L

a IA tiene un problema de confianza entre los trabajadores de primera línea, y está empeorando. El TrustID Index de Deloitte, que mide diariamente la opinión de clientes y empleados, muestra que la confianza en la IA generativa proporcionada por las empresas (herramientas que se supone deben aligerar la carga de trabajo y aumentar la creatividad) cayó un 31% entre mayo y julio de 2025, los resultados más recientes disponibles, lo que refleja un creciente escepticismo sobre su fiabilidad y valor. La confianza en los sistemas de IA agéntica, que pueden actuar de forma independiente y no solo hacer recomendaciones, cayó un 89% durante el mismo periodo, a medida que los empleados se mostraban cada vez más incómodos con la idea de que la tecnología tomara decisiones que antes les correspondían a ellos.

Nuestra investigación también reveló que el uso de herramientas de IA proporcionadas por los empleadores disminuyó un 15% entre febrero y julio. Pero aquí está el problema: casi la mitad de los empleados de primera línea con acceso a IA están recurriendo a herramientas no aprobadas, lo que indica que confían más en las soluciones paralelas que en las oficiales. Esto sugiere que el problema no es la desconfianza hacia la IA en general, sino hacia la IA que sus empleadores les piden que utilicen. Para estos empleados, las herramientas autorizadas por la empresa se sienten impuestas, no introducidas; obligatorias, no cocreadas. Y detrás de ese escepticismo se esconde un temor más profundo: que se les pida a los empleados que ayuden a promover la misma tecnología que podría reemplazarlos.

Con tanto en juego en la carrera por capitalizar la revolución de la IA, comprender la magnitud del desafío de la confianza es fundamental. He aquí un enfoque que Deloitte está adoptando para abordar este problema:

En Deloitte, nuestro TrustID Index rastrea la confianza de la misma manera que los mercados rastrean las acciones: en tiempo real, entre diferentes industrias y roles. Aproximadamente 60,000 empleados estadounidenses de organizaciones de todos los tamaños y sectores de la economía responden nuestras encuestas cada año, compartiendo su percepción sobre la fiabilidad, capacidad, transparencia y humanidad de su organización o tecnología (lo que llamamos los “cuatro factores de la confianza”). Cada factor se puntúa según el grado de acuerdo del encuestado con afirmaciones en una escala del 1 al 7, como si la organización demuestra empatía y justicia (humanidad), si se comunica de manera abierta y clara (transparencia), si ofrece productos y experiencias de calidad (capacidad) y si cumple sus promesas de manera consistente (fiabilidad). El TrustID de Deloitte combina estas dimensiones en un puntaje compuesto fundamentado en investigación conductual y estadística.

La confianza beneficia a todos, y nuestro marco hace que lo intangible sea accionable. Recomendamos que cada empresa evalúe los elementos centrales de la confianza dentro de su organización y, dado que la confianza es tan fundamental para el éxito empresarial, hemos hecho que nuestra metodología TrustID sea de código abierto, a través de un capítulo descargable en nuestro libro que describe la ciencia detrás de la medición. Como mínimo, sugerimos incluir los cuatro factores de la confianza en su enfoque de medición existente, ya sea mediante una encuesta anual de talento o mientras se prueban herramientas de IA.

Al dividir la confianza en componentes medibles, los líderes pueden ver dónde está aumentando o erosionándose, y actuar en consecuencia. Por ejemplo, si los empleados reportan baja confianza en la transparencia de la IA, los líderes podrían responder aumentando la comunicación sobre cómo las herramientas toman decisiones o involucrando a los empleados en definir su uso.

Y dado que nuestro modelo es altamente predictivo del comportamiento, revela no solo cuánto confían las personas, sino también cómo esa confianza se traduce en defensa, compromiso y desempeño. Por ejemplo, los empleados de la fuerza laboral en general con un nivel de confianza alto tienen 1.9 veces más probabilidades de recomendar su organización a otros, 2.1 veces más motivación para trabajar para su empleador y 1.7 veces más probabilidades de desarrollar nuevas habilidades. En otras palabras, ayuda a cuantificar algo que a menudo se trata como intangible: el ser humano detrás de cada resultado de la IA.

