¿Cómo se compara la confianza en la retroalimentación de la IA con la humana y cómo afecta al desempeño?

Host: Bienvenidos a A.I.S. Insights — powered by Living Knowledge. Soy Anna Ivy Summers. En este episodio analizamos el estudio titulado "Cuando la credibilidad de la IA se fractura: fuentes de retroalimentación humanas frente a las de IA en proyectos globales de equipos virtuales de estudiantes", desarrollado por Dhruv Pratap SINGH y Vasyl Taras para la conferencia ICIS 2026. El estudio investiga cómo la retroalimentación de la inteligencia artificial generativa y la de evaluadores humanos influyen en el rendimiento de equipos colaborativos. Me acompaña nuestro analista, Alex Ian Sutherland. Alex, bienvenido.

Expert: Gracias, Anna. Un gusto estar aquí para analizar este estudio.

Host: Alex, las herramientas de inteligencia artificial generativa ya forman parte cotidiana de los flujos de trabajo y la educación. Sin embargo, el estudio plantea una incógnita central sobre cómo procesamos esa retroalimentación. ¿Cuál es el problema fundamental?

Expert: Tradicionalmente, la teoría de la credibilidad de la fuente se construyó estudiando a comunicadores humanos, evaluando tres dimensiones: competencia, confiabilidad y buena voluntad. Con la llegada de la IA a entornos de trabajo conjunto, las personas reciben comentarios tanto de instructores como de sistemas automatizados. El problema es que no sabíamos si evaluamos a la IA con esos mismos criterios multidimensionales, ni si confiar en sus sugerencias mejora o perjudica el desempeño real de los equipos.

Host: Para responder a esto, los autores analizaron un entorno de trabajo a gran escala. ¿Cómo fue la metodología del estudio?

Expert: El estudio recolectó datos de encuestas y rendimiento de 3.776 participantes de 31 países que trabajaron durante 11 semanas en un proyecto virtual de consultoría global. Los investigadores midieron la credibilidad atribuida a profesores, entrenadores y herramientas de IA generativa. Luego, mediante modelos de ecuaciones estructurales, evaluaron cómo estas percepciones se relacionaban con el rendimiento posterior, medido tanto por autoevaluación como por la evaluación de los pares del equipo.

Host: Y los resultados muestran diferencias marcadas entre humanos e inteligencia artificial. ¿Qué observaron?

Expert: La primera conclusión es estructural. Mientras que en los evaluadores humanos las percepciones de competencia, confiabilidad y buena voluntad se integran en un único juicio global de credibilidad, en la IA esa percepción se fractura y mantiene esas dimensiones separadas. Además, la credibilidad del profesor predijo positivamente tanto el desempeño evaluado por pares, con un coeficiente beta de punto ciento cincuenta y cinco, como el autoevaluado, con beta de punto ciento trece, ambos estadísticamente significativos.

Host: Pero con la inteligencia artificial ocurrió algo particular entre la competencia y la confiabilidad, ¿correcto?

Expert: Exacto, encontramos efectos divergentes. La competencia percibida de la IA se asoció de forma positiva con el desempeño calificado por los compañeros de equipo, con un coeficiente beta de punto ciento treinta y ocho. Sin embargo, la confiabilidad atribuida a la IA mostró una asociación negativa con ese mismo desempeño, con un coeficiente beta de menos punto doscientos sesenta y ocho. Además, estos efectos solo fueron significativos en los participantes que interactuaron activamente con la fuente durante la tarea.

Host: ¿Por qué considerar que la IA es confiable se traduce en un menor rendimiento evaluado por pares?

Expert: El estudio indica que cuando los usuarios perciben una alta confiabilidad en la IA, pueden incurrir en una aceptación acrítica o complacencia con sus resultados, reduciendo la verificación y el rigor analítico dentro del equipo. En cambio, reconocer la competencia técnica de la herramienta permite aprovechar sus capacidades analíticas sin delegar ciegamente la toma de decisiones. De hecho, si los investigadores hubieran medido la credibilidad de la IA como un puntaje único, el resultado neto habría sido erróneamente negativo, ocultando este matiz.

Host: Llevando esto al mundo empresarial, ¿cuáles son las implicaciones prácticas para los líderes de equipo y gestores de tecnología?

Expert: Hay dos lecciones clave para las organizaciones. Primero, los programas de capacitación corporativa en IA no deben enfocarse únicamente en fomentar la adopción o la confianza ciega, sino en enseñar pensamiento crítico hacia sus respuestas. La herramienta debe tratarse como un colaborador técnicamente capaz pero que requiere validación humana continua. Segundo, al diseñar métricas internas de adopción tecnológica, las empresas deben medir la percepción de competencia técnica de forma independiente a la confianza operativa depositada en el sistema.

Host: Un enfoque pragmático para integrar la IA en flujos de trabajo sin comprometer la calidad del resultado final. Alex, muchas gracias por clarificar estos datos.

Expert: Gracias a ti, Anna.

Host: A nuestros oyentes, gracias por acompañarnos en A.I.S. Insights — powered by Living Knowledge. Hasta nuestro próximo episodio.