Scovai Scovai
AI & Operations 2026-11-05 1 min read

Preguntados si el avatar de una IA cambia su valoración, 30 de 34 trabajadores dijeron que no. Sus pagos dijeron que sí.

DSL

Dr. Sarah Liu

Preguntados si el avatar de una IA cambia su valoración, 30 de 34 trabajadores dijeron que no. Sus pagos dijeron que sí.

Tres asistentes de IA dieron las mismas respuestas a 189 trabajadores del conocimiento. Los trabajadores les pagaron cantidades distintas. En un experimento de oficina en realidad virtual publicado en las actas de NordiCHI '26, los participantes entregaron dinero real a un asistente de presentación masculina por una media de 2,96 CHF, frente a 2,54 CHF a uno de presentación femenina funcionalmente idéntico — p = .026 (Cuber et al., NordiCHI '26, 2026). Preguntados si la presentación cambiaba su valoración, 30 de 34 entrevistados respondieron que no.

Su evaluación de agentes de IA tiene el mismo punto ciego. Cada cuadro de mando de piloto, encuesta de confianza y panel de adopción que utiliza recoge el tipo de respuesta que aquí resultó equivocada — sobre la única variable que este estudio demuestra que movió dinero de verdad.

El experimento mantuvo constante la capacidad, de forma deliberada

Es este detalle de diseño el que convierte el resultado en algo utilizable y no solo interesante.

Publicado el 2 de octubre de 2026, el estudio hizo que cada uno de sus 189 participantes (191 reclutados, 2 excluidos por fallos de respuesta del asistente) realizara tareas en una oficina de realidad virtual con tres asistentes: un chatbot de texto, un robot de escritorio y un agente de voz de apariencia humana presentado como «Johan» o como «Johanna». Los asistentes eran funcionalmente idénticos: mismo sistema subyacente, mismas respuestas, misma calidad de trabajo. La encarnación variaba intrasujeto; la presentación de género variaba entre sujetos. Después, los participantes asignaron al asistente hasta 4 CHF de dinero real, y cada franco entregado reducía su propia retribución.

Así, el experimento eliminó la explicación a la que los directivos recurren primero. Nadie pagó más al agente de apariencia humana porque hubiera trabajado mejor. Hizo el mismo trabajo. Lo único que cambiaba era su aspecto y su sonido.

El efecto de la encarnación fue mayor que el de género y estadísticamente mucho más robusto: el agente de apariencia humana obtuvo 2,76 CHF (DE 1,18) frente a 1,98 CHF (DE 1,26) del robot, W = 1511,5, p < .001, con un tamaño del efecto de r = .44. El simple chatbot de texto quedó último, con 1,75 CHF. Sobre un techo de 4 CHF, la presentación de apariencia humana valía unos 0,8 CHF del dinero ajeno sin producir nada adicional.

El hallazgo sobre el género es más estrecho que los titulares

Aquí conviene ser preciso, porque la cobertura secundaria no lo ha sido. La presentación de género movió la recompensa (2,96 frente a 2,54, p = .026) y la percepción de semejanza humana (5,09 para Johan frente a 4,59 para Johanna, p = .029). No alcanzó significación en confianza (5,58 frente a 5,25, p = .065) ni en atribución de mérito (5,24 frente a 5,05, p = .164).

La afirmación honesta se refiere, por tanto, a la valoración monetaria y a la percepción de semejanza humana, no a la confianza. Si ve atribuida a este estudio la idea de que «los agentes de IA femeninos generan menos confianza», no es lo que encontró. También verá circular un pulcro «10,25 %» en las reseñas de esta investigación: proviene de un comunicado de prensa universitario, no aparece en ninguna parte del artículo y no es recuperable a partir de las medias publicadas. Cite las medias.

Una moderación que merece mención: la ventaja de la apariencia humana sobre el robot fue más acusada entre las participantes mujeres que entre los hombres (beta de interacción = 1,074, z = 3,73, p < .001). El efecto de la persona no es uniforme en su plantilla, lo que significa que no se compensará en la media de una encuesta de equipo.

Lo que dijeron y lo que pagaron eran cifras distintas

El resultado de las entrevistas es el que tiene el camino más corto hacia una decisión operativa. Treinta de treinta y cuatro participantes declararon que la presentación de género era irrelevante para su confianza o su recompensa. Sus propias asignaciones, hechas con dinero real, los contradijeron.

Es una brecha de manual entre preferencias declaradas y reveladas, y no se trataba de gente mintiendo. No tenían motivo particular para engañar a nadie ni incentivo evidente para hacerlo. Simplemente no tenían acceso fiable a lo que guiaba su propio juicio.

La consecuencia es contundente: preguntar a su equipo sobre el diseño de los agentes produce datos sin valor predictivo demostrado. En este estudio, el autoinforme apuntó en la dirección equivocada sobre la única variable que movió el comportamiento de forma medible.

Su evaluación de agentes de IA está midiendo en parte la persona

Lleve esto a una revisión operativa de una empresa del mercado medio y el problema deja de ser sobre avatares.

Está pilotando dos agentes en funciones distintas. Uno es una interfaz de voz cuidada, con nombre y rostro; el otro es una herramienta utilitaria que devuelve texto a una cola de tickets. Al final del trimestre compara las puntuaciones de satisfacción, la utilidad percibida, la disposición del equipo a seguir usándolos y las peticiones de ampliar el puesto. Luego financia al ganador.

