"If You're Very Clever, No One Knows You've Used It": The Social Dynamics of Developing Generative AI Literacy in the Workplace

Basado en entrevistas con 19 trabajadores del conocimiento, este artículo revela que, si bien las dinámicas sociales en el lugar de trabajo apoyan el aprendizaje de la IA generativa, la percepción de que ocultar su uso valida la experiencia conduce a una menor compartición de conocimientos y transparencia, lo que impulsa un llamado a un diálogo más abierto y un aprendizaje colaborativo para avanzar en la alfabetización en IA.

Lo esencial

El Panorama General: La "Salsa Secreta" de la Oficina

Imagina que ha aparecido un nuevo y mágico utensilio de cocina en cada oficina. Puede redactar correos electrónicos, corregir código y preparar informes en segundos. Esto es la Inteligencia Artificial Generativa (IA Generativa).

Los investigadores querían saber: ¿Cómo aprenden realmente los trabajadores de oficina a usar este utensilio? ¿Toman una clase? ¿Le preguntan a su jefe? ¿O lo descubren por su cuenta?

Entrevistaron a 19 trabajadores del conocimiento diferentes (como abogados, programadores, especialistas en marketing e investigadores) para averiguarlo. Lo que descubrieron es un poco como un juego de "Agente Secreto" mezclado con una "Clase de Cocina".

Las Dos Habilidades Principales que Valoran los Trabajadores

El estudio encontró que los trabajadores están intentando dominar dos habilidades muy diferentes al mismo tiempo:

1. La habilidad del "Explorador" (Saber lo que el utensilio puede hacer)
Los trabajadores quieren conocer todas las cosas geniales que puede hacer la IA. Quieren encontrar nuevas formas de usarla para facilitar su trabajo.

• Cómo aprenden esto: Principalmente aprenden hablando entre ellos. Es como un potluck donde todos traen una nueva receta. Una persona dice: "Oye, usé la IA para escribir un poema", y otra dice: "¡Oh, yo la usé para arreglar una hoja de cálculo!".
• El resultado: Este intercambio ayuda a todos a ser más inteligentes sobre lo que la herramienta es capaz de hacer.

2. La habilidad del "Mago Invisible" (Ocultar que usaste el utensilio)
Esta es la parte sorprendente. Los trabajadores también valoran la capacidad de usar la IA tan bien que nadie pueda notar que la usaron.

• ¿Por qué lo hacen?
  • Miedo al Juicio: Algunas personas temen que su jefe o colegas piensen: "Oh, no hiciste el trabajo tú mismo; solo le pediste al robot". Se sienten avergonzados o temen ser vistos como perezosos.
  • Probar su Experiencia: Otros lo hacen para lucir lo inteligentes que son. Si usas la IA pero editas la salida tan perfectamente que parece 100% humana, recibes crédito por ser un "genio". Como dijo un participante: "Si eres muy inteligente, nadie sabe que lo has usado".
• La Analogía: Imagina a un chef que usa un robot de sous-chef de alta tecnología para picar verduras. Si el chef oculta al robot y sirve el plato como si lo hubiera picado a mano, recibe una ovación de pie por su habilidad con el cuchillo. Si admite que usó al robot, la gente podría decir: "Bueno, eso no fue realmente tu cocina".

El Problema: La "Cocina Silenciosa"

Aquí está el truco. Cuando todos intentan ser el "Mago Invisible", algo malo le sucede al proceso de aprendizaje.

• La Paradoja: Para aprender a usar la herramienta de la mejor manera, necesitas compartir tus errores y trucos con otros (como la habilidad del "Explorador"). Pero, para parecer inteligente y evitar el juicio, ocultas el hecho de que usaste la herramienta en absoluto (la habilidad del "Mago Invisible").
• El Resultado: La cocina se vuelve silenciosa. Nadie admite que está usando el utensilio. Nadie comparte sus "recetas secretas" porque tienen miedo de ser juzgados o porque quieren mantener su estatus de "genio".
• La Consecuencia: Aunque todos están usando la herramienta, la empresa no sabe cómo se está utilizando, qué errores se están cometiendo o cómo enseñar a los nuevos empleados. Crea una cultura de secreto en lugar de trabajo en equipo.

El "Trabajo Basura" vs. La "Obra Maestra"

El artículo también señala que a veces la gente oculta la IA porque la salida cruda es realmente mala.

• El "Trabajo Basura": Si simplemente copias y pegas lo que dice la IA, a menudo suena robótico, usa palabras extrañas (como "ahondar" o "tapiz") y carece de una verdadera perspectiva humana. Esto es como servir una cena congelada y llamarla una comida gourmet.
• La Solución: Los trabajadores cualificados "critican" a la IA. Corrigen las palabras extrañas y añaden su propio toque humano. Ocultan la IA no solo para parecer geniales, sino para asegurar que el producto final sea realmente bueno. Sin embargo, al ocultar este proceso, pierden la oportunidad de enseñar a otros cómo lo corrigieron.

