Etiqueta de IA: las nuevas normas laborales para usar IA en el trabajo

Por Victor Hoang · Actualizado el 26 de agosto de 2026

La etiqueta de IA es el conjunto emergente de normas para usar la IA en el trabajo con respeto y transparencia: cuándo decir que la usó, a quién se da el crédito por un resultado asistido por IA, qué momentos requieren a una persona en lugar de una máquina y hasta qué punto apoyarse en ella antes de que la ayuda se convierta en un atajo que nadie aprobó.

Nada de esto está escrito en ningún lugar oficial, y ese es precisamente el problema. La «etiqueta del correo electrónico» también fue nueva alguna vez: cuándo usar «responder a todos», qué tan rápido se esperaba una respuesta. Los equipos lo resolvieron de manera informal, desigual y, a menudo, por las malas. La etiqueta de IA sigue el mismo camino, solo que con más en juego: si se equivoca con la etiqueta del correo, molesta a un colega; si se equivoca con la etiqueta de IA, puede erosionar la confianza en silencio, atribuir mal el trabajo de alguien o filtrar los datos de un cliente a una herramienta que nadie aprobó.

Qué significa realmente «etiqueta de IA»

La etiqueta de IA está un nivel por debajo de la política de IA. La política dice qué herramientas están aprobadas y qué datos pueden tocarlas. La etiqueta es todo lo que la política no cubre: las decisiones de criterio que las personas toman decenas de veces al día y que ningún documento anticipó. ¿Menciona que usó IA para redactar este correo? ¿Debería un bot de notas estar presente en esta reunión en particular?

La mayoría de las empresas ya tiene una política de uso de IA, a menudo una página sobre herramientas aprobadas y manejo de datos. Muchas menos han dicho algo sobre las normas sociales, y en esa brecha vive la mayor parte de la fricción. Un documento de política no le dice a un gerente si es aceptable usar IA para redactar la evaluación de un subordinado directo. Una norma sí lo hace, una vez que el equipo realmente lo ha conversado.

Datos clave

• El 57% de los empleados a nivel mundial admite presentar contenido generado por IA como propio sin divulgarlo (53% en EE. UU.), según un estudio de KPMG con más de 48,000 personas en 47 países. Fuente: KPMG, Trust, attitudes and use of artificial intelligence
• El 40% de los trabajadores de oficina de EE. UU. recibió «workslop», contenido generado por IA que parece pulido pero carece de sustancia, en el último mes, con un costo aproximado de $186 por empleado al mes para corregirlo. Fuente: BetterUp Labs and Stanford Social Media Lab, Workslop
• El 39.7% de todos los datos que los empleados ingresan en herramientas de IA contiene información sensible, y esto ocurre aproximadamente una vez cada tres días por empleado. Fuente: Cyberhaven, 2026 AI Adoption & Risk Report
• El 33.4% de los estadounidenses con empleo dice que un asistente de notas con IA ha estado presente en una reunión de trabajo, pero solo al 34.7% de ese grupo siempre se le pidió permiso antes; al 25.1% nunca se le pidió. Fuente: Kolmogorov Law / Pollfish survey, July 2026
• El 60% de los ejecutivos ya usa IA en la toma de decisiones, pero solo el 5% dice que la gestiona bien, una brecha que la investigación de Deloitte de 2026 llama «deuda cultural». Fuente: Deloitte, 2026 Global Human Capital Trends
• Cuando los gerentes mostraban a la vista de todos su propio uso de la IA, los empleados reportaron un aumento de 30 puntos en la confianza hacia la IA agéntica, una evidencia de que las normas se propagan más por el comportamiento de los líderes que por los documentos de política. Fuente: Microsoft Work Trend Index 2026
• El 44% de los trabajadores de EE. UU. dice que su empleador no tiene una política de IA clara, o no está seguro de que exista, aunque la mayoría ya usa IA para trabajar; en empresas con menos de 10 empleados, esa cifra sube al 59%. Fuente: Founder Reports, AI in the Workplace Report

La cuestión de la divulgación: ¿dice que usó IA?

