Comunicación mediada por IA: qué ocurre cuando la IA escribe, resume y responde en el trabajo

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

La comunicación mediada por IA (AI-MC) es la comunicación interpersonal en la que un agente inteligente redacta, amplía, acorta o responde un mensaje en nombre de otra persona. El término proviene de Jeffrey Hancock, de Stanford, y sus coautores, quienes lo definieron en 2020 como un agente computacional que opera en nombre de quien se comunica para lograr un objetivo interpersonal. Ese agente ahora está en ambos extremos de casi todos los mensajes de trabajo.

Este no es un texto sobre si lo que escribe la IA es gramaticalmente correcto; por lo general lo es. Trata de lo que le ocurre a una relación cuando tanto la escritura como la lectura se entregan a una máquina: el esfuerzo que antes señalaba interés desaparece, el mensaje se infla y vuelve a comprimirse sin que nadie lea la parte intermedia, y el destinatario empieza a restar valor en silencio a todo lo que suene un poco demasiado pulido. Nada de eso aparece en una revisión ortográfica. Todo eso aparece en cuánto confían las personas unas en otras seis meses después.

Datos clave

• La comunicación mediada por IA se definió formalmente en 2020. Hancock, Naaman y Levy definen la AI-MC como «comunicación mediada entre personas en la que un agente computacional opera en nombre de quien se comunica modificando, aumentando o generando mensajes para lograr objetivos comunicativos o interpersonales». Hancock, Naaman & Levy, Journal of Computer-Mediated Communication (2020)
• Un texto percibido como escrito por IA se califica como menos confiable, aun cuando las palabras sean idénticas. Jakesch, French, Ma, Hancock y Naaman, de Stanford, realizaron un experimento con perfiles de Airbnb y hallaron una caída sólida en las calificaciones de confiabilidad de los perfiles que se sospechaba o se indicaba que eran generados por IA, el «efecto Replicante». Jakesch et al., Stanford Social Media Lab (2019)
• Más de la mitad de los empleados oculta a su empleador el uso que hace de la IA. El estudio global de KPMG y la Universidad de Melbourne, con más de 48,000 personas en 47 países, encontró que el 57% de los trabajadores admite ocultar cómo usa la IA en el trabajo, y lo más frecuente es hacer pasar como propio un contenido generado por IA. KPMG & University of Melbourne (2025)
• El uso intensivo de IA en el mensaje de un gerente reduce a la mitad, aproximadamente, la sinceridad percibida. Cardon y Coman, investigadores de USC y de la Universidad de Florida, encuestaron a más de 1,100 profesionales y hallaron que más del 80% calificó como sincero un mensaje de un supervisor con poca ayuda de IA, frente a solo cerca del 40% en la versión con mucha ayuda de IA. Cardon & Coman, University of Florida (2025)
• El trabajador promedio recibe 117 correos y 153 mensajes de Teams al día, y la mayoría se hojea en menos de un minuto. El Work Trend Index de Microsoft halló que los empleados que usan Microsoft 365 son interrumpidos por un mensaje aproximadamente cada dos minutos, un volumen que impulsa y a la vez es impulsado por la redacción y el resumen asistidos por IA. Microsoft Work Trend Index (2025)
• La alta adopción de IA todavía no se ha traducido en retorno de negocio medido. La encuesta de MIT NANDA a 153 líderes y el análisis de más de 300 implementaciones empresariales de IA encontraron que el 95% de los pilotos de IA generativa no produjo ningún impacto medible en el P&L, un recordatorio de que producir mensajes más rápido no es lo mismo que comunicarse mejor. MIT NANDA, "The GenAI Divide: State of AI in Business 2025", vía Fortune

Qué abarca realmente la comunicación mediada por IA

La comunicación mediada por IA es una categoría más amplia que «usar ChatGPT para escribir un correo». Hancock y sus coautores la desglosan en dimensiones que determinan cuánta confianza está en juego: cuánto cambia la IA (una corrección ortográfica frente a un mensaje totalmente generado), cuánta autonomía tiene (una sugerencia que usted aprueba frente a una respuesta que envía sin supervisión) y a favor de quién trabaja (la eficiencia del remitente frente a la comprensión del receptor). Una corrección gramatical y una evaluación de desempeño redactada por completo con IA están en el mismo espectro, pero no implican el mismo riesgo, y por eso tanto las reglas generales como el permiso general pasan por alto lo esencial. Las herramientas involucradas, desde los modelos de lenguaje de gran tamaño que redactan texto libre hasta los copilotos de IA integrados que sugieren la siguiente frase, son la misma tecnología, ya sea que corrijan un error tipográfico o escriban una nota de felicitación completa. Lo que cambia es la magnitud de la intervención y cuánto pensamiento humano queda en el mensaje.

