La cita de Greg Brockman sobre OpenAI y Simon Willison revela un rechazo a los compañeros de trabajo con IA

Greg Brockman describió un conflicto inesperado dentro de OpenAI: a los empleados no les gustaba recibir solicitudes por Slack de los agentes de ChatGPT de sus compañeros, pese a aceptar solicitudes humanas idénticas. La cita de OpenAI y Simon Willison expone un problema que unos modelos mejores por sí solos no pueden resolver. Un agente puede transmitir el mensaje correcto y, aun así, dañar la relación que lo rodea.

Simon Willison publicó la observación el 1 de agosto y citó al presidente y cofundador de OpenAI. Brockman afirmó que muchos empleados de OpenAI conectan ChatGPT a Slack. También dijo que las personas responden de forma distinta cuando esos sistemas piden a otros compañeros que ayuden a completar tareas.

Esa reacción pone en duda una promesa central de los agentes para el entorno laboral. Las empresas esperan que el software autónomo, es decir, la IA capaz de actuar en nombre de los usuarios, elimine el trabajo de coordinación. Sin embargo, delegar la conversación puede hacer que una solicitud razonable parezca impersonal, presuntuosa o injusta.

El conflicto no consiste simplemente en humanos contra automatización. Se trata de eficiencia delegada frente a responsabilidad humana visible. Los empleados parecen dispuestos a ayudar a otra persona, pero menos dispuestos a convertirse en un recurso invisible gestionado por el software de esa persona.

Esta distinción importa a medida que OpenAI, Salesforce, Slack y otros proveedores introducen agentes en la comunicación laboral. La pregunta ya no es si una IA puede enviar un mensaje útil. Es si el destinatario entiende quién solicita algo, por qué importa la petición y quién sigue siendo responsable.

Lo que realmente reveló la cita de OpenAI y Simon

El hecho importante no fue el lanzamiento de un producto. Fue la admisión de que una delegación técnicamente exitosa puede fracasar en lo social.

En la cita original, Brockman describió una diferencia de comportamiento recurrente. Los empleados de OpenAI solían ayudar a un compañero que se dirigía a ellos directamente. No les gustaba recibir la misma solicitud cuando el ChatGPT de ese compañero iniciaba la interacción.

La formulación de Brockman apunta a un patrón interno, no a un estudio controlado. OpenAI no ha publicado cifras de participación, tasas de respuesta, categorías de tareas ni una comparación experimental. Por ello, los lectores deben tratar este relato como una observación informada desde dentro de la empresa.

Incluso con esa limitación, el ejemplo es excepcionalmente valioso. OpenAI desarrolla los modelos y sistemas de agentes que están en el centro de esta transición. Sus empleados también poseen amplios conocimientos técnicos y un acceso inusualmente directo a herramientas emergentes.

Si surge resistencia en ese entorno, una alfabetización limitada en IA no puede explicarla por completo. Es de suponer que los empleados entienden lo que hace ChatGPT. Su objeción se refiere al acuerdo social que se crea cuando un agente moviliza el tiempo de otra persona.

La solicitud en sí podría ser razonable. Un desarrollador podría necesitar una revisión de código, un investigador podría necesitar un documento o un gerente podría requerir contexto de otro equipo. El destinatario podría proporcionar esa ayuda de buen grado cuando lo pide el colega responsable.

Una solicitud automatizada cambia la relación implícita. Puede sugerir que un empleado ahorró tiempo trasladando los costes de coordinación a otra persona. El remitente evita redactar el mensaje, evaluar la interrupción y reconocer personalmente el favor.

El destinatario sigue realizando el trabajo. Debe interpretar la solicitud, determinar su prioridad, localizar la información y decidir si el agente tiene suficiente autoridad. La automatización ha reducido el esfuerzo de un lado mientras lo mantiene en el otro.

Ese desequilibrio explica por qué una redacción idéntica no genera una experiencia idéntica. La comunicación laboral transmite información más allá de su contenido literal. Expresa urgencia, reciprocidad, estatus, criterio personal y respeto por la atención de otra persona.

