La Capa Humana
Notas sobre la capa humana de la adopción de IA. El lente es la psicología industrial y organizacional; el material está donde viva la evidencia: ciencia del comportamiento, datos de campo, sistemas funcionando en producción. Cada entrada hecha para leerse, citarse y usarse.
La evidencia que estás esperando todavía no existe. La que necesitas existe desde hace cincuenta años.
No hay estudios longitudinales de la adopción de IA, y todavía no puede haberlos: la tecnología muta más rápido que el ciclo de investigación que la validaría. Mientras tanto, el 88% de las empresas usa IA y el 6% le ve ganancia. Esperar no es la jugada segura, porque esperar también es una apuesta. La jugada sensata es anclar tus decisiones a la ciencia que ya está madura: la psicología de los humanos que están adoptando.
Leer →¿Qué clase de IA tienes en realidad? Una taxonomía de la IA en el trabajo
Pregúntale a un dueño qué IA usa y te da nombres de productos. Pregúntale qué clase de IA usa y el cuarto se queda callado. Hay tres clases, definidas por quién conduce: uso asistido, IA incrustada e IA agéntica en sentido pleno. Crúzalas con la forma de la tarea y sale un mapa de seis celdas que le pone precio a cada decisión de IA en tu operación, incluidas las dos celdas donde el dinero se gana y se pierde.
Leer →¿Cuánto deberías confiar en la IA? Exactamente lo que se ha ganado
La confianza en la IA falla en las dos direcciones: la gente sigue recomendaciones equivocadas y rechaza recomendaciones correctas, y los tableros no distinguen una cosa de la otra. El remedio no es más confianza ni menos confianza, sino confianza calibrada, construida como se construye cualquier habilidad. Una definición de trabajo de la confianza disciplinada, y cómo se ve un lunes.
Leer →Un humano en el circuito no es un seguro. Un humano que sabe, sí.
Cada proveedor de IA promete un humano en el circuito, como si la frase misma fuera el mecanismo de seguridad. Pero un circuito vale lo que su humano puede cachar, y cachar requiere lo que ningún modelo tiene: intuición ganada en la chamba, criterio sobre cuáles errores importan, y memoria del mundo real que el papeleo apenas describe. Human-in-the-loop, reconstruido desde la psicología industrial y organizacional en lugar del pipeline de ML.
Leer →Por qué tu gente se resiste a la IA: nadie se resiste a lo inminente por razones pequeñas
Los mismos empleados que se resisten a la IA en el trabajo la usan en su casa, así que la explicación de la tecnofobia se deshace al primer contacto. Resistirse a algo inminente es caro, y nadie paga ese precio por razones pequeñas. Otra forma de leer la resistencia a la IA: no como obstáculo a remover, sino como diagnóstico que te dice exactamente con cuál miedo estás tratando.
Leer →El dinero más seguro de tu presupuesto de IA es el que gastas en dejar que la gente falle
Los usuarios cautelosos de IA no salen más baratos. Repiten prompts, se cubren, verifican de más y queman recursos sin construir habilidad. La ciencia del entrenamiento lleva treinta años diciendo que las condiciones que se sienten como desperdicio son las que enseñan. Una teoría propuesta: dale a la gente un espacio donde desperdiciar la IA sea la tarea, y dejará de desperdiciarla donde te cuesta.
Leer →Un nodo de treinta y tres: ¿cuánto modelo de IA necesita realmente tu automatización?
Un sistema de procesamiento de recibos con más de siete meses en producción contiene treinta y tres nodos. Exactamente uno es un modelo de IA, y es uno de los más pequeños del mercado. Dónde vive realmente la inteligencia de un sistema de IA en producción, y cómo dimensionar el modelo que va adentro.
Leer →La economía del error compartido
Un error de IA admitido le enseña a todos los que lo escuchan; el mismo error en silencio lo vuelve a pagar, por separado, cada persona que lo repite. Los equipos que hablan de sus errores no son los descuidados. Desde el estudio hospitalario de Edmondson en 1996, la evidencia apunta en la otra dirección.
Leer →Tus empleados ya adoptaron la IA. Solo que no te lo dijeron.
Cuatro conjuntos de datos independientes convergen en un patrón: la gente adopta la IA más rápido en su vida personal que en el trabajo, trae sus propias herramientas cuando la organización se atrasa, y esconde su uso de sus jefes. El problema de adopción que las organizaciones creen tener es muchas veces un problema de divulgación, y el precio de divulgar lo fija el entorno.
Leer →Adoptar IA no garantiza retorno. La autoeficacia es el puente.
La seguridad psicológica predice si las personas empiezan a usar la IA, no con qué profundidad siguen usándola. El espacio entre adoptado y rentable es la brecha de suficiencia, y la propuesta del Marco Rebel Minds de la Capa Humana para la Adopción de IA (RMHLF) es que es en gran parte una brecha de autoeficacia: construible, medible y erosionada rutinariamente por el mal diseño de la capacitación.
Leer →La seguridad psicológica viene antes de la adopción de IA: la evidencia, el mecanismo y su límite
Una investigación con más de dos mil empleados encontró que la seguridad psicológica aumentó las probabilidades de adoptar IA en casi un 30%. Es el antecedente establecido más fuerte de si las personas empiezan. No predice con qué profundidad siguen usándola, y ese límite importa.
Leer →El 88% de las empresas ya usa IA. Solo el 6% gana con ella. Esta es la cadena que explica la brecha.
El AI Index de Stanford reporta que el 88% de las organizaciones ya usa IA. McKinsey encuentra que solo alrededor del 6% captura valor significativo. La diferencia no está en las herramientas: es una cadena de cuatro eslabones en la capa humana.
Leer →Also available in English: The Human Layer