La IA del lado del remitente y la del lado del receptor son problemas distintos

La mayor parte del debate laboral sobre IA y comunicación se centra en el remitente: ¿una persona usó IA para escribir esto? Pero el marco de Hancock trata el uso de IA por parte del receptor como una categoría igual de vigente, y cada vez es la más común. Un destinatario que pasa su actualización, redactada con tanto cuidado, por un resumidor antes de leerla también está haciendo comunicación mediada por IA, solo que desde el otro extremo. La IA del lado del remitente arriesga un mensaje que no suena a nadie en particular; la IA del lado del receptor arriesga descartar justo las partes que usted más se esforzó por acertar. Ese mismo problema de traspaso, decidir qué le presenta un agente a una persona y en qué forma, es lo que cubre gestionar agentes de IA como parte del equipo desde el lado operativo, como algo que se diseña a propósito y no se deja a la configuración por defecto.

El problema de la pérdida de señal: por qué el esfuerzo solía significar interés

Antes de la IA generativa, el tiempo y la especificidad de un mensaje eran una señal costosa y difícil de falsificar. Una nota personal de tres párrafos llevaba más tiempo que una respuesta de una línea, y la extensión misma comunicaba cuánto le importaba al remitente. Un gerente que recordaba un detalle de su última conversación y lo mencionaba en la retroalimentación estaba demostrando, y no solo diciendo, que había estado prestando atención. El costo era el punto: las señales baratas son fáciles de falsificar, por lo que los destinatarios les restan valor, y las señales que exigían esfuerzo eran lo bastante caras como para que solo un interés genuino las produjera de forma fiable.

La IA generativa rompe ese vínculo entre esfuerzo y costo. Un modelo puede producir en diez segundos un mensaje de apariencia personalizada y redactado con calidez, mientras el remitente aporta casi nada del pensamiento que lo sustenta. El estudio de Cardon y Coman citado arriba es la evidencia laboral más clara de lo que ocurre después: los empleados rebajan su percepción de la sinceridad, el interés e incluso la capacidad de liderazgo del remitente en cuanto sospechan una fuerte intervención de la IA, y la caída es más pronunciada justo en los mensajes donde la sinceridad más importa (felicitaciones, reconocimiento, retroalimentación personal), no en las actualizaciones rutinarias de estado.

El destinatario no necesita pruebas, solo sospecha

El estudio de Jakesch y sus colegas con Airbnb halló algo que merece una pausa: la penalización de confianza se asocia a la autoría sospechada de la IA, no a la autoría confirmada. Las personas no necesitan saber que un mensaje fue escrito por IA para restarle valor. Un mensaje que simplemente se lee como genérico o un poco demasiado pulido para la relación puede provocar la misma rebaja que recibe un mensaje etiquetado como de IA. El riesgo práctico no es «¿me van a descubrir?», sino «¿esto se leerá como auténticamente mío?», y son vallas distintas de superar.

El problema de la escalada: una viñeta se vuelve un correo y el correo vuelve a ser una viñeta

Este es un patrón lo bastante común como para tener su propia abreviatura entre quienes observan de cerca el uso de la IA en el trabajo: alguien tiene una idea de dos líneas, le pide a la IA que la convierta en un correo con buen formato y tono cálido, y lo envía. El destinatario, frente a 117 correos y 153 mensajes de chat al día según el Work Trend Index de Microsoft, lo pasa por su propio resumidor de IA, que lo comprime de nuevo hasta casi la idea de dos líneas con la que empezó. Dos llamadas a la IA después, la información transferida equivale a lo que habría llevado el mensaje de dos líneas, salvo que se tardó más en producirlo, más en procesarlo y llevó una falsa señal de esfuerzo en ambas direcciones.