L

os desafíos que enfrentan los líderes empresariales nunca han sido mayores. Las decisiones habituales son cada vez más complejas, dada la inflación, las tensiones comerciales y la incertidumbre política. Los problemas relacionados con el capital humano ahora incluyen la diversidad, la equidad y la inclusión, la salud mental y la mejora de las capacidades para la cuarta revolución industrial. Las cuestiones ambientales, sociales y de gobernanza ya no se pueden delegar a un departamento de responsabilidad social corporativa, sino que son responsabilidad de la alta dirección. La inteligencia artificial ofrece innumerables oportunidades, pero también múltiples amenazas.

Sin embargo, los ejecutivos tienen una herramienta para combatir estos desafíos: la información. Con solo hacer clic con el mouse o presionar un botón, pueden acceder a investigaciones de vanguardia sobre prácticamente cualquier tema. Con tanta información disponible, ¿cómo saber en qué confiar? Como han puesto de manifiesto controversias recientes, incluso las investigaciones publicadas en revistas de élite, revisadas por expertos, podrían basarse en datos manipulados. El sesgo de confirmación puede significar que lo que la gente comparte y, por lo tanto, lo que vemos en las noticias, es lo que quieren que sea verdad, en lugar de lo que es realmente cierto. Lo que los ejecutivos necesitan es una taxonomía simple de la desinformación para saber a qué prestar atención.

En un nuevo libro, me baso en las herramientas de investigación en ciencias sociales para desarrollar lo que yo llamo la “escalera de la inferencia errónea”, que clasifica la desinformación en cuatro pasos en falso. Este marco puede resultar útil para líderes de todo tipo, que necesitan gestionar sus propias avalanchas informativas.

El primer paso en falso es que una declaración no es un hecho, porque puede no ser exacta. ¿Con qué frecuencia aceptamos una declaración tal como se presenta porque nos gusta lo que dice? Por ejemplo, mi investigación destaca los beneficios del gobierno corporativo y el valor del capitalismo de partes interesadas. Por ello, cuando me encontré con un informe de una influyente ONG, que afirmaba que las empresas con altos estándares ambientales, sociales y de gobierno corporativo (ASG o ESG, por sus siglas en inglés) superan a sus homólogas, estaba ansioso por aceptar esta afirmación acríticamente. El estudio incluía notas a pie de página que sugerían que había evidencia que lo respaldaba, por lo que fue tentador pensar que esto era suficiente y seguir adelante.

Pero el primer paso para un pensamiento más inteligente es verificar los hechos. En este caso, seguí la nota a pie de página sólo para descubrir que la fuente subyacente decía lo contrario de lo que afirmaba el informe. La nota a pie de página llevaba a un artículo titulado «Donde los criterios ASG fallan», y cuyo subtítulo afirmaba que «A pesar de innumerables estudios, nunca ha habido evidencia concluyente de que las pantallas socialmente responsables proporcionen alfa». Una nota al final de una oración no significa que la nota realmente respalde la oración: la afirmación no es un hecho.

Otras inexactitudes surgen debido a errores de medición. Un artículo afirmaba que las empresas que invierten en ASG obtienen grandes beneficios. Pero al profundizar en el estudio, uno se da cuenta de que los autores nunca midieron realmente el nivel de ASG de una empresa, sino que simplemente se limitaron a preguntar a las empresas si pensaban que los ASG se habían vuelto más importantes, lo cual es muy diferente. Incluso si una declaración está vinculada a una avalancha de datos, estos pueden no medir realmente lo que se afirma en la declaración.