Lo que dice este estudio es que una parte desconocida de esa diferencia es encarnación, no rendimiento. Ha realizado una comparación no controlada y ha leído el resultado como una señal de capacidad. El agente que recibió financiación pudo ser, simplemente, el mejor presentado.

Ese modo de fallo se agrava de una manera concreta. La presentación es barata de cambiar y la capacidad es cara de cambiar, así que un proveedor —o un equipo interno que optimiza métricas de adopción— encontrará siempre más fácil mejorar la persona que el trabajo. Si su cuadro de mando no sabe distinguir ambas cosas, seguirá premiando la más barata, y su sistema de medición habrá empezado en silencio a seleccionar en contra de la calidad real.

Es una versión más aguda de un patrón ya visible en otros puntos de la investigación sobre agentes. El Agent Confidence Index 2026, que clasificó 101 tareas agénticas entre 300 directivos y profesionales del sector tecnológico, halló que la confianza seguía la verificabilidad de la tarea y la integridad del contexto de negocio, y no la capacidad del modelo: la generación automatizada de informes obtuvo 83,5 y el código boilerplate 82,5, ambos con una única métrica objetiva de evaluación, mientras que la configuración de una service mesh se quedó en 37,5 con los mismos modelos subyacentes (MIT Technology Review Insights, 2026; Microsoft, 2026). Donde no hay una métrica de éxito limpia, el juicio humano llena el vacío, y el estudio en realidad virtual muestra a qué se agarra ese juicio cuando no tiene nada sólido a lo que asirse.

Lo que el estudio no demuestra

Tres límites, dichos con claridad, porque un argumento tan conveniente los merece.

Fue un entorno de realidad virtual con una tarea construida, no el despliegue real de un agente dentro de un flujo de trabajo con consecuencias reales. Lo que estaba en juego era pequeño y de una sola vez: hasta 4 francos suizos, asignados una única vez, no una decisión presupuestaria recurrente tomada por alguien responsable del resultado. Y las diferencias de confianza y de atribución de mérito por presentación de género no alcanzaron significación, de modo que el efecto es más estrecho de lo que sugiere una lectura superficial.

Lo que sobrevive a esas salvedades es el punto estructural, y sobrevive intacto: manteniendo la capacidad constante por construcción, la presentación aun así movió la valoración monetaria, y el autoinforme no logró predecirlo. No hace falta que el tamaño del efecto se traslade de un laboratorio de realidad virtual a su planta de operaciones para actuar. Basta aceptar que la persona es una variable activa en su evaluación y que ahora mismo no la está controlando.

El coste de medir lo equivocado

La razón para preocuparse es presupuestaria, no ética.

El trabajo de agosto de 2026 de McKinsey QuantumBlack sobre economía agéntica halló que, para un agente que realiza una tarea de atención al cliente en banca, los costes de tokens representan con frecuencia solo el 20-25 por ciento de los costes variables de ejecución, mientras que la supervisión humana supone el 70-75 por ciento (McKinsey QuantumBlack, 2026). La supervisión —cuánta revisión humana requiere un agente dado, por parte de quién, con qué frecuencia— es la partida de coste dominante.

Esa asignación la fija exactamente el juicio que este estudio muestra contaminado. Si decide que un agente es fiable, reduce la supervisión y amplía su autonomía. Si lo juzga poco fiable, mantiene un revisor en cada ejecución. Si parte de esa confianza está siguiendo lo humana que parece la interfaz, revisará de menos al agente encantador y de más al útil, y se equivocará en la mayor partida de coste de toda la pila.

Qué hacer antes de su próxima revisión de agentes

Cuatro cambios, todos realizables este trimestre y ninguno que requiera herramientas nuevas.

Mantenga constante la presentación en todo lo que piense comparar. Si dos agentes se evalúan uno frente a otro, deles la misma modalidad de interfaz, o acepte que la comparación está confundida y deje de presentarla como un resultado de rendimiento.

Deje de encuestar al equipo sobre el diseño de los agentes. Treinta de treinta y cuatro participantes se equivocaron sobre su propio comportamiento. Pregunte en cambio por hechos concretos y observables: qué produjo el agente, qué tuvo que corregir, cuánto llevó la corrección, qué escaló. Esas respuestas son verificables.

Instrumente el comportamiento, no el sentimiento. Tasas de error detectadas en revisión, volumen de retrabajo, frecuencia de escalado, tiempo desde la salida hasta el entregable aceptado. Todas ellas son indiferentes a que el agente tenga rostro.

Haga que la revisión trimestral de agentes sea cuantitativa y firmada. Un agente es el único sujeto que puede evaluar puramente con números, sin las restricciones de equidad que con razón se aplican a las personas: un cuadro de mando periódico cerrado por un supervisor con nombre y un resultado escrito es más defendible para un Digital Employee de lo que lo sería jamás para un colaborador humano, y por eso los puestos Digital Employee de Scovai se revisan así y no mediante una encuesta de percepción. Cualquiera que sea el sistema que use, el requisito es el mismo: una persona responsable con nombre, un conjunto fijo de medidas y una decisión por escrito.

La prueba de si su evaluación de agentes de IA se sostiene es una sola pregunta, y puede responderla hoy: si el agente que financió el trimestre pasado hubiera llegado con otra voz y sin nombre, ¿habría producido su cuadro de mando la misma cifra? Si no puede decir que sí, midió el avatar.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.