Cómo la IA podría estar afectando ya el desempeño de los trabajadores

A principios de 2023, cuando en alguna charla o conferencia preguntaba a los asistentes, habitualmente «trabajadores del conocimiento», si ya habían utilizado alguna herramienta de inteligencia artificial generativa, se levantaban pocas manos. Hoy, el panorama es muy distinto. La mayoría ha tenido algún contacto con la IA, y un número notable afirma que sus trabajos están comenzando a experimentar cambios con el uso de estas nuevas herramientas. Pero ¿cuáles son esos cambios?

Si atendemos a las investigaciones llevadas a cabo sobre este tema hasta la fecha, da la sensación de que, al menos por el momento, la eclosión de la IA está teniendo, más que un efecto de sustitución del trabajo humano, un efecto de aumentación a través del cual mejora el desempeño de los trabajadores que la incorporan en sus tareas. Sin embargo, este impacto rara vez es uniforme, sino que tiende a favorecer desproporcionadamente a determinados grupos, reduciendo o abriendo, según los casos, la brecha que separa a los empleados de mejor y peor desempeño. Aunque también hay evidencias de que, en determinadas circunstancias, el uso de la IA puede tener el efecto contrario y perjudicar el rendimiento de sus usuarios, empeorándolo respecto al nivel de desempeño que conseguirían sin emplear esta tecnología. En resumen, un lío.

¿Estará la IA igualando el desempeño de los trabajadores?

Las primeras investigaciones realizadas tras el lanzamiento de ChatGPT en noviembre de 2022 ya ofrecían datos reveladores sobre este tema. Un ejemplo es el experimento con el que Shakked Noy y Whitney Zhang estudiaron los efectos del entonces recién lanzado ChatGPT 3.5 en tareas de redacción propias de varias profesiones. Descubrieron que los trabajadores que obtenían puntuaciones más bajas sin la IA, cuando la incorporaban a sus trabajos no solo completaban sus tareas en menos tiempo, sino que también mejoraban la calidad de sus escritos. En cambio, las personas que antes de usar ChatGPT obtenían puntuaciones altas cuando usaban esta herramienta también completaban sus tareas en menos tiempo, pero mantenían la misma calidad en sus textos, lo que hacía que se redujese la diferencia de calidad entre los trabajos de ambos grupos. Los autores atribuían este efecto a la tendencia que mostraban los participantes en el experimento a utilizar estas herramientas para ahorrar esfuerzo, más que como un instrumento para mejorar la calidad de su trabajo.

No obstante, estudios posteriores nos han demostrado que el desempeño de los profesionales más cualificados o experimentados también puede mejorar con el uso de herramientas de IA generativa, aunque las mejoras que consiguen tienden a ser menores que las que obtienen sus compañeros menos productivos, con lo que el “efecto igualador” de la IA, aunque se modera, se mantiene.

En este sentido cabe mencionar un conjunto de experimentos de campo con los que Kevin Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng y Tobias Salz analizaron el impacto del uso de GitHub Copilot en la productividad de desarrolladores de software en Accenture, Microsoft y una tercera empresa. Los resultados mostraron un aumento promedio del 26% en el número de tareas completadas entre los programadores que hacían uso de esta herramienta. Sin embargo, los efectos variaban según su nivel de experiencia y cualificación. En concreto, los programadores con menos antigüedad incrementaron su rendimiento entre un 27% y un 39%, mientras que los más veteranos, aunque más modestas, también registraron mejoras de entre un 8% y un 13%.

En esta misma línea también es destacable la investigación realizada por Fabrizio Dell’Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz-Assaf, Katherine C. Kellogg, Saran Rajendran, Lisa Krayer, François Candelon y Karim R. Lakhani entre consultores del Boston Consulting Group (BCG). Los autores descubrieron que el uso de una herramienta de IA generativa, en este caso ChatGPT 4, en un proyecto de lanzamiento de un nuevo producto mejoraba el rendimiento de los consultores menos cualificados un 43%, mientras que el rendimiento de los consultores más cualificados aumentaba un nada despreciable 17%.

¿Estará la IA ampliando la brecha que separa a los profesionales de mejor y peor desempeño?

Sin embargo, a pesar de las evidencias vistas hasta ahora de que la IA puede contribuir a igualar el desempeño de los profesionales que la utilizan, otras investigaciones más recientes apuntan a que, en determinadas circunstancias, el uso de la IA generativa en ciertos trabajos puede tener el efecto contrario y aumentar la brecha entre los profesionales más y menos productivos.