La divulgación es la norma sobre la que más discuten los equipos, normalmente sin darse cuenta de que discuten sobre ella, porque el desacuerdo aparece como una incomodidad vaga y no como un debate abierto. Las cifras de KPMG citadas arriba ponen número a algo que muchos líderes sospechaban: más de la mitad de los empleados que usan IA en el trabajo no lo dice, y una parte significativa presenta activamente el resultado como totalmente propio.

La complicación honesta es que «divulgar siempre» tampoco es obviamente lo correcto. Nadie espera una nota al pie cada vez que el corrector ortográfico detecta un error. La norma que de verdad se sostiene en la práctica gradúa la divulgación según lo que está en juego: la edición ligera no necesita mención, pero el contenido sustantivo, un análisis, una recomendación, un memorando de decisión, probablemente sí, sobre todo cuando alguien más adelante va a apoyarse en él. Esa es una decisión de criterio que un documento de política no puede tomar por un equipo; hay que conversarla y acordarla, idealmente antes de que el primer momento incómodo obligue a tener la conversación. El cambio de fondo detrás de esta tensión, de «yo opero la herramienta» a «yo superviso el resultado», se explica en qué es realmente la cultura nativa de IA.

Atribución y crédito: ¿de quién es este trabajo?

Muy ligada a la divulgación, y igual de irresuelta, está la cuestión de quién recibe el crédito cuando una persona y un agente de IA contribuyeron ambos. Cuando un agente redacta la mayor parte de una propuesta y una persona edita el último quinto, la mayoría de los sistemas de reconocimiento sigue suponiendo que un humano produjo el 100% del resultado, porque es el único modelo que se diseñaron para puntuar.

Los equipos que se saltan esta conversación tienden a acabar en uno de dos malos lugares. Algunos inflan el crédito en silencio, dejando que el trabajo asistido por IA parezca obra exclusiva de una persona sin ayuda, lo que genera resentimiento cuando los colegas descubren la proporción. Otros descuentan el resultado asistido por IA como algo menos legítimo, lo que castiga a las personas por usar una herramienta que a menudo era la opción eficiente y honesta. Ninguno de los dos extremos es justo, y ambos erosionan la confianza de la que dependen los equipos de personas y agentes. Una norma viable nombra el reparto con honestidad: qué produjo el agente, qué cambió o verificó la persona y quién responde si hay un error. Esa última parte importa más que las dos primeras juntas, porque el crédito sin responsabilidad es solo marketing.

Cuándo no usar IA: los momentos que requieren a una persona

La mayoría de las conversaciones sobre etiqueta de IA se centra en cómo usarla bien. La mitad más difícil es acordar cuándo no usarla en absoluto, porque algunos momentos tienen un peso que un resultado fluido no puede sustituir.

Despidos, evaluaciones del desempeño y otras malas noticias

Los empleados notan cuando un mensaje difícil fue redactado con IA, y la señal no es la mala gramática, sino una formalidad poco natural que parece optimizada para evitar responsabilidades en lugar de escrita por alguien que sopesó la decisión. SHRM ha advertido específicamente a los empleadores que no usen únicamente la IA para comunicar un despido: el mensaje puede decir técnicamente lo correcto y aun así sonar vacío, porque el destinatario percibe que nadie se sentó con la decisión el tiempo suficiente para escribirlo por sí mismo.

Condolencias, felicitaciones y otros momentos personales

La misma lógica se aplica a una escala menor y más personal. Una nota a alguien que perdió a un familiar, o un mensaje que felicita un logro genuino, tiene significado precisamente porque una persona decidió dedicar unos minutos a redactarlo. Pasarlo antes por la IA no solo arriesga un tono algo desafinado, sino que cambia lo que es el gesto. El momento deja de ser «alguien pensó en mí» y se convierte en «alguien delegó el pensar en mí», aunque el destinatario nunca llegue a saber cómo se escribió.

