El auge de la economía de IA de «no preguntes, no cuentes»
Google News sacó a la luz un contundente argumento de Bloomberg: los trabajadores están adoptando la IA pese a que las normas siguen sin resolverse, la medición es deficiente y aumenta la presión para lograr más con menos recursos.
La expresión «economía de IA de no preguntes, no cuentes» describe un pacto incómodo. Los empleadores quieren resultados más rápidos, pero a menudo evitan examinar cómo se produjeron. Los trabajadores usan cuentas personales de IA, copian material en herramientas públicas y guardan silencio porque las alternativas aprobadas pueden ser más lentas o no estar disponibles.
No se trata simplemente de otra historia sobre la adopción de chatbots. Es un conflicto entre la productividad visible y el riesgo invisible del proceso. Microsoft, Anthropic e investigadores del ámbito laboral han documentado partes de esa brecha, aunque ningún conjunto de datos individual capta toda su dimensión.
La tensión central es sencilla. Las empresas quieren la eficiencia generada por la IA, pero muchas carecen de las políticas, los sistemas y los incentivos necesarios para que el uso de IA sea observable. Esa brecha crea una economía sumergida dentro del trabajo habitual de oficina.
Lo que Google News puso en primer plano
El cambio importante no es que los empleados hayan descubierto la IA. Es que el uso informal de IA se ha convertido en parte de la producción rutinaria.
La IA generativa llegó a muchos lugares de trabajo a través del comportamiento individual, en lugar de mediante un despliegue planificado de software. Los empleados abrieron cuentas personales, probaron prompts e identificaron tareas en las que un modelo ahorraba tiempo. Los equipos de compras, seguridad y asuntos legales a menudo se incorporaron al proceso más tarde.
Ese patrón de adopción difiere de una implementación tradicional de software empresarial. Normalmente, una empresa selecciona un proveedor, configura los accesos, capacita a los usuarios y supervisa la actividad. La shadow AI invierte esa secuencia porque los empleados empiezan a utilizar un servicio antes de que la organización lo evalúe.
La investigación sobre IA en el trabajo de Microsoft y LinkedIn detectó una adopción generalizada liderada por empleados en 2024. Entre los trabajadores del conocimiento encuestados que utilizaban IA, el 78 por ciento llevaba sus propias herramientas al trabajo.
Esa cifra no demostraba que cada herramienta personal hubiera provocado un incidente de seguridad. Mostraba que los registros formales de compras no podían describir el nivel real de adopción en el lugar de trabajo. El inventario de software y la realidad laboral se habían separado.
El comportamiento también atraviesa los niveles organizativos. Los colaboradores individuales usan IA para resumir documentos, redactar mensajes, escribir código, analizar comentarios y preparar presentaciones. Los directivos emplean herramientas similares para revisar planes, organizar reuniones y convertir notas incompletas en documentos pulidos.
Estas actividades suelen parecer inocuas porque cada prompt es pequeño. El efecto acumulado es distinto. Una secuencia de prompts puede revelar nombres de clientes, planes de producto, código fuente, supuestos financieros, estrategias legales o desacuerdos internos.
El encuadre de Bloomberg importa porque nombra el acuerdo social que rodea esa actividad. Puede que los trabajadores no revelen cuánto usan la IA. Puede que los directivos no investiguen si los resultados mejoran y no aparece ningún problema evidente.
Por tanto, Google News destacó más que una tendencia tecnológica. Sacó a la luz un problema laboral y de gobernanza construido en torno a la ambigüedad estratégica. Todos pueden beneficiarse de la herramienta mientras la responsabilidad sigue sin definirse.
Esa ambigüedad parece eficiente durante las operaciones normales. Se vuelve frágil cuando un cliente cuestiona una respuesta, aparecen datos confidenciales fuera de los sistemas aprobados o una decisión automatizada perjudica a alguien. Entonces, la organización debe reconstruir un proceso que nunca eligió observar.
Llamar a esto una economía oculta no significa que toda tarea asistida por IA esté prohibida. Significa que la IA aporta valor económico sin aparecer de forma constante en los flujos de trabajo oficiales, los presupuestos, las métricas de rendimiento o los registros de riesgos.
El resultado es visible. El método, no.
Por qué empleadores y trabajadores aceptan el silencio
El pacto informal sobrevive porque ambas partes obtienen un beneficio inmediato al dejar el uso de IA parcialmente sin decir.
Los empleadores afrontan una intensa presión para aumentar la productividad. Han pagado por modelos, asistentes, infraestructura y experimentos, pero muchos aún tienen dificultades para conectar esas inversiones con resultados empresariales medibles. La adopción silenciosa por parte de los empleados ofrece ganancias sin exigir un programa completo de transformación.
