Tres eslóganes de campaña. Dos grupos de lectores. Una sola diferencia: a la mitad se le dijo que los había escrito un profesional de marketing, y a la otra mitad que los había producido un software de marketing con IA. Los eslóganes eran idénticos palabra por palabra. El grupo que creía que los había hecho la IA se mostró menos dispuesto a aportar una idea propia en 3,4 puntos porcentuales — sobre una base del 26%, un desplome relativo del 13% del esfuerzo voluntario (Brookings, 2026).
Nada del trabajo cambió. Solo la firma.
Es el resultado causal más limpio disponible hasta ahora sobre la atribución a la IA dentro de un flujo de trabajo, y aterriza en un punto para el que la mayoría de los planes operativos no tiene partida. Todas las conversaciones que ha tenido sobre IA y su equipo han girado en torno a la capacidad: qué puede hacer el modelo, qué tan bueno es el resultado, dónde está la tasa de error. Este hallazgo dice que la etiqueta sobre el resultado mueve el comportamiento humano por sí sola, manteniendo la calidad constante. La atribución no es un detalle de comunicación aguas abajo del trabajo. Es un insumo de cuánto trabajo obtiene.
Qué mantuvo constante el experimento y qué movió
El estudio es un experimento de encuesta preregistrado de Nikolova, Milanova y Wang, realizado de forma idéntica en muestras representativas a nivel nacional en Estados Unidos (N=1.511) y los Países Bajos (N=2.117), agrupadas en N=3.628 (GLO Discussion Paper 1788, 2026). El diseño se registró de antemano en el registro de la AEA (AEA RCT Registry #15363, 2026) — es decir, los resultados se especificaron antes de que llegaran los datos, que es la diferencia entre un hallazgo y un relato.
A los participantes se les planteó un pequeño problema de salud pública — mucha gente no bebe suficiente agua — y se les pidió ayuda para un eslogan de campaña. Antes de ver nada, valoraron cuán significativa les parecía la tarea, con una media de alrededor de 5 en una escala de 7 puntos. Después leyeron tres eslóganes. A la mitad se le dijo que los había escrito un profesional de marketing; a la otra mitad, que los había producido un software de IA. Los mismos eslóganes en ambas ramas. A continuación volvieron a valorar el significado de la tarea y se les ofreció la posibilidad de proponer un eslogan propio. Esa aportación voluntaria fue la medida del esfuerzo.
Salieron dos resultados. El significado de la tarea cayó unas 0,07 desviaciones estándar en la condición con etiqueta de IA. La disposición a aportar una idea bajó 3,4 puntos desde una base del 26% — la cifra del 13%. Los efectos se replicaron en ambos países.
Fíjese en qué se está midiendo. No la satisfacción. No el sentimiento. Lo que la gente hizo cuando nadie le exigía nada: la contribución discrecional. Ese es exactamente el insumo con el que funcionan sus mejoras de proceso, sus escalados y sus detecciones de calidad.
La penalización también recae sobre el trabajo
El segundo hallazgo recibe menos atención y merece más.
Los participantes a quienes se les dijo que los eslóganes eran obra de la IA calificaron esos mismos eslóganes como menos creativos y menos persuasivos que los participantes a quienes se les dijo que los había escrito una persona (Brookings, 2026). Texto idéntico, notas más bajas. También declararon menos confianza en la capacidad de la IA para ese tipo de trabajo.
Para un responsable de operaciones, este es el filo más agudo del resultado. Si su equipo está revisando material redactado por IA — texto de políticas, análisis de primera pasada, respuestas a clientes, informes internos — la revisión no ocurre en igualdad de condiciones. La evaluación de calidad del revisor es en parte función de la etiqueta, no solo del texto. Parte de ese descuento es escepticismo justificado, y lo quiere. Pero no está calibrado con la tasa de defectos real del borrador que tiene delante, lo que produce dos modos de fallo a la vez: sobreedición de buenos resultados de IA y una erosión general de la confianza en el proceso que los produjo.
No puede separar ambos efectos preguntando a la gente. Le responderán, con honestidad, que el borrador era flojo.
Por qué la atribución a la IA cambia el precio del flujo estándar
El patrón por defecto que las operaciones del mid-market adoptaron en los últimos dieciocho meses es "la IA redacta, la persona revisa". Se eligió porque parecía motivacionalmente neutro — la persona sigue siendo dueña del resultado, la máquina solo elimina la página en blanco.
Esta evidencia dice que esa neutralidad era un supuesto, no una propiedad.
En el patrón estándar, la contribución humana se enmarca como edición. La contribución de la IA se enmarca como autoría. Ese encuadre es una elección, normalmente hecha por quien configuró la herramienta, y ahora es medible y estructural. El mismo trabajo reenmarcado — la persona define el brief y es dueña del argumento, la IA aporta materia prima — es la misma actividad con otra firma, y la firma es la variable que movió el esfuerzo un 13% en un entorno controlado.
Esto conecta con una brecha ya visible en los datos de campo. La encuesta de BCG de 2026 a 11.749 trabajadores encontró que el 47% dedica ya más tiempo a gestionar y dirigir la IA que a hacer el trabajo, mientras que el 66% declara no tener ninguna orientación significativa sobre cómo usar el tiempo que la IA libera (BCG, 2026). Los roles se están reestructurando en torno a la revisión y la dirección — exactamente la posición que el experimento muestra motivacionalmente expuesta — sin ninguna decisión de diseño correspondiente sobre cómo se nombra la contribución humana.
