Psicología de la adopción

Un martes, cerca del final de la jornada, un vendedor de Distribuidora Norte recibe una alerta. El sistema indica que uno de sus clientes habituales tiene una probabilidad alta de dejar de comprar. La recomendación parece sencilla: llamarlo. El vendedor conoce a ese cliente desde hace años y sabe que está en plena mudanza de local, así que la caída de compras no le preocupa. Mira la pantalla, marca la alerta como resuelta y sigue con otra cosa.

Desde el tablero central, esa conducta admite varias lecturas. Puede ser criterio experto: la persona aportó un contexto que el modelo no tenía. También puede ser rechazo, descuido o una manera de evitar que el sistema registre su desempeño. Si el flujo no le permite explicar por qué descartó la alerta, todas esas posibilidades quedan reducidas al mismo dato: “recomendación no aceptada”. La organización sabe menos después de medir.

Imaginemos ahora a otro vendedor frente a la misma pantalla. No conoce tan bien al cliente y acepta la recomendación solo porque supone que la computadora debe haber visto algo importante. Hace una llamada innecesaria y fuerza una conversación comercial en un mal momento. En el tablero, esa conducta parece adopción: la tasa de aceptación sube. En el trabajo real, el sistema quizá acaba de dañar una relación.

Entre esas dos escenas se extiende la psicología de la adopción. Contar usuarios, sesiones o clics no alcanza. Hace falta entender qué significa para una persona recibir una indicación de una máquina, cuánto confía en ella, qué cree que pasará si la contradice y qué parte de su identidad profesional siente en juego.

Las teorías de difusión, con Rogers a la cabeza, explican por qué una innovación no llega igual a innovadores, mayorías tempranas y personas más cautas, y por qué el entusiasmo inicial no garantiza adopción masiva. Pero una curva agregada no dice qué siente el vendedor del martes a las cinco de la tarde, y es a esa experiencia concreta adonde el método necesita acercarse.

Usar no es confiar

En la conversación cotidiana, adopción y confianza suelen confundirse. Se dice que una herramienta fue adoptada porque mucha gente la usa. Pero se puede usar algo con desconfianza, por obligación o a escondidas; también se puede confiar de más y dejar de revisar lo que entrega.

El estudio global de la Universidad de Melbourne y KPMG publicado en 2025 permite ver esa distancia. Reunió respuestas de más de 48.000 personas en 47 países. El 66% declaró usar inteligencia artificial con regularidad, pero solo el 46% dijo estar dispuesto a confiar en ella. La apertura de esa tijera, uso alto y confianza bastante menor, importa más que cualquiera de los dos porcentajes por separado.

Otros resultados vuelven el cuadro más incómodo. El 58% la usaba en su trabajo, pero el 57% ocultaba ese uso; el 66% reconocía confiar en las respuestas sin verificarlas y solo el 47% había recibido capacitación. Muchas personas desconfían de la tecnología en abstracto y, a la vez, aceptan resultados concretos sin comprobarlos. La usan, pero prefieren que nadie se entere. La organización ve actividad y no ve la mezcla de ansiedad, comodidad y riesgo que hay debajo.

Son promedios internacionales, no una predicción para cada pyme argentina. Sirven para reconocer la forma del problema: la confianza no se distribuye sobre una línea que va de poca a mucha. Puede estar mal ubicada, con exceso de confianza en tareas que exigen revisión y desconfianza en ayudas de bajo riesgo que podrían liberar tiempo.

El objetivo del diseño es, entonces, una confianza calibrada: que la persona sepa cuándo puede apoyarse en la recomendación, cuándo debe dudar y qué hacer si encuentra un error. Para eso hay que mostrar los límites de manera comprensible. Una advertencia genérica al pie de la pantalla (“la IA puede equivocarse”) le transfiere toda la responsabilidad al usuario sin ayudarlo a decidir. Sirve más explicar qué información consideró el sistema, qué tan incierto es el caso y qué señales justifican una revisión humana.

La calibración depende también de cómo reacciona la organización ante el desacuerdo. Si quien contradice al modelo tiene que llenar un formulario largo, o teme quedar registrado como la persona que frenó la automatización, el control humano existe solo en el diagrama. Para que sea real tiene que ser accesible y socialmente legítimo.

El reflejo de obedecer

El sesgo de automatización aparece cuando una recomendación gana autoridad por el solo hecho de venir del sistema. Bajo presión de tiempo, la persona deja de revisar incluso lo que conoce bien. No es necesariamente ingenuidad. Puede ser una respuesta racional a cómo se repartió la responsabilidad: si aceptar la recomendación nunca exige explicación y rechazarla obliga a justificarse, el flujo ya decidió qué conducta es la más fácil.