Los trabajadores afrontan una presión distinta. Deben gestionar volúmenes crecientes de mensajes, documentos, reuniones, investigación y trabajo administrativo. La IA puede reducir el tiempo dedicado a convertir información de un formato a otro.
Un trabajador que transforma notas de una reunión en una actualización de proyecto tiene pocos incentivos para revelar cada prompt. Revelarlo puede activar revisiones adicionales, preguntas sobre la calidad del trabajo o exigencias de una producción aún mayor. El silencio preserva el tiempo ahorrado.
Los directivos también pueden beneficiarse de no preguntar. Si un equipo entrega antes, un responsable recibe el resultado sin afrontar preguntas difíciles sobre manejo de datos, atribución o evaluación. La recompensa inmediata es concreta, mientras que el riesgo parece lejano.
Este acuerdo puede distorsionar las expectativas de rendimiento. Un empleado puede usar IA para completar una tarea en dos horas en vez de cuatro. Cuando la dirección trata ese ritmo más rápido como normal, el tiempo ahorrado deja de pertenecer al empleado.
La ganancia de productividad se convierte en una referencia más alta. Entonces, los empleados necesitan acceso continuado a la herramienta simplemente para cumplir las expectativas creadas por el uso previo de IA. Un atajo voluntario se convierte gradualmente en un requisito laboral no oficial.
También existe un problema de divulgación. Algunos trabajadores temen que admitir un uso intensivo de IA haga que su puesto parezca sustituible. Otros temen que ocultarlo parezca deshonesto más adelante.
Los directivos afrontan la misma contradicción desde otra dirección. Pueden fomentar la experimentación mientras advierten a los empleados que no expongan información sensible. Sin herramientas aprobadas y ejemplos claros, esos mensajes ofrecen ambición sin un modelo operativo utilizable.
La investigación respalda la afirmación de que la IA puede mejorar el rendimiento en entornos definidos. Un estudio de campo del NBER examinó un asistente de IA generativa utilizado por agentes de atención al cliente e informó de un aumento medio de la productividad del 14 por ciento.
Las ganancias no se distribuyeron de manera uniforme. Los trabajadores menos experimentados y con menores habilidades se beneficiaron más, lo que sugiere que el sistema ayudó a transferir patrones asociados con empleados de mayor rendimiento. Ese hallazgo complica las narrativas simples de sustitución.
Un entorno controlado de atención al cliente no es lo mismo que una economía entera. Los investigadores podían observar la herramienta, el flujo de trabajo, el resultado y la métrica de rendimiento. Muchos despliegues de oficina carecen de esa visibilidad.
Cuando los trabajadores utilizan servicios no aprobados, la organización no puede distinguir con fiabilidad la asistencia útil del contenido inventado, el lenguaje copiado, el sesgo oculto o los datos mal gestionados. Solo ve el documento o la decisión final.
Por eso sigue siendo tentador el «no preguntes, no cuentes». Medir es caro. El silencio permite a ambas partes reclamar el beneficio antes de determinar quién asume el riesgo.
La verdadera disputa es productividad frente a responsabilidad
El conflicto principal no enfrenta a trabajadores y empleadores. Enfrenta los resultados medibles con una producción responsable.
Las organizaciones ya evalúan el trabajo terminado. Revisan resultados de ventas, incidencias resueltas, funcionalidades lanzadas, análisis completados y documentos publicados. La IA generativa cambia la secuencia oculta que produce esos resultados.
Una respuesta pulida puede contener una afirmación inventada. Un código funcional puede incluir una dependencia insegura. Un resumen conciso para un cliente puede omitir una objeción crítica. Una evaluación de contratación persuasiva puede reproducir sesgos de decisiones anteriores.
Estos fallos no siempre son visibles en el resultado. Por ello, la responsabilidad depende de información sobre las fuentes, los pasos de revisión, el comportamiento del modelo y el juicio humano. La shadow AI elimina gran parte de ese contexto.
El primer Economic Index de Anthropic analizó patrones en conversaciones con Claude en vez de depender únicamente de respuestas a encuestas. Sus primeros hallazgos describían más aumento de capacidades que automatización completa, aunque el límite dependía de cómo se clasificaban las tareas.
El aumento de capacidades significa que una persona y un modelo completan conjuntamente el trabajo. La automatización significa que el modelo realiza una tarea con una participación humana limitada. Ambos pueden mejorar el resultado, pero requieren controles distintos.