La implicación de productividad es la que plantean los propios autores: el esfuerzo discrecional suprimido puede ser parte de por qué las grandes ganancias experimentales de la IA aún no aparecen en las cifras de productividad agregada. Puede obtener más producto por tarea y menos contribución alrededor de ella, y el segundo efecto no aparecerá en ningún panel de herramientas.
Dónde aparece esto en una organización de 50 a 500 empleados
Cuatro lugares, en orden aproximado de rapidez de impacto.
Comunicación interna. Actualizaciones de políticas, cambios de proceso y material de reuniones generales redactados con IA y reconocibles como tales. El mensaje es idéntico a la versión escrita por una persona; la recepción no. Si necesita que la gente actúe voluntariamente en lugar de limitarse a cumplir, la etiqueta juega en su contra.
Revisión por pares y controles de calidad. El estudio de Adaptavist de 2026 con 2.500 trabajadores del conocimiento encontró que el 52% corrige regularmente trabajo generado por IA producido por colegas (Adaptavist, 2026). Esa carga de corrección ya es real. Lo que añade este experimento es que el juicio de gravedad del revisor está en parte guiado por la etiqueta, de modo que su volumen de retrabajo no es una señal limpia de su tasa de defectos.
El problema acumulativo
Ninguno de estos cuatro puntos es grave por separado. El mecanismo es la frecuencia de exposición. Un único artefacto etiquetado como IA le cuesta una fracción del esfuerzo discrecional de una persona en una tarea. Un flujo en el que la mayoría de los primeros borradores, resúmenes y análisis rutinarios llegan etiquetados significa que el mismo pequeño descuento se aplica decenas de veces por semana a todos los que están aguas abajo. El experimento midió un encuentro. Su operación tiene miles.
Por eso también el efecto es difícil de ver desde arriba. Ningún caso individual produce un fallo visible. Lo que produce es un aplanamiento lento de la capa voluntaria — las sugerencias que nunca se hacen, la segunda mirada que nadie da — y esa capa nunca ha aparecido en un panel de operaciones porque siempre fue gratis.
Reconocimiento y conversaciones de desempeño. Cuando se sabe que un buen trabajo fue asistido por IA, cambian tanto el sentido de propiedad del colaborador como la lectura que el manager hace de la contribución. Ningún proceso estándar de desempeño lo contempla.
Textos dirigidos a clientes y candidatos. El mismo descuento se aplica fuera de la empresa, y los encuestados del estudio eran muestras de población general, no empleados. Las prácticas de divulgación diseñadas para la confianza y la transparencia llevan aparejado un efecto medido sobre la calidad percibida. No es un argumento en contra de divulgar — es un argumento para conocer el precio de la forma que elige.
Qué no dice esta evidencia
Tres límites, dichos con claridad, porque un plan construido sobre una sobrelectura fracasará.
Es una microtarea creativa breve, no un proceso de trabajo. Los participantes juzgaron un resultado etiquetado como hecho por IA; no colaboraron con un sistema de IA durante semanas en trabajo del que fueran responsables. La validez externa al trabajo profesional sostenido no está probada y los autores lo dicen.
El efecto sobre el significado es pequeño. 0,07 desviaciones estándar es un tamaño de efecto estandarizado modesto. El 13% del titular es un cambio relativo sobre una base del 26%, lo que amplifica un movimiento absoluto de 3,4 puntos. Ambos números son correctos; solo uno es espectacular.
Es un documento de trabajo. Preregistrado y replicado en dos países, más de lo que aporta la mayor parte de la evidencia en este campo — pero aún sin revisión por pares.
Lo que sobrevive a los tres reparos es la dirección y el mecanismo: la atribución mueve el esfuerzo con independencia de la calidad. Si el efecto es incluso la mitad de este en un flujo real, y los trabajadores se encuentran con resultados etiquetados como IA constantemente en lugar de una vez, se acumula.
Convertir la atribución en un parámetro de proceso este trimestre
La respuesta es diseño, no mensajes. Cuatro movimientos, ninguno de los cuales requiere gasto nuevo.
Nombre la contribución humana, no la herramienta. Donde el trabajo lleve una etiqueta de procedencia de IA, asegúrese de que también lleve lo que hizo la persona — el brief, el criterio aplicado, la decisión de publicar. La recomendación de los propios autores es diseñar flujos que mantengan visible la agencia humana y atribuibles las contribuciones individuales. Coste de implantación nulo; hoy ausente de la mayoría de las plantillas.
Separe la procedencia de la evaluación. En cualquier control de calidad que importe, haga que el revisor evalúe el artefacto antes de ver cómo se produjo. Aprenderá rápido cuánto de su retrabajo es defecto y cuánto es descuento.
Deje de enmarcar a las personas como editores. "Revisa este borrador" y "este resultado es tuyo, aquí tienes materia prima para empezar" describen la misma hora de trabajo y dos oficios distintos. Cambie el lenguaje en sus documentos de proceso y en sus tickets. Es la palanca más potente aquí y cuesta una reformulación.
Instrumente la contribución discrecional, no la adopción. El número de licencias y el volumen de prompts no pueden detectar esto. Mida lo voluntario: sugerencias de mejora no solicitadas, defectos detectados antes del control, personas que añaden alcance que nadie pidió. Si esa curva se dobla hacia abajo mientras el volumen de producción sube, ha encontrado el efecto en sus propios datos.
La decisión que tiene delante este trimestre no es si divulgar la participación de la IA en el trabajo. Es más estrecha, y es una cuestión de diseño: si la atribución a la IA incorporada en sus procesos actuales es algo que eligió deliberadamente o algo que eligió por usted el ajuste por defecto de una herramienta. En este experimento, la etiqueta valía el 13% del esfuerzo voluntario. Es la variable más barata sobre su mesa y, hasta ahora, la única que nadie posee.