Reuniones uno a uno y conversaciones de coaching

La versión más trascendente aparece en la gestión continua de personas. Un gerente puede usar la IA para estructurar notas o preparar puntos de conversación, pero la conversación de coaching en sí, las preguntas de seguimiento, la lectura de cómo está realmente alguien, es el tipo de trabajo interpersonal sobre el que se construyen la seguridad psicológica y la confianza en el lugar de trabajo. Externalizar esa sustancia a un guion redactado por IA, en lugar de usar la IA como preparación, es una forma rápida de hacer que un subordinado directo se sienta como un ticket y no como una persona.

Dependencia excesiva y workslop: cuando la ayuda de la IA se convierte en trabajo extra

La investigación sobre workslop de BetterUp Labs y el Social Media Lab de Stanford nombra un modo de fallo lo bastante común como para necesitar una palabra: contenido generado por IA que parece terminado pero no lo está, una presentación, un informe o un fragmento de código que crea la apariencia de avance mientras traslada en silencio el pensamiento real a quien lo recibe. Una incidencia mensual del 40% significa que no es un caso marginal, sino un impuesto rutinario que la mayoría de los trabajadores de oficina ya paga sin tener un nombre para él.

El fallo de etiqueta que subyace al workslop es sutil: no es que alguien usara IA, sino que trató un primer borrador como uno terminado y trasladó el trabajo pendiente a un colega para que lo cerrara. La misma investigación encontró que recibir workslop daña de forma medible cómo se ve al remitente: más de la mitad dice sentirse molesta, y una gran parte empieza a ver a ese colega como menos confiable o competente, sin importar el resto de su trabajo. Ese costo de reputación se acumula igual que el AI slop daña el contenido externo: los estándares de calidad se erosionan porque el volumen se volvió más fácil que la profundidad.

Shadow AI y datos sensibles: las normas que nadie escribió

Una gran parte de los problemas de etiqueta de IA se remonta a una causa más simple: personas que usan herramientas de IA que su empleador nunca aprobó, a veces llamadas shadow AI. Ocurre porque las cuentas personales de IA están a una pestaña de distancia, y pedir permiso antes suele parecer más lento que simplemente terminar el trabajo.

El riesgo no es hipotético. La investigación de Cyberhaven encontró que casi el 40% de todos los datos que los empleados ingresan en herramientas de IA es sensible, código fuente, información de clientes, cifras financieras, y que el empleado promedio lo hace aproximadamente cada tres días. Casi nada de eso es malicioso: es alguien que pega el correo de un cliente en un chatbot para redactar la respuesta más rápido, sin pensar adónde acaba de ir esa información. La norma de etiqueta que conviene establecer de forma explícita: antes de pegar algo en una herramienta de IA, pregúntese si se sentiría cómodo si la persona a la que se refiere pudiera ver exactamente adónde fue. La gobernanza de la IA cubre el lado estructural; la etiqueta es el hábito diario que evita que la brecha se reabra entre una revisión de políticas y la siguiente.

IA en las reuniones: asistentes de notas, transcripciones y consentimiento

Los asistentes de notas con IA se han convertido discretamente en una de las herramientas de IA más comunes en el trabajo, y en una de las menos reguladas por una norma real. Un tercio de los estadounidenses con empleo ya ha tenido uno en una reunión, y los datos de consentimiento son la verdadera noticia: menos del 35% dice que siempre se le pidió permiso antes, y una cuarta parte dice que nunca se le pidió.

La brecha de etiqueta aquí tiene que ver casi por completo con el momento previo al inicio de la reunión, no con la herramienta en sí. Anunciar que un bot va a grabar, y dar a las personas una oportunidad real de objetar, cuesta unos diez segundos. Omitir ese paso no solo arriesga un problema legal en jurisdicciones que exigen consentimiento para grabar, sino que señala en silencio que hablar con libertad podría quedar transcrito y reenviado a un lugar inesperado. Eso tiene una relación directa con que las personas se queden calladas en las reuniones o digan lo que realmente piensan.

