Volver a la biblioteca

Pregunta clave Nuevo

Procesado con IA · Aprobado por los autores

¿Cómo asumen los líderes el trabajo asistido por IA y cuándo revelar su uso ayuda o daña la credibilidad?

When Is It Still My Work? Generative AI, Defensibility, and Disclosure in Software Product Managers’ Work
Phong Trang, Tran Dieu Hieu Nguyen, Soumitra Chowdhury · International Conference on Information Systems (ICIS) · 2026
Ilustración para: ¿Cómo asumen los líderes el trabajo asistido por IA y cuándo revelar su uso ayuda o daña la credibilidad?

Carga el reproductor de Spotify; Spotify puede utilizar cookies. Este dispositivo recuerda su elección.

Hallazgos clave

  • Los directivos suelen apoyarse en una rutina de 'Preguntar-Ajustar-Compartir' (Ask-Tweak-Share), utilizando la fase crítica de 'Ajuste' para incorporar contexto propietario, restricciones técnicas y criterio empresarial en los borradores generados por IA.
  • La defendibilidad a nivel de artefacto se consolida durante la modificación previa a compartir, asegurando que el autor pueda responder a preguntas detalladas de los interesados, independientemente de la herramienta utilizada.
  • La defendibilidad y la visibilidad mediada por la divulgación pueden desacoplarse, ya que algunos directivos ocultaron la asistencia de la IA en documentos sustancialmente reelaborados para evitar que sus pares desestimen su esfuerzo.
  • El estudio plantea que la divulgación tiene mayor probabilidad de fomentar la experimentación en equipo cuando los colegas perciben el trabajo como sustancialmente reelaborado, y de recibir una penalización cuando lo interpretan como un atajo.
  • En entornos sin una gobernanza formal, las normas locales de los equipos y las reacciones de los colegas determinan de manera informal qué prácticas de IA resultan aceptables y debatibles abiertamente.

Qué significa para usted

CIO / Ejecutivo de TI

Where AI use runs ahead of policy, build guidelines on existing team norms. Encourage disclosure of substantially reworked work, and protect staff, especially early-career staff, from being judged as low effort when they disclose AI use.

Director de TI

Review team routines to ensure that every AI-assisted draft undergoes the critical 'Tweak' phase—embedding proprietary context, technical constraints, and business judgement—before it is shared with stakeholders.

Estratega empresarial

Before sharing an AI-assisted roadmap or rationale, check it against the decisions, constraints and history colleagues are likely to ask about.

Investigador

Test whether defensibility and visibility decouple in a setting with formal AI governance, and examine whether seniority and local team norms change how disclosure is received.

Responsable de políticas

When writing guidance on AI disclosure at work, consider that the same disclosure can be read as openness or as low effort, depending on how much the work was reworked.

Resumen

Este estudio cualitativo investiga cómo los gestores de productos de software integran la IA generativa en sus rutinas diarias de coordinación ante la ausencia de políticas corporativas formales. A través de entrevistas semiestructuradas y sesiones de pantalla compartida con 21 gestores de producto en una empresa de software automotriz, los investigadores examinan cómo los profesionales producen trabajos defendibles y gestionan las decisiones de divulgación. El análisis describe cómo los directivos evalúan los borradores de la IA frente a las realidades organizacionales y las expectativas sociales antes de compartir los entregables. Los hallazgos provienen de una organización de software automotriz y se ofrecen para su transferencia analítica a entornos similares.

Problema

El trabajo directivo depende en gran medida de la producción de entregables compartidos, como hojas de ruta de productos y justificaciones estratégicas, que conllevan responsabilidad profesional y requieren fundamentación. La IA generativa hace que la autoría de procedencia sea opaca, lo que genera incertidumbre en los directivos sobre cómo justificar los resultados asistidos por IA como trabajo propio ante el escrutinio de sus pares. Además, los profesionales enfrentan el dilema de si revelar la participación de la IA demuestra innovación o corre el riesgo de perjudicar su credibilidad.

