Según el Work Trend Index 2026, publicado por Microsoft en mayo, el 86% de las personas que usan IA en el trabajo dice tratar el texto que ella produce como un borrador, no como una respuesta final. La mayor parte del uso de IA hoy es justamente lo que ella hace mejor: escribir primeras versiones de correos, resúmenes e informes.
El problema aparece cuando la pregunta cambia de forma. Escribir un texto y recomendar una decisión no piden la misma cautela de quien lee — y estudios muestran que, frente a una respuesta con apariencia de certeza, buena parte de las personas deja de revisar.
Para quien decide, esa distinción separa una ganancia real de un riesgo silencioso: la misma IA que ahorra tiempo al redactar puede salir cara cuando opina sobre algo que debía haberse verificado antes.
El precio de confiar sin revisar
En septiembre de 2023, investigadores de Harvard, en colaboración con la consultora Boston Consulting Group, pusieron a prueba a 758 consultores júnior en dos familias de tareas: una dentro de lo que GPT-4 hacía bien, innovación de producto, y otra fuera de ella, un problema de negocio que exigía criterio e información que la herramienta no tenía.
En la tarea dentro de la competencia de la IA, quienes la usaron rindieron 40% mejor que quienes no la usaron. En la tarea fuera de ella, el resultado se invirtió: el grupo con IA rindió 23% peor que quienes trabajaron sin ninguna herramienta.
El motivo no fue falta de aviso. Los participantes sabían que la herramienta podía equivocarse en ese tipo de tarea. Aun así, aceptaron respuestas erradas porque la explicación que la IA ofrecía sonaba convincente — confiar en ella pareció más fácil que reconstruir el razonamiento por su cuenta. Tener más práctica con la herramienta no libró a nadie de este patrón: el problema no era falta de experiencia, era la forma en que la respuesta llegaba, lista y segura de sí misma.
El fenómeno tiene nombre en la literatura de apoyo a la decisión: sesgo de automatización, la tendencia a aceptar la salida de un sistema automatizado en lugar de evaluar la información por cuenta propia. Una revisión académica que reunió estudios sobre sistemas de apoyo a la decisión encontró un riesgo 26% mayor de decisión errada cuando el sistema ofrecía un consejo incorrecto. En algunos de los estudios revisados, hasta el 7% de las respuestas que la persona ya tenía correctas fueron cambiadas a incorrectas después de ver la sugerencia del sistema.
En Latinoamérica, donde la adopción de IA generativa avanzó rápido en los equipos de operaciones, finanzas y atención al cliente, ese es exactamente el punto ciego: la herramienta se volvió hábito antes de que la empresa decidiera qué hacer cuando se equivoca con confianza. La pregunta que falta no es "¿el equipo usa IA?", sino "cuando la IA sugiere algo erróneo, ¿existe algún paso que lo capture antes de convertirse en decisión?".
El aviso que no cambia el hábito
La respuesta más común ha sido pedir más cuidado: un aviso en la pantalla, una capacitación de buenas prácticas, la instrucción genérica de "siempre verifica". El propio experimento con BCG muestra el límite de eso — los participantes fueron advertidos sobre la limitación de la herramienta en esa tarea específica y, aun así, aceptaron la respuesta errada.
La revisión académica sobre sesgo de automatización llega a la misma conclusión por otro camino: pedir vigilancia genérica funciona poco. Lo que reduce el problema es cambiar lo que la persona ve — mostrar el razonamiento detrás de la respuesta, indicar cuán segura está el sistema de la recomendación y presentar información para que la persona decida, en lugar de una sugerencia lista para aceptar. La misma revisión menciona además hacer a quien decide responsable del resultado y reducir el protagonismo visual de la sugerencia, para que no parezca la única opción en la pantalla.
En otras palabras, el problema rara vez es que la persona esté distraída. Es que el diseño de la respuesta no le da nada concreto que revisar. Sin una fuente, un documento o un dato que respalde la recomendación, verificarla se vuelve un esfuerzo extra que la rutina diaria no deja tiempo para hacer — y el camino más corto termina siendo aceptar lo que ya llegó listo.