Una solicitud humana también crea un camino claro para la negociación. El destinatario puede preguntar por qué importa la tarea, explicar prioridades en conflicto u ofrecer una contribución menor. Un agente podría facilitar esos intercambios, pero su presencia vuelve menos claros los límites.

La documentación actual de OpenAI muestra cuánto ha avanzado esta capacidad. La guía del agente de Slack indica que los agentes del espacio de trabajo pueden responder preguntas, realizar tareas mediante sistemas conectados, crear archivos y enviar mensajes programados.

Los agentes también pueden responder automáticamente en canales públicos. Esa función los lleva más allá de la asistencia privada. Se convierten en participantes del entorno de comunicación compartido donde los equipos coordinan el trabajo y establecen expectativas.

OpenAI advierte que las respuestas de los agentes pueden ser inexactas. Sin embargo, el ejemplo de Brockman revela otro modo de fallo. Un mensaje puede ser preciso, pertinente y entregado correctamente, y aun así generar resentimiento.

Por eso la observación de OpenAI y Simon merece más atención que una publicación rutinaria de citas. Identifica una barrera para la adopción que las evaluaciones estándar de modelos rara vez miden. La precisión no puede revelar si un destinatario se siente respetado, cargado o manipulado.

Por tanto, el cambio es conceptual, pero concreto. Los agentes laborales están pasando de ayudar a sus propietarios a hacer exigencias a otras personas. Una vez cruzado ese límite, el permiso social se vuelve tan importante como la autorización técnica.

La IA en el trabajo se está convirtiendo en un problema de diseño de relaciones

El despliegue de agentes obliga a gerentes y equipos de producto a proteger las relaciones humanas, no solo a automatizar más pasos.

La primera generación de IA generativa para el trabajo operaba principalmente en privado. Un empleado pedía un resumen, borrador, explicación o análisis. El usuario revisaba el resultado y decidía si compartirlo.

Los agentes alteran ese patrón porque pueden actuar entre sistemas. Pueden publicar en canales, contactar a compañeros, recuperar registros, actualizar documentos y continuar flujos de trabajo. Su resultado se convierte en la entrada de otra persona antes de que el propietario revise necesariamente cada paso.

Esta transición lleva la gobernanza de la IA al comportamiento organizativo cotidiano. Los equipos de seguridad siguen necesitando controles de acceso y registros de auditoría. Los gerentes también necesitan reglas sobre cuándo el software debe contactar a una persona y qué identidad debe presentar.

La documentación laboral de OpenAI exige que los administradores configuren la integración con Slack. También describe la autenticación compartida, mediante la cual un agente utiliza conexiones gestionadas de forma centralizada en lugar del inicio de sesión privado de un empleado. Esos controles abordan el acceso técnico, pero no todas las expectativas sociales.

Un agente autorizado aún puede interrumpir a la persona equivocada. Puede generar seguimientos innecesarios o convertir un favor informal en una tarea asignada por una máquina. El permiso para entrar en un canal no equivale al permiso para consumir la atención de todos.

El destinatario también necesita una divulgación significativa. Una etiqueta visible de bot responde una pregunta, pero no la más importante. Los empleados necesitan saber qué persona es responsable de la solicitud y si esa persona la revisó.

La responsabilidad afecta a cómo las personas interpretan la urgencia. Un mensaje de un colega de confianza lleva consigo el contexto acumulado de colaboraciones anteriores. Una solicitud de un bot puede eliminar esa historia y presentar cada tarea con una confianza similar.

Esta uniformidad crea un problema de priorización. Los colegas humanos transmiten incertidumbre, incomodidad, gratitud o urgencia genuina mediante pequeñas decisiones. Un agente puede imitar esas señales, pero la imitación no demuestra que el propietario comparta ese sentimiento.

