Ethan Mollick, profesor de la Wharton School y autor del influyente boletín Substack "One Useful Thing", publica un análisis basado en investigación sobre los patrones de adopción organizacional de la IA, que revela una brecha significativa entre la experimentación y el uso sostenido. Basándose en encuestas a miles de trabajadores del conocimiento en diversos sectores, aporta conclusiones prácticas para los líderes que dirigen la transformación por IA, documentando escollos comunes y factores de éxito.
La brecha de adopción: 70/20
La investigación revela un patrón llamativo: aproximadamente el 70% de los empleados de las organizaciones de trabajo del conocimiento han experimentado con herramientas de IA (ChatGPT, Claude, Copilot, etc.), pero solo el 20% se han convertido en usuarios habituales que integran la IA en su flujo de trabajo diario. Esta caída de 50 puntos representa un potencial masivamente perdido: las organizaciones invierten en el acceso a la IA sin lograr la adopción sostenida necesaria para obtener ganancias de productividad.
Por qué los experimentos no se convierten en hábitos
El análisis identifica barreras acumulativas: casos de uso poco claros, fricción al integrar la IA en los flujos de trabajo, dudas sobre la calidad de los resultados, la inversión de tiempo necesaria para aprender, la inercia organizacional, el escepticismo de los pares y la falta de reconocimiento de las competencias en IA. Estas barreras se acumulan y transforman el entusiasmo inicial en abandono.
Mandatos de arriba hacia abajo frente a exploración de abajo hacia arriba
La comparación de los enfoques de implementación muestra que la adopción de abajo hacia arriba es notablemente más eficaz: el enfoque orientado a la exploración (herramientas, tiempo, estímulo) logra aproximadamente un 40% de adopción sostenida, frente a aproximadamente un 15% para el enfoque basado en mandatos, que genera resistencia y comportamientos de evasión. Un hallazgo contraintuitivo: menos prescripción produce mejores resultados. Los empleados que descubren un valor real están intrínsecamente motivados; el uso impuesto produce cumplimiento sin comprensión, abandonado tan pronto como se relaja la supervisión.
Factores críticos de éxito
Las organizaciones que tienen éxito comparten: modelado por parte del liderazgo (directivos que usan la IA de forma visible), seguridad psicológica (poder admitir errores con la IA), tiempo dedicado al aprendizaje, directrices claras, una cultura de compartir (prompts y casos de uso), medición sin castigo, y selección de casos de uso de alto valor.
Competencias, medición y resistencia
La competencia en IA requiere un desarrollo real de habilidades, no solo el acceso a la herramienta: comprender las capacidades y limitaciones del modelo, iterar sobre los prompts, evaluar críticamente la calidad. Cuantificar las ganancias sigue siendo difícil (ganancias autodeclaradas, la contribución de la IA es difícil de aislar, costes de revisión ocultos); Mollick recomienda métodos mixtos que combinen métricas cuantitativas con estudios de caso cualitativos. La resistencia (miedo al desplazamiento laboral, identidad profesional, preocupaciones éticas) debe abordarse emocionalmente, no solo técnicamente.
Hoja de ruta recomendada: empezar a pequeña escala (pilotos), medir rigurosamente, compartir los éxitos, invertir en formación, construir comunidades de práctica, fijar expectativas realistas e iterar. Una hoja de ruta basada en evidencia para la dimensión humana de la transformación por IA, a menudo más difícil que la implementación técnica.