El bucle es la consecuencia natural de dos incentivos que chocan: la herramienta del remitente premia un resultado más largo y más pulido porque eso es lo que un modelo de lenguaje entiende por «buena escritura», y la bandeja de entrada del destinatario premia la compresión porque nadie tiene tiempo de leer con atención 117 correos completamente desarrollados. Ninguna de las partes hace nada irrazonable por sí sola, pero el resultado es una peor comunicación, porque la compresión en el extremo receptor pierde información de formas que la idea breve original no perdía: un resumidor conserva lo que parece estadísticamente importante y descarta las salvedades, el tono y la petición concreta que hacía que valiera la pena enviar el mensaje.

Por qué esto cuesta más que tiempo

El hallazgo de MIT NANDA de que el 95% de los pilotos de IA generativa no muestra impacto medido en el P&L es relevante aquí: las ganancias individuales de productividad no se suman de forma fiable en ganancias organizacionales cuando la otra mitad de la interacción, alguien que lee el mensaje y actúa en consecuencia, empeora al mismo ritmo al que mejoró la primera mitad. Tratar el volumen de correos como un problema que se resuelve con más IA pasa por alto que ese volumen suele ser un síntoma de una redacción barata que se encuentra con un aumento nulo del contenido informativo.

Qué se pierde cuando la IA resume la reunión

Las herramientas de resumen de reuniones resuelven un problema real: nadie retiene con exactitud una hora de conversación, y un registro escrito supera a una memoria difusa. Pero los resumidores se ponderan por frecuencia, no por juicio. Destacan lo que varias personas repitieron o lo que coincide con la fórmula de un «punto de acción», y son mucho menos fiables para captar lo que realmente importó: la duda en la voz de alguien, un comentario al margen que era la verdadera preocupación o el trasfondo de por qué se aplazó una decisión. Nada de eso es un problema de formato que un mejor modelo resuelva; requiere una persona que estuvo en la sala.

Esto es distinto de si las personas se sienten seguras para plantear inquietudes en una reunión observada por IA, que es terreno de diseñar una mejor cultura de reuniones. La pregunta aquí es más acotada: una vez que las personas hablaron con franqueza, ¿el registro que sobrevive conserva el matiz, o se aplana en una lista con viñetas que parece consenso cuando en realidad la sala estaba dividida? Los equipos que tratan el resumen de la IA como la memoria de la reunión, y no como un insumo más junto a las notas de una persona, son los que con más probabilidad redescubrirán semanas después un desacuerdo que todos creían resuelto.

Una solución barata que sí funciona

El hábito de mayor valor aquí es aburrido: quien dirigió la reunión añade dos o tres líneas de su propio criterio encima de la transcripción de la IA antes de que circule, indicando qué quedó sin resolver y quién es responsable. Eso cuesta dos minutos y preserva justo la señal que un resumidor ponderado por frecuencia no puede generar por sí solo.

La penalización de confianza: cuando se sospecha del uso de IA

La investigación de Cardon y Coman encontró algo más contundente que una caída de la sinceridad: cuando los supervisores usaban mucha ayuda de IA sin divulgarlo, solo cerca de una cuarta parte de los empleados seguía atribuyendo la autoría al supervisor, frente a más del 90% con poca ayuda. Es decir, la mayor parte de la audiencia concluía que quien supuestamente hablaba no era realmente quien hablaba. Esto se conecta con la confianza cuando su compañero de equipo es una IA, salvo que aquí la pregunta corre en la dirección contraria: no se trata de desconfiar de un compañero de IA, sino de una persona que pierde la confianza de sus colegas porque sospechan que externalizó la parte del trabajo que se suponía era personalmente suya.

El hallazgo de KPMG de que el 57% de los empleados oculta su uso de IA añade una segunda capa: las personas lo ocultan porque predicen correctamente que habría una penalización si saliera a la luz, lo que significa que la escala real de la comunicación mediada por IA en la mayoría de las organizaciones supera con creces lo que muestra cualquier panel de uso.

