¿Y si ocultar cómo utilizamos la IA fuera una decisión racional?

Las empresas quieren más transparencia, colaboración y aprendizaje compartido. Pero sus sistemas de incentivos y reconocimiento pueden estar haciendo más conveniente exactamente lo contrario.

Imaginemos que alguien de un equipo descubre cómo hacer en una hora una tarea que hasta hace poco necesitaba ocho.

Ha creado un buen prompt, un pequeño agente o una combinación especialmente eficaz de herramientas. El resultado es igual o mejor. La empresa lleva meses hablando de productividad, adopción de inteligencia artificial y nuevas formas de trabajar.

Aparentemente, acaba de suceder exactamente lo que la organización quería.

Pero hay otra pregunta que quizá hacemos menos: ¿tiene esa persona algún incentivo para contarlo?

Puede pensar que su manager utilizará esas siete horas liberadas para asignarle más trabajo. Puede sospechar que, si explica cómo lo hace, perderá parte de la ventaja que hoy tiene frente a sus compañeros. Puede temer que otros atribuyan su buen resultado a la IA y no a su criterio. O puede preguntarse si describir cuánto de su trabajo ha conseguido automatizar hará más visible qué parte de su propio puesto podría automatizarse también.

No sabemos todavía con qué frecuencia ocurren exactamente estos comportamientos. La adopción masiva de IA generativa es demasiado reciente y la evidencia sigue siendo fragmentaria.

Pero las señales empiezan a ser suficientemente consistentes como para plantear una hipótesis más incómoda: una parte de las barreras a la adopción madura de IA puede no estar en la tecnología ni en la formación, sino en los incentivos que tenemos para proteger reputación, estatus, conocimiento, tiempo y seguridad profesional.
 

Un estudio global de KPMG y la Universidad de Melbourne, realizado con más de 48.000 personas en 47 países, encontró que el 57% de los empleados reconocía utilizar IA de forma no transparente, incluyendo presentar contenido generado con ella como propio o evitar revelar que había utilizado estas herramientas para completar su trabajo.

Sería fácil leer ese dato únicamente como un problema de conducta. Pero quizá la pregunta anterior sea más interesante: ¿por qué alguien decide ocultarlo?

La investigación reciente empieza a ofrecer algunas respuestas. Cuatro experimentos publicados en Proceedings of the National Academy of Sciences (PNAS), con 4.439 participantes, encontraron que las personas que utilizan IA en el trabajo anticipan y reciben evaluaciones más negativas sobre su competencia y motivación.

Otro trabajo publicado en Organizational Behavior and Human Decision Processes, basado en 13 experimentos, encontró un fenómeno relacionado: revelar el uso de IA puede reducir la confianza que los demás depositan en quien la utiliza, y descubrir ese uso a través de terceros puede resultar todavía más perjudicial.

Aparece entonces una contradicción importante: Pedimos transparencia sobre el uso de IA mientras, en determinados contextos, ser transparente puede tener un coste reputacional.

Si decir “he utilizado IA” puede hacer que otros interpreten que sabemos menos, nos hemos esforzado menos o somos más sustituibles, ocultarlo deja de ser un comportamiento difícil de explicar. Puede convertirse en una decisión perfectamente comprensible.

La IA no está llegando a empresas que empiezan de cero. Entra en organizaciones con patrones de comportamiento, culturas de equipo, sistemas de incentivos y formas de reconocimiento establecidos mucho antes de que esta tecnología existiera. Y esos sistemas condicionan lo que las personas consideran conveniente hacer con ella.

Volvamos a quien ha reducido una tarea de ocho horas a una. Desde la perspectiva de la empresa, lo lógico parece compartir cómo lo ha conseguido para que otros puedan aprender y el proceso mejore. Desde la perspectiva de esa persona, la ecuación puede ser distinta.

¿Qué ocurre si el premio por ahorrar siete horas es recibir siete horas más de trabajo? ¿Qué ocurre si su manager sigue asociando dedicación con tiempo visible, disponibilidad o carga? ¿Y si explicar cómo consigue determinados resultados reduce el mérito que los demás le atribuyen?

