Un estudio de Anthrome Insight y Axialent, publicado el 14 de septiembre de 2026 en MIT Sloan Management Review, describe el espejismo de capacidad: por qué un trabajo bien presentado con IA ya no permite saber qué capacidad tiene quien lo entrega.
- Un informe impecable ya no garantiza que quien lo firma lo entienda.
- Los expertos entrevistados temen que las habilidades se debiliten sin que las note nadie, tampoco quien las pierde.
- Cuando se descubre que un trabajo no era lo que parecía, la confianza del equipo cae de golpe.
- En las empresas se nota primero al evaluar, al promocionar y al decidir a quién preguntar.
El ascenso que salió perfecto en el papel
En un comité de promoción, un responsable propuso a un ingeniero de proyecto como jefe de proyecto. Traía sus presentaciones bajo el brazo: análisis de causa raíz de fallos en multiplicadoras, con sus planes de acción y sus fechas. No era el primer análisis brillante que hacía.
Siete meses después se paró un aerogenerador en un parque con la garantía en juego, y el cliente esperaba un diagnóstico. El nuevo jefe de proyecto no supo por dónde empezar.
Aquellos análisis los había generado una herramienta de IA a partir de los datos de cada fallo. Él los había dado por buenos sin saber comprobarlos.
Melissa Swift, Teryluz Andreu y Dolores Hernandez describen en su estudio un patrón que explica por qué esos datos engañaban. Lo que yo tomé por un caso aislado tiene nombre, y la IA puede repetirlo en todos los equipos de una empresa.
Habíamos evaluado un documento y creímos haber evaluado a una persona.
Qué es el espejismo de capacidad y por qué el resultado ya no dice quién sabe
El estudio, publicado en MIT Sloan Management Review, parte de entrevistas a expertos en IA sobre cómo cambian la conducta y la cultura dentro de las empresas. Los entrevistados ven en la IA una forma de mejorar el trabajo, y a la vez temen algo que llaman «espejismo de capacidad».
El espejismo de capacidad es la situación de un equipo o una empresa que parece muy capaz mientras las habilidades de su gente se debilitan bajo textos y análisis bien pulidos.
Es como la madera con podredumbre seca, que parece sana hasta que cae el árbol.
La IA amplifica lo que recibe
Antes, un buen trabajo informaba de la capacidad de quien lo hacía. Ahora cualquiera entrega algo aceptable en tareas básicas, y ese vínculo se ha roto.
Stephanie Antonian, fundadora de Aestora, dice que todo se ve bien, pero que no sabes qué hay debajo ni cuánto aguanta. La IA amplifica lo que recibe:
- Un gran ingeniero hace más con el mismo esfuerzo.
- Uno flojo produce más instrucciones malas, y más largas.
La IA tampoco sabe cuándo se sale de su terreno. Quien no domina un tema no ve dónde falla el resultado y se lo pasa a otros que tampoco lo ven.
Habilidades que se pierden sin que nadie lo note
Hay un segundo problema, menos visible. El dominio profesional se ha construido siempre con esfuerzo, aprendizaje por error y una acumulación lenta de criterio. Esa vía se puede saltar sin que nadie se dé cuenta.
Quien pierde habilidad tampoco lo nota, y ninguna persona puede saber la capacidad real de una organización.
Es importante vigilar sobre todo el pensamiento crítico, que es la capacidad de cuestionar un resultado antes de darlo por bueno. Y si esas habilidades se debilitan, nada garantiza que la IA, por buena que sea, pueda suplirlas.
Por qué la confianza del equipo cae de golpe
La confianza sufre después. Los equipos funcionan porque saben, o al menos calibran, quién sabe qué. Esa calibración decide:
- a quién se le hace caso,
- quién está listo para más responsabilidad,
- y en qué es buena la empresa.
Cuando falla, se lleva la confianza por delante. El efecto de descubrir un trabajo mal atribuido es como un salto de cero dudas a cien.
La ironía es que la herramienta que iba a hacer rendir mejor a las empresas puede acabar creando la opacidad que les impide saber cómo rinden.