Un empleado que pide a un modelo titulares alternativos sigue siendo responsable de la selección. Un sistema que genera y publica titulares sin revisión desplaza más responsabilidad hacia el diseñador del flujo de trabajo y el operador del modelo.
La diferencia importa durante una investigación. Una empresa debe saber si un empleado recibió asistencia, delegó una decisión o aceptó un resultado sin comprobarlo. Un archivo final rara vez responde a esas preguntas.
Los sistemas formales de IA pueden conservar registros, limitar la retención de datos, aplicar controles de identidad y restringir el acceso a los modelos. También pueden conectar los resultados con fuentes de conocimiento aprobadas. Es posible que las cuentas personales no sigan la misma configuración.
La aprobación por sí sola no resuelve el problema. Los empleados pueden recibir un chatbot empresarial y aun así utilizar otro modelo porque responde mejor, admite un tipo de archivo necesario o resulta más fácil de usar. La gobernanza debe competir con la conveniencia.
Esto genera presión para los líderes tecnológicos. No pueden simplemente bloquear todos los servicios públicos y declarar que han tenido éxito. Las políticas excesivamente restrictivas desplazan más actividad fuera de los sistemas visibles.
Tampoco pueden declarar aceptable cualquier experimento. Los contratos con clientes, las obligaciones de privacidad, los deberes profesionales, las preocupaciones sobre derechos de autor y los requisitos de seguridad siguen aplicándose cuando un modelo acelera el trabajo.
La disputa práctica se da entre dos modelos operativos.
Un modelo mide únicamente el resultado. Trata la asistencia de IA como una técnica personal invisible hasta que algo falla. Este enfoque minimiza la fricción, pero conserva pocas pruebas.
El segundo modelo trata el uso de IA como parte del sistema de producción. Identifica tareas aprobadas, registra interacciones importantes, prueba los resultados y asigna responsabilidades de revisión. Este enfoque requiere inversión y puede ralentizar la experimentación.
Ninguno de los dos modelos elimina el juicio humano. La diferencia es si ese juicio se convierte en un control intencional o en una red de seguridad asumida.
El artículo de Google News apunta hacia una cuestión económica más amplia. Si la productividad de la IA sigue oculta, las empresas no pueden repartir con precisión su valor entre empleados, empleadores y proveedores tecnológicos. Tampoco pueden valorar el riesgo asociado.
Un trabajador puede aportar conocimiento del dominio, contexto confidencial, diseño de prompts, verificación y responsabilidad final. El modelo aporta lenguaje o análisis generados. La organización aporta datos, sistemas, reputación y exposición legal.
Llamar al resultado final «generado por IA» borra esas contribuciones. Llamarlo enteramente producido por humanos borra el mecanismo. Una mejor medición debe preservar ambos.
Lo que las cifras de productividad no pueden demostrar
La evidencia de que la IA acelera tareas seleccionadas no demuestra que mejore una organización entera.
Muchos estudios de IA prueban actividades delimitadas con resultados claros. Los participantes resumen textos, redactan documentos empresariales, escriben código o responden preguntas de soporte. Los investigadores pueden comparar el tiempo de finalización y evaluar la calidad frente a un estándar definido.
El trabajo real contiene más dependencias. Un primer borrador más rápido puede crear una revisión más lenta. Más código generado puede aumentar los requisitos de pruebas. Un resumen conciso puede ocultar incertidumbre que posteriormente provoque una mala decisión.
La productividad individual y la productividad organizacional no son idénticas. Un trabajador puede ahorrar una hora mientras traslada el trabajo de verificación a un colega. Un departamento puede producir más material mientras genera mayores costes de revisión en otro lugar.
La medición de la calidad también cambia según la complejidad de la tarea. Es más fácil comprobar la corrección de una respuesta estructurada de soporte que de una recomendación estratégica. La segunda tarea depende de supuestos, contexto y acontecimientos futuros.
El Stanford AI Index reúne investigaciones que muestran mejoras rápidas en las capacidades y la adopción de la IA. También documenta desafíos persistentes de evaluación y un rendimiento desigual entre tareas.
Los benchmarks pueden mostrar que un modelo responde a un conjunto definido de preguntas. No pueden establecer que los empleados sepan cuándo el modelo se equivoca. Esa calibración humana es una capacidad distinta.
La IA en la sombra dificulta la inspección de esa calibración. Es posible que la organización no sepa qué modelo produjo una respuesta, qué información entró en el prompt o si el trabajador comprobó las fuentes citadas.
Los datos de encuestas presentan otra limitación. Los empleados pueden infradeclarar comportamientos prohibidos, exagerar la productividad o interpretar de forma diferente el “uso de IA”. Una persona cuenta la edición ocasional, mientras otra delega borradores completos.
