Seguridad Psicológica → Adopción → Autoeficacia → ROI

La lógica de investigación detrás del Marco Rebel Minds de la Capa Humana para la Adopción de IA (RMHLF).

Por Mario L. Arredondo, M.A., Psicología Industrial-Organizacional

Esta página expande RMHLF y muestra la lógica que lo sostiene: cómo encajan la seguridad psicológica, la adopción, la autoeficacia y el ROI, y por qué tratamos la adopción de IA como un problema de adquisición de habilidades complejas y no como una instalación de software.

1 · La línea base empírica: alto interés, baja adopción, ROI casi nulo

La magnitud de la brecha está corroborada por encuestas independientes. El AI Index de Stanford (2026) sitúa la adopción organizacional de IA en 88%; State of AI de McKinsey (2025) encuentra que solo el 39% de las organizaciones puede atribuirle algún impacto en resultados, y alrededor del 6% captura valor significativo. Dos programas de investigación adicionales enmarcan el mecanismo:

• MIT NANDA, The GenAI Divide (2025). Un análisis de más de 300 iniciativas públicas de IA, 52 entrevistas organizacionales y 153 líderes sénior concluye que cerca del 95% de las organizaciones no obtiene retorno medible en su P&L de sus proyectos de IA generativa. Solo el 5% de los pilotos integrados genera valor de negocio significativo; el resto se estanca en experimentación o pilotos limitados. El informe llama a este patrón la “GenAI Divide”.
• Wang et al. (2026), International Journal of Information Management. Una encuesta de MIT Technology Review Insights y Telstra (2024), citada en este estudio, encontró que cerca del 75% de las organizaciones había experimentado con LLM en 2023, pero solo el 9% los había adoptado ampliamente. Wang et al. nombran este patrón alto interés, baja adopción y muestran que la implementación de LLM es un proceso socio-técnico de múltiples etapas, no una sola decisión.

La metodología siguiente es nuestra respuesta a ese problema de traducción específico.

2 · Etapa uno: la seguridad psicológica como puerta de entrada

Qué es la seguridad psicológica

La seguridad psicológica es un constructo de la psicología organizacional. En el trabajo original de Edmondson se define como la creencia compartida de que un equipo es seguro para el riesgo interpersonal: seguro para hacer preguntas, admitir errores y proponer ideas sin miedo a la vergüenza o al castigo. Un gran metaanálisis muestra que la seguridad psicológica predice el intercambio de información, las conductas de aprendizaje (pedir ayuda, reportar errores) y la creatividad. Nuestro trabajo usa la forma individual del constructo (la creencia de cada persona de que puede tomar esos riesgos), porque ese es el nivel en el que corre el resto de la cadena, y su medición. Son las mismas conductas que la gente necesita en la adopción temprana de IA: hacer preguntas básicas, mostrar prompts incompletos, exponer malentendidos.

Qué muestra la evidencia específica de IA

Un estudio de 2026 titulado Safety First: Psychological Safety as the Key to AI Transformation encuestó a 2.257 empleados de una consultora global, midiendo seguridad psicológica, adopción de IA (sí/no) y frecuencia y duración del uso entre quienes adoptaron. El estudio mide la seguridad psicológica a nivel individual (la comodidad de cada persona con el riesgo interpersonal), el mismo nivel en el que trabaja este marco. Los hallazgos:

• La seguridad psicológica predijo de forma confiable si los empleados adoptaban la IA en absoluto. Un aumento de una unidad se asoció con aproximadamente un 30% más de probabilidades de adopción, incluso considerando rol, experiencia y región.
• Entre quienes ya habían adoptado la IA, la seguridad psicológica no predijo de forma significativa con qué frecuencia ni por cuánto tiempo la usaban.

Sacamos dos conclusiones metodológicas:

• La seguridad psicológica es una condición de entrada. Determina quién está dispuesto a entrar siquiera a la experimentación con IA.
• No es el motor principal de la profundidad de uso. Los mecanismos que gobiernan “quién empieza” no son los mismos que gobiernan “quién persiste y obtiene valor”.