La divulgación corta en ambos sentidos

La investigación no señala «divulgar siempre» como una solución limpia. La divulgación explícita a veces aumenta la sospecha en comparación con un mensaje donde el uso de IA solo se sospecha pero no se confirma: divulgar puede leerse como admitir que el mensaje no era realmente suyo, mientras que callar arriesga un colapso de confianza mayor si luego sale a la luz. La mayoría de las organizaciones termina en un enfoque contextual: por defecto, redacción humana para los mensajes críticos para la relación y de baja frecuencia (retroalimentación, disculpas, reconocimiento), y considerar la ayuda de IA en mensajes rutinarios y de alta frecuencia como algo tan corriente que no requiere divulgación. Esto se trata con más profundidad en etiqueta de la IA y normas en el lugar de trabajo; el punto aquí es más acotado: la divulgación debe seguir lo que está en juego en la relación que implica el mensaje, no una política general.

Usos útiles frente a usos corrosivos

La línea divisoria más clara en la investigación no es «uso de IA» frente a «sin IA», sino si la IA cierra una brecha real entre personas o sustituye el esfuerzo humano que era el verdadero objetivo del mensaje. Traducir para un colega que no comparte su primera lengua cierra una brecha: sin IA, la alternativa solía ser no comunicarse en absoluto. Lo mismo ocurre al hacer accesible un punto técnico denso para alguien ajeno al campo, o cuando un empleado con dislexia usa la IA para estructurar una respuesta de la que es autor en lo sustancial. Estos usos no eliminan una señal humana que importaba; eliminan una barrera que nunca fue el sentido de la interacción.

Los usos corrosivos sustituyen por IA justo aquello que el mensaje debía demostrar: que una persona concreta se tomó el tiempo de notar, de preocuparse o de asumir una responsabilidad. Una nota de felicitación existe para señalar «me di cuenta y me alegro», no para transmitir información con eficiencia; si la IA genera esa señal, es falsa aunque las palabras sean cálidas. Una disculpa existe para señalar «entiendo lo que hice y asumo la responsabilidad», y una disculpa redactada por completo con IA invierte su propio propósito. Cuanto más consiste la tarea de un mensaje en demostrar algo sobre la atención del remitente, más corrosiva es la sustitución por IA, sin importar lo bien que se lea el resultado.

Normas prácticas que vale la pena fijar

La mayoría de los equipos no necesita una política formal de comunicación con IA, solo unos pocos acuerdos explícitos que eliminen las conjeturas.

Primero, acuerden qué tipos de mensaje son lo bastante críticos para la relación como para escribirlos uno mismo. El reconocimiento, la retroalimentación, las disculpas y cualquier mensaje que mencione una circunstancia personal concreta pertenecen a esta lista; las actualizaciones de estado y la programación de reuniones, no.

Segundo, si redacta algo crítico para la relación con ayuda de la IA, añada un detalle que ella no podría haber conocido: una referencia compartida o una observación genuinamente personal. Esto contrarresta el tono genérico que despierta sospechas.

Tercero, no trate un resumen de reunión hecho por IA como un sustituto de que alguien añada dos líneas de criterio sobre lo que quedó sin resolver. Este solo hábito evita la mayoría de los conflictos de «pensé que habíamos acordado eso» que producen semanas después las reuniones resumidas por IA.

Cuarto, advierta de qué lado del bucle remitente-receptor está alimentando. Si sus mensajes salientes son sistemáticamente más largos de lo que justifica el contenido y sus colegas parecen hojearlos en lugar de leerlos, enviar usted mismo la versión de dos líneas suele ser la jugada que genera más confianza, aunque se vea menos pulida. Esto se relaciona con workslop, esfuerzo y responsabilidad, pero es distinto: aquel tema trata del trabajo generado por IA que se vuelca sobre los colegas sin revisión; la versión en comunicación es un mensaje volcado sobre alguien sin que el remitente lo haya releído antes. Los equipos que definen un rol de orquestador, y lo que significa mantener afilado el juicio mientras se delega más redacción en la IA, reconocerán aquí la misma tensión.

La prueba más antigua de un mensaje de trabajo sigue vigente: ¿se sentiría cómodo si el destinatario supiera exactamente cuánto de su propio pensamiento hubo en él? La IA no ha cambiado esa prueba, solo ha hecho mucho más barato fallarla sin que nadie lo note de inmediato.