Qué dice y qué no dice el estudio
El estudio recoge la opinión de expertos y no mide cuántas empresas están ya en esta situación. Los autores hablan de algo que empieza a aparecer en algunas organizaciones.
Reconocen además que la IA puede mejorar el resultado a corto plazo, y que con buena dirección el espejismo puede llegar a ser real, con más capacidad en las personas y en las máquinas.
4 decisiones para que la capacidad sea real y no solo se vea
Cómo se traducen en las empresas tecnológicas e industriales españolas.
1. Propósito: si la IA ocupa el comité, el negocio se queda sin sitio
En el comité de dirección de una empresa de ingeniería, el punto «Estrategia de IA» dura 40 minutos. El de pedidos y plazos dura 10. Está claro qué es lo importante.
Quien se declara «AI-first» ya ha comunicado que no es «human-first».
Con la plantilla preocupada por su puesto, esa señal produce pasividad. La gente deja que sus habilidades se oxiden y pierde la fe en su propia relevancia.
Un directivo de IA de una empresa Fortune 500 teme que las personas dejen que la IA razone y responda hasta convertirse en «herramientas transaccionales». Mientras la IA obedezca, todo va bien, y el problema llega cuando pasa a dirigir.
Si la IA se encarga de medir, la medición acaba pesando más que el sentido de lo medido. Sale una cultura de rendimiento sin propósito.
Qué hacer:
- Revisa tu propio discurso. Si se habla más de IA que de resultados de negocio, o solo hablan las personas entusiastas de la tecnología, la conversación está mal planteada.
- Audita cada día cómo se usa la herramienta. Que el responsable de planta pregunte cada mes qué decisiones de mantenimiento o de turnos se han tomado con IA y quién las ha revisado.
Sin esa vigilancia, la capacidad de la gente irá bajando sin que nadie lo vea. Se descubrirá el día que llegue un problema raro, de los que casi nunca aparecen en los datos con los que se entrena la IA. Ese día, las personas habrán perdido práctica y la herramienta no sabrá qué hacer.
💡 Una empresa que habla más de su IA que de sus clientes ya ha decidido quién manda.
2. Ejemplo: la dirección abre la IA delante de su gente
La circular sobre uso responsable de la IA tiene 3 páginas y la firma el director general. Nadie la ha leído entera, y él nunca enseña en el comité cómo la usa. Muchas empresas han dado a su gente muy poca orientación concreta, quizá para no frenar la creatividad.
Es bueno que la plantilla discuta con la IA: que le pregunte, que le replique y que construya el resultado con ella en lugar de dárselo todo hecho. Esa conducta empieza arriba, y por eso la dirección general debe usar la IA a diario y a la vista.
Qué hacer:
- Haz preguntas genéricas como «cuando digo tal cosa, ¿qué no estoy considerando?».
- Di también qué no hacer, y avisa de que cuanto más impecable parezca un resultado, con más dureza hay que ponerlo a prueba.
- Que el director técnico lleve al comité un borrador de la IA y cuente qué le ha corregido.
💡 Lo que un director hace con la IA delante de su equipo vale más que cualquier circular sobre ella.
3. Aprendizaje: primero el oficio, después el turbo
Una investigadora posdoctoral de MIT Sloan plantea un principio: primero se aprende y después se usa una herramienta para potenciar lo aprendido.
Un directivo entrevistado teme lo que pasa al invertir el orden. Quien empieza su carrera con IA desde el primer día tiene difícil alcanzar la profundidad de quien llegó a ella con 20 años de oficio, y se abre un hueco de talento.
Piensa en un ingeniero recién titulado que en su primera semana entrega cálculos de un soporte hechos con IA. Nadie sabe si sabe comprobarlos y nadie lo pregunta, porque la entrega es correcta.
Hay que cambiar la pregunta del onboarding:
| Antes | Ahora |
|---|---|
| ¿Cómo acelero su producción? | ¿Qué necesita entender esta persona antes de que la IA la ayude? |
| ¿Está bien el trabajo? | ¿Lo entiende la persona? ¿Aprende al producirlo? |
Casi ninguna organización tiene todavía esas métricas. Un primer paso: que en su primer proyecto la persona nueva resuelva una parte a mano y se la explique en voz alta a quien revisa.
