Psicología de la adopción

Un martes, cerca del final de la jornada, un vendedor de Distribuidora Norte recibe una alerta. El sistema señala 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 atravesando un cambio de local. La caída de compras no le preocupa. Mira la pantalla, marca la alerta como resuelta y sigue con otra tarea.

Desde el tablero central, esa conducta admite varias interpretaciones. Puede ser una muestra de criterio experto: la persona aportó un contexto que el modelo no tenía. También puede ser rechazo, descuido o una forma 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.

Ahora imaginemos a otro vendedor ante 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 momento poco oportuno. En el tablero, esta conducta parece adopción: la tasa de aceptación sube. En el trabajo real, el sistema tal vez acaba de degradar una relación.

Entre estas dos escenas se extiende la psicología de la adopción. No alcanza con contar usuarios, sesiones o clics. Hace falta comprender qué significa para una persona recibir una indicación de una máquina, cuánto confía en ella, qué cree que ocurrirá si la contradice y qué parte de su identidad profesional siente que está en juego.

Las teorías de difusión ayudan a observar el movimiento de conjunto. Rogers mostró que una innovación no llega de la misma manera a innovadores, mayorías tempranas y personas más cautas. Esa curva explica por qué el entusiasmo inicial no garantiza adopción masiva. Pero una curva agregada no puede decirnos qué siente el vendedor del martes a las cinco de la tarde. El método necesita acercarse a esa experiencia concreta.

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. Sin embargo, se puede usar algo con desconfianza, por obligación o a escondidas; también se puede confiar demasiado 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, mientras que solo el 46% dijo estar dispuesto a confiar en ella. La apertura de esa tijera —uso alto, confianza bastante menor— importa más que cualquiera de los porcentajes por separado.

Otros resultados vuelven el cuadro todavía 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 dudan de la tecnología en abstracto y, a la vez, aceptan resultados concretos sin comprobarlos. La usan, pero prefieren que nadie lo sepa. La organización ve actividad y no ve la mezcla de ansiedad, comodidad y riesgo que existe debajo.

Estos son promedios internacionales, no una predicción para cada pyme argentina. Sirven para reconocer la forma del problema. La confianza no se distribuye en una línea que va de poca a mucha. Puede estar mal ubicada: 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. La persona necesita saber cuándo puede apoyarse en la recomendación, cuándo debe dudar y qué hacer si encuentra un error. Eso exige mostrar límites de manera comprensible. Una advertencia genérica al pie de la pantalla —“la IA puede equivocarse”— transfiere toda la responsabilidad al usuario sin ayudarlo a decidir. Es más útil explicar qué información consideró el sistema, qué tan incierto es el caso y qué señales justifican una revisión humana.

La calibración también depende de la reacción organizacional frente al desacuerdo. Si quien contradice al modelo debe completar 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 adquiere autoridad por venir del sistema. Bajo presión de tiempo, la persona deja de revisar incluso aquello que conoce bien. No es necesariamente ingenuidad. Puede ser una respuesta racional a la manera en que se distribuyó la responsabilidad: si aceptar la recomendación nunca exige explicación y rechazarla obliga a justificarse, el flujo ya decidió qué conducta es más fácil.

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

Una respuesta posible es reservar momentos de criterio obligatorio. El sistema puede callar antes de que la persona formule una primera impresión, pedir que registre una observación propia o mostrar alternativas en lugar de una única respuesta. El punto no es introducir fricción por principio, sino evitar que la interfaz suplante el razonamiento justo donde el costo de equivocarse es alto.

También hace falta revisar los incentivos. Si la organización premia velocidad y penaliza cada desvío, ninguna charla sobre pensamiento crítico logrará que las personas dediquen tiempo a examinar una recomendación. La psicología no está encerrada dentro del individuo: responde a reglas, métricas y relaciones de poder.

Cuánto control alcanza

Frente al miedo a la automatización, una solución frecuente consiste en ofrecer muchas opciones: configuraciones, explicaciones, botones para revisar cada paso. La intención es devolver control. El resultado puede ser agotador. Si la persona debe decidir constantemente qué nivel de autonomía concede, la herramienta le entrega una nueva tarea administrativa.

Esa es la paradoja del control. Muy poco control produce alienación: el sistema actúa y el usuario apenas contempla. Demasiado produce carga y ansiedad. La cantidad adecuada depende del rol, la frecuencia y el riesgo. Nadie necesita confirmar manualmente 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 en los puntos 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, una opción clara para deshacer la acción puede alcanzar. En otras, el sistema deberá detenerse y escalar el caso.

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

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 cuidadosas, mecánicos que escuchan un ruido antes de que aparezca la falla o empleadas administrativas que saben resolver una excepción que ningún manual contempla. Cuando una herramienta entra justamente en ese territorio, la pregunta 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 interpretar que su experiencia, incluida la capacidad de detectar casos difíciles, quedó convertida en un defecto que conviene reemplazar. La resistencia posterior 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 como aprendizaje al sistema.