Por ello, los equipos pueden desconfiar de solicitudes muy pulidas. El lenguaje puede parecer considerado mientras el proceso subyacente desplaza esfuerzo sin consulta. Una redacción mejor no resuelve la incertidumbre sobre autoridad y reciprocidad.

La investigación sobre IA en el trabajo respalda la preocupación más amplia, aunque no verifica directamente el relato interno de Brockman. Un estudio de 2026 comparó el apoyo de ChatGPT con la ayuda de un compañero humano durante una tarea de comunicación corporativa.

Los investigadores utilizaron un experimento de viñetas con 202 participantes. Descubrieron que el apoyo de ChatGPT se asociaba con una menor satisfacción laboral que el apoyo de un compañero humano en ese contexto específico.

El estudio publicado sobre apoyo en el trabajo relacionó ese resultado con tres percepciones. Los participantes reportaron menor apoyo organizativo, menos oportunidades para demostrar sus capacidades y mayor inseguridad laboral.

Estos hallazgos no deben generalizarse a todas las ocupaciones o flujos de trabajo. El experimento se centró en una tarea de comunicación bajo condiciones controladas. Aun así, su mecanismo se parece mucho a la tensión observada por Brockman.

La ayuda humana comunica más que la finalización de una tarea. Puede indicar que la organización valora a un empleado, que los colegas reconocen la experiencia de los demás y que la cooperación será recíproca.

El apoyo mediante agentes puede sentirse distinto incluso cuando mejora el resultado. El software carece de la historia compartida que da a la ayuda su significado relacional. Los empleados pueden recibir una respuesta sin vivir la interacción como un apoyo genuino.

Esto genera presión directa sobre los compradores empresariales. Una decisión de compra planteada en torno a tareas completadas puede pasar por alto costes de segundo orden. Los equipos podrían registrar flujos de trabajo más rápidos mientras experimentan menor confianza, menos disposición a ayudar o más tiempo dedicado a verificar solicitudes automatizadas.

Los diseñadores de productos enfrentan la misma presión. Deben decidir si los agentes deben comunicarse de forma autónoma, redactar mensajes para aprobación u operar discretamente detrás de una interfaz controlada por humanos.

El patrón más seguro depende de la tarea. Un resumen de estado programado tiene consecuencias sociales distintas de pedir a un colega específico que investigue un problema. Tratar ambas acciones como mensajería genérica ignora sus diferentes exigencias sobre la atención humana.

Las organizaciones que ya invierten en una base de conocimiento consultable tienen otra opción. Un agente puede recuperar conocimiento existente antes de pedir a un colega que lo repita.

Esa secuencia preserva el valor de la automatización sin convertir a las personas en el recurso alternativo predeterminado. También crea un umbral más claro para la interrupción. El agente contacta a una persona solo cuando los registros disponibles no pueden resolver la solicitud.

Por tanto, la presión no consiste en rechazar los agentes. Consiste en distinguir entre asistencia privada, recuperación compartida de información y delegación interpersonal. Cada categoría necesita permisos y expectativas diferentes.

Eficiencia delegada frente a responsabilidad humana

La disyuntiva central es sencilla: un agente ahorra tiempo a su propietario gastando la atención de otra persona.

Las métricas de productividad suelen seguir al usuario que inicia la acción. Una empresa mide la rapidez con que ese empleado completa una tarea o cuántos flujos de trabajo gestiona el agente. El esfuerzo de interpretación del destinatario rara vez aparece en el mismo panel.

Pensemos en un gerente de producto que prepara una actualización. Su agente detecta que falta una estimación de ingeniería y contacta a un desarrollador. El gerente ahorra varios minutos, pero el desarrollador recibe una solicitud sin saber si el gerente la revisó.

El desarrollador debe decidir si la estimación realmente es necesaria, si el plazo es real y si responder al bot crea una obligación. El flujo de trabajo parece eficiente desde una cuenta, mientras genera ambigüedad en otra.

