El consejo de Roxane Gay sobre escritura con IA revela un problema de confianza en la gestión
Roxane Gay abordó un conflicto laboral muy actual el 13 de septiembre: un gerente cree que casi todas las palabras que escribe un empleado parecen generadas por inteligencia artificial. El consejo de Roxane Gay sobre escritura con IA llega después de que las herramientas generativas hayan facilitado la producción de textos pulidos y vuelto inusualmente difícil atribuirlos. El gerente percibe una voz sintética, pero la sospecha por sí sola no establece quién escribió el trabajo.
El dilema, presentado a través de la columna Work Friend de Gay en consejos laborales, es más amplio que una sola relación de supervisión tensa. Los gerentes ahora se encuentran con frases que parecen competentes pero genéricas, completas pero extrañamente desconectadas del trabajo que las respalda. Esa impresión puede identificar un problema real de calidad. No puede identificar de manera fiable su causa.
Por tanto, el conflicto central no es la escritura humana frente a la escritura de máquinas. Es la intuición gerencial frente al trabajo verificable. Los empleadores siguen necesitando resultados precisos, originales, seguros y útiles. Los empleados siguen necesitando reglas claras, una evaluación justa y la oportunidad de explicar su proceso antes de que una impresión estilística se convierta en una acusación.
La cuestión de The New York Times sobre escritura con IA trata realmente de pruebas
La inquietud de un gerente puede iniciar una revisión, pero no puede servir como veredicto.
El titular de la columna de Gay recoge una reacción conocida ante la prosa asistida por IA. Ciertas expresiones ahora parecen sospechosas porque los chatbots las repiten en correos electrónicos, informes, propuestas y publicaciones sociales. Las transiciones fluidas, las listas equilibradas, los resúmenes ordenados y el entusiasmo impersonal pueden desencadenar el mismo pensamiento: una persona no escribió esto.
Esa inferencia parece más sólida de lo que realmente es. Los grandes modelos de lenguaje aprendieron a partir del lenguaje humano, por lo que su resultado se asemeja naturalmente a patrones que las personas ya utilizan. Los escritores humanos también absorben convenciones de escuelas, empleadores, plantillas, guías de estilo y de otras personas. La similitud con la prosa de un chatbot no demuestra el uso de un chatbot.
Un gerente debería separar primero tres preguntas que con frecuencia se agrupan en una sola. ¿El trabajo es deficiente? ¿Infringe una norma establecida? ¿El empleado está tergiversando cómo fue producido? Cada pregunta requiere pruebas y una respuesta diferentes.
El trabajo deficiente puede abordarse directamente. Un informe podría contener afirmaciones sin respaldo, recomendaciones vagas, lenguaje repetitivo, citas inventadas o un tono que no conecta con su audiencia. Ninguno de esos defectos exige que el gerente demuestre el uso de IA. El gerente puede identificar el defecto, explicar sus consecuencias y exigir una revisión.
Una infracción de políticas requiere una política real. La organización debe definir qué herramientas están permitidas, qué información puede introducirse en ellas, cuándo es obligatoria la divulgación y quién sigue siendo responsable. Un gerente no puede aplicar de forma justa una expectativa privada que nunca se comunicó a los empleados.
La tergiversación es más grave, pero también necesita pruebas más contundentes. Un empleado que niega haber usado una herramienta a pesar de registros fiables o una admisión documentada crea un problema de honestidad. Un empleado cuyas frases simplemente suenan automatizadas no ha aportado una prueba comparable.
Esta distinción importa porque la autoría ya no es binaria. Un trabajador podría pedirle a un chatbot un esquema, escribir personalmente cada párrafo y utilizar después un corrector gramatical. Otro podría generar un borrador completo, verificar sus afirmaciones, sustituir la mayor parte de su lenguaje y conservar dos frases. Un tercero podría entregar un resultado sin modificar sin siquiera leerlo.
Llamar a las tres prácticas “escritura con IA” oculta precisamente las diferencias que un gerente necesita evaluar. Las cuestiones relevantes incluyen el criterio, la divulgación, el manejo de datos, la revisión factual y la responsabilidad sobre el resultado final.
