Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 587
Del uso individual a la inteligencia colectiva: Evolución de
las estrategias de colaboración medidas por IA
From individual use to collective intelligence: Evolution of
collaboration strategies measured by AI
Carchi-Naula, Walter Bolivar
1
Huanca-Ordóñez, Mery María
2
https://orcid.org/0009-0002-2188-6624
https://orcid.org/0009-0000-9050-8788
carchiwalter@gmail.com
merycitahuanca10@gmail.com
Investigador Independiente, Ecuador
Investigador Independiente, Ecuador
Carchi-Huanca, Angy Estefanya
3
Aguirre-Pesantes, Adriana Valentina
4
https://orcid.org/0009-0006-0097-8887
https://orcid.org/0000-0002-3518-5733
angycarchi9@gmail.com
adrival_ap2012@hotmail.com
Investigador Independiente, Ecuador
Investigador Independiente, Ecuador
Román-Román, Alexandra Paulina
5
https://orcid.org/0009-0000-4242-0220
sashka_ale@hotmail.com
Investigador Independiente, Ecuador
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n3/255
Resumen: La rápida incorporación de inteligencia artificial (IA)
está transformando el trabajo desde usos individuales orientados
a productividad hacia configuraciones colaborativas, aunque
persiste incertidumbre sobre cuándo esta interacción constituye
inteligencia colectiva. El estudio tuvo como objetivo analizar la
evolución de las estrategias de colaboración desde el uso
individual de IA hasta configuraciones humano-IA, considerando
interacción, coordinación, complementariedad y desempeño. Se
desarrolló una investigación cualitativa, documental, no
experimental, deductiva y exploratoria, mediante análisis de
literatura publicada entre 2021 y 2026 y codificación de cinco
dimensiones analíticas con apoyo supervisado de IA. Los
resultados identificaron cuatro configuraciones: asistencia
individual, interacción iterativa humano-IA, sistema híbrido e
integración de IA en equipos; las combinaciones humano-IA
superaron al humano individual (g = 0,64), pero no al mejor agente
disponible (g = −0,23), mientras los equipos con IA alcanzaron
mejoras aproximadas de 10,2 % frente al individuo sin IA. Los
hallazgos evidenciaron que productividad aumentada y sinergia
colectiva no son equivalentes, pues el desempeño dependió de la
tarea, distribución de roles y complementariedad. Se concluyó que
la inteligencia colectiva emerge de configuraciones colaborativas
específicas y requiere evaluar coordinación, integración de
conocimientos, diversidad y desempeño conjunto, más que la sola
adopción de IA.
Palabras clave: inteligencia artificial; inteligencia colectiva;
colaboración humano-IA; estrategias de colaboración; desempeño
colectivo.
Artículo Científico
Received: 03/Jul/2026
Accepted: 30/Jul/2026
Published: 29/Ago/2026
Cita: Carchi-Naula, W. B., Huanca-Ordóñez,
M. M., Carchi-Huanca, A. E., Aguirre-
Pesantes, A. V., & Román-Román, A. P.
(2026). Del uso individual a la inteligencia
colectiva: Evolución de las estrategias de
colaboración medidas por IA. Revista
Científica Ciencia Y Método, 4(3), 587-
609. https://doi.org/10.55813/gaea/rcym/v4/n
3/255
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 588
Artículo Científico
Abstract:
The rapid adoption of artificial intelligence (AI) is transforming work from individual
uses focused on productivity toward collaborative configurations, although uncertainty
remains regarding when such interaction can be considered collective intelligence.
This study aimed to analyze the evolution of collaboration strategies from individual AI
use to human-AI configurations, considering interaction, coordination,
complementarity, and performance. A qualitative, documentary, non-experimental,
deductive, and exploratory study was conducted through the analysis of literature
published between 2021 and 2026 and the coding of five analytical dimensions with
supervised AI support. The results identified four configurations: individual assistance,
iterative human-AI interaction, hybrid systems, and AI integration into teams; human-
AI combinations outperformed humans working alone (g = 0.64), but not the best
available agent (g = −0.23), while AI-supported teams achieved improvements of
approximately 10.2% compared with individuals working without AI. The findings
showed that enhanced productivity and collective synergy are not equivalent, as
performance depended on task type, role distribution, and complementarity. It was
concluded that collective intelligence emerges from specific collaborative
configurations and requires assessing coordination, knowledge integration, diversity,
and joint performance rather than AI adoption alone.