Los registros de uso tienen sus propios puntos ciegos. Muestran interacciones dentro de un servicio, pero no si los resultados fueron útiles. También pueden pasar por alto la actividad en dispositivos personales, cuentas externas o funciones de IA integradas.
Esta incertidumbre no elimina el argumento a favor de la productividad. Cambia lo que los líderes pueden afirmar de forma responsable. Una empresa puede decir que los empleados están adoptando la IA o que una implementación definida mejoró un flujo de trabajo medido.
No debería inferir mejoras en toda la empresa solo a partir del número de suscripciones. Tampoco debería afirmar una transformación porque los empleados generaron más texto, código o presentaciones.
La pregunta escéptica se refiere al valor neto. ¿Redujo la IA el coste total de producir un resultado fiable tras la revisión, corrección, coordinación y el trabajo de seguridad?
Esa pregunta debe responderse flujo de trabajo por flujo de trabajo. Un porcentaje universal de productividad ocultaría diferencias importantes entre atención al cliente, desarrollo de software, revisión legal, investigación, ventas y gestión.
La misma disciplina se aplica a las afirmaciones sobre pérdida de empleo. Automatizar una parte de una tarea no elimina automáticamente el puesto que la rodea. Puede cambiar la combinación de habilidades, reducir el trabajo de nivel inicial, aumentar las expectativas de producción o trasladar la responsabilidad a otro lugar.
Sin embargo, la incertidumbre no debería convertirse en una excusa para la pasividad. Las organizaciones ya dependen del uso invisible de la IA. Negarse a medirlo no preserva ni la seguridad ni la estabilidad laboral.
La respuesta adecuada es una visibilidad prudente. Las empresas necesitan suficiente información para comprender los riesgos relevantes sin convertir cada prompt menor en un evento de cumplimiento normativo.
La IA en la sombra exige un modelo de gobernanza diferente
Una política viable debe hacer que la divulgación segura sea más fácil que la ocultación.
Muchos programas de gobernanza comienzan con una lista de actividades prohibidas. Las restricciones importan, especialmente para los datos confidenciales, las decisiones reguladas y las acciones automatizadas de alto impacto. Sin embargo, una prohibición no puede sustituir una herramienta accesible y un proceso comprensible.
Los empleados necesitan categorías claras. Algunas tareas pueden permitir una experimentación amplia. Otras requieren cuentas aprobadas, manejo protegido de datos, revisión humana o exclusión completa de los sistemas de IA generativa.
Una política útil describe ejemplos en lugar de limitarse a principios abstractos. Debe explicar si los empleados pueden resumir informes públicos, editar documentos internos, analizar registros de clientes, redactar lenguaje jurídico o revisar código fuente.
La organización también debe separar la asistencia de bajo riesgo de las decisiones trascendentes. La corrección gramatical no conlleva las mismas implicaciones que decidir quién recibe crédito, empleo, seguros, atención sanitaria o acceso a un servicio.
Los usos de alto impacto necesitan una revisión y documentación más sólidas. La persona que aprueba un resultado debe comprender la base de la decisión. Un chatbot no puede convertirse en una explicación conveniente para un resultado que nadie puede defender.
Los límites de los datos deben ser igual de concretos. Los trabajadores deben saber qué clasificaciones de información pueden introducirse en cada sistema aprobado. También necesitan una alternativa segura cuando la herramienta pública ofrece una función que el producto empresarial no tiene.
Los controles técnicos pueden respaldar esas reglas. La gestión de identidades, la configuración de retención, las restricciones de acceso, los registros de auditoría y la prevención de pérdida de datos pueden reducir la exposición. Ninguno de ellos puede determinar si una respuesta es adecuada para su contexto empresarial.
La revisión humana sigue siendo necesaria, pero “humano en el circuito” no es un control completo. Un empleado cansado puede aprobar un resultado sin una inspección significativa. La revisión necesita criterios definidos, tiempo suficiente y autoridad para rechazar el trabajo automatizado.
Las organizaciones deberían medir las correcciones además de la velocidad. Pueden rastrear el tiempo necesario para verificar afirmaciones, corregir errores, resolver problemas de clientes o reescribir material generado. Esos costes determinan la productividad neta.
También deberían examinar cómo la IA cambia el trabajo de los perfiles junior. Las tareas de nivel inicial suelen proporcionar la práctica que desarrolla la experiencia. Eliminar cada asignación básica puede debilitar la futura disponibilidad de revisores capaces de detectar errores sofisticados.