El sesgo se vuelve especialmente peligroso en tareas de alto impacto. Un funcionario que recibe una clasificación de riesgo, una profesional de la salud que ve una prioridad o alguien que evalúa un crédito pueden conservar formalmente la decisión final y, sin embargo, convertirse en la firma humana de una conclusión automática. Que haya una persona en el circuito no garantiza que haya juicio humano.

Una respuesta posible es reservar momentos de criterio obligatorio. El sistema puede callar hasta que la persona formule una primera impresión, pedirle que registre una observación propia o mostrar alternativas en lugar de una única respuesta. No se trata de agregar fricción por principio, sino de evitar que la interfaz suplante el razonamiento en los puntos donde equivocarse cuesta caro.

También hay que revisar los incentivos. Si la organización premia la velocidad y penaliza cada desvío, ninguna charla sobre pensamiento crítico va a lograr que la gente dedique tiempo a examinar una recomendación. La psicología no está encerrada en el individuo: responde a reglas, métricas y relaciones de poder.

Cuánto control alcanza

Ante el miedo a la automatización, una respuesta frecuente es ofrecer muchas opciones: configuraciones, explicaciones, botones para revisar cada paso. La intención es devolver control. El resultado puede ser agotador. Si la persona tiene que decidir a cada rato cuánta autonomía concede, la herramienta le entrega una tarea administrativa más.

Esa es la paradoja del control. Muy poco control produce alienación: el sistema actúa y el usuario apenas mira. Demasiado produce carga y ansiedad. La medida justa depende del rol, la frecuencia y el riesgo. Nadie necesita confirmar a mano cada corrección ortográfica; nadie debería perder la posibilidad de revisar una decisión que afecta un derecho.

Por eso los mecanismos de intervención no se diseñan como un interruptor universal. Se ubican donde la experiencia humana aporta contexto, donde el modelo muestra incertidumbre o donde una consecuencia sería difícil de revertir. En tareas rutinarias de bajo riesgo puede alcanzar con una opción clara para deshacer. En otras, el sistema tendrá que detenerse y escalar el caso.

La reversibilidad cambia la experiencia psicológica. Es más fácil explorar una herramienta cuando se sabe que se puede corregir el resultado, recuperar una versión anterior y explicar una excepción. Cuando cada acción parece definitiva, la cautela crece y el uso se vuelve mecánico o directamente se evita.

Lo que la herramienta dice sobre quién soy

El trabajo no es solo una secuencia de tareas: también organiza una identidad. Las personas se reconocen como buenas vendedoras, analistas cuidadosos, mecánicos que escuchan un ruido antes de que aparezca la falla o administrativas que saben resolver la excepción que ningún manual contempla. Cuando una herramienta entra en ese territorio, la pregunta ya no es solo “¿me ayuda?”. También es “¿qué dice sobre el valor de lo que sé?”.

La amenaza identitaria aparece cuando la IA se presenta como un juez superior o cuando la organización anuncia que viene a eliminar el error humano. Quien escucha ese mensaje puede entender que su experiencia, incluida la capacidad de detectar casos difíciles, pasó a ser un defecto que conviene reemplazar. La resistencia que sigue no se explica por falta de comprensión tecnológica. Se explica porque aceptar la herramienta parece exigir aceptar una versión empobrecida de uno mismo.

El lenguaje del proyecto importa. No es lo mismo decir que un modelo “decide qué clientes están en riesgo” que decir que “identifica señales para que el equipo priorice conversaciones”. La segunda frase no debería ser un recurso cosmético: tiene que corresponderse con un diseño en el que el conocimiento del vendedor pueda modificar la acción y volver al sistema como aprendizaje.

También importa qué se celebra. Si la presentación final muestra solo precisión y horas ahorradas, invisibiliza el criterio que permitió corregir errores o reconocer excepciones. Una adopción respetuosa registra el aporte humano: deja que la persona diga “esto no aplica por tal razón” y que esa razón mejore la memoria institucional.

No toda amenaza es imaginaria. A veces la automatización sí reduce puestos, fragmenta un oficio o intensifica el control. Pedir confianza en esos casos sin conversar sobre las consecuencias es manipulación. El método no usa la psicología para persuadir a la gente de aceptar cualquier cambio. La usa para comprender lo que el cambio hace y diseñar, cuando se puede, un reparto más justo de beneficios, responsabilidades y aprendizaje.

Aprender cuando la IA hace la parte difícil

Hay una pérdida menos visible que la eliminación de un puesto. Ocurre cuando la tecnología realiza las tareas a través de las cuales una persona aprendía el oficio. El trabajo sigue existiendo y la productividad incluso mejora, pero la organización deja de formar a quienes podrían llegar a ser expertos.

