Los humanos y la IA deben formar una alineación cognitiva para trabajar bien juntos, según un estudio

La integración entre humanos e inteligencia artificial en entornos laborales presenta retos específicos cuando las tareas y sus condiciones cambian constantemente y escapan a la previsibilidad. Según publicó la Escuela de Negocios Stevens en un artículo firmado por la profesora adjunta Bei Yan, las colaboraciones humano-IA sufren cuando la comprensión compartida sobre las tareas, roles y responsabilidades es insuficiente, lo que puede generar resultados ineficaces, pérdida de tiempo y fricciones en los procesos.

El estudio, titulado “Sincronizando mentes y máquinas: la alineación cognitiva híbrida como mecanismo de coordinación emergente en la colaboración humano-IA” y publicado en la revista Academy of Management, sostiene que la clave para el éxito reside en crear un entendimiento y expectativas mutuas. De acuerdo con la información difundida por la Escuela de Negocios Stevens, mientras que las personas aplican experiencia, juicio propio y señales sociales en sus evaluaciones, los sistemas de IA responden a patrones estadísticos que identifican a partir de grandes volúmenes de datos. Ambas formas de razonamiento pueden complementarse, pero requieren una coordinación adecuada para evitar malentendidos y errores en las interacciones.

De acuerdo con las conclusiones recogidas en la publicación, las fallas al incorporar la inteligencia artificial al entorno laboral no suelen derivarse únicamente de la falta o exceso de potencia tecnológica. Según detalló Bei Yan en el medio, los principales problemas surgen cuando personas y sistemas no logran sincronizarse en cuanto a la comprensión de qué se espera de cada uno, cómo deben operar juntas las capacidades humanas y las funciones automatizadas, y qué responsabilidades corresponden a cada parte. Esta falta de alineación puede provocar casos de confianza excesiva en los resultados emitidos por la IA, así como el uso incorrecto de los sistemas o la aparición de soluciones improvisadas para compensar deficiencias, de acuerdo a lo reportado por la Escuela de Negocios Stevens. En estas circunstancias, la automatización no aligera las cargas sino que añade obstáculos operativos y puede desembocar en fallos completos del sistema colaborativo.

El análisis incorpora ejemplos como el de los algoritmos empleados en negociaciones financieras de alta frecuencia. Según el estudio divulgado por la Escuela de Negocios Stevens, estos sistemas automatizados pueden vigilar el mercado y detectar oportunidades gracias a su entrenamiento con datos históricos y reglas preestablecidas. Sin embargo, cuando se producen acontecimientos inesperados, como una caída abrupta de los mercados, cambios regulatorios o la publicación imprevista de ciertos indicadores económicos, las limitaciones de la IA se vuelven evidentes. Yan señala que la incapacidad de los algoritmos para comprender situaciones fuera de los parámetros inicialmente previstos puede tener un impacto directo en los resultados del sector financiero, llegando incluso a contribuir a desplomes generalizados.

Según argumentó Bei Yan, una estructura organizativa que asigna de manera rígida tareas y funciones entre humanos y máquinas solo resulta viable en entornos laborales donde las dinámicas no experimentan variaciones significativas. En la práctica, la mayoría de los contextos de trabajo actuales enfrenta escenarios cambiantes. Por este motivo, el estudio plantea que la integración debería fundamentarse en lo que denomina alineación cognitiva híbrida. Este enfoque apunta a que, progresivamente, personas y sistemas vayan desarrollando un consenso operativo sobre cómo emplear la inteligencia artificial, cuándo confiar en las recomendaciones automatizadas y cuándo recurrir al criterio humano.

La publicación pone de manifiesto que la alineación entre humanos y sistemas de inteligencia artificial no emerge de forma instantánea tras la implantación tecnológica. Según lo consignó la Escuela de Negocios Stevens, la colaboración se consolida tras un proceso donde los usuarios humanos aprenden el funcionamiento particular de la IA, adaptan sus formas de interacción y ajustan su nivel de confianza a partir de la práctica y la experiencia generada en el trabajo cotidiano.

El artículo aporta ejemplos en sectores como la medicina, donde la IA se utiliza para interpretar radiografías o tomografías computarizadas. Estas herramientas muestran eficacia al identificar indicios de cáncer u otras anomalías en miles de casos analizados y en un volumen de imágenes fuera del alcance humano en el mismo lapso de tiempo. Según la profesora Yan, no obstante, las limitaciones de estos sistemas se evidencian cuando desconocen el historial clínico del paciente o detalles sobre la respuesta a tratamientos específicos, elementos cruciales en la interpretación médica y que solo el profesional puede aportar en la decisión final.

En el área de la atención al cliente, las aplicaciones de inteligencia artificial rastrean archivos y políticas empresariales y procesan miles de interacciones previas para ofrecer soluciones rápidamente. Sin embargo, la adaptación a necesidades individuales o problemas específicos de cada cliente sigue siendo una capacidad limitada para los sistemas de IA, destaca el estudio. Si los empleados no reciben una instrucción suficiente para interactuar adecuadamente con la tecnología, el valor añadido por la automatización puede diluirse o perderse.

La profesora Bei Yan plantea que, para responder a estos desafíos, las organizaciones deberían priorizar el diseño de procesos y dinámicas donde la división de tareas y roles entre humanos y sistemas sea flexible y evolucione con el tiempo. De acuerdo con el artículo, una formación orientada a comprender el uso de la inteligencia artificial en el contexto particular de cada puesto y permitir a los equipos un periodo de adaptación resulta indispensable. Según lo publicado por la Escuela de Negocios Stevens, tratar la inteligencia artificial como un elemento que simplemente se conecta y ya está operativo suele resultar ineficiente, mientras que considerarla como un integrante más del equipo contribuye a una mejor integración y resultados superiores.

El trabajo de Bei Yan también resalta implicaciones prácticas tanto para directivos como para desarrolladores de sistemas de IA. El texto difundido por la Escuela de Negocios Stevens apunta a que el diseño de estas tecnologías debe enfocarse no solo en el desempeño independiente de la máquina, sino también en cómo facilita la colaboración. Para ello, los sistemas deben comunicar sus límites y capacidades, además de disponer de mecanismos que respalden el aprendizaje de los usuarios durante todo el proceso de uso. Así, se favorece la creación de vínculos de trabajo más sólidos entre las personas y la tecnología.

La profesora Yan sintetiza que el aporte esperado de la inteligencia artificial no radica exclusivamente en el aumento del poder de cómputo o en mejorar el desempeño de las máquinas en actividades aisladas. Según cita el medio, “la alineación, no la inteligencia pura, es lo que transforma la IA de una fuente de frustración en una fuente de valor”. Los hallazgos del análisis subrayan la necesidad de replantear los modelos de integración para maximizar los beneficios de la colaboración entre humanos y sistemas automatizados, lo que redefine también los desafíos en la formación, la gestión y el diseño tecnológico de las herramientas de inteligencia artificial, según la Escuela de Negocios Stevens.