Nuestro trabajo trata la seguridad psicológica como la precondición no negociable de todo esfuerzo de adopción. No corremos programas de construcción de capacidad en entornos donde la gente no puede fallar con seguridad frente a otros.

3 · Etapa dos: la adopción como problema de diseño socio-técnico

El estudio de Wang et al. (2026) usa el proceso de decisión de innovación de Rogers y la teoría de la actividad para analizar cómo las organizaciones implementan LLM a través de cinco etapas: fijación de agenda, emparejamiento, redefinición y reestructuración, clarificación y rutinización. A lo largo de esas etapas, sus datos de entrevistas revelan contradicciones recurrentes: herramientas que funcionan técnicamente pero no encajan con los flujos de primera línea; tensiones de datos, privacidad o seguridad que estancan los pilotos; y falta de propiedad y gobernanza claras con el tiempo. Sus recomendaciones incluyen despliegues escalonados, plataformas de prueba y soporte a la decisión donde los usuarios puedan experimentar con seguridad, arquitecturas ágiles y modulares, y una gobernanza responsable.

Dentro de nuestro marco, una vez establecida la seguridad psicológica, vemos la adopción como un problema de encaje y flujo:

• Encaje: ¿La IA está asignada a una tarea que la gente realmente tiene, con criterios de éxito claros y locales?
• Flujo: ¿Está entretejida en cómo ocurre realmente el trabajo, incluidas las restricciones, los traspasos y las herramientas existentes?

Usamos las etapas de Wang et al. para diagnosticar dónde se atascan las organizaciones y diseñar secuencias de despliegue que coincidan con los sistemas de actividad reales en lugar de mapas de proceso idealizados.

4 · Etapa tres: la brecha de suficiencia y la autoeficacia

Esa brecha (la adopción ocurrió, pero el retorno significativo no) es lo que llamamos la brecha de suficiencia. La afirmación central de nuestra metodología es que esa brecha es, en gran medida, una brecha de autoeficacia.

Qué es la autoeficacia y por qué importa aquí

Albert Bandura definió la autoeficacia como los juicios de las personas sobre su capacidad para organizar y ejecutar los cursos de acción necesarios para lograr desempeños específicos. Predice si las personas inician una conducta, cuánto esfuerzo invierten y cuánto persisten ante la dificultad. En la investigación sobre tecnología y formación, una mayor autoeficacia se asocia con mayor disposición a usar sistemas nuevos, menos ansiedad y mejor transferencia de la formación al trabajo real. Existe ya un linaje de escalas de autoeficacia específicas de tecnología y de IA que muestran que la autoeficacia es medible (con instrumentos validados) y construible (cambia en respuesta a la experiencia y al diseño de la formación).

Por qué tratamos la adopción de IA como adquisición de habilidades complejas

Adoptar IA no es “encender una función”. Es aprender a traducir problemas desordenados del dominio en prompts, interpretar resultados inciertos, encadenar herramientas y flujos bajo presión de tiempo, y hacer todo eso en un contexto social visible y a veces evaluativo. Metodológicamente, esto es idéntico a aprender cualquier habilidad cognitiva compleja bajo incertidumbre.

Mi propia tesis en la Universidad de Albany examinó la autoeficacia, la atención y las diferencias individuales en una simulación computarizada de control de tráfico aéreo: una simulación de la actividad de aeronaves que yo mismo programé para los experimentos. Los hallazgos principales:

• La divagación mental (pensamiento fuera de tarea) predijo de forma confiable menor autoeficacia post-formación, tanto en la condición fácil como en la difícil. Cerca de un tercio de qué tan capaces se sentían las personas después de la formación dependía de si su mente se mantenía en la tarea o divagaba.
• La estabilidad emocional como rasgo (neuroticismo) no predijo de forma significativa la autoeficacia en ese entorno.
• La secuencia de dificultad de la formación (fácil-a-difícil vs difícil-a-fácil) no moderó esa relación: la divagación mental predijo menor autoeficacia en ambos órdenes.

