En los últimos años, estamos asistiendo a un cambio radical en el paradigma de como se construyen y consumen los productos digitales. La aparición de la IA/LLMs ha cambiado la forma en la que interactuamos con la información y el conocimiento.

Aunque la penetración de estos modelos entre la población general todavia es bajo, en las empresas en general y en la industria tecnológica en particular, ya se están utilizando de manera masiva para mejorar la productividad y la eficiencia en el desarrollo de software y la toma de decisiones.

Lamentablemente, muchos de los usuarios de estas nuevas herrramientas no son conscientes de sus limitaciones. Al final, la mayoria de ellos aprenden de estas herramientas de plataformas como LinkedIn, donde hablar de casos de éxito y de productividad es mucho más atractivo que hablar de los problemas y limitaciones de estas herramientas; o de campañas de marketing en redes sociales de las empresas que las desarrollan, que buscan vender la idea de que estas herramientas son infalibles y que pueden resolver cualquier problema.

Pero en lo que estoy de acuerdo es en la idea de definirlos como “multiplicadores de productividad” porque pueden aumentar significativamente la velocidad y la eficiencia en la realización de tareas. Desde que tengo acceso a ellas, mi rendimiento ha aumentado considerablemente, aunque no tengo cifras para medirlo. Esta lejos de ser un 10x o incluso un 2x, pero es cierto que para un porcentaje de las tareas que realizo, puedo ver mejoras notables.

Pero tambien estoy viendo todo lo contrario.

No sé si los conocereis, pero existen dos principios que describen dinámicas reconocibles en muchas organizaciones: el Principio de Peter y el Principio de Dilbert. El primero plantea que un empleado competente tiende a ascender hasta alcanzar un puesto para el que ya no es competente. El segundo propone, de manera satírica, que las empresas tienden a ascender a sus empleados menos competentes a cargos directivos para limitar el daño que pueden causar a la productividad. Aunque describen mecanismos distintos, ambos señalan cómo alguien puede acabar en un puesto de responsabilidad sin tener las competencias necesarias para desempeñarlo. En mi opinión, en estas situaciones su productividad puede volverse negativa: su trabajo puede incluso obstaculizar el éxito de la organización.

Si combinamos la idea del multiplicador de productividad y la existencia de gente con productividad negativa en una organización, nos encontramos con un gran problema de la IA: aumentar la velocidad de ejecución no garantiza que el impacto sea positivo. Si el multiplicando es negativo y consideramos que el multiplicador va a ser mayor que uno, el resultado de la multiplicación será aún más negativo. Y esto es algo que muchos de los usuarios de estas herramientas no parecen entender.

Y hay un factor que puede agravar este problema: la tendencia de estos modelos a dar la razón al usuario, conocida como sycophancy o complacencia. Se ha observado que pueden favorecer respuestas alineadas con las creencias del usuario frente a otras correctas. Además, un estudio publicado en Nature encontró que entrenar modelos para resultar más cálidos aumentaba su tendencia a validar creencias incorrectas. Allí donde necesitamos que alguien cuestione nuestras premisas y señale los errores, podemos encontrarnos con una herramienta que los valide. El riesgo es multiplicar tanto nuestra capacidad de actuar como nuestra confianza en una decisión equivocada.

Esta complacencia también puede dificultar que rectifiquemos. En el contexto de los consejos sobre situaciones interpersonales, un estudio publicado en Science encontró que once modelos respaldaban las acciones del usuario un 49 % más frecuentemente que las respuestas humanas de comparación. En sus experimentos con participantes, interactuar con una IA complaciente aumentó la convicción de tener razón y redujo la disposición a reparar los conflictos.

Y el problema es que muchos de los que estan en el lado negativo de la productividad, no son conscientes de ello. La IA les permite multiplicar su capacidad de hacer daño, sin que ellos mismos se den cuenta.

Un ejemplo de este coste para los compañeros es el workslop. Una investigación de BetterUp Labs y Stanford Social Media Lab describe cómo el trabajo generado con IA puede parecer terminado y, sin embargo, carecer de sustancia y obligar a otros a interpretarlo, revisarlo o rehacerlo. En una encuesta a 1.150 trabajadores estadounidenses, el 40 % declaró haber recibido este tipo de trabajo durante el último mes, con un tiempo estimado de unas dos horas para resolver cada incidente. La productividad aparente de unos puede convertirse en trabajo adicional para otros.

Ese trabajo adicional consume tiempo y energía que podrían dedicarse a aportar valor. Si corregir los errores de otros se convierte en una carga habitual, quienes la asumen pueden acabar agotados y desmotivados.

La buena noticia es que tenemos margen para decidir qué multiplicamos. La experiencia, el criterio y la capacidad de cuestionar una mala idea siguen teniendo valor, y estas herramientas nos dan motivos para invertir todavía más en ellos. Por eso sigo siendo optimista: si dedicamos parte de la productividad ganada a aprender, revisar y escuchar a quienes detectan los problemas, podemos mejorar también aquello que estamos multiplicando. Asegurarnos de que el signo sea positivo es una responsabilidad compartida.