No tenemos todavía evidencia suficiente para afirmar que las personas estén ocultando de forma generalizada el tiempo que ahorran con IA por estas razones. Es una hipótesis. Pero merece atención porque la IA altera algo que muchas organizaciones todavía no han redefinido: la relación entre esfuerzo, tiempo, resultado y reconocimiento.

Si dos profesionales producen un resultado equivalente y uno necesita ocho horas mientras el otro necesita una porque ha aprendido a trabajar eficazmente con IA, ¿qué queremos valorar realmente? Las horas empleadas son una posibilidad. La calidad del resultado es otra. También podemos valorar el criterio utilizado, la capacidad para elegir bien las herramientas o que ese aprendizaje termine mejorando el trabajo de otros.

Esto es relevante, porque lo que una organización reconoce acaba influyendo en lo que sus personas hacen visible.

Pensemos ahora en alguien que ha descubierto una forma especialmente eficaz de analizar información, preparar propuestas, programar o automatizar una parte de su trabajo con IA. Ese conocimiento empieza a mejorar su rendimiento frente a otros.

Aquí no todo tiene que explicarse por miedo. También existe la ambición. ¿Por qué debería compartir inmediatamente esa ventaja con personas con las que quizá compite por reconocimiento, bonus o promoción?

La literatura sobre knowledge hiding lleva años estudiando cómo determinados entornos pueden hacer racional que las personas protejan conocimiento valioso. La IA añade ahora una nueva dimensión a ese problema.

Un estudio publicado en 2026 con 428 trabajadores del conocimiento encontró algo especialmente interesante. El uso de IA generativa podía favorecer que las personas compartieran más conocimiento cuando aumentaba su sensación de capacidad, pero también favorecer que ocultaran conocimiento cuando incrementaba su inseguridad laboral. El clima psicológico competitivo reforzaba esas dinámicas.

Es un resultado importante porque evita una simplificación demasiado cómoda. La competencia no es necesariamente mala y la colaboración no es siempre buena. Un entorno competitivo puede acelerar experimentación, iniciativa e innovación.

La cuestión es otra: ¿qué comportamiento estamos haciendo racional? Puede que algunas organizaciones estén pidiendo a sus empleados que compartan aquello que les hace más valiosos mientras siguen recompensándolos por diferenciarse de los demás.

Ese conflicto entre lo que la empresa dice necesitar y lo que realmente recompensa me parece una de las partes menos observadas de la adopción de IA.

Las empresas llevan décadas intentando evitar que conocimiento crítico quede encerrado en unas pocas personas. Por eso documentamos procesos, construimos repositorios, desarrollamos comunidades de práctica e intentamos reducir dependencias individuales.

La IA puede estar creando una nueva versión del mismo problema. El activo que una persona acumula ya no tiene por qué ser solamente conocimiento sobre un cliente, un proceso o un mercado. Puede ser un prompt especialmente eficaz, un agente personalizado, una secuencia de instrucciones, una automatización, una biblioteca propia o cientos de horas de experiencia aprendiendo qué pedir a un modelo, qué rechazar y cómo validar sus respuestas.

No tenemos evidencia suficiente para afirmar que los profesionales estén ocultando de forma masiva prompts, agentes o flujos de trabajo para proteger su posición. Pero la posibilidad merece atención, porque una organización puede democratizar el acceso a la IA y, al mismo tiempo, mantener fragmentado el aprendizaje sobre cómo utilizarla. Todos pueden tener acceso a las mismas herramientas. Eso no significa que la empresa esté aprendiendo. Pueden estar aprendiendo miles de individuos por separado.

Y la diferencia importa. Un empleado puede desarrollar una práctica excelente. Un equipo puede descubrir una automatización muy útil. Otro puede cometer durante meses errores que alguien en otra unidad ya aprendió a evitar. Si esos aprendizajes no circulan, el uso crece pero el conocimiento organizativo no lo hace al mismo ritmo.