Por qué las normas explícitas superan a dejarlas implícitas

Todas las brechas anteriores comparten una causa de fondo: los equipos adoptan la IA más rápido de lo que acuerdan cómo usarla entre sí. Los datos de Founder Reports muestran la magnitud con claridad: la mayoría de los trabajadores ya usa IA y casi la mitad dice que su empleador nunca le indicó dónde están los límites, algo peor en las empresas pequeñas, donde nadie es responsable de redactar esa política.

Dejar estas normas implícitas no hace desaparecer la tensión de fondo, solo aplaza el costo, el mismo mecanismo que la investigación de Deloitte llama deuda cultural. Un equipo sin una norma explícita de divulgación no evita la pregunta sobre la divulgación, solo la responde de forma inconsistente, persona por persona, hasta que alguien sale perjudicado por una suposición que nadie acordó. Las normas explícitas son más baratas, no porque sean perfectas, sino porque convierten cien decisiones individuales en una sola conversación que el equipo solo tiene que mantener una vez, y que puede revisar a medida que cambian las herramientas.

Un conjunto inicial práctico de normas de IA para equipos

Los equipos que lo hacen bien escriben algo breve y específico en lugar de exhaustivo:

Esto no es una plantilla para copiar sin conversarla. Escribirla como equipo, en lugar de adoptar la lista de otro, es lo que construye el entendimiento compartido. Una norma que nadie discutió rara vez sobrevive al primer caso ambiguo.

Cómo establecen los líderes las normas de IA, en lugar de solo anunciarlas

Las normas no se propagan porque una política se envió por correo. La investigación de Microsoft sobre el comportamiento de los gerentes encontró que cuando un gerente mostraba a la vista de todos su propio uso de la IA, lo divulgaba y admitía dónde falló, la confianza de los empleados en la IA agéntica subía 30 puntos. Es un hallazgo sobre liderazgo, no sobre tecnología: las personas calibran lo aceptable observando lo que hace su gerente, no leyendo lo que dice la empresa.

Un líder que dice «usé IA para redactar esto y luego reescribí las partes que importaban» hace más por establecer una norma de divulgación que cualquier diapositiva de una presentación de onboarding. Lo mismo vale para las decisiones más difíciles: un gerente que escribe a la vista de todos su propia retroalimentación difícil, en lugar de dejar que la redacte la IA, enseña al equipo dónde está la línea. Es la misma dinámica detrás de la Frontier Firm y el auge del agent boss, donde el trabajo del gerente incluye cada vez más modelar el criterio sobre la IA. Se apoya en el mismo fundamento que qué es realmente la cultura empresarial: las normas son lo que un grupo hace bajo presión, no lo que está en una diapositiva de valores.

Próximos pasos

La etiqueta de IA se inscribe en el cambio más amplio descrito en qué es realmente la cultura nativa de IA:

• Equipos de personas y agentes, para la mecánica más profunda de trabajar junto a un agente que actúa y no solo responde
• Deuda cultural de la IA, para lo que ocurre cuando normas como estas nunca se hacen explícitas
• Seguridad psicológica en el trabajo, para entender por qué las personas necesitan sentirse seguras al plantear dudas sobre el trabajo asistido por IA

Nadie va a entregarle a su equipo un manual terminado de etiqueta de IA, porque las herramientas cambian más rápido de lo que cualquier documento puede seguir. Lo que no cambia es la prueba de fondo: ¿se sentiría cómodo si la persona al otro lado supiera exactamente cómo se hizo esto? Los equipos que siguen respondiendo eso con honestidad, juntos, terminan con normas que se sostienen. Los que lo dejan al criterio individual terminan con las cifras de KPMG: la mitad del equipo haciendo su propia cosa en silencio.