También importa qué se celebra. Si la presentación final muestra únicamente precisión y horas ahorradas, invisibiliza el criterio que permitió corregir errores o reconocer excepciones. Una adopción respetuosa registra el aporte humano. Permite 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 posiciones, fragmenta un oficio o intensifica el control. Pedir confianza en esos casos sin conversar sobre las consecuencias es manipulación. El método no utiliza la psicología para persuadir a la gente de aceptar cualquier cambio. La utiliza para comprender lo que el cambio hace y diseñar, cuando sea posible, una distribución más justa de beneficios, responsabilidades y aprendizaje.

Aprender cuando la IA hace la parte difícil

Existe 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 convertirse en 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 al mismo tiempo. 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.

Llamo erosión del andamiaje a ese deterioro de la vía por la cual la organización crea su propia experiencia futura. La metáfora ayuda porque el andamio es provisorio y, a la vez, indispensable. Las tareas de entrada pueden parecer ineficientes desde el punto de vista del resultado inmediato; desde el punto de vista del aprendizaje, sostienen el crecimiento.

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

Esta discusión también alcanza a los expertos. Si toda su jornada queda reducida a corregir 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 debe 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 inteligencia artificial generativa introdujo una forma particular de tecnoestrés. No siempre proviene de una interfaz compleja. Proviene de no saber si está permitido usarla, qué información puede compartirse, quién responde por un error o si apoyarse demasiado en ella acabará 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?”. La edad y la habilidad digital no 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; distribuye licencias a algunas personas y deja al resto con cuentas personales; exige productividad sin reconocer el uso de las herramientas que la hace posible. Entonces ocultar el uso se vuelve una adaptación lógica.

Una política clara reduce parte de ese estrés, siempre que sea operable. Debe decir qué usos están permitidos, con qué tipos de datos, qué revisión se espera y dónde pedir ayuda. También debe admitir que el criterio evolucionará. Una norma que pretende anticipar cada herramienta queda vieja en meses; una norma basada en riesgo, sensibilidad de los datos y consecuencias puede acompañar mejor el cambio.

La conversación sobre dependencia no debería responderse con una frase motivacional. Algunas personas efectivamente delegarán demasiado y necesitarán recuperar práctica. Otras descubrirán capacidades que antes no podían ejercer. La organización debe observar ambos movimientos y crear espacios donde sea posible trabajar sin asistencia, comparar resultados y hablar de errores sin vergüenza.

Cuando cambia la forma del equipo

La adopción no sucede solo dentro de cada individuo. Una herramienta puede modificar quién habla con quién, qué especialidades se necesitan juntas y cómo se distribuye 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, mientras que las de comercial se orientaban a soluciones comerciales. Con IA, ambos perfiles produjeron respuestas más equilibradas. La herramienta parecía prestar a cada uno parte del vocabulario del otro lado.

Eso puede romper silos fértiles 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, disputan supuestos y forman criterio. Precisamente la conexión que Beane considera necesaria para aprender podría perderse si la organización reemplaza 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. Ese efecto puede ayudar a quien teme preguntar. Pero un compañero que siempre responde y nunca asume responsabilidad no reemplaza una comunidad profesional.

Estos resultados vienen de una gran empresa, con recursos y tareas acotadas. No prometen que una pyme obtendrá los mismos números. Ofrecen 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: comprender por qué cambia algo, desear participar, conocer cómo hacerlo, tener la capacidad real de hacerlo durante la jornada y recibir refuerzo suficiente para sostenerlo. La secuencia no describe perfectamente 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 pérdida de autonomía. Puede querer hacerlo y no haber recibido formación. Puede completar el curso y carecer de 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 nuevo flujo. Cada bloqueo necesita una respuesta distinta.

La distinción evita un error común: responder a todo con capacitación. Enseñar botones no crea deseo, no modifica 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 pueden cansarse. 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 pasará. Esa fatiga de cambio no se corrige con una campaña más entusiasta. Se corrige cerrando frentes, retirando herramientas que quedaron a medias y permitiendo 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: automatización alta y control humano no tienen por qué excluirse. Un sistema puede hacer mucho y, al mismo tiempo, conservar formas significativas de intervención. La clave está en diseñarlas con relación al riesgo y a la experiencia de quien las usará.

En sistemas agénticos, el criterio humano se desplaza. Ya no es posible revisar manualmente cada transacción si el agente ejecuta miles de acciones. Parte del juicio debe incorporarse antes, en límites, permisos, pruebas y condiciones de escalamiento. Pero incluso allí alguien necesita poder detener, auditar y revocar. Un control oculto tras doce pasos satisface 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 responder que no. Ese permiso no vive solo en la interfaz. Vive en la cultura del equipo, en la manera de investigar incidentes y en lo que le ocurre a quien detecta un error incómodo.

La psicología entra desde el primer eslabón. Las entrevistas revelan cicatrices de pilotos anteriores, miedos sobre el oficio y razones para ocultar información. En la construcción, esas observaciones se convierten en lenguaje, confirmaciones, mecanismos de corrección y formas 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 logra 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 únicamente 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