Keywords: artificial intelligence; collective intelligence; human-AI collaboration;
collaboration strategies; collective performance.
1. Introducción
La expansión de la inteligencia artificial (IA) en América Latina y el Caribe está
modificando no solo la ejecución individual de tareas, sino también las formas
mediante las cuales las personas distribuyen conocimiento coordinan decisiones y
construyen soluciones colectivas. El Índice Latinoamericano de Inteligencia Artificial
reporta que la región concentra alrededor del 14 % de las visitas mundiales a
soluciones web de IA, ocupa el tercer lugar mundial en descargas de aplicaciones de
IA generativa y, pese a representar cerca del 6,6 % del PIB global, recibe únicamente
1,12 % de la inversión mundial en IA, lo que revela una adopción intensa acompañada
de restricciones estructurales (Comisión Económica para América Latina y el Caribe
[CEPAL], 2026). En este escenario, la unidad de análisis relevante deja de ser
exclusivamente el usuario que consulta una herramienta y se desplaza hacia las
estrategias de colaboración de equipos humanos e híbridos humano-IA, entendidas
como patrones de intercambio, coordinación, complementariedad, deliberación y
producción conjunta. Esta delimitación permite estudiar la inteligencia colectiva como
una propiedad emergente de las interacciones y no como la simple agregación de
capacidades individuales, consistente con la evidencia que identifica un factor
colectivo de desempeño diferenciado de la inteligencia individual de los integrantes
(Woolley et al., 2010).
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 589
Artículo Científico
La relevancia de este desplazamiento aumenta cuando la incorporación de IA se
examina junto con sus posibles efectos laborales, sociales e institucionales, debido a
que entre 26 % y 38 % de los empleos latinoamericanos y caribeños presentan algún
grado de exposición a la IA generativa; aproximadamente 8 %–14 % podrían
experimentar transformaciones asociadas con aumentos de productividad, mientras
que alrededor de 2 %–5 % enfrentarían posibilidades de automatización con las
capacidades tecnológicas actualmente disponibles (Gmyrek et al., 2024; Erazo-
Luzuriaga et al., 2024). Estas cifras sugieren que el problema no consiste únicamente
en determinar quién utiliza IA, sino en comprender cómo se reorganizan las
responsabilidades, la coordinación y la generación compartida de conocimiento
cuando la tecnología ingresa al proceso de trabajo (Maldonado-Nova, 2022). Ignorar
esta dimensión podría conducir a organizaciones que capturen mejoras de velocidad
sin desarrollar capacidades colectivas equivalentes, aumentando dependencias
tecnológicas, desigualdades de habilidades y problemas de gobernanza. La situación
resulta particularmente sensible en una región donde las capacidades digitales son
heterogéneas y el nivel promedio de madurez del uso responsable de IA alcanza
apenas 2,9 puntos en una escala de 1 a 5 (Cruz et al., 2025).
El paso desde la asistencia individual hacia formas de inteligencia colectiva tampoco
puede inferirse automáticamente de las ganancias de productividad observadas en
tareas realizadas por una sola persona. En un experimento con profesionales
universitarios, el acceso a ChatGPT redujo aproximadamente 40 % el tiempo
requerido para completar tareas de escritura y elevó cerca de 18 % la calidad
promedio de los resultados, demostrando una capacidad sustancial de aumento
individual (Noy & Zhang, 2023). Sin embargo, el rendimiento grupal responde a
mecanismos adicionales: Woolley et al. (2010) identificaron un factor de inteligencia
colectiva que explicó más del 43 % de la varianza inicial en el desempeño de grupos
sometidos a tareas diversas y que estuvo relacionado con condiciones interaccionales
como la sensibilidad social y una distribución más equilibrada de los turnos
conversacionales. La comparación entre ambas líneas de evidencia sugiere, por tanto,
que aumentar la capacidad de cada integrante mediante IA no garantiza por sí mismo
que el equipo mejore su coordinación, utilice mejor la diversidad cognitiva