Las pruebas del proceso pueden aclarar esas cuestiones. El historial de versiones puede mostrar cómo se desarrolló un documento. Las notas de fuentes pueden establecer el origen de las afirmaciones. Una conversación breve puede revelar si el empleado entiende el argumento y puede defender las recomendaciones. El trabajo anterior puede proporcionar una referencia sin pretender que el estilo de una persona nunca cambia.
Ninguna de estas señales es perfecta. Sin embargo, en conjunto producen una evaluación más defendible que la reacción de un gerente ante la prosa. Esa es la primera lección detrás del consejo de Roxane Gay sobre escritura con IA: tratar el resultado como un trabajo que debe examinarse, no como una prueba de personalidad disfrazada de análisis forense.
La detección de IA no puede soportar el peso de una acusación laboral
La detección automatizada convierte un juicio estilístico incierto en una puntuación de apariencia precisa sin eliminar la incertidumbre.
Los gerentes que buscan confirmación encontrarán rápidamente productos que afirman distinguir la escritura humana del texto generado. Estos sistemas suelen analizar características estadísticas en lugar de descubrir un registro oculto de autoría. Estiman si un pasaje se parece a patrones asociados con el resultado de un modelo.
Esa distinción es crucial. Un detector de IA no equivale a una base de datos de plagio que compara frases copiadas con una fuente conocida. Realiza una clasificación probabilística. La edición, la traducción, los pasajes breves, el lenguaje técnico y el cambio en el comportamiento de los modelos pueden afectar el resultado.
La investigación también ha documentado un grave problema de equidad. Un estudio dirigido por Stanford descubrió que los detectores etiquetaban con frecuencia de forma errónea textos de personas que no eran hablantes nativos de inglés. En la prueba de los investigadores, los sistemas clasificaron como generados por IA el 61,22 por ciento de los ensayos TOEFL examinados.
Al menos un detector marcó 89 de los 91 ensayos. Los siete detectores coincidieron en 18 de ellos. El análisis de Stanford sobre el sesgo de los detectores advirtió que estas herramientas eran poco fiables, fáciles de evadir y especialmente riesgosas en contextos de evaluación.
Ese hallazgo debería cambiar la forma en que los empleadores gestionan la escritura de empleados con IA. Un documento pulido pero lingüísticamente convencional puede despertar sospechas por el estilo de inglés aprendido por quien lo escribe. Un informe técnico conciso puede recibir una puntuación distinta a la de un memorando narrativo. Ningún resultado demuestra una conducta indebida.
El problema se vuelve más grave cuando un detector influye en evaluaciones de desempeño, ascensos, medidas disciplinarias o despidos. En ese punto, una clasificación débil deja de ser una ayuda de edición. Se convierte en prueba laboral con consecuencias para los ingresos y la reputación de una persona.
Las protecciones federales de empleo siguen aplicándose cuando las organizaciones utilizan inteligencia artificial en decisiones laborales. La guía para trabajadores de la Equal Employment Opportunity Commission establece que las leyes contra la discriminación cubren los sistemas de IA utilizados en ámbitos que incluyen la contratación, los ascensos y las decisiones salariales. Un empleador no puede delegar su responsabilidad en un software.
Incluso un detector con mejor rendimiento promedio no respondería todas las preguntas relevantes. No podría decirle a un gerente si un empleado utilizó una herramienta aprobada. No podría determinar si se expuso información confidencial. No podría establecer si el empleado verificó los hechos o aportó el análisis subyacente.
Una puntuación tampoco puede medir si el trabajo resultante es útil. Una persona puede redactar un memorando inexacto sin asistencia. Un trabajador puede usar IA para reorganizar un borrador cuidadosamente investigado y conservar al mismo tiempo plena propiedad intelectual. El método de producción afecta al riesgo, pero no sustituye la evaluación del resultado.
Por tanto, los gerentes deberían tratar el resultado de los detectores, si los usan, como una señal débil que requiere corroboración. Nunca debería ser la única base para una acusación. Los empleados deberían saber cuándo se utilizan estas herramientas, qué miden y cómo cuestionar un resultado incorrecto.
Aquí es donde la disputa se convierte en una cuestión de gobernanza. Las organizaciones necesitan normas documentadas para recopilar pruebas, revisar hallazgos controvertidos y preservar la privacidad de los empleados. En el momento en que un detector pasa a formar parte de la gestión de personal, sus limitaciones deben figurar en la política, no en la letra pequeña.