La última encuesta global de McKinsey sobre IA ofrece un contraste especialmente útil. Ocho de cada diez participantes dicen que la IA ha mejorado su productividad individual y aproximadamente la mitad afirma que también les ayuda a tomar mejores decisiones. Sin embargo, solo el 37% atribuye algún impacto positivo en EBIT al uso de IA de su organización.

Las dos cifras no miden lo mismo y no deben compararse como si existiera una relación causal directa. Pero juntas ilustran una brecha relevante: mejorar el rendimiento de muchas personas no equivale automáticamente a mejorar la capacidad de la organización.

McKinsey apunta hacia el rediseño de flujos de trabajo y del modelo operativo como parte de la respuesta. Yo añadiría otra posibilidad: ¿Qué ocurre si una parte del aprendizaje que está generando esa productividad nunca circula?

Podríamos encontrarnos con una empresa llena de usuarios activos, experimentos, automatizaciones y pequeños agentes. Sus métricas de adopción serían excelentes. Pero cada profesional podría estar resolviendo problemas similares por su cuenta. Los mejores métodos no se convertirían en prácticas reutilizables. Los errores se repetirían. Los agentes útiles no se compartirían. Y parte del conocimiento desaparecería cuando quien lo desarrolló abandonara la organización.

De ahí una hipótesis que me parece especialmente relevante: Puede que algunas empresas estén midiendo una adopción de IA que pertenece más a sus empleados que a la propia organización.

Las personas utilizan IA, aprenden y mejoran. Pero la empresa no siempre convierte ese aprendizaje individual en una forma de trabajar que otros puedan reutilizar. Eso es lo que entiendo aquí por capacidad organizativa: no cuántas personas saben utilizar IA, sino cuánto de lo que esas personas aprenden consigue transformarse en procesos, prácticas o conocimiento que otros pueden aprovechar.

La respuesta aparentemente sencilla sería establecer reglas: declarar cuándo se utiliza IA, compartir mejores prácticas, documentar prompts, subir agentes a un repositorio corporativo, colaborar. Todo eso es razonable. Pero una política no elimina necesariamente los incentivos que hicieron necesaria la política.

Si reconocer el uso de IA reduce la percepción de competencia, exigir transparencia no elimina ese coste reputacional. Si compartir un método especialmente eficaz reduce una ventaja frente a otros candidatos a una promoción, crear un repositorio no elimina ese incentivo. Y si comunicar que una tarea que ocupaba una jornada ahora requiere una hora significa recibir inmediatamente más carga, una campaña interna sobre colaboración probablemente tampoco cambie demasiado.

El reciente Hype Cycle for Artificial Intelligence de Gartner vuelve a situar gobernanza, control y accountability entre las condiciones necesarias para escalar IA, planteando que la gobernanza debe acompañar la adopción en lugar de aparecer después del despliegue.

Ese paso es importante. Pero quizá convenga llevarlo también al terreno humano. Gobernar IA no consiste únicamente en decidir qué herramientas están autorizadas, qué datos pueden utilizarse o quién responde por una decisión automatizada. También exige preguntarse qué comportamientos hacen racionales los sistemas de incentivos cuando las personas empiezan a trabajar con IA.

Aquí empieza a resultar difícil separar gobernanza, cultura, management y modelo operativo.

• ¿Qué ocurre cuando alguien encuentra una forma de mejorar radicalmente un proceso?
• ¿Recibe reconocimiento por compartirla?
• ¿Quién la valida y la convierte en una práctica reutilizable?
• ¿La persona que entrega su mejor método al resto pierde parte del valor diferencial que tenía?
• ¿Los managers siguen evaluando actividad visible o empiezan a valorar resultado, criterio y contribución al aprendizaje del equipo?

McKinsey plantea algo especialmente relevante en su trabajo sobre la learning organization: los incentivos para adoptar IA deberían premiar el aprendizaje, compartir conocimiento y ayudar a otros a recorrer su propia curva de aprendizaje, no simplemente utilizar más la tecnología.