El segundo problema es que un hecho no es un dato, porque puede no ser representativo. Los estudios de casos son un método de enseñanza popular y poderoso. Pero los gurús suelen elegir el ejemplo que ilustra el punto de la manera más destacada posible, ya que hace que la historia sea más memorable. Una sola anécdota, o incluso un par de anécdotas, nos dicen poco, porque podrían estar seleccionadas a conveniencia. Son excepciones que no confirman la regla.

Nos encanta aprender de las historias de éxito, pero nunca se puede identificar lo que impulsó el éxito, a menos que también se estudie el fracaso. El conjunto de datos debe incluir empresas con la fórmula secreta que fracasaron, así como aquellas que no la tenían y que tuvieron éxito. Si solo se presentan aquellas que siguieron la fórmula y ganaron el premio mayor, entonces se tiene una muestra seleccionada.

La tercera advertencia es que los datos no son evidencia, porque pueden no ser concluyentes. Los datos a gran escala pueden ser representativos, pero son sólo un primer paso, porque los datos no son más que un conjunto de hechos. La evidencia es un conjunto de hechos que nos permite llegar a una conclusión. Para ello, no sólo es necesario respaldar su teoría, sino también rechazar teorías rivales, del mismo modo que las pruebas en un juicio penal sólo son significativas si señalan a un sospechoso en particular.

Pregúntese siempre si existen otras teorías que sean consistentes con los datos que tiene ante usted, en lugar de aceptar de inmediato la explicación que desea que sea cierta.

El último punto a tener en cuenta es que la evidencia no es una prueba, porque puede no ser universal. Incluso si la evidencia respalda un resultado a la perfección, puede que sólo lo haga en el contexto en el que se recopiló, y que no lo haga en ningún otro.

Según uno de mis estudios, las empresas con un alto grado de satisfacción de sus empleados superan a sus homólogas en un 2.3% y un 3.8% anual en rentabilidad bursátil a largo plazo, lo que equivale a un aumento acumulado del 89% al 184%, incluso después de controlar otros factores que impulsan la rentabilidad. Otros análisis sugieren que es la satisfacción de los empleados la que genera un buen rendimiento, en lugar de que un buen rendimiento permita a una empresa invertir en la satisfacción de los empleados.

Sin embargo, este estudio se limitó a los EE. UU. Con algunos coautores, amplié mi estudio original a 30 países. Descubrí que mis conclusiones originales solían mantenerse, pero no siempre. En países con regulaciones laborales estrictas, las empresas con un alto grado de satisfacción de sus empleados ya no superaban a las demás. Eso tiene sentido: la ley implica que sus competidores ya ofrecen un alto nivel de bienestar laboral, por lo que aquellos en la parte superior pueden estar más allá del punto de rendimientos decrecientes.

¿Cómo podemos poner en práctica la escalera de la inferencia errónea al encontrar información? Haciéndonos las siguientes preguntas:

1. Si vemos una declaración, ¿está respaldada por datos? Incluso si la afirmación está respaldada, ¿qué miden realmente los datos?

2. Si escuchamos un hecho, como una historia o anécdota, ¿es representativo o ha sido seleccionado a conveniencia? ¿El autor considera otras empresas con la fórmula secreta que fracasaron, así como aquellas que no la tenían y que tuvieron éxito?

3. Si nos dan datos a gran escala, ¿cuáles son las teorías rivales que son consistentes con los mismos datos? Un consejo práctico para identificar teorías rivales es imaginar que el estudio encontró el resultado opuesto (uno que no nos gusta) y pensar en cómo intentaríamos refutarlo.

4. Si encontramos evidencia sólida, ¿se aplica en el entorno que nos interesa? Un estudio que concluye que la capacitación de los empleados funciona en el ámbito tecnológico, no necesariamente significa que sea eficaz en la minería, donde la salud y la seguridad son primordiales y las normas tienen más valor.

Estos antídotos resaltan que comprender los datos no requiere pirotecnia estadística, sino sentido común, pensamiento crítico y una buena dosis de escepticismo.