Los directivos también necesitan formación. Si un líder recompensa el volumen sin hablar de los métodos, los empleados optimizarán para obtener resultados visibles. Un sistema responsable alinea los objetivos de rendimiento con la verificación y la divulgación.
El mejor mecanismo de reporte no se parecerá a un formulario de confesión. Debería capturar el uso significativo de IA mediante el diseño habitual del flujo de trabajo. Los asistentes aprobados pueden preservar registros relevantes sin exigir a los trabajadores que documenten cada frase.
La procedencia del conocimiento también importa. Los equipos deben distinguir entre material público de la web, contenido con licencia, registros internos y experiencia humana. Un sistema personal de conocimiento puede ayudar a las personas a conservar sus fuentes y razonamientos antes de que la IA los comprima en una respuesta.
Ese rastro de fuentes respalda algo más que el cumplimiento normativo. Permite a los trabajadores volver a la evidencia original cuando el resumen de un modelo elimina matices. También protege un valioso contexto humano que, de otro modo, desaparecería dentro de un chat transitorio.
La gobernanza tiene éxito cuando los empleados pueden completar trabajo legítimo sin evasiones. Si un sistema aprobado es inaccesible, lento o poco adecuado para la tarea, las infracciones de las políticas se vuelven previsibles.
El objetivo no es una observación perfecta. Es una rendición de cuentas proporcional en torno a datos valiosos y resultados trascendentes.
Tres señales pondrán a prueba la economía de la IA de “no preguntes, no cuentes”
La próxima fase dependerá de si las empresas miden los resultados, rediseñan el trabajo y ofrecen a los empleados razones creíbles para revelar el uso de IA.
La primera señal es un cambio en los reportes. Las empresas anuncian con frecuencia acceso a la IA, licencias, asistentes o programas de formación. La evidencia más sólida conectará esos insumos con flujos de trabajo completados, tasas de error, tiempo de revisión, resultados para los clientes o costes operativos.
Si los empleadores publican medidas creíbles de productividad neta, la economía oculta será más fácil de evaluar. Si siguen haciendo hincapié en la disponibilidad de herramientas, permanecerá abierta la brecha entre el gasto en IA y el valor demostrado.
La segunda señal es el rediseño de los flujos de trabajo. Añadir un chatbot junto a un proceso sin cambios rara vez resuelve quién revisa el resultado, asume los errores o registra las fuentes. Una adopción duradera requiere cambios en los roles, los puntos de control y las expectativas de rendimiento.
Un proceso rediseñado hace visible la contribución del modelo. Define cuándo los empleados pueden confiar en la IA, cuándo deben verificarla y cuándo el juicio humano no puede delegarse.
La tercera señal es el comportamiento de los empleados después de que mejoren las herramientas aprobadas. Si los trabajadores pasan de cuentas personales a sistemas gestionados, la conveniencia era una causa importante de la IA en la sombra. Si el uso oculto persiste, es posible que los trabajadores desconfíen de la supervisión o prefieran capacidades que su empleador no ofrece.
Esa distinción importa. Un problema técnico exige mejores productos y acceso. Un problema de confianza requiere incentivos más claros, límites a la vigilancia y una conversación honesta sobre cómo las ganancias de productividad afectan a las cargas de trabajo y al empleo.
Google News llamó la atención sobre una frase que encaja con el momento actual. La economía ya está recibiendo trabajo moldeado por la IA, pero las organizaciones a menudo no pueden describir exactamente dónde, cómo o bajo la autoridad de quién.
La respuesta no es fingir que toda tarea asistida por IA es peligrosa. Tampoco es tratar una producción más rápida como prueba de que el proceso es sólido.
Los empleadores deben preguntar dónde cambia la IA el trabajo trascendente. Los trabajadores necesitan formas seguras de responder sin convertir la experimentación útil en una autoincriminación. Ambas partes necesitan evidencia que mida la calidad después del primer borrador.
Los lectores deberían observar las métricas que eligen las empresas. El número de licencias recompensa las historias de adopción. La productividad neta, los costes de corrección, las tasas de incidentes y el traslado de empleados a sistemas aprobados revelan si el modelo operativo realmente funciona.
El acuerdo de “no preguntes, no cuentes” puede persistir mientras los beneficios sigan siendo inmediatos y los fallos permanezcan dispersos. Se debilita cuando clientes, reguladores, auditores o empleados exigen una explicación clara de cómo se produjo un trabajo importante.
La pregunta decisiva ya no es si las personas usan IA en el trabajo. Es si las instituciones pueden reconocer ese uso, asignar responsabilidades y preservar el conocimiento humano necesario para cuestionar a la máquina.
