AI Washing Inflates Expected Performance but Not Interaction Outcomes: An AI Placebo Study Using Fitts' Law

1. Planteamiento del Problema

El artículo aborda el fenómeno del "lavado de inteligencia artificial" (AI washing), una práctica de marketing mediante la cual las empresas exageran o falsean las capacidades de inteligencia artificial de un producto (por ejemplo, etiquetar un ratón estándar como "asistido por IA" cuando carece de funcionalidad real de IA). Si bien investigaciones previas sugieren que las etiquetas de IA pueden alterar las percepciones de los usuarios, existe una brecha en la comprensión de si estas expectativas infladas se traducen en cambios reales en los resultados de interacción (tanto subjetivos como objetivos).

Los autores investigan si el "efecto placebo de la IA" —donde los usuarios atribuyen un rendimiento mejorado a un sistema basándose únicamente en su etiquetado— se manifiesta en:

1. Expectativa: Expectativas de rendimiento previas a la tarea.
2. Resultados Subjetivos: Carga de trabajo percibida y usabilidad posteriores a la tarea.
3. Resultados Objetivos: Métricas de rendimiento de interacción medibles.

2. Metodología

Diseño del Estudio

• Tipo: Experimento controlado intra-sujeto.
• Participantes: $N=28$ (principalmente estudiantes de STEM, de 19 a 32 años).
• Tarea: Una tarea estandarizada de apuntado según la Ley de Fitts (hacer clic en objetivos de tamaños y distancias variables) utilizando un ratón de computadora. Esta tarea es el estándar de oro en la Interacción Humano-Computadora (HCI) para cuantificar la compensación entre velocidad y precisión.
• Condiciones: Los participantes completaron la misma tarea bajo tres condiciones distintas:
  1. Línea Base (BL): Un ratón HP estándar sin modificaciones ni afirmaciones de IA.
  2. Condición de IA Predictiva (PAIC): Se engañó a los participantes para que creyeran que el ratón utilizaba aprendizaje automático (modelo TimeGPT) para predecir y suavizar los movimientos del cursor. Se mostraron una conexión de API simulada y parámetros del sistema para aumentar la credibilidad.
  3. Condición de IA Mejorada con Biosignales (BIOAIC): Se engañó a los participantes para que creyeran que el ratón utilizaba un biosensor (midiendo frecuencia cardíaca, oxígeno y sudoración mediante un sensor falso en la muñeca) y un modelo bidireccional LSTM (PhysioBERT) para optimizar el movimiento del cursor en tiempo real.

Procedimiento

• Engaño: Los participantes firmaron formularios de consentimiento y visualizaron ventanas emergentes técnicas que simulaban la autenticación y la inicialización de recursos de IA.
• Recolección de Datos:
  • Pre-tarea: Calificación de rendimiento esperado (escala Likert de 1 a 7).
  • Tarea: 15 ensayos por condición (675 clics totales por participante).
  • Post-tarea: NASA-TLX (carga de trabajo percibida), SUS-DE-Pos (usabilidad percibida) y entrevistas cualitativas.
• Métricas Objetivas:
  • Rendimiento (Throughput - TP): Bits por segundo (combinación de velocidad y precisión).
  • Tasa de Error (ER): Porcentaje de clics incorrectos.
  • Ajuste del Modelo ($R^2$): Bondad de ajuste para el modelo de regresión de la Ley de Fitts.

Instrumentos

• Subjetivos: NASA-TLX (Crudo), SUS-DE-Pos (versión alemana con redacción positiva) y un ítem personalizado de rendimiento esperado.
• Objetivos: Métricas de la Ley de Fitts calculadas utilizando el ancho efectivo del objetivo ($W_e$) y la desviación estándar de los puntos de impacto.

3. Resultados Clave

Resumen de la Prueba de Hipótesis

Hipótesis	Contenido	Resultado
H1a / H1b	El rendimiento esperado es mayor en las condiciones de IA (PAIC/BIOAIC) vs. Línea Base.	Apoyada
H2	La carga de trabajo percibida (NASA-TLX) difiere entre condiciones.	No Apoyada
H3	El rendimiento percibido (subescala NASA-TLX) difiere entre condiciones.	No Apoyada
H4	La usabilidad percibida (SUS-DE-Pos) difiere entre condiciones.	No Apoyada
H5	La tasa de error difiere entre condiciones.	No Apoyada (No se encontró diferencia)
H6	El ajuste del modelo ($R^2$) difiere entre condiciones.	No Apoyada (No se encontró diferencia)
H7	El rendimiento (Throughput) difiere entre condiciones.	No Apoyada (No se encontró diferencia)