El conflicto principal es la intuición gerencial frente al trabajo verificable
La respuesta más sólida ante un supuesto uso de IA es una revisión centrada del trabajo, no una confrontación sobre si la prosa “huele” a máquina.
Un gerente puede empezar identificando el problema observable. “Esta sección ofrece tres recomendaciones sin pruebas que las respalden” es un comentario útil. “Esto suena a ChatGPT” es una acusación que ofrece al empleado poca orientación sobre lo que debe mejorar.
Los comentarios específicos cambian la conversación. Piden al empleado que explique las fuentes, los supuestos, las decisiones y las concesiones. Esas preguntas ponen a prueba el dominio del trabajo sin obligar a ninguna de las partes a debatir el estilo de cada frase.
Pensemos en una propuesta para un cliente que contiene afirmaciones amplias pero pocos detalles. El gerente puede preguntar por qué se eligió una opción, qué requisito del cliente dio forma a la recomendación y qué pruebas respaldan el resultado proyectado. Un empleado que realizó el análisis debería poder responder, independientemente de qué herramientas de escritura ayudaron con la redacción final.
El mismo enfoque funciona para los informes internos. Un gerente puede solicitar enlaces a fuentes, notas de cálculo, registros de entrevistas o una breve explicación verbal. Estos materiales revelan el trabajo superficial de forma más fiable que las expresiones favoritas. También ayudan a identificar carencias de formación que no tienen nada que ver con la IA.
El historial de versiones resulta útil cuando la autoría realmente importa. Una secuencia de notas, esquemas, borradores y revisiones ofrece pruebas del proceso. Un único pegado extenso no demuestra asistencia prohibida, pero puede justificar una pregunta neutral. A veces los empleados redactan en otra aplicación, trabajan sin conexión o pegan material proporcionado por un colega.
La conversación debe seguir siendo proporcional. Un gerente podría decir que el documento difiere de entregas anteriores y preguntar cómo se preparó. El empleado puede entonces describir el flujo de trabajo, incluidas las herramientas aprobadas. Esto deja espacio para la corrección sin asumir deshonestidad desde el principio.
Las normas claras de divulgación facilitan este intercambio. Una organización podría permitir la lluvia de ideas y la edición, al tiempo que exige divulgación para los pasajes generados. Podría prohibir introducir datos de clientes en modelos públicos. Podría exigir verificación humana para afirmaciones legales, financieras, médicas o dirigidas al público.
Estos controles deberían ajustarse al riesgo, no al gusto personal. Un anuncio interno rutinario no presenta los mismos riesgos que una presentación regulatoria. Un esquema de marketing no plantea las mismas preocupaciones de confidencialidad que un documento que contiene información médica de empleados.
El marco de riesgos de IA de NIST ofrece una estructura útil para este razonamiento. Sus funciones centrales son gobernar, mapear, medir y gestionar. Aplicado a la escritura en el lugar de trabajo, eso significa definir responsabilidades, mapear casos de uso, evaluar riesgos reales y responder con controles adecuados.
El marco no reduce la gobernanza a una prohibición. Pide a las organizaciones conectar el uso técnico con el contexto, el impacto y la responsabilidad. Una empresa puede permitir herramientas generativas y, al mismo tiempo, exigir divulgación, verificación de fuentes, manejo seguro de datos y una revisión humana significativa.
Los gerentes también deben examinar su propia contribución. Si cada asignación es vaga, apresurada y repetitiva, los empleados buscarán atajos de forma natural. Si el liderazgo celebra la productividad de la IA pero castiga cualquier señal visible de su uso, los trabajadores reciben instrucciones incompatibles.
El dilema de la escritura con IA de The New York Times pone de manifiesto esa contradicción. Muchas organizaciones fomentan la experimentación sin definir qué tipo de asistencia es aceptable. Luego, los gerentes improvisan estándares después de que un documento les resulta incómodo. Los empleados aprenden que el uso de herramientas se fomenta en teoría, pero es peligroso reconocerlo en la práctica.
Un sistema justo resuelve la contradicción antes de que sea necesario aplicar medidas disciplinarias. La organización identifica las herramientas aprobadas y los datos restringidos. Define cuándo se requiere divulgación. Aclara que el empleado sigue siendo responsable de la precisión, la originalidad, el criterio y el cumplimiento.
