El Marco de la Capa Humana
Una teoría de por qué la adopción de IA tiene éxito o fracasa — y la ciencia que la sustenta.
Las herramientas nunca fueron el problema. Las organizaciones llevan dos años comprando IA que funciona y viéndola quedar sin uso. El cuello de botella no es la tecnología. Es la capa humana — el conjunto de creencias, condiciones y capacidades que determinan si las personas realmente van a adoptar una herramienta nueva y obtener retorno de ella. Esta es una teoría de trabajo de esa capa, construida sobre investigación conductual publicada y sobre la disciplina de operacionalizarla.
El problema, dicho con claridad
La brecha entre la promesa de la IA y su uso real ya está bien documentada. Un informe de 2025 de la iniciativa NANDA del MIT estima que el 95% de las organizaciones no está obteniendo retorno financiero medible de sus proyectos de IA generativa, a pesar de miles de millones invertidos (MIT NANDA, 2025). Un estudio de 2026 en el International Journal of Information Management reporta que, si bien cerca del 75% de las organizaciones había experimentado con modelos de lenguaje grandes, solo el 9% lo había adoptado a escala. Los autores nombran este patrón alto interés, baja adopción (Wang et al., 2026).
La mayoría de las respuestas a esta brecha apuntan a la tecnología — mejores modelos, mejor integración, mejores prompts. Pero la evidencia apunta hacia otro lado. Los fracasos se concentran en la capa humana: personas que no se sienten seguras de intentar, herramientas asignadas a las tareas equivocadas, capacidades que nunca se transfieren al trabajo real, retornos que nunca se materializan aun después de que la gente empieza.
El Marco de la Capa Humana es un relato estructurado de dónde, y por qué, se rompe la adopción en esa capa — y qué hacer ante cada ruptura.
El primer principio: la seguridad psicológica es la precondición
Antes de que una persona adopte una herramienta de IA, tiene que estar dispuesta a hacer algo incómodo frente a otros — hacer una pregunta básica, producir un mal primer borrador, admitir que no entiende el resultado. Esa disposición tiene nombre en la psicología organizacional: seguridad psicológica, la creencia de que puedes experimentar y equivocarte sin castigo.
La evidencia aquí es sólida y reciente. En un estudio con 2.257 empleados en una consultora global, la seguridad psicológica predijo de forma confiable si los empleados adoptaban herramientas de IA en absoluto; cada aumento de una unidad en seguridad psicológica elevó las probabilidades de adopción en aproximadamente un 30%, y este efecto se mantuvo a través de niveles de experiencia, antigüedad y región (Reich et al., 2025).
La seguridad psicológica es la puerta. Sin ella, la adopción no comienza. Este es el cimiento del marco — y la parte que la mayoría de las implementaciones omite por completo, porque no es un problema de tecnología y la mayoría de los manuales de implementación no tiene herramientas para ello.
El hallazgo que se pasa por alto: la adopción es necesaria pero no suficiente
Aquí está el resultado que reorganiza todo. El mismo estudio encontró que la seguridad psicológica predijo si los empleados empezaban a usar IA — pero no predijo con qué frecuencia ni por cuánto tiempo la usaban una vez que habían comenzado. En otras palabras, la seguridad psicológica es una condición necesaria para la adopción, pero no es suficiente para impulsar el uso profundo y sostenido que de verdad produce retorno.
Por esto tantas implementaciones descritas como exitosas no producen retorno alguno. El equipo adoptó la herramienta — el liderazgo ve los accesos, las licencias, el entusiasmo inicial — y concluye que el trabajo está hecho. Pero el uso se queda superficial, la capacidad nunca se profundiza y el retorno nunca llega. La organización resolvió el problema de la adopción y supuso que había resuelto el problema del retorno. No lo había hecho. Son problemas separados.
La investigación que probó que la seguridad impulsa la adopción fue explícita en que no midió qué impulsa la segunda etapa. Los autores nombraron, entre las variables que no controlaron, la autoeficacia individual. Esa es la costura abierta. Y es ahí donde este marco hace su contribución.
La contribución: la autoeficacia es lo que lleva la adopción al retorno
Si la seguridad psicológica es el permiso social para empezar, ¿qué rige si una persona se vuelve genuinamente capaz — usando la herramienta lo bastante bien, con la suficiente persistencia, para producir retorno? Esa no es una pregunta sobre cómo se siente el equipo en conjunto. Es una pregunta sobre si una persona cree que de verdad puede hacer una tarea específica y difícil. En la ciencia conductual, esa creencia es la autoeficacia.