Un mensaje humano conlleva un costo pequeño pero significativo. El remitente se detiene, considera al destinatario, explica la necesidad y acepta la responsabilidad por la interrupción. Ese esfuerzo actúa como filtro frente a solicitudes de bajo valor.

La automatización elimina gran parte de esa fricción. Reducir la fricción ayuda cuando la acción es rutinaria y consensuada. Puede generar una demanda excesiva cuando la acción consume criterio humano escaso.

Esto es comparable a la automatización de calendarios. El software de reservas facilita la programación, pero un uso descuidado puede trasladar todas las molestias a los invitados. La tecnología no determina si la interacción parece justa; lo determina la práctica que la rodea.

Los agentes amplifican ese efecto porque pueden generar solicitudes a escala. Un empleado puede delegar muchas conversaciones sin experimentar personalmente la interrupción de cada destinatario. Pequeños desequilibrios pueden acumularse en una gran organización.

La cita de Simon de OpenAI también cuestiona el diseño antropomórfico, que da al software lenguaje o comportamiento similares a los humanos. Un tono más amistoso puede mejorar la usabilidad, pero también puede ocultar quién tomó la decisión detrás del mensaje.

Si un agente escribe «Agradecería tu ayuda», ¿quién está expresando agradecimiento? El sistema no tiene un interés personal en la relación. El propietario podría sentirse agradecido, pero el destinatario no puede saber si la frase refleja atención humana.

Una atribución clara puede reducir esa ambigüedad. Un mensaje podría indicar que un agente identificó información faltante y que un empleado identificado aprobó la solicitud. También podría ofrecer una vía directa para contactar con el propietario.

La aprobación por sí sola no resolverá todos los casos. Una persona puede aprobar muchos mensajes generados sin evaluar la carga que imponen. Un diseño útil debería hacer visible el costo para el destinatario antes de enviar la solicitud.

Por ejemplo, un agente podría mostrar a su propietario a quién ya se ha contactado, con qué frecuencia esa persona ha ayudado y si la respuesta existe en otro lugar. Podría recomendar preguntar en un canal compartido en vez de dirigirse repetidamente a un único experto.

El sistema también podría separar las preguntas informativas de las asignaciones de trabajo. Preguntar dónde está un documento es distinto de solicitar dos horas de análisis. La segunda acción requiere una negociación humana explícita.

Los destinatarios también necesitan control. Deberían poder rechazar, redirigir, silenciar o exigir confirmación humana sin tener que discutir con un software. Una negativa debería llegar al propietario responsable en lugar de activar una persuasión automatizada interminable.

La identidad debe mantenerse estable durante toda la conversación. Si un agente inicia un hilo, el propietario no debería tomar el control silenciosamente mientras conserva la ambigüedad. Los participantes deben saber si cada mensaje provino de software, de una persona o de un borrador revisado.

La responsabilidad se vuelve especialmente importante cuando el agente comete un error. Si indica mal una fecha límite o solicita trabajo no autorizado, el destinatario no debería tener que investigar qué prompt, integración o modelo produjo la instrucción.

Un propietario identificado debe resolver el problema. La organización también debe conservar suficiente historial para comprender la acción. De lo contrario, la comunicación delegada debilita la responsabilidad justo cuando la automatización amplía su alcance.

Slack ha presentado públicamente un futuro con mayor presencia de agentes. Un informe de Axios citó a un ejecutivo de Slack que pronosticó que los trabajadores podrían llegar a hablar con agentes con la misma frecuencia que con colegas humanos.

El pronóstico sobre el lugar de trabajo con agentes también recogió la preocupación contrapuesta. Expertos advirtieron que una interacción dominada por máquinas puede debilitar el comportamiento social, mientras que profesionales describieron a los agentes como inconsistentes y propensos a errores.

La observación de Brockman agudiza ese debate. Las personas no rechazan toda interacción con software. Distinguen entre un agente que las ayuda y un agente que las recluta para ayudar a otra persona.