Esa estructura también protege a los gerentes. Ya no necesitan actuar como detectives lingüísticos aficionados. Pueden evaluar el trabajo según requisitos acordados y escalar solo cuando las pruebas respalden una preocupación de política.
La escritura con IA en el trabajo transforma la voz, la responsabilidad y la confianza
El verdadero coste del uso indiscriminado de la IA no es una frase torpe; es la separación gradual entre un lenguaje pulido y un pensamiento responsable.
La escritura cumple una función que va más allá de la presentación dentro de una organización. Un resumen de proyecto registra decisiones. Un correo electrónico a un cliente compromete a la empresa con una postura. Un memorando estratégico revela lo que su autor observó, ignoró y priorizó.
Cuando un empleado delega demasiado de ese trabajo, el texto puede ganar fluidez mientras demuestra menos comprensión. El gerente puede reconocer esa brecha sin saber cómo nombrarla. La prosa parece genérica porque no contiene las restricciones, la historia, los desacuerdos ni las decisiones pendientes de la organización.
Eso no convierte un estilo genérico en prueba de automatización. Sí explica por qué los gerentes reaccionan con fuerza ante él. A menudo están detectando una pérdida de contexto, no una herramienta concreta.
La solución es exigir productos de trabajo que muestren su razonamiento. Una recomendación debe indicar las pruebas que la respaldan. Un resumen debe distinguir los hechos de la fuente de la interpretación. Un plan debe identificar dependencias, responsables y preguntas abiertas.
Los empleados necesitan acceso al conocimiento necesario para hacerlo. Un lugar de trabajo fragmentado obliga a las personas a reconstruir el contexto a partir de hilos de chat, reuniones, documentos y memoria. Las herramientas generativas pueden entonces producir borradores fluidos a partir de información incompleta, ocultando las lagunas en lugar de corregirlas.
Una base de conocimiento personal bien mantenida puede ayudar a un trabajador a conservar el material de origen y recuperar el razonamiento detrás de decisiones anteriores. El valor procede de la trazabilidad, no de la prosa automática. Un documento creíble debe remitir a registros que un revisor pueda inspeccionar.
Por eso también importa la capacidad de un empleado para hablar sobre el trabajo. Un redactor no necesita recitar cada frase. La persona debe entender por qué el documento adopta su postura, de dónde proviene su información y qué incertidumbre persiste.
La responsabilidad no puede recaer en la herramienta porque la herramienta no ocupa el puesto. No tiene obligaciones con el cliente, no observa las políticas internas ni afronta consecuencias por un hecho inventado. El empleado y el gerente revisor siguen siendo responsables.
Investigaciones recientes sobre el entorno laboral sugieren que presentar un sistema de IA como un “empleado” puede complicar esta responsabilidad. Boston University resumió una investigación que concluyó que los gerentes pasaban por alto más errores cuando el trabajo se atribuía a un empleado de IA en lugar de a una persona o una herramienta. Los investigadores vincularon ese encuadre con percepciones más débiles de la responsabilidad directiva.
Ese resultado no establece cómo se comportará cada equipo. Sí destaca un peligroso atajo lingüístico. Llamar colega al software puede hacer que su resultado parezca responsabilidad de otra persona, aunque no haya ningún profesional independiente detrás de él.
La misma brecha de responsabilidad puede aparecer cuando los gerentes exigen el uso de IA. Si el liderazgo requiere una producción más rápida, los empleados pueden asumir que el liderazgo ha aceptado los riesgos resultantes. Los gerentes pueden asumir que los trabajadores detectarán todos los errores. Ambas partes creen entonces que la otra es responsable de la verificación.
Una política útil sobre escritura con IA debe asignar cada control a una persona. El empleado verifica los hechos y las citas. El gerente revisa las conclusiones de alto impacto. Los equipos de seguridad definen el tratamiento de datos permitido. Los equipos jurídicos o de cumplimiento revisan las afirmaciones reguladas.
La política también debe proteger la voz sin idealizar la ineficiencia. Los empleados no deberían tener que conservar frases torpes simplemente para demostrar que son humanos. Deberían poder usar herramientas de ortografía, gramática, transcripción, recuperación de información y redacción dentro de límites claros.