Adoptar IA no es una decisión de una sola vez. Es la adquisición de una habilidad compleja bajo incertidumbre — justo las condiciones bajo las cuales la autoeficacia decide si las personas superan el fracaso temprano, se recuperan de los errores y transfieren una nueva capacidad al trabajo real. Décadas de investigación establecieron dos cosas que importan aquí: la autoeficacia es medible y es construible, incluso en dominios tecnológicos — desde las clásicas escalas de autoeficacia informática hasta los instrumentos más recientes de autoeficacia específica para la IA.
Y no se construye por accidente — eso es lo que hace que esto sea algo que puedes accionar, no solo un diagnóstico. Sabemos qué construye la autoeficacia. Las personas difieren en temperamento — qué tan firmes se mantienen bajo presión — y eso moldea qué tan bien pueden concentrarse durante la formación. Esa concentración es lo que permite que la autoeficacia arraigue en primer lugar. Y cómo diseñas la formación es la palanca que logra que la gente se concentre. Diséñala mal y la atención se dispersa; sin atención, la autoeficacia nunca se forma; sin autoeficacia, la adopción nunca se vuelve retorno. Diséñala bien — construida en torno a quiénes son realmente los aprendices — y construyes la creencia que lleva a las personas a cruzar la brecha de suficiencia.
Este es el lente que estoy formado para aportar. Soy Mario, formado en psicología industrial–organizacional, y mi investigación de maestría en la Universidad de Albany examinó la autoeficacia, la atención y las diferencias individuales durante la formación y la adquisición de habilidades en un entorno de simulación compleja virtual1 — la ciencia de cómo las personas realmente aprenden a usar cosas nuevas y difíciles, y cómo puede diseñarse la formación para que el aprendizaje se sostenga. La adopción de IA es ese mismo problema en un entorno nuevo. Así que la afirmación de este marco es específica y comprobable: la brecha de suficiencia — el espacio entre lo adoptado y lo rentable — es en gran medida una brecha de autoeficacia; la autoeficacia se puede medir y construir; y construirla es un problema de diseño de formación que ya sabemos trabajar.
La estructura
Juntándolo todo, la capa humana tiene una arquitectura predecible, y las implementaciones fallan en puntos identificables dentro de ella:
¿Se siente la gente lo bastante segura para intentar y fallar a la vista de otros? Si no, la adopción nunca empieza. (Establecido: Reich et al., 2025.)
¿Se asignó la herramienta a una tarea real que la gente de verdad tiene (encaje), y se entretejió en cómo ocurre realmente el trabajo (flujo)? Los desajustes aquí estancan la adopción incluso cuando hay seguridad. (Mapeado a las etapas de fracaso organizacional en Wang et al., 2026.)
La adopción ya ocurrió — y el retorno todavía no. Este es el espacio donde el uso superficial y tentativo nunca se profundiza en una práctica confiada y competente. La afirmación de trabajo de este marco es que esa brecha es en gran medida una brecha de autoeficacia, y que la autoeficacia se puede medir y construir.
El cierre propietario: un ciclo impulsado por la autoeficacia de medir → diagnosticar → intervenir → volver a medir que trabaja la brecha de suficiencia directamente, convirtiendo la adopción en retorno demostrado y generando, con el tiempo, la misma evidencia que le falta al campo.
Por qué es difícil de copiar — y fácil de verificar
Este marco se publica abiertamente porque la protección nunca fue el secreto. El vocabulario lo puede repetir cualquiera. Lo que no se puede repetir es la práctica que hay debajo: diagnosticar y construir autoeficacia mientras las personas aprenden una habilidad nueva y difícil es una disciplina formada, no una plantilla de diapositivas. Y el marco está atado a un trasfondo científico específico que un reenunciado no puede transferir.
También está hecho para ser verificado. Cada afirmación empírica cita su fuente. Cada propuesta está marcada como propuesta. La frontera entre lo que la investigación prueba y lo que este marco propone se mantiene visible — no como una cautela, sino porque esa frontera es exactamente lo que separa un método de un argumento de venta. El trabajo pone a prueba sus afirmaciones; no las da por sentadas.