Esa diferencia debería orientar las decisiones de producto. La automatización personal no debería recibir automáticamente autoridad interpersonal. Un sistema capaz de enviar un mensaje aún necesita una razón legítima para representar a su propietario.

La evidencia es sugerente, no concluyente

Brockman identificó una advertencia creíble, pero la evidencia pública no establece cuán extendida o duradera es la reacción.

El relato de OpenAI carece de mediciones básicas. No sabemos cuántos empleados conectaron ChatGPT a Slack, cuántos destinatarios objetaron o qué tipos de tareas provocaron la respuesta más fuerte.

La frase «a la gente realmente no le gusta» transmite una impresión clara, no un resultado cuantificado. Podría describir una resistencia generalizada, quejas repetidas de un grupo más pequeño o un patrón concentrado en equipos específicos.

El diseño de las tareas podría explicar parte de la reacción. Los empleados podrían aceptar preguntas automatizadas sobre el estado de algo, pero resentir solicitudes abiertas que requieren criterio. Una petición de un enlace existente es distinta de una invitación a depurar el proyecto de otro equipo.

El comportamiento del agente también importa. Los destinatarios podrían reaccionar negativamente porque los mensajes son extensos, llegan en mal momento, son repetitivos o no son lo suficientemente transparentes. El problema podría no ser solo la delegación.

La jerarquía laboral crea otra incertidumbre. Un agente que actúa en nombre de un alto ejecutivo puede conllevar autoridad implícita, incluso si el mensaje parece opcional. Los empleados podrían sentirse incapaces de ignorarlo sin tener una relación humana mediante la cual negociar.

El mismo agente, actuando en nombre de un par, podría generar una respuesta diferente. Los equipos con una confianza sólida podrían tolerar la automatización porque los colegas ya entienden las intenciones de los demás. Los equipos recién formados o distribuidos podrían requerir un contacto humano más explícito.

Las expectativas culturales también variarán. Algunas organizaciones dependen en gran medida de la comunicación escrita asíncrona. Otras usan la conversación para mantener la cohesión, resolver la incertidumbre y reconocer contribuciones individuales.

El estudio de 2026 sobre el apoyo de ChatGPT ofrece evidencia útil, pero no reproduce la delegación autónoma en Slack. Los participantes respondieron a escenarios laborales hipotéticos, no a relaciones de largo plazo con colegas y agentes reales.

Su muestra de 202 personas permite análisis dentro de ese experimento. No puede determinar si los empleados se adaptan tras un uso sostenido o si un mejor diseño de interfaz cambia el resultado.

Un estudio independiente de Slack, informado por Associated Press, ilustra cuán desigual ya era la adopción en el lugar de trabajo. Los investigadores realizaron entrevistas con 5.000 trabajadores de escritorio y los agruparon en cinco perfiles de IA.

Solo la mitad pertenecía a los dos grupos que ya usaban IA de forma habitual o encubierta. La encuesta sobre IA en el lugar de trabajo describió entusiasmo, ansiedad, resistencia, culpa e incertidumbre, en vez de una respuesta compartida.

Esa investigación es anterior a la actual integración de OpenAI con Slack y no debería tratarse como una medición directa de la aceptación de agentes. Sí muestra que la IA en el trabajo llega a un entorno emocionalmente dividido.

La divulgación puede crear otra paradoja. Ocultar al agente reduciría la fricción inmediata, pero engañaría a los destinatarios sobre la autoría. Etiquetar cada mensaje automatizado protege la transparencia, al tiempo que hace imposible pasar por alto la delegación.

La respuesta no puede ser lograr que los agentes suplanten a sus propietarios de manera más convincente. Ese enfoque podría mejorar las tasas de respuesta a corto plazo al explotar la confianza existente. También socavaría la participación informada y haría más dañinos los errores posteriores.

Las organizaciones necesitan evidencia más allá de los recuentos de adopción. Un uso elevado podría reflejar presión de la dirección en lugar de aceptación por parte de los empleados. Los tiempos de respuesta rápidos podrían ocultar frustración o cumplimiento innecesario.

