationship influences on exploration in adulthood: The characteristics and function of a secure base. Journal of Personality and Social Psychology, 98(1), 57–76. https://doi.org/10.1037/a0016961
- Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287
- Schoeffer, J., Jakubik, J., Vössing, M., Kühl, N., & Satzger, G. (2025). AI reliance and decision quality: Fundamentals, interdependence, and the effects of interventions. Journal of Artificial Intelligence Research, 82. https://doi.org/10.1613/jair.1.15873
- Reich, A., Wolfe, D., Price, M., Choe, A., Kidd, F., & Wagner, H. (2026). Safety first: Psychological safety as the key to AI transformation. arXiv:2602.23279
Publicado: 13 de julio de 2026