💡 Antes de pedirle a la IA que acelere a alguien, hay que saber qué sabe esa persona sin ella.
4. Autoría: sin nombre y sin verificación, el trabajo con IA no tiene dueño
En el trabajo del conocimiento nunca ha estado claro quién ha hecho qué. Hay exceso de colaboración y, de vez en cuando, quien se apunta méritos ajenos. Con la IA empeora. Si alguien se atribuye lo que ha hecho claramente la máquina, el equipo deja de fiarse.
La gente oculta que usa IA para atribuirse la mejora de productividad y proteger la imagen que jefes y colegas tienen de su desempeño. Es un círculo vicioso:
- La gente esconde el uso.
- La dirección espera ahorros que no llegan.
- Nadie lo habla.
- Las iniciativas de IA se hunden bajo la desconfianza.
Si el equipo no sabe qué ha puesto cada cual, no conoce las habilidades de los demás, y quien tiene más experiencia no sabe a quién orientar. Además se pierden las señales de alerta y la emergencia llega más grave.
La IA hace bien el trabajo hasta el día en que no puede, y ni las personas ni ella saben dónde está ese límite.
Cedric Wells propone normas claras de autoría y verificación. En cada entrega importante debería constar:
- quién la ha producido,
- qué papel ha tenido la IA,
- y quién responde si está mal.
Deja claro, además, que declarar el uso de IA no penaliza en la evaluación. Sencillo de decir y difícil de hacer.
💡 Si nadie declara qué parte del trabajo ha hecho la IA, nadie puede saber qué parte sabe hacer la gente.
¿Tu organización tiene estos patrones?
- ☐ ¿Sabes qué decisiones de tu área se toman ya con ayuda de IA y quién las revisa?
- ☐ ¿Ha enseñado alguien de la dirección, en una reunión, un trabajo hecho con IA y lo que le corrigió?
- ☐ ¿Puedes decir qué sabe hacer sin IA la última persona que se ha incorporado a tu equipo técnico?
- ☐ ¿Consta en las últimas entregas importantes quién las hizo, qué parte puso la IA y quién responde si falla?
Para seguir leyendo:
- Cuando los candidatos usan IA en entrevistas de trabajo: Guía para detectar talento real
- IA Generativa en Empresas Tech: Cómo Reorganizar el Conocimiento Organizacional
- Por qué el diagnóstico organizacional determina el éxito de cualquier proyecto de IA en RRHH
Preguntas frecuentes sobre el espejismo de capacidad
¿Qué es el espejismo de capacidad?
Es la situación de un equipo o una empresa que parece muy capaz mientras las habilidades de su gente se debilitan bajo textos y análisis bien pulidos por la IA. El término procede de un estudio de Anthrome Insight y Axialent publicado en MIT Sloan Management Review.
¿Por qué un trabajo hecho con IA ya no demuestra la capacidad de quien lo entrega?
Porque antes un buen trabajo informaba de la capacidad de quien lo hacía, y ahora cualquiera entrega algo aceptable en tareas básicas. Quien no domina un tema no ve dónde falla el resultado y lo da por bueno.
¿Cómo afecta el uso oculto de la IA a la confianza de un equipo?
Los equipos funcionan porque calibran quién sabe qué. Cuando se descubre un trabajo mal atribuido, esa calibración falla y la confianza pasa de cero dudas a cien. Si además la gente esconde el uso de IA, la dirección espera ahorros que no llegan y las iniciativas se hunden bajo la desconfianza.
¿Cómo se evalúa a un ingeniero nuevo que trabaja con IA?
Además de comprobar si el trabajo está bien, hay que preguntar si la persona lo entiende y si aprende al producirlo. Un primer paso es que en su primer proyecto resuelva una parte a mano y se la explique en voz alta a quien revisa.
¿Qué debe constar en una entrega importante hecha con IA?
Quién la ha producido, qué papel ha tenido la IA y quién responde si está mal, dejando claro que declarar el uso de IA no penaliza en la evaluación.
0 comentarios