Por ejemplo, en un estudio realizado por Aidan Toner-Rodgers para analizar el impacto de la inteligencia artificial en el campo de la innovación, aprovechando la introducción de una nueva tecnología de descubrimiento de materiales a 1.018 científicos en el laboratorio de I+D de una gran empresa estadounidense, los investigadores asistidos por IA descubrieron un 44% más de nuevos materiales, lo que resultó en un aumento del 39% en solicitudes de patentes y un incremento del 17% en innovaciones de producto posteriores. Además, estos compuestos poseían estructuras químicas más novedosas y conducían a invenciones más radicales. No obstante, la introducción de la tecnología tenía efectos dispares en función de la productividad histórica de los investigadores. Mientras que el tercio inferior de los científicos experimentó pocos beneficios, la producción de los investigadores más destacados casi se duplicó. Como la IA logró automatizar el 57% de las tareas de “generación de ideas”, los investigadores se enfocaron en la nueva tarea de evaluar los materiales candidatos propuestos por el modelo de IA. Y aquí estaba la diferencia. Mientras los científicos más destacados aprovechaban su conocimiento especializado para priorizar cuáles de las sugerencias que les hacía la IA eran más prometedoras, los menos hábiles desperdiciaban recursos significativos probando falsos positivos.

Las conclusiones de Toner-Rodgers coinciden en buena parte con los hallazgos de un metaanálisis realizado por los profesores del MIT Michelle Vaccaro, Abdullah Almaatouq y Thomas Malone a partir de 106 estudios publicados entre el 1 de enero de 2020 y el 30 de junio de 2023. Uno de los principales hallazgos fue que los sistemas que combinaban IA y humanos ofrecían un peor rendimiento cuando la IA actuando sola superaba el desempeño de los humanos. En cambio, cuando el rendimiento de los humanos trabajando solos superaba al de la IA, los sistemas que combinaban humanos e IA conseguían mejores rendimientos que los que alcanzaban los humanos sin esas herramientas. Dado que en la gran mayoría de los sistemas formados por humanos e IA examinados en el metaanálisis los humanos tomaban las decisiones finales tras recibir un input de una solución de IA, los autores atribuyeron estas diferencias a que, cuando los humanos superan en términos generales a los algoritmos, también suelen ser mejores a la hora de decidir en qué casos apoyarse más en las recomendaciones que ofrece la IA y en cuáles confiar más en su propio juicio. Lo que, a su vez, depende tanto de la potencia de la solución tecnológica empleada como de las habilidades de sus usuarios.

En cualquier caso, esta no es la única vía a través de la cuál la IA puede incrementar la distancia entre los trabajadores de mejor y peor desempeño. Una investigación llevada a cabo por Christoph Riedl y Eric Bogert sobre el comportamiento de los usuarios de una plataforma online de ajedrez revela otro mecanismo a través del cual el uso de herramientas de IA puede provocar este efecto. Los investigadores descubrieron que los jugadores con mayores habilidades aprendían más rápido que los jugadores menos hábiles, y esto estaba relacionado con que los primeros buscaban feedback de la IA con mayor frecuencia y tenían más probabilidad de hacerlo después de una derrota, mientras que los jugadores con menos habilidades tendían a solicitarlo con menos frecuencia, y a pedirlo más sobre sus éxitos que sobre sus fracasos.

Por otro lado, nos encontramos con que muchas herramientas de IA están diseñadas para adaptarse a las necesidades específicas de cada usuario. Esta característica puede aumentar la productividad de quienes usan este tipo de soluciones, pero también podrían magnificar las diferencias entre los trabajadores de mejor y peor desempeño. Por ejemplo, un modelo de IA que aprende de las fortalezas y debilidades individuales de cada trabajador probablemente será mucho más efectivo en manos de un profesional altamente capacitado que en las de alguien con menos experiencia, y esto podría aumentar todavía más la diferencia entre el rendimiento de ambas personas.

¿Estará la IA afectando negativamente el desempeño de algunos trabajadores?

De todas maneras, el uso de la IA no siempre garantiza mejoras en el desempeño de los trabajadores. Aunque es una herramienta poderosa, también puede ser engañosa y, en ciertos contextos, afectar negativamente los resultados de los profesionales que la utilizan. Un ejemplo de esto lo encontramos en los experimentos de Dell’Acqua y sus colegas, a los que ya he hecho referencia antes. Cuando los usuarios (consultores del BCG) aplicaban la IA en tareas donde el desempeño de esta era inferior al de los humanos, sus resultados empeoraban significativamente respecto a los que lograban sin emplear esta herramienta. En concreto, en una tarea específica, los participantes del grupo de control (sin acceso a IA) lograron un 84.5% de respuestas correctas, mientras que los grupos que emplearon IA, con o sin formación previa sobre la herramienta, obtuvieron solo un 70% y un 60%, respectivamente. Este fenómeno se explica, en parte, porque los profesionales tendían a aceptar los resultados de la IA sin cuestionarlos críticamente, algo que, a su vez, los autores asociaban con una característica de las soluciones de IA generativa, y es que pueden ser extremadamente persuasivas, influyendo en cómo sus usuarios perciben la calidad de sus recomendaciones, incluso cuando estas son incorrectas. 