Mejores medidas incluirían solicitudes ignoradas, escaladas a humanos, quejas, correcciones, contactos repetidos y satisfacción de los destinatarios. Los equipos también deberían comparar las solicitudes redactadas por agentes con las enviadas de forma autónoma.

La evidencia más sólida provendría de pruebas controladas en el lugar de trabajo. Los investigadores podrían variar la aprobación del propietario, la divulgación de identidad, la carga de la tarea, la jerarquía y el historial de la relación. Después podrían medir la finalización, la confianza y la disposición a colaborar de nuevo.

Hasta que aparezcan esos datos, el relato de Simon de OpenAI debería seguir siendo una advertencia, no una ley universal. Identifica un mecanismo plausible que se ajusta a investigaciones relacionadas. No demuestra que cada mensaje autónomo perjudique las relaciones laborales.

Esa distinción importa porque una reacción excesiva también tiene costos. Prohibir toda comunicación de agentes impediría automatizaciones útiles, incluidos canales de ayuda accesibles, informes rutinarios y una recuperación de información más rápida.

La respuesta práctica es la experimentación acotada. Las empresas pueden permitir la participación de agentes de bajo riesgo mientras exigen revisión humana para solicitudes que imponen trabajo significativo a otra persona.

Deberían publicar los límites antes del despliegue. Los empleados necesitan saber cuándo un agente puede contactarles, qué autoridad tiene, cómo rechazar una solicitud y quién gestiona las disputas.

Sin esas reglas, cada destinatario debe inventar una política durante cada interrupción. Esa incertidumbre transforma una función de productividad en fricción organizativa.

Tres señales mostrarán si los compañeros de trabajo de IA pueden ganarse la confianza

La próxima fase estará determinada por los controles de producto, el comportamiento de los destinatarios y resultados medibles en las relaciones.

La primera señal es si OpenAI y otros proveedores añaden controles más sólidos de aprobación humana para solicitudes interpersonales. Las herramientas actuales ya admiten configuración de canales, horarios, menciones y respuestas automáticas.

La función decisiva distinguiría la asistencia general en canales de la delegación dirigida. Un administrador o propietario podría exigir revisión cada vez que un agente pida a un empleado identificado que realice un trabajo sustancial.

Ese control reforzaría la interpretación de Brockman si los clientes lo adoptan ampliamente. Mostraría que las organizaciones reconocen las solicitudes interpersonales como una categoría de riesgo diferenciada.

Una adopción débil apuntaría en otra dirección. Los equipos podrían considerar que la divulgación y los permisos existentes ofrecen suficiente protección. Los mensajes rutinarios de agentes podrían normalizarse socialmente mediante la exposición repetida.

La segunda señal es el comportamiento de los destinatarios. Las empresas deberían observar las tasas de respuesta, rechazos, silenciamientos, escaladas y solicitudes de confirmación humana en distintas categorías de tareas.

Una alta tasa de finalización por sí sola es insuficiente. Los empleados pueden cumplir solicitudes que no les gustan, especialmente cuando el agente representa a un gerente o a un colega influyente. La satisfacción y la disposición a colaborar de nuevo importan tanto como la rapidez.

El argumento de Brockman cobra fuerza si las solicitudes autónomas generan más quejas o menor cooperación futura que los mensajes humanos revisados. Se debilita si la diferencia desaparece tras controlar la calidad del mensaje y la carga de la tarea.

La tercera señal es si las organizaciones miden los efectos sobre las relaciones junto con la productividad. La mayoría de los programas de agentes comienzan con tiempo ahorrado, tareas completadas o menor volumen de soporte.

Esas métricas favorecen al propietario del agente y a la organización compradora. No capturan si el sistema transfiere trabajo, reduce el reconocimiento o debilita la confianza entre colegas.

Una evaluación creíble debería preguntar a ambas partes sobre la interacción. ¿El remitente ahorró tiempo? ¿El destinatario entendió la solicitud, aceptó su legitimidad y sabía quién era responsable?