Lo que Sugerir los Autores

Los investigadores no dicen "dejen de usar la IA". En cambio, sugieren algunos cambios para hacer de la oficina un mejor lugar para aprender:

1. Detener la Vergüenza: Los gerentes necesitan crear un espacio seguro donde admitir que usaste la IA no sea un crimen. Está bien decir: "Usé al robot para redactar esto, y así es como lo mejoré".
2. Celebrar el "Cómo", No Solo el "Qué": En lugar de solo mirar el informe final, hablen sobre el proceso. Compartan los "prompts" (las instrucciones dadas a la IA) y las ediciones realizadas.
3. Hacer que Compartir sea Recompensado: Al igual que la gente recibe "me gusta" en las redes sociales, las empresas podrían recompensar a las personas por compartir sus consejos y trucos de IA, haciendo que sea genial ser transparente en lugar de genial ser secreto.

Resumen

El artículo argumenta que, aunque los trabajadores de oficina se están volviendo muy buenos usando la IA, también se están volviendo muy buenos en ocultarla. Lo hacen para parecer inteligentes y evitar el juicio. Pero este secreto impide que todo el equipo aprenda juntos. Para solucionar esto, los lugares de trabajo deben dejar de tratar el uso de la IA como un secreto y empezar a tratarlo como una habilidad compartida de la que todos pueden aprender abiertamente.

Resumen técnico

1. Planteamiento del Problema

Mientras que la IA Generativa (GenAI) está transformando rápidamente el trabajo del conocimiento, la investigación existente sobre la alfabetización en IA carece de insights empíricos sobre cómo los trabajadores del conocimiento desarrollan competencias dentro de las complejas dinámicas sociales del lugar de trabajo. Los marcos actuales a menudo se centran en habilidades técnicas o educación formal, pasando por alto los procesos de aprendizaje informales y no estructurados utilizados por los profesionales.

Las brechas clave identificadas incluyen:

• El Fenómeno del "Ocultamiento": Los trabajadores a menudo ocultan el uso de GenAI debido al estigma social o al miedo al juicio, sin embargo, el impacto de este comportamiento en el aprendizaje organizacional y la transparencia se comprende mal.
• Definición de Competencia: No está claro qué competencias específicas (técnicas vs. socio-técnicas) valoran más los trabajadores en la práctica.
• Estrategias de Aprendizaje: Existe un entendimiento limitado sobre cómo los trabajadores navegan la tensión entre aprender de colegas y mantener una identidad profesional que puede requerir ocultar la asistencia de la IA.

2. Metodología

El estudio empleó un enfoque cualitativo para investigar las creencias, estrategias y dinámicas sociales de la adopción de GenAI.

• Participantes: 19 trabajadores del conocimiento de diversos sectores (TI, Derecho, Industrias Creativas, Academia, RRHH, Finanzas, etc.).
• Reclutamiento: Los participantes fueron reclutados a través de Prolific, filtrados según criterios específicos:
  • Empleados en sectores que adoptan GenAI rápidamente.
  • Utilizan GenAI al menos semanalmente para fines relacionados con el trabajo.
  • Tienen más de 1 año de experiencia en su puesto actual.
  • Trabajan en entornos sin prohibiciones explícitas sobre GenAI (o con políticas inciertas).
• Recopilación de Datos: Entrevistas semiestructuradas (50–60 minutos) realizadas en línea a través de Microsoft Teams entre diciembre de 2024 y enero de 2025.
• Análisis:
  • Posicionalidad: El equipo de investigación adoptó una postura de realismo crítico, reconociendo que las interpretaciones reflejan experiencias subjetivas y contextos sociales en lugar de una realidad objetiva.
  • Análisis Temático: Se utilizó un enfoque de plantilla, estructurando la codificación inicial con dos marcos existentes de alfabetización en IA (Pinski & Benlian; Annapureddy et al.) y el modelo COM-B (Capacidad, Oportunidad, Motivación) para analizar los comportamientos de aprendizaje.
  • Rigor: Múltiples autores revisaron los códigos y temas para asegurar la reflexividad y la reflexión crítica.

3. Contribuciones Clave

El artículo hace tres contribuciones principales al campo de la Interacción Humano-Computadora (HCI) y la alfabetización en IA:

1. Fundamentación Empírica: Proporciona un relato detallado de cómo la alfabetización en GenAI es practicada y negociada por 19 trabajadores del conocimiento diversos, avanzando más allá de los marcos teóricos hacia la aplicación en el mundo real.
2. Reencuadre del "Ocultamiento de IA": Cuestiona la visión predominante de que ocultar el uso de IA se basa únicamente en la vergüenza. El estudio encuentra que borrar con éxito las señales del uso de GenAI a menudo se considera una validación positiva de la experiencia en el dominio. Sin embargo, este comportamiento crea una paradoja: señala competencia a los pares, pero simultáneamente reduce las oportunidades para el intercambio de conocimientos y la transparencia.
3. Extensión del Marco: Amplía los marcos existentes de alfabetización en IA al destacar el papel crítico de las competencias socio-técnicas. Argumenta que los actores humanos no son solo recursos para el aprendizaje, sino también fuentes de influencia social que moldean los patrones de uso, lo que requiere nuevas consideraciones de diseño para el diálogo abierto y la divulgación.

