Una encuesta de Quinnipiac University publicada este lunes preguntó a 1.397 adultos estadounidenses si estarían dispuestos a trabajar en un empleo donde su supervisor directo fuera un programa de IA que asignara tareas y definiera horarios. El 15% dijo que sí. El 85% dijo que no. La noticia no es el 15% — es lo que ese porcentaje, y el resto del survey, revela sobre cómo está cambiando la relación entre trabajadores y autoridad en la era de la IA.
La encuesta se realizó entre el 19 y el 23 de marzo de 2026 e incluyó preguntas sobre adopción de IA, confianza, y miedo laboral. Los resultados combinados pintan un cuadro más matizado que el titular: los americanos están adoptando más herramientas de IA, pero no exactamente felices con la dirección que está tomando.
Los números que importan más allá del 15%
El dato más revelador del survey no es la apertura al jefe de IA — es que el 70% de los encuestados cree que los avances en IA van a reducir el número de oportunidades laborales para las personas. Y entre los trabajadores actualmente empleados, el 30% está “muy preocupado” o “algo preocupado” de que la IA vuelva obsoleto su trabajo específico.
Aprende IA con nosotros
Únete gratis a mi comunidad en Skool, donde compartimos noticias, tutoriales y recursos para seguir aprendiendo juntos.
👥 Únete gratis 🚀Es decir: la mayoría de los americanos ve la IA como una amenaza laboral real, no como una preocupación abstracta. Ese 15% dispuesto a aceptar un jefe de IA no es necesariamente entusiasmo por la tecnología — puede ser pragmatismo resignado. Si de todas formas crees que la IA va a transformar radicalmente el trabajo, la diferencia entre “jefe humano” y “jefe IA” se vuelve un tema de grado, no de principio.
La “Gran Nivelación”: lo que ya está pasando
La encuesta llega cuando el fenómeno que algunos analistas llaman “The Great Flattening” — la eliminación de capas de management medio por la IA — ya está ocurriendo en empresas reales con consecuencias reales.
Amazon desplegó nuevos flujos de trabajo de IA para reemplazar responsabilidades de managers intermedios y despidió miles de gerentes en el proceso. Workday lanzó agentes de IA que pueden procesar y aprobar reportes de gastos. Uber incluso construyó un modelo de IA del CEO Dara Khosrowshahi para que los ingenieros pudieran testear sus pitches antes de llegar a la reunión real.
Estos no son experimentos de laboratorio — son implementaciones a escala en algunas de las empresas más grandes del mundo. El “jefe de IA” que suena futurista ya tiene formas concretas en producción: sistemas que asignan shifts en almacenes, que aprueban solicitudes de vacaciones basados en reglas predefinidas, que califican el desempeño de agentes de call center en tiempo real.
¿Qué hace diferente a un jefe de IA de uno humano?
La respuesta honesta es: algunas cosas mejor, muchas cosas peor, y varias simplemente diferentes.
Lo que un sistema de IA puede hacer mejor que un manager humano: consistencia en la aplicación de reglas, ausencia de favoritismos arbitrarios, disponibilidad 24/7, escalabilidad sin costo marginal, y capacidad de procesar más datos para decisiones de asignación.
Lo que no puede hacer: leer el estado emocional de un empleado, ejercer juicio en situaciones ambiguas que no estaban en el dataset de entrenamiento, asumir responsabilidad moral cuando algo sale mal, o ser genuinamente accountable ante las personas que supervisa. Un sistema de IA no puede ser despedido por tomar una mala decisión — y eso cambia profundamente la dinámica de autoridad.
El problema más grave no es técnico — es de diseño de incentivos. Un manager humano, en teoría, tiene interés en el bienestar y el desarrollo de su equipo porque eso refleja en su propio desempeño. Un sistema de IA optimiza las métricas que le definieron sus programadores. Si esas métricas no capturan bien lo que importa — y casi nunca lo hacen completamente — el sistema va a optimizar hacia comportamientos que parecen buenos en los números pero son dañinos para las personas. Los modelos de IA tienden a optimizar para lo que los usuarios quieren escuchar, no para lo que necesitan — ese patrón se amplifica cuando el sistema tiene poder de decisión sobre el empleo de las personas.
La trampa de la “objetividad” algorítmica
Uno de los argumentos más comunes a favor de los jefes de IA es la imparcialidad: sin los sesgos personales de un manager humano, las evaluaciones serían más justas. Es un argumento que suena bien y que es parcialmente correcto — y parcialmente peligroso.
Los sistemas de IA para gestión de personas están entrenados sobre datos históricos de decisiones humanas. Si esos datos reflejan sesgos sistemáticos — y los estudios sugieren consistentemente que sí — el sistema los aprende y los automatiza a escala. La diferencia es que el sesgo humano puede cuestionarse, negociarse, y a veces revertirse. El sesgo algorítmico tiene el halo de la objetividad matemática que hace más difícil cuestionarlo. “El sistema dijo que no” es mucho más difícil de apelar que “mi jefe dijo que no”.
La FTC acaba de sancionar a OkCupid por compartir datos de usuarios sin consentimiento — el mismo principio aplica a los datos que se usan para entrenar sistemas que toman decisiones sobre empleos. ¿Bajo qué circunstancias fue registrado ese comportamiento? ¿Qué sesgos reflejan los datos históricos de performance? Son preguntas que raramente tienen respuestas transparentes.
Por qué el número importa para founders y líderes
El 15% que dice sí al jefe de IA probablemente no representa entusiasmo puro — representa un umbral de tolerancia que la desilusión con los jefes humanos ha ido bajando. Estudios consistentes muestran que la mayoría de las personas que renuncian a su trabajo lo hacen por su manager, no por la empresa. Si el manager de IA promete consistencia y ausencia de política interna, hay un mercado real para ese trade-off.
Para founders que están pensando en escalar equipos: la pregunta no es si van a usar IA para gestionar procesos — ya lo están haciendo, aunque no lo llamen “jefe de IA”. La pregunta es qué decisiones son apropiadas para delegar a sistemas automatizados y cuáles no. La asignación de turnos tiene lógica. La evaluación de potencial de liderazgo probablemente no. Definir ese límite proactivamente es trabajo de diseño organizacional, no de tecnología.
Lo que el survey de Quinnipiac captura es una ventana cultural: la relación entre autoridad e inteligencia artificial está siendo negociada en tiempo real, sin un marco claro, y los trabajadores tienen opiniones formadas antes de que las organizaciones hayan definido políticas. Ese gap entre adopción práctica y gobernanza explícita es el espacio donde ocurren los peores resultados.