En esta misma línea, cabe destacar tres experimentos, realizados en 2023 por las profesoras de la universidad de Deusto Lucía Vicente y Helena Matute, en los que los participantes realizaron una tarea de clasificación en un contexto médico ficticio. La tarea consistía en determinar, apoyados por las recomendaciones de una solución de IA “sesgada”, si una muestra de tejido estaba afectada o no por una enfermedad, basándose en la proporción de células oscuras y claras de la muestra. Los autores descubrieron que la influencia del sesgo de la IA puede extenderse más allá de la interacción inicial con el sistema y afectar a las decisiones futuras de los humanos, incluso cuando la IA ya no está presente. Los autores sugieren que esto puede deberse a que los participantes disminuyen su supervisión de la información y aumentan su confianza en las recomendaciones de la IA a medida que aumenta su experiencia con el sistema, lo que, a su vez, puede provocar un procesamiento menos analítico y más superficial de la información objetiva de las muestras de tejido.

Entonces, ¿qué hacemos?

Por lo que respecta a las causas de esta variedad de efectos, las investigaciones sobre el impacto de la IA en el desempeño de los trabajadores sugieren que el signo y la magnitud de este impacto dependen de la conjunción de varios factores, entre los que destacan las habilidades de los trabajadores, sus actitudes hacia la IA y hacia el trabajo, la potencia de las soluciones tecnológicas empleadas, en qué tipo de tareas se aplican y cómo las utilizan sus usuarios.

Es decir, si desean optimizar el impacto de la IA en el desempeño de sus empleados los empleadores se enfrentan al desafío de monitorizar y gestionar una colección de variables sobre las que, en el mejor de los casos, solo pueden ejercer una influencia limitada. 

Un caso ilustrativo es el de las herramientas de inteligencia artificial que los trabajadores usan en sus tareas diarias. Incluso en este ámbito, los empleadores a menudo desconocen o no pueden controlar el grado en que sus empleados utilizan estas soluciones. En este sentido, un informe de Microsoft publicado en mayo de 2024 reveló que el 78% de los profesionales que emplean IA en su trabajo utilizaban herramientas propias (conocidas como BYOAI, por sus siglas en inglés), un fenómeno que, por cierto, afectaba a trabajadores de todas las generaciones. Más recientemente, lo hemos vuelto a observar en la segunda edición del sondeo de Future for Work Institute sobre el impacto de la IA en el trabajo de los profesionales de RRHH. Prácticamente uno de cada dos encuestados usuarios de IA reconocía que emplea en su trabajo herramientas de IA que no le ha proporcionado su empresa.

Además, si hablamos del impacto de la IA en el desempeño de los trabajadores debemos tener en cuenta que estamos hablando de una tecnología que evoluciona tremendamente rápido y que el impacto de estas herramientas en el desempeño de sus usuarios tiene mucho que ver con la potencia de las soluciones empleadas.

En este sentido, dan mucho que pensar las conclusiones de la investigación llevada a cabo por Qiao, Rui y Xiong en 2024 que sugieren la existencia de un “punto de inflexión” para cada ocupación en relación con el impacto de la IA en la demanda de profesionales para realizar ese tipo concreto de trabajo. Antes de alcanzar ese punto de inflexión, los trabajadores humanos se benefician de las mejoras de desempeño y productividad que consiguen con el empleo de herramientas de IA. Sin embargo, una vez que la IA supera el punto de inflexión, cualquier mejora en el rendimiento de la IA perjudica a los trabajadores humanos al provocar un efecto desplazamiento que afecta negativamente tanto a su volumen de trabajo como a sus ingresos.

Por tanto, las empresas necesitan asumir que, sobre todo entre sus “trabajadores del conocimiento”, es muy probable que muchos hayan utilizado soluciones de IA en sus actividades profesionales a lo largo de 2024, y que esto ha podido influir en su rendimiento. Y sería bueno que tuvieran esto en cuenta a la hora de gestionar el trabajo de esas personas. Para empezar, en sus procesos de evaluación y gestión del desempeño que, dada la época del año en la que nos encontramos, en muchas organizaciones estarán ahora en uno de sus momentos cumbre…

Es posible que la empresa llegue a la conclusión de que su actual sistema sigue siendo válido, pero para ello como mínimo sus líderes deberían plantearse algunas preguntas básicas. Por ejemplo: ¿Sigue siendo válida su forma de medir y comparar la productividad de sus empleados ahora que una parte considerable de su trabajo la realizan con el apoyo de herramientas de IA? ¿Deberían ajustar la valoración del mérito y el esfuerzo según el nivel de asistencia que estas herramientas proporcionan a cada persona evaluada? Y de ser así, ¿cómo pueden medir ese nivel de asistencia cuando en muchos casos ni siquiera saben qué herramientas de IA están utilizando esas personas en sus trabajos?

Asimismo, la llegada de la IA obligará a muchas organizaciones a revisar sus expectativas de rendimiento. Dado que la IA es una tecnología ampliamente accesible, las empresas que busquen diferenciarse de sus competidores necesitarán personas capaces de lograr objetivos que los algoritmos no pueden alcanzar. Pero ¿cómo reflejar este cambio en los sistemas de gestión del desempeño, especialmente cuando la inteligencia artificial no para de avanzar y de expandir sus capacidades?

Pensemos…

+++

Foto de Austin Distel en Unsplash