Los indicadores a más largo plazo también importan. Los equipos pueden examinar si los expertos reciben más demandas automatizadas, si los empleados se comunican directamente con menos frecuencia y si los desacuerdos sin resolver se trasladan fuera de los canales oficiales.

Estos resultados distinguirán la ampliación de la sustitución. La ampliación usa IA para preparar a las personas para una mejor colaboración. La sustitución coloca software entre las personas y trata la relación como una sobrecarga evitable.

La dirección que prefiere Brockman parece clara en la cita. La IA debería devolver tiempo a las personas o mejorar el tiempo que pasan juntas. No debería convertirse en una capa permanente que distancie a los colegas.

Esta postura es notable porque OpenAI se beneficia cuando los agentes gestionan más actividad laboral. Reconocer ese límite social sugiere que una mayor autonomía de los agentes no es automáticamente el objetivo deseado.

El reto de producto consiste en preservar la responsabilidad sin restablecer toda carga administrativa. Redactar una solicitud bien pensada puede automatizarse. Decidir imponer trabajo a un colega a menudo debería seguir siendo una decisión humana.

La recuperación de conocimiento ofrece una línea divisoria útil. Un agente debería buscar en registros aprobados, resumir el contexto relevante e identificar la información faltante antes de contactar a otra persona. La automatización se gana la confianza cuando evita interrupciones innecesarias.

Cuando siga siendo necesaria la ayuda humana, el responsable debería aparecer en el intercambio. Una breve explicación personal puede establecer propósito, responsabilidad y agradecimiento. El agente aún puede organizar el contexto y registrar el resultado.

Es poco probable que la frase de OpenAI Simon se convierta en un término de búsqueda natural fuera de esta cita específica. Sin embargo, la cuestión subyacente dará forma a la IA empresarial mucho más allá de una sola publicación.

Los proveedores están diseñando agentes como compañeros de trabajo, asistentes y mano de obra digital. Los empleados juzgarán estos sistemas a través de las interacciones cotidianas, no de las etiquetas de producto. Cada solicitud automatizada se convierte en una prueba de autoridad y respeto.

Por lo tanto, el agente más exitoso podría ser menos visible de lo que sugieren las demostraciones actuales. Prepararía información, eliminaría trabajo repetitivo y ayudaría a una persona a comunicarse con claridad. No buscaría atribuirse el mérito de reemplazar la relación.

Las organizaciones que implementen agentes de Slack deberían comenzar con una pregunta práctica: ¿esta acción ahorra tiempo colectivo o solo el tiempo del responsable? Esa pregunta revela los flujos de trabajo que simplemente trasladan el esfuerzo.

Después, deberían dar a los destinatarios un control significativo. Una persona debe poder solicitar confirmación humana sin penalización y rechazar una tarea generada por una máquina sin entrar en un debate con la máquina.

Por último, los equipos deberían revisar los resultados abiertamente. Si los empleados sienten que los agentes asignan trabajo sin responsabilidad, la implementación necesita rediseñarse independientemente de sus estadísticas de finalización.

La cita de OpenAI Simon Willison no resuelve el futuro de los compañeros de trabajo basados en IA. Ofrece un mejor criterio para evaluarlos. El objetivo no es maximizar la comunicación automatizada, sino lograr un trabajo más útil con menos relaciones dañadas.

Antes de permitir que un agente contacte a un colega, pregunte qué elimina el software y qué transfiere. Exija un responsable identificado, una divulgación clara y una vía sencilla para volver a la conversación humana. Después, mida la experiencia del destinatario con tanto cuidado como el tiempo ahorrado por el remitente. Si el agente de su lugar de trabajo no puede preservar el consentimiento, el contexto y la responsabilidad, manténgalo detrás de la persona a la que sirve. La IA se gana un lugar en el trabajo cuando ofrece a las personas más atención para los demás, no cuando convierte a los colegas en puntos finales de un flujo de trabajo automatizado.