Hacia dónde va esto
Las herramientas seguirán mejorando. Eso nunca fue la restricción. Las organizaciones que obtengan retorno de la IA serán las que traten la capa humana como el verdadero lugar del trabajo — primero la seguridad, luego el encaje y el flujo, luego la búsqueda disciplinada del retorno a través de la autoeficacia. Esa es la tesis. El resto de este trabajo es la práctica de hacerla utilizable.
Preguntas frecuentes
¿Por qué fracasan la mayoría de las implementaciones de IA?
La mayoría de las implementaciones de IA fracasan en la capa humana, no en la tecnología. Un informe de MIT NANDA de 2025 encontró que cerca del 95% de las organizaciones no obtiene retorno financiero medible de la IA generativa. Las herramientas funcionan; lo que falta es la seguridad psicológica y la autoeficacia que convierten el acceso en uso sostenido y productivo.
¿Qué es la capa humana de la adopción de IA?
La capa humana es el conjunto de creencias, condiciones y capacidades que deciden si las personas realmente adoptan una herramienta de IA y obtienen retorno de ella — principalmente la seguridad psicológica y la autoeficacia. Está por debajo del modelo, las herramientas y el flujo de trabajo, y es donde la mayoría de las implementaciones se rompe en silencio.
¿La seguridad psicológica mejora la adopción de IA?
Sí. En un estudio de 2.257 empleados, cada aumento de una unidad en seguridad psicológica elevó las probabilidades de adopción de IA en aproximadamente un 30%, a través de la antigüedad y la región (Reich et al., 2025). Pero el mismo estudio encontró que la seguridad no predijo con qué profundidad ni por cuánto tiempo se usaba la IA — la adopción es necesaria, no suficiente.
¿Qué es la brecha de suficiencia en la adopción de IA?
La brecha de suficiencia es el espacio entre que una herramienta de IA sea adoptada y que de verdad produzca retorno. Los equipos entran y experimentan, pero el uso se queda superficial y el ROI nunca llega. Este marco propone que la brecha es en gran medida una brecha de autoeficacia — un problema de creencia en la propia capacidad que se puede medir y construir.
¿Qué es la autoeficacia en la adopción de IA?
La autoeficacia es la creencia de una persona en su propia capacidad para realizar una tarea específica y difícil — aquí, usar la IA lo bastante bien como para producir retorno. Determina si las personas persisten a través del fracaso temprano y transfieren la habilidad al trabajo real. Décadas de investigación muestran que la autoeficacia es a la vez medible y construible.
¿Cómo se convierte la adopción de IA en ROI?
A través del Bucle Adopción-a-ROI: medir la seguridad psicológica, la autoeficacia, el comportamiento y los resultados del flujo de trabajo; diagnosticar el cuello de botella; intervenir sobre él; y volver a medir. Repetir el ciclo construye la autoeficacia que lleva la adopción superficial a un uso profundo y productivo — y genera la evidencia longitudinal que hoy le falta al campo.
Also available in English: The Human Layer Framework
Fuentes
- Arredondo, M. L. (2022). The neurotic wandering mind and self-efficacy during training. Tesis de maestría, University at Albany, State University of New York. https://doi.org/10.54014/DKAX-FS1S
- Reich, A., Wolfe, D., Price, M., Choe, A., Kidd, F., & Wagner, H. (2025). Safety First: Psychological Safety as the Key to AI Transformation.
- Wang, X., Zhong, W., Huang, K., & Liang, B. (2026). High interest but low adoption: Navigating organizations' journey towards generative artificial intelligence implementation. International Journal of Information Management, 87, 103009. https://doi.org/10.1016/j.ijinfomgt.2025.103009
- Challapally, A., Pease, C., Raskar, R., & Chari, P. (2025). The GenAI Divide: State of AI in Business 2025. MIT NANDA. — fuente de la cifra del 95% de organizaciones sin retorno.
- Literatura fundacional de autoeficacia y transferencia de la formación (Bandura y sucesores), aplicada aquí a la adopción de IA como adquisición de habilidades complejas.
1 Arredondo (2022), citado arriba — investigación original sobre autoeficacia, atención y diferencias individuales durante la formación en un entorno de simulación compleja virtual.
Última actualización: junio de 2026