Hallazgos Detallados

1. Inflación de la Expectativa: Los participantes esperaron significativamente un mejor rendimiento en ambas condiciones etiquetadas como IA en comparación con la línea base ($p < .001$). No hubo diferencia significativa entre las condiciones de "IA Predictiva" y "IA de Biosignales" en cuanto a las expectativas.
2. Resultados Subjetivos: A pesar de las expectativas más altas, no hubo diferencias significativas en la carga de trabajo percibida posterior a la tarea (NASA-TLX) ni en la usabilidad percibida (SUS-DE-Pos) entre las tres condiciones. Descriptivamente, la condición de Biosignales (BIOAIC) mostró en realidad una ligera caída en las puntuaciones de usabilidad, aunque no estadísticamente significativa.
3. Resultados Objetivos: Las métricas de la Ley de Fitts (Rendimiento, Tasa de Error y Ajuste del Modelo $R^2$) mostraron ninguna diferencia estadísticamente significativa entre la línea base y las dos condiciones de engaño con IA. Las líneas de regresión para el tiempo de movimiento frente a la dificultad de la tarea se superpusieron casi perfectamente.
4. Retroalimentación Cualitativa: Los participantes en las condiciones de IA a menudo reportaron sentir que el ratón era "más suave" o "más rápido" durante las entrevistas, sin embargo, estas sensaciones subjetivas no se correlacionaron con los datos objetivos ni con las escalas estandarizadas.

4. Contribuciones Clave

1. Evidencia Empírica del Lavado de IA: El estudio proporciona evidencia controlada de que el lavado de IA infla con éxito las expectativas de los usuarios pero falla en alterar los resultados reales de interacción (ni subjetivos ni objetivos) para dispositivos de entrada familiares.
2. Disociación entre Expectativa y Resultado: Destaca una brecha crítica donde las expectativas impulsadas por el marketing no se propagan al rendimiento medible ni a las calificaciones estándar de usabilidad, lo que sugiere que los "efectos placebo de la IA" en HCI pueden ser frágiles y dependientes del contexto.
3. Innovación Metodológica: El artículo establece las tareas de la Ley de Fitts como un instrumento riguroso y objetivo para auditar artefactos de interacción etiquetados con IA. Demuestra que la Ley de Fitts puede separar eficazmente la expectativa impulsada por el marketing de las mejoras reales en el rendimiento técnico.
4. Transparencia y Responsabilidad: Los hallazgos subrayan la necesidad de marcos regulatorios y éticos para abordar el "aceite de serpiente de IA", argumentando que los requisitos de transparencia deben extenderse más allá de las capacidades funcionales para incluir las afirmaciones de marketing y las descripciones de productos.

5. Significado e Implicaciones

• Para Investigadores: El estudio advierte contra depender únicamente de métricas autoinformadas al evaluar nuevas tecnologías de IA, ya que estas pueden estar fuertemente sesgadas por el etiquetado. Aboga por la inclusión de puntos de referencia objetivos (como la Ley de Fitts) y condiciones de control de placebo en la investigación de HCI.
• Para Practicantes y Mercadotecnistas: Simplemente etiquetar un producto como "asistido por IA" crea una falsa sensación de mejora que puede llevar a la decepción del usuario o a un "daño impulsado por expectativas" cuando el sistema no cumple en escenarios críticos.
• Para Políticas y Regulación: Los resultados sugieren que los marcos regulatorios actuales (como la Ley de IA de la UE) centrados en el rendimiento del sistema pueden ser insuficientes. La gobernanza también debe abordar la influencia representacional —cómo se describen las capacidades de IA en los materiales de marketing—, ya que estas descripciones moldean la autonomía del usuario y el consentimiento informado incluso antes de que se utilice el sistema.
• Limitaciones: El estudio se realizó en un entorno de laboratorio controlado con una muestra homogénea de estudiantes. Los autores señalan que los efectos podrían diferir en contextos críticos para la seguridad o con poblaciones más diversas, pero el hallazgo central —que las etiquetas inflan las expectativas sin cambiar la funcionalidad— sigue siendo un problema crítico de transparencia.

En conclusión, el artículo demuestra que el lavado de IA es efectivo para moldear creencias pero ineficaz para cambiar la realidad, creando un escenario de "placebo" donde los usuarios creen que están rindiendo mejor sin ningún mejora técnica real.