Lo importante es si el trabajo sigue reflejando juicio humano. El documento final debe incorporar el conocimiento del autor sobre la audiencia, las restricciones operativas y las consecuencias. No debe limitarse a sonar pulido.
Los gerentes pueden reforzar ese estándar mediante las asignaciones. Pida un breve memorando de decisión con fuentes y alternativas descartadas. Solicite los supuestos detrás de una previsión. Incluya una sección de incertidumbres o información faltante.
Estos formatos hacen visible el razonamiento. También reducen el valor de la generación sin revisar porque una respuesta genérica no puede satisfacer la asignación. Los empleados siguen siendo libres de utilizar asistencia permitida, pero deben aportar el contexto y el juicio que hacen útil el resultado.
La confianza crece cuando esta expectativa se aplica de manera coherente. Se derrumba cuando un gerente sospecha de un empleado mientras ignora un trabajo igualmente débil de colegas favorecidos. También se derrumba cuando los trabajadores ocultan asistencia rutinaria porque divulgarla parece profesionalmente fatal.
El consejo de Roxane Gay sobre la escritura con IA apunta a una difícil posición intermedia. Los gerentes no deberían ignorar cambios evidentes de calidad ni convertir la incomodidad en certeza. Necesitan un proceso que pueda examinar tanto el trabajo como su producción sin tratar cada frase inusual como prueba de engaño.
Lo que la sospecha aún no demuestra
Un cambio en el estilo de escritura puede justificar una pregunta, pero siguen existiendo varias explicaciones plausibles hasta que el empleado responda.
El empleado podría estar usando IA generativa de forma extensa. Esa posibilidad no debe minimizarse. Si la persona presenta resultados sin verificar, oculta un uso prohibido o introduce información confidencial en un servicio no aprobado, el empleador tiene preocupaciones legítimas.
El empleado también podría estar utilizando una herramienta de edición aprobada. Muchas aplicaciones ofrecen ahora funciones de reescritura, ajuste de tono, resumen y completado sin presentarse como chatbots independientes. Es posible que los trabajadores no sepan qué funciones considera su empleador como IA generativa.
Una tercera posibilidad es la adaptación deliberada. Los empleados suelen cambiar su escritura después de recibir críticas, formación, un ascenso o exposición al formato preferido de un gerente. La prosa resultante puede volverse más formal y menos distintiva.
Una cuarta explicación implica el contexto lingüístico o la accesibilidad. Un trabajador que escribe en una lengua adicional puede recurrir a asistencia de traducción o gramática. Un empleado con discapacidad puede usar herramientas como adaptación. Tratar un tono estandarizado como conducta indebida puede generar preocupaciones tanto de equidad como legales.
Por tanto, el gerente debe preguntar qué cambió. ¿Hubo una nueva plantilla de asignación, curso de escritura, función de software o ciclo de retroalimentación? ¿La organización animó recientemente a los empleados a utilizar IA? ¿El trabajador intentaba corregir quejas anteriores sobre gramática o tono?
La respuesta del empleado debe evaluarse luego frente a las pruebas. Si hubo uso de herramientas, las siguientes preguntas se refieren al alcance y a la política. ¿Qué información se introdujo en el sistema? ¿Qué partes se generaron? ¿Cómo se verificaron las afirmaciones? ¿El trabajador comprendía el documento final?
El gerente debe evitar exigir una confesión por una falta indefinida. Una conversación productiva distingue la curiosidad de la acusación. También da al empleado la oportunidad de aportar registros, explicar el flujo de trabajo o señalar una política poco clara.
Esta moderación no exige pasividad directiva. Si un documento contiene citas inventadas, el gerente puede exigir una corrección inmediata. Si información protegida ingresó en un servicio no autorizado, deben iniciarse los procedimientos de seguridad. Si el empleado no puede explicar recomendaciones críticas, el trabajo puede requerir reasignación o una revisión más estrecha.
La respuesta debe corresponder al problema demostrado. Un error factual exige control de calidad. El intercambio no autorizado de datos exige una respuesta de seguridad. La deshonestidad exige un proceso laboral. La prosa genérica exige comentarios editoriales.
Confundir esas categorías produce malas decisiones. También enseña a los empleados a ocultar sus métodos en lugar de hablar sobre ellos. Entonces, una empresa pierde visibilidad sobre cómo se utiliza realmente la IA.