Matt Beane estudió este fenómeno en entornos como quirófanos y almacenes, y lo desarrolló en The Skill Code (2024). Su análisis identifica tres condiciones del aprendizaje profundo. La primera es el desafío: enfrentar tareas un poco por encima de la capacidad actual. La segunda es la complejidad: ver cómo la tarea se relaciona con el problema completo. La tercera es la conexión con alguien experto que observa, corrige y transmite criterio en contexto.

Las tres pueden debilitarse a la vez. Si un sistema inteligente se hace cargo de las tareas iniciales, el novato pierde el lugar donde practicaba. Si recibe un resultado terminado, ve menos del problema. Y si ya no necesita trabajar cerca del experto, se corta una relación que transmitía mucho más que instrucciones formales.

Lo que este libro llama erosión del andamiaje es ese deterioro de la vía por la cual la organización forma su propia experiencia futura. La metáfora sirve porque el andamio es provisorio y, a la vez, indispensable. Las tareas de entrada pueden parecer ineficientes si se mira el resultado inmediato; si se mira el aprendizaje, son las que sostienen el crecimiento.

La tensión no se resuelve rechazando la automatización. Obliga a decidir qué experiencias hay que preservar aunque una máquina pueda producir el resultado más rápido. Tal vez el novato formule primero su diagnóstico y después lo compare con el del modelo. Tal vez participe con un experto en casos complejos, en lugar de recibir solo excepciones ya clasificadas. Tal vez se mida la capacidad de explicar una decisión, y no únicamente la cantidad de tareas completadas.

La discusión alcanza también a los expertos. Si toda su jornada se reduce a corregir los casos raros que la IA no pudo resolver, el trabajo puede volverse más intenso y menos satisfactorio. La automatización elimina lo rutinario, pero concentra la dificultad. La promesa de liberar tiempo tiene que contrastarse con la experiencia real de recibir, una detrás de otra, las situaciones más ambiguas y conflictivas.

La ansiedad de trabajar en una zona gris

La IA generativa trajo una forma particular de tecnoestrés. No siempre nace de una interfaz compleja. Nace de no saber si está permitido usarla, qué información se puede compartir, quién responde por un error o si apoyarse demasiado en ella terminará debilitando la propia capacidad.

Högemann y sus colaboradores estudiaron en 2025 a profesionales jóvenes, un grupo al que suele suponerse naturalmente cómodo con estas herramientas. Encontraron estresores ligados a la ambigüedad: temor a exponer datos, dudas sobre propiedad intelectual y una dependencia percibida que se expresa en una pregunta íntima, “¿todavía sé hacer esto sin la IA?”. Ni la edad ni la habilidad digital eliminan esa incertidumbre.

La zona gris se agrava cuando el discurso oficial y la práctica se contradicen. La organización celebra la innovación, pero no publica reglas; reparte licencias a algunas personas y deja al resto con cuentas personales; exige productividad sin reconocer las herramientas que la hacen posible. En ese contexto, ocultar el uso es una adaptación lógica.

Una política clara reduce parte de ese estrés, siempre que se pueda aplicar. Tiene que decir qué usos están permitidos, con qué tipos de datos, qué revisión se espera y dónde pedir ayuda. También tiene que admitir que el criterio va a cambiar. Una norma que pretende anticipar cada herramienta queda vieja en meses; una basada en el riesgo, la sensibilidad de los datos y las consecuencias acompaña mejor el cambio.

La conversación sobre la dependencia no debería resolverse con una frase motivacional. Algunas personas, efectivamente, van a delegar demasiado y necesitarán recuperar práctica. Otras van a descubrir capacidades que antes no podían ejercer. La organización tiene que observar ambos movimientos y crear espacios donde se pueda trabajar sin asistencia, comparar resultados y hablar de los errores sin vergüenza.

Cuando cambia la forma del equipo

La adopción no ocurre solo dentro de cada persona. Una herramienta puede cambiar quién habla con quién, qué especialidades tienen que trabajar juntas y cómo se reparte el reconocimiento.

El experimento de campo de Dell’Acqua y otros, publicado en 2025, trabajó con 776 profesionales de Procter & Gamble. En las tareas estudiadas, los individuos asistidos por IA alcanzaron un desempeño comparable al de equipos sin IA. El resultado llama la atención porque sugiere que una persona puede acceder a capacidades que antes requerían colaboración.

El segundo hallazgo es todavía más interesante para una lectura sociotécnica. Sin asistencia, las personas de investigación y desarrollo tendían a proponer soluciones técnicas, y las del área comercial, soluciones comerciales. Con IA, ambos perfiles produjeron respuestas más equilibradas. La herramienta parecía prestarle a cada uno parte del vocabulario del otro lado.