4. Resultados Clave

El estudio identificó dos competencias centrales y dos estrategias de aprendizaje correspondientes, revelando una tensión central entre la identidad individual y el aprendizaje colectivo.

A. Competencias Centrales

1. Competencia Tecnológica (Conciencia de Casos de Uso):
   • Los trabajadores valoran la capacidad de identificar aplicaciones novedosas de GenAI para obtener una ventaja competitiva.
   • Esta conciencia a menudo es impulsada por el miedo al desplazamiento laboral o el deseo de mantenerse a la vanguardia de las tendencias de la industria.
2. Competencia Socio-técnica (Eliminación de Señales):
   • Los trabajadores desarrollan la capacidad de detectar y eliminar "pistas" (por ejemplo, frases específicas como "profundizar", comentarios excesivos en el código, falta de contexto) que indican el uso de GenAI.
   • Motivaciones para la Eliminación:
     • Crítica/Control de Calidad: Eliminar resultados genéricos o de baja calidad para asegurar que el trabajo cumpla con los estándares profesionales.
     • Validación de la Identidad Experta: Enmascarar con éxito el uso de IA señala que el trabajador posee un conocimiento profundo del dominio, distinguiéndolo de aquellos que dependen ciegamente de la IA.
     • Ocultamiento/Estigma: Evitar el juicio negativo de generaciones mayores o de la gestión conservadora.

B. Estrategias de Aprendizaje

1. Aprender de Otros:
   • El intercambio informal de conocimientos (colegas, LinkedIn, redes sociales) es vital para descubrir nuevos casos de uso y abordar brechas de conocimiento.
   • Sin embargo, esto a menudo es estratégico; los trabajadores pueden compartir conocimientos para normalizar el uso de IA o buscar validación, pero pueden retener detalles específicos para mantener una ventaja competitiva.
2. Experiencia Práctica:
   • La competencia es en gran medida implícita y se desarrolla mediante prueba y error.
   • Los trabajadores deben aprender a evaluar la idoneidad específica del contexto, comprender las limitaciones del modelo (alucinaciones) y desarrollar habilidades metacognitivas para articular prompts de manera efectiva.

C. La Tensión Central

El estudio revela una paradoja: Aunque aprender de otros es esencial para desarrollar la conciencia técnica, el impulso de validar la propia experiencia a través de la "eliminación de señales" suprime activamente la transparencia.

• Los trabajadores que ocultan con éxito el uso de IA son elogiados como expertos.
• Este comportamiento crea "silencios organizacionales" donde el uso de IA es generalizado pero no reconocido, impidiendo el intercambio de mejores prácticas, la detección de errores y la construcción colectiva de significado.
• La divulgación a menudo se evita debido a la indiferencia percibida de los colegas ("simplemente haz el trabajo") o al miedo al estigma social.

5. Significado e Implicaciones

Los hallazgos tienen implicaciones significativas para el diseño de HCI, la gestión organizacional y los marcos de alfabetización en IA.

• Para las Organizaciones:

  • Cultura de Apertura: Los líderes deben fomentar la seguridad psicológica para reducir el miedo al juicio asociado con el uso de IA. La permisividad pasiva de la IA es insuficiente; se requiere un discurso activo para romper los "silencios organizacionales".
  • Incentivar el Intercambio: Las organizaciones deben recompensar el intercambio de flujos de trabajo de GenAI, prompts y lecciones aprendidas, tratándolos como activos intelectuales valiosos en lugar de secretos.
  • Claridad en las Políticas: Se necesitan políticas claras sobre la divulgación para reducir la incertidumbre y fomentar un uso responsable.

• Para los Diseñadores (HCI):

  • Apoyar la Divulgación: Diseñar herramientas que faciliten el intercambio de "conocimiento generado por el usuario" (por ejemplo, prompts, flujos de trabajo) sin exponer al usuario al estigma.
  • Sistemas de Apreciación: Implementar mecanismos similares a los "agradecimientos" o "abrazos" de código abierto para reforzar positivamente el intercambio de artefactos de GenAI.
  • Enfoque Metacognitivo: Ir más allá del simple intercambio de prompts para ayudar a los usuarios a comprender las estrategias detrás de las interacciones exitosas, fomentando un aprendizaje más profundo.

• Para los Marcos de Alfabetización en IA:

  • Los modelos de alfabetización deben evolucionar para incluir competencias socio-técnicas, reconociendo que el contexto social (reputación, identidad, juicio de pares) es tan crítico como la habilidad técnica para determinar cómo se adopta y utiliza la IA.
  • La definición de "alfabetización" debe tener en cuenta la tensión entre el trabajo de identidad individual y el aprendizaje colectivo.

En conclusión, el artículo argumenta que la verdadera alfabetización en GenAI en el lugar de trabajo no puede lograrse mediante la formación técnica únicamente. Requiere abordar las dinámicas sociales que impulsan a los trabajadores a ocultar el uso de sus herramientas, socavando así la transparencia y el aprendizaje colaborativo necesarios para una adaptación sostenible al cambio tecnológico rápido.