Los líderes deben ser igual de cautelosos al exagerar los beneficios de la escritura con IA. Los primeros borradores más rápidos no garantizan un trabajo terminado más rápido. El tiempo ahorrado durante la generación puede reaparecer en la comprobación de fuentes, la reescritura, la corrección y la revisión directiva.
La afirmación opuesta también merece escepticismo. La asistencia de IA no elimina automáticamente la experiencia ni la originalidad. Un experto en la materia puede usar un modelo para reorganizar el material mientras conserva el control de cada decisión sustantiva.
La variable no resuelta es el flujo de trabajo. ¿Quién aportó el conocimiento, quién evaluó el resultado y quién aceptó la responsabilidad? Esas preguntas revelan más que las conjeturas estilísticas sobre si intervino una máquina.
Tres señales mostrarán si las reglas de IA en el trabajo están madurando
La próxima etapa de la escritura con IA en el trabajo se medirá mediante flujos de trabajo divulgados, calidad de revisión y procedimientos justos para las disputas.
La primera señal es si los empleadores sustituyen las prohibiciones amplias por reglas específicas para cada tarea. Una política madura distinguirá entre lluvia de ideas, edición, traducción, resumen, generación y acción autónoma. También identificará la información restringida y los servicios aprobados.
Si se produce ese cambio, el argumento central aquí se fortalecerá. Empleados y gerentes tendrán una base compartida para debatir la conducta. Si los empleadores siguen emitiendo instrucciones vagas para “usar la IA de forma responsable”, las disputas continuarán dependiendo de la interpretación personal.
La segunda señal es si las empresas miden el trabajo de corrección posterior. Los líderes suelen rastrear la rapidez con que aparece un borrador, pero no cuánto tiempo dedican las personas a verificar fuentes, corregir el tono o arreglar errores expresados con seguridad. Eso crea una historia incompleta sobre la productividad.
Los equipos deberían comparar el trabajo completado y aceptado, en lugar de la velocidad bruta de generación. Pueden examinar ciclos de revisión, tasas de errores factuales, tiempo de los revisores, quejas de clientes y retrabajo. Estas medidas revelan si la asistencia de IA reduce el esfuerzo total o simplemente lo traslada a otra persona.
La evidencia de un menor tiempo total de revisión sin una caída de calidad fortalecería el argumento a favor de una escritura con IA gestionada. El aumento de los costes de corrección debilitaría las afirmaciones de que la adopción generalizada mejora automáticamente la productividad.
La tercera señal es si los empleados reciben una forma justa de impugnar acusaciones relacionadas con la IA. Ese proceso debería revelar las pruebas, permitir una respuesta y evitar tratar las puntuaciones de detectores como concluyentes. Las decisiones de alto impacto deberían implicar una revisión humana cualificada.
Un proceso creíble también examinará si una norma era clara cuando se creó el trabajo. La aplicación retroactiva daña la confianza y fomenta el silencio. Los empleados deberían saber qué registros se conservan y si los datos de uso de IA afectan a la evaluación del desempeño.
Estas señales importan más allá de una sola columna de consejos. La redacción con IA ha pasado de ser una decisión individual de productividad a formar parte de la relación entre trabajadores y directivos. Ahora afecta a la autoría, la privacidad, la evaluación, la seguridad y la identidad profesional.
Las organizaciones deberían plantearse una pregunta práctica antes de que llegue el próximo memorando sospechoso: ¿podría un directivo explicar el criterio de la empresa sin remitirse a cómo se percibe el texto? Si la respuesta es no, la política no está lista.
El consejo de Roxane Gay sobre la redacción con IA identifica, en última instancia, un problema de gestión que el software no puede resolver. Un directivo debe evaluar el trabajo, expresar la preocupación, escuchar al empleado y vincular cualquier respuesta con pruebas. Ningún detector puede asumir esa responsabilidad en nombre del directivo.
Empiece por las debilidades concretas del documento. Pida al empleado que explique el proceso. Revise las fuentes, los borradores y la política pertinente. Después decida si el problema es de calidad, seguridad, divulgación u honestidad.
Esa secuencia deja espacio tanto para la rendición de cuentas como para la equidad. También ofrece a las organizaciones algo más valioso que una conjetura sobre la autoría: una forma repetible de decidir si un trabajo asistido por IA merece confianza.
