Conductores e influencia de la conformidad social en la toma de decisiones en equipos humano-IA

Por qué tu futuro médico podría escuchar a sus colegas de IA

A medida que los hospitales adoptan la inteligencia artificial para ayudar a diagnosticar y tratar a los pacientes, los médicos trabajan cada vez más en equipos mixtos con “colegas” humanos y de IA. Esto plantea una pregunta sorprendentemente humana: ¿sienten las personas la misma presión social sutil para aceptar el consejo de una IA que la que sienten ante el consejo de otras personas? Entender cuándo seguimos a las máquinas, cuándo las ignoramos y por qué, importa para la seguridad y la equidad de las decisiones sobre nuestra salud, nuestras finanzas y más.

Dos tipos de presión: acertar frente a encajar

Décadas de psicología muestran que las personas se conforman con los demás por dos motivos principales. Uno es la influencia informativa: miramos a los demás porque pueden saber algo que nosotros no sabemos, especialmente cuando estamos inseguros. El otro es la influencia normativa: seguimos la corriente para obtener aprobación o evitar destacar, aun cuando en privado no estemos de acuerdo. Este estudio preguntó si esas mismas fuerzas operan cuando nuestros compañeros incluyen sistemas de IA además de humanos. Los autores se centraron en un escenario realista —el diagnóstico médico— donde existe incertidumbre y no hay una respuesta “correcta a simple vista”, lo que resulta ideal para separar el uso genuino de información de la presión social.

Un hospital simulado donde personas y IA dan consejos

En dos experimentos en línea, voluntarios asumieron el papel de médicos junior que diagnosticaban a pacientes con una de dos enfermedades abdominales. Para cada caso, recibían una pista privada (un síntoma) y consejo público de varios asesores etiquetados como clínicos humanos o sistemas de IA. Toda la información se presentó de forma abstracta —sin caras de robot ni fotos— para evitar reacciones basadas únicamente en la apariencia. En el Estudio 1, todas las fuentes de información fueron igualmente precisas. En el Estudio 2, las precisiones variaron: algunos asesores eran más fiables que otros, y se mostraban estos datos explícitamente mediante gráficos de barras. Tras cada caso, los participantes elegían un diagnóstico y evaluaban su nivel de confianza. Los investigadores compararon después esas elecciones con lo que recomendaría una regla estadística ideal (un modelo bayesiano).

Cuando la IA parece tan informativa como las personas—pero menos persuasiva socialmente

En ambos estudios, los participantes se comportaron como si intentaran genuinamente tomar buenas decisiones. A medida que la evidencia combinada favorecía cada vez más una enfermedad, eran más propensos a elegirla y aumentaba su confianza, ya viniera esa evidencia de humanos o de IA. Estadísticamente, los asesores humanos y de IA ejercieron una influencia informativa muy similar: la gente trató a ambos como fuentes útiles de evidencia. Sin embargo, en el Estudio 1 —donde todos los asesores eran igualmente fiables— surgió otro patrón. Cuando los asesores humanos coincidían con la impresión inicial del participante, las personas se apoyaban más en esa visión compartida y se sentían más seguras que cuando el mismo patrón de acuerdo procedía de la IA. Un enfoque de modelado detallado mostró que la gente daba algo más de peso al consejo humano que al de la IA, y más peso a su información privada que a cualquier consejo externo. Este empuje adicional del acuerdo humano, más allá de lo que justificaría la precisión por sí sola, refleja la influencia normativa: la sutil comodidad de alinearse con otros seres humanos.

Señales de precisión complejas pueden borrar la ventaja humana

El Estudio 2 hizo la situación más realista —y más exigente mentalmente— variando cuán preciso era cada asesor y mostrando esas probabilidades. Bajo estas condiciones más ricas, la ventaja especial del consejo humano desapareció en gran medida. Las personas seguían favoreciendo su propia información privada en general, pero los asesores humanos y de IA cargaron ahora con un peso casi idéntico. El consejo de todos —humanos y máquinas por igual— se utilizó menos de lo que marcaría el ideal bayesiano, lo que sugiere que manejar múltiples indicios de precisión y opiniones de la mayoría agotó los recursos cognitivos de los participantes. Cuando muchos asesores opinaron, los participantes no siguieron ciegamente a la multitud. Tendieron a seguir a la mayoría solo cuando esta coincidía con el diagnóstico estadísticamente más probable y fueron mucho menos propensos a hacerlo cuando la mayoría contradecía los números. Esto indica que la gente trató de integrar tanto cuántos asesores estaban de acuerdo como cuán fiables eran esos asesores.

Qué significa esto para equipos reales humano-IA

Los hallazgos sugieren que las personas están dispuestas a confiar en la IA como fuente de información, pero la IA no evoca de forma natural la misma presión social para conformarse que un compañero humano. Esa ventaja humana es frágil: una vez que los asesores difieren en su precisión y dichas diferencias se hacen explícitas, la gente se centra más en las señales informativas y menos en quién habla. Sin embargo, esta complejidad añadida también puede llevar a subutilizar buenos consejos tanto de humanos como de IA. Para los diseñadores de sistemas de apoyo a la decisión, la lección es presentar la información sobre precisión de maneras que ayuden en lugar de abrumar, y reconocer que humanos y máquinas pueden desempeñar mejor roles distintos: las máquinas para evidencia precisa y consistente, y los humanos para la influencia social que puede motivar a las personas a actuar sobre esa evidencia.

Cita: Zhong, H., McKinlay, J., Yoon, J. et al. Drivers and influence of social conformity on decision making in human-AI teams. Sci Rep 16, 13438 (2026). https://doi.org/10.1038/s41598-026-43042-5

Palabras clave: colaboración humano-IA, conformidad social, toma de decisiones médicas, aversión a los algoritmos, confianza en la decisión