Vale la pena detenerse en ese resultado nulo, porque ahí está el punto. El daño del pensamiento fuera de tarea no estaba condicionado por la personalidad: no dependía de quién era el aprendiz. La divagación mental erosionó la autoeficacia en todos por igual, en los ansiosos y en los serenos. Esa universalidad es lo que hace que el mecanismo se pueda diseñar: la personalidad no se puede cambiar, pero la atención sí se puede proteger durante la ventana en la que se forman las creencias de capacidad. Y significa que el hallazgo aplica a todos: el principiante ansioso y el líder de la empresa comparten el mismo cableado.

Por eso tratamos la construcción de capacidad en IA como un problema de ingeniería de la autoeficacia: diseñar experiencias para que los aprendices terminen creyendo, con razón, “puedo hacer esto”.

5 · Etapa cuatro: el Bucle Adopción-a-ROI

La etapa final conecta los constructos humanos de arriba con los resultados de negocio que a las organizaciones les importan. Como mínimo, seguimos cuatro familias de medidas:

• Seguridad psicológica: adaptada de escalas tipo Edmondson, enfocada en el riesgo interpersonal relacionado con la IA.
• Autoeficacia en IA: ítems específicos del dominio que capturan la confianza para usar IA en tareas reales (informados por instrumentos existentes de autoeficacia en computación/IA).
• Adopción conductual: quién usa la IA, en qué tareas y con qué profundidad (prompting de un solo paso vs flujos de múltiples pasos).
• Resultados a nivel de flujo: tiempos de ciclo, tasas de error, retrabajo, uso de tokens por unidad de salida y otras métricas de proceso ligadas a flujos habilitados por IA.

El bucle corre así:

Con el tiempo, el bucle produce una imagen respaldada por datos de cómo interactúan los factores humanos y el diseño del flujo en tu contexto específico, un cambio progresivo del uso superficial a la integración profunda, y una línea trazable desde las intervenciones psicológicas hasta métricas de negocio concretas.

6 · Qué está establecido vs qué está propuesto

Somos explícitos sobre la línea entre lo que la literatura ya muestra y lo que añadimos como teoría de trabajo.

Establecido por la investigación actual

• La mayoría de las organizaciones exhibe alto interés pero baja adopción de IA y un ROI mínimo a escala.
• La seguridad psicológica predice si la gente adopta la IA, pero no qué tan profundamente la usa una vez adoptada.
• La implementación de IA es un proceso socio-técnico de múltiples etapas con contradicciones recurrentes en cada etapa.
• La autoeficacia predice de forma robusta la conducta, el esfuerzo y la persistencia, y puede medirse y construirse, incluso en dominios tecnológicos.
• La formación mal diseñada y los lapsos de atención socavan la autoeficacia en la adquisición de habilidades complejas.

Propuesto por este marco

• La brecha de suficiencia entre adopción y ROI es en gran medida una brecha de autoeficacia.
• La adopción de IA debe tratarse como un problema de adquisición de habilidades complejas y transferencia de formación, no solo como una instalación tecnológica.
• Un Bucle Adopción-a-ROI estructurado, centrado en medir y construir autoeficacia, es una forma práctica de convertir la adopción en retorno mientras se genera la evidencia longitudinal que al campo le falta.

Soy Mario, formado en psicología industrial–organizacional, y mi trabajo en Rebel Minds toma estas líneas de investigación y las convierte en diseños, diagnósticos y experimentos que viven dentro de organizaciones reales. RMHLF está deliberadamente planteado como una teoría de trabajo: lo bastante precisa para probarse, lo bastante transparente para criticarse y lo bastante flexible para evolucionar a medida que llegan nuevos datos.

7 · Cómo conecta esto con el Marco

RMHLF es la narrativa: Seguridad Psicológica → Adopción → Autoeficacia → ROI. Esta página de metodología es el andamiaje que la sostiene: por qué la seguridad es la puerta, cómo la adopción depende del encaje y el flujo socio-técnico, por qué la brecha de suficiencia es fundamentalmente un problema de autoeficacia, y cómo el Bucle Adopción-a-ROI convierte esos constructos en cambio medible.

Also available in English: The Methodology

Última actualización: junio de 2026