Transcripción
Host: Bienvenidos a A.I.S. Insights — powered by Living Knowledge. Soy Anna Ivy Summers.
Expert: Y yo soy Alex Ian Sutherland.
Host: Hoy analizamos un estudio titulado: "¿Cuándo sigue siendo mi trabajo? IA generativa, defendibilidad y divulgación en el trabajo de los gestores de productos de software", presentado en la International Conference on Information Systems en 2026 por Phong Trang, Tran Dieu Hieu Nguyen y Soumitra Chowdhury. Este estudio examina cómo los gestores de productos de software integran herramientas de inteligencia artificial generativa en sus actividades cotidianas en contextos donde las empresas aún no cuentan con políticas formales de uso.
Expert: El problema central que aborda el estudio se vincula con la responsabilidad profesional. El trabajo de estos gestores se basa en producir documentos compartidos, como planes de trabajo y justificaciones estratégicas, que requieren sustentación y conllevan rendición de cuentas ante distintos equipos.
Host: Y con la llegada de la inteligencia artificial generativa, el origen exacto del contenido se vuelve menos transparente.
Expert: Así es. Se genera incertidumbre sobre cómo respaldar los resultados asistidos por tecnología frente al escrutinio de los colegas. A esto se suma el dilema de la divulgación: mencionar abiertamente el uso de la herramienta puede percibirse como una señal de innovación técnica o, por el contrario, poner en riesgo la credibilidad profesional si se interpreta como una falta de rigor.
Host: Alex, ¿cuál fue el método que emplearon los autores para observar este fenómeno?
Expert: El equipo llevó a cabo un estudio cualitativo con veintiún gestores de producto dentro de una empresa de software automotriz. Recopilaron datos a través de entrevistas semiestructuradas y sesiones de pantalla compartida, observando de forma directa cómo interactúan con estas herramientas y cómo modifican los textos generados.
Host: Pasando a los resultados del estudio, ¿qué patrones identificaron los investigadores?
Expert: El estudio identificó una rutina frecuente que denominan "Preguntar-Ajustar-Compartir". La fase central es el "Ajuste", donde los profesionales intervienen los borradores iniciales para incorporar información interna de la empresa, limitaciones técnicas específicas y el criterio del negocio.
Host: De modo que la validez del entregable depende de lo que ocurre en esa etapa de modificación.
Expert: Exactamente. La defendibilidad se construye antes de compartir el documento. Si el gestor domina el contenido y puede responder con precisión técnica a las preguntas de las partes interesadas, el trabajo se considera defendible, con independencia de los borradores preliminares que haya aportado la herramienta.
Host: ¿Y qué observó el estudio respecto a la decisión de declarar o no el uso de la tecnología?
Expert: El estudio muestra que la defendibilidad y la divulgación pueden desacoplarse. Varios participantes optaron por no comunicar la asistencia de la herramienta, incluso después de haber realizado una reelaboración profunda, con el fin de evitar que sus pares desestimaran su esfuerzo personal.
Host: Esto indica que las percepciones del equipo pesan fuertemente en esa decisión.
Expert: Correcto. Si los colegas perciben que existió una reelaboración sustancial, la divulgación tiende a incentivar el intercambio técnico y la experimentación dentro del grupo. Sin embargo, si el uso se interpreta como un atajo para evitar el trabajo analítico, surge una penalización reputacional. Al no existir reglas corporativas fijas, son las normas informales del equipo las que establecen qué conductas son aceptadas.
Host: Llevando esto al plano práctico, ¿cuáles son las implicaciones de este estudio para las empresas?
Expert: La principal conclusión aplicada es que la ausencia de marcos de gobernanza traslada toda la carga de decisión al criterio individual de cada empleado. Para reducir la ambigüedad, las organizaciones pueden establecer pautas claras que diferencien el uso exploratorio de herramientas del compromiso final con la exactitud de los entregables.
Host: Además de evaluar los resultados en función de la solidez técnica y la justificación del contenido, más que por el método de redacción inicial.
Expert: Así es. Definir expectativas explícitas sobre la verificación del contenido ayuda a alinear los estándares de calidad y reduce las tensiones interpersonales asociadas a la procedencia del trabajo.
Host: En conclusión, el estudio subraya que la defendibilidad del trabajo radica en el criterio y la contextualización aplicados por el profesional, mientras que la transparencia depende en gran medida de las normas sociales y las directrices internas. Alex, gracias por compartir este análisis.
Expert: Gracias a ti, Anna.
Host: Y a nuestros oyentes, gracias por acompañarnos en A.I.S. Insights — powered by Living Knowledge. Hasta la próxima entrega.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

Generative AI, Software Product Management, Managerial Work, Accountability, AI Disclosure, Work Routines, artefact-level defensibility, disclosure-mediated visibility