La diferencia parece pequeña, pero cambia mucho. No se trata de premiar a quien más utiliza IA. Se trata de reconocer a quien consigue convertir lo que aprende utilizándola en una mejora que otros puedan aprovechar.

Eso requiere algo más que un repositorio. Alguien tiene que descubrir una mejora, hacerla visible, validarla, documentarla, adaptarla cuando sea necesario y conseguir que otros puedan reutilizarla. Y también conviene reconocer a quien contribuyó a que esa mejora existiera.

Un prompt personal puede seguir siendo un prompt personal o puede terminar mejorando cómo trabaja un equipo entero. La diferencia no la determina la herramienta, sino el sistema que existe alrededor de ella.

Y ahí aparece una consecuencia de fondo. La IA está entrando en organizaciones con patrones de comportamiento, sistemas de incentivos y formas de reconocimiento establecidos cuando esta tecnología todavía no existía. Después esperamos que las personas adopten comportamientos nuevos —compartir lo que aprenden, hacer visible cómo utilizan la IA o convertir una ventaja individual en una mejora del equipo— que esos mismos sistemas quizá no recompensan.

Por eso una parte de la adopción madura puede consistir menos en intentar cambiar a las personas y más en revisar las condiciones bajo las que toman decisiones. No necesitamos profesionales menos ambiciosos ni personas indiferentes a su reputación o progresión. Tampoco necesitamos pedir altruismo permanente.

Una persona muy competitiva puede compartir mucho conocimiento si hacerlo aumenta su reconocimiento. Una persona muy colaborativa puede empezar a protegerlo si descubre que compartir beneficia a otros mientras reduce sus propias oportunidades.

El problema no es la ambición. El problema aparece cuando los incentivos individuales y el interés de la organización empiezan a señalar direcciones diferentes.

Todo esto deja una última pregunta: ¿Parten con ventaja en la adopción de IA las organizaciones que ya han aprendido a convertir el conocimiento individual en capacidad colectiva?

No tenemos todavía evidencia suficiente para afirmarlo, pero la hipótesis merece atención. Si una organización ya reconoce a quien comparte lo que aprende, no penaliza a quien encuentra una forma más eficiente de trabajar y consigue que una mejora individual aumente la capacidad del equipo, quizá tenga que cambiar menos de lo que pensamos para absorber la IA.

Otras pueden descubrir que su principal transformación no consiste en desplegar una tecnología nueva, sino en revisar comportamientos e incentivos construidos mucho antes de que esa tecnología existiera.

Después de años viendo cómo las organizaciones adoptan nuevas tecnologías, creo que tendemos a infravalorar una variable bastante antigua: las personas no dejan sus miedos, ambiciones, rivalidades o necesidad de reconocimiento en la puerta cuando llega una herramienta nueva.

La tecnología puede cambiar muy deprisa, pero los sistemas humanos alrededor de ella no cambian necesariamente al mismo ritmo. La cuestión es si conseguimos diseñar organizaciones en las que compartir una ventaja individual pueda convertirse también en una ventaja para quien la comparte.

Porque una empresa puede tener miles de empleados utilizando IA y seguir sin haber aprendido a utilizarla como organización. ¿Y si algunas culturas organizativas estuvieran mejor preparadas para la IA no porque sepan más de tecnología, sino porque ya saben compartir mejor el conocimiento?

Me interesa especialmente conocer experiencias que confirmen esta hipótesis, pero también las que la contradigan.

• KPMG & University of Melbourne — Trust, attitudes and use of artificial intelligence: A global study 2025
• Proceedings of the National Academy of Sciences (PNAS) — Evidence of a social evaluation penalty for using AI
• Organizational Behavior and Human Decision Processes — The transparency dilemma: How AI disclosure erodes trust
• Frontiers in Psychology — The effects of generative AI usage on employee knowledge behavior: a perspective based on the Automation–Augmentation Paradox
• McKinsey & Company — The state of AI in 2026: On the road to ROI
• Gartner — The Latest Gartner Hype Cycle for Artificial Intelligence Puts Control Ahead of Capability