Eso puede romper silos y permitir que más personas participen de problemas completos. También puede llevar a una conclusión apresurada: si el individuo asistido rinde como un equipo, el equipo sobra. El experimento no demuestra eso. Las relaciones de trabajo cumplen funciones que no se agotan en el resultado de una tarea: transmiten conocimiento tácito, sostienen emocionalmente, discuten supuestos y forman criterio. La conexión que Beane considera necesaria para aprender podría perderse si la organización reemplaza la colaboración por conversaciones privadas con un modelo.

Hay otro matiz. Los participantes reportaron respuestas emocionales más positivas al trabajar con la interfaz conversacional. La IA puede cubrir parte del papel social de un compañero: acompaña, responde sin juzgar y ofrece una primera devolución inmediata. Eso puede ayudar a quien teme preguntar. Pero un compañero que siempre responde y nunca asume responsabilidad no reemplaza a una comunidad profesional.

Estos resultados vienen de una gran empresa, con recursos y tareas acotadas. No prometen que una pyme obtenga los mismos números. Lo que ofrecen es una pregunta de diseño: ¿qué colaboración nueva habilita la herramienta y qué vínculo valioso podría erosionar si la organización confunde asistencia con aislamiento autosuficiente?

El cambio llega por umbrales

El modelo ADKAR, desarrollado por Prosci, organiza la adopción individual en cinco umbrales: entender por qué algo cambia, querer participar, saber cómo hacerlo, tener la capacidad real de hacerlo durante la jornada y recibir el refuerzo necesario para sostenerlo. La secuencia no describe a la perfección todas las experiencias, pero ayuda a dejar de hablar de “resistencia” como si fuera una sola cosa.

Una persona puede entender la necesidad y no querer participar porque anticipa una pérdida de autonomía. Puede querer y no haber recibido formación. Puede terminar el curso y no tener tiempo, permiso o acceso durante el trabajo real. Puede usar bien la herramienta durante dos meses y volver a la planilla porque nadie revisó el flujo nuevo. Cada bloqueo pide una respuesta distinta.

La distinción evita un error común: responder a todo con capacitación. Enseñar botones no crea deseo, no cambia incentivos y no resuelve una política ambigua. A veces la intervención correcta es una conversación sobre roles; otras, rediseñar una pantalla, cambiar una métrica o reconocer que la herramienta todavía no merece ser adoptada.

Los equipos también se cansan. Cuando cada trimestre se anuncia una transformación y ninguna termina de asentarse, las personas aprenden a esperar: conservan el proceso anterior porque suponen que la novedad va a pasar. Esa fatiga de cambio no se corrige con una campaña más entusiasta. Se corrige cerrando frentes, retirando las herramientas que quedaron a medias y dejando que un hábito se consolide antes de abrir el siguiente.

Diseñar el permiso para contradecir

La IA centrada en el humano, tal como la formula Ben Shneiderman, discute una oposición frecuente: mucha automatización y control humano no tienen por qué excluirse. Un sistema puede hacer mucho y conservar, al mismo tiempo, formas significativas de intervención. La clave está en diseñarlas en función del riesgo y de la experiencia de quien las va a usar.

En los sistemas agénticos, el criterio humano se desplaza. Si el agente ejecuta miles de acciones, ya no es posible revisar cada transacción a mano, y parte del juicio tiene que incorporarse antes: en límites, permisos, pruebas y condiciones de escalamiento. Aun así, alguien necesita poder detener, auditar y revocar. Un control escondido detrás de doce pasos cumple un requisito documental y fracasa como experiencia.

El puente pregunta dónde debe callar la IA, dónde debe explicar y dónde debe pedir ayuda. Pregunta también si la persona tiene permiso real para decir que no. Ese permiso no vive solo en la interfaz. Vive en la cultura del equipo, en la forma de investigar incidentes y en lo que le pasa a quien detecta un error incómodo.

La psicología entra desde el eslabón 1. Las entrevistas revelan cicatrices de pilotos anteriores, miedos sobre el oficio y razones para ocultar información. En la construcción, esas observaciones se traducen en lenguaje, confirmaciones, mecanismos de corrección y maneras de mostrar incertidumbre. Durante la higiene sociotécnica, los rodeos y el exceso de obediencia permiten detectar que la confianza se descalibró aunque las métricas de uso parezcan saludables.

Una organización no adopta cuando consigue que su gente deje de quejarse. Adopta cuando la herramienta entra en el trabajo sin exigir obediencia ciega, cuando las personas entienden qué pueden delegar y qué deben conservar, y cuando el sistema se deja corregir por la experiencia que pretende ayudar. Esa relación lleva tiempo porque no consiste solo en aprender una tecnología: consiste en renegociar quién sabe, quién decide y quién responde.

Ver también: Higiene sociotécnica · Práctica reflexiva · Autores y corrientes · La extensión agéntica