Lo que tiene que existir en la práctica
Un entorno de IA que apoya decisiones, y no solo redacta texto, necesita mecanismos verificables, no otro aviso en la pantalla.
Toda respuesta basada en un documento interno señala la fuente. Quien recibe la recomendación ve de qué política, tabla o proceso proviene, y puede abrir el original antes de actuar, en lugar de confiar ciegamente en la explicación de la IA.
Recomendación y redacción se tratan como cosas distintas. Escribir un borrador de correo es una cosa; sugerir que se renueve un contrato o se envíe un cobro es otra — y la segunda pide un paso de confirmación que la primera no pide.
Aprobación humana antes de una acción sensible. Los documentos críticos y las acciones que cambian algo en el mundo real pueden requerir revisión y aprobación en dos etapas, con quien redacta separado de quien aprueba, configurable por área, no en cada respuesta.
Acceso conforme al rol de cada persona. Quién puede aprobar una recomendación, y sobre qué tema, sigue la misma regla de permisos que cualquier otro sistema de la empresa, sin quedar abierto para quien llegue primero.
Un registro de auditoría de lo aprobado. Si una recomendación se convirtió en acción, existe un registro de quién la aprobó, cuándo y con base en qué fuente — precisamente lo que suele faltar cuando un error debe investigarse después.
Reutilización con permiso, no copia suelta. Una plantilla de respuesta que ya pasó por revisión puede ponerse a disposición de otras personas del mismo rol o grupo, en lugar de que cada quien rehaga su propio atajo sin que nadie sepa qué contiene.
Así fue diseñada Skyller: conocimiento corporativo con fuente citable y aprobación humana antes de cualquier acción sensible, como estándar, no como excepción.
Menos revisión, decisiones más rápidas
La ganancia aparece primero en la velocidad. Cuando la respuesta ya llega con la fuente adjunta, quien decide gasta menos tiempo buscando el documento que respalda esa política y más tiempo evaluando si se aplica al caso.
La segunda ganancia es la reconstrucción de lo ocurrido. En una auditoría, una queja de cliente o una investigación interna, la diferencia entre reconstruir una decisión en minutos y no poder reconstruirla en absoluto es el registro de quién aprobó qué.
La tercera es cultural: cuando la aprobación tiene dueño y un paso definido, el equipo deja de tratar la respuesta de la IA como palabra final. Se convierte en un insumo — un buen insumo, pero un insumo, como cualquier informe o hoja de cálculo que llega listo para una lectura crítica.
Hay también un efecto acumulativo: la plantilla que alguien aprobó una vez, con la fuente correcta adjunta, queda disponible para el próximo caso parecido. En lugar de que cada decisión empiece de cero, el equipo acumula un conjunto de recomendaciones ya verificadas — y ahí es donde el tiempo ahorrado deja de ser individual y empieza a notarse en el resultado de toda el área.
Preguntas antes de confiar en la respuesta
Antes de la próxima recomendación que la IA traiga a la mesa, vale la pena preguntar:
- ¿La respuesta señala la fuente que la respalda? Si no hay un documento, un dato o una política citable, trátala como opinión, no como hecho, y revísala antes de compartirla.
- ¿Alguien aprueba antes de que la recomendación se vuelva acción? Si la respuesta puede generar un envío, un cobro o un cambio de contrato por sí sola, falta un paso entre la sugerencia y el efecto real.
- ¿Ya se confundió una explicación convincente con una explicación correcta? El estudio con los 758 consultores muestra que las dos cosas no son lo mismo — y que profesionales entrenados también caen en esa confusión.
- ¿Existe un registro de quién aprobó qué? Sin esa trazabilidad, una mala decisión solo aparece después de que su costo ya se pagó.
- ¿La herramienta separa el borrador de texto de la recomendación de acción? Si ambas llegan con el mismo aire de certeza, quien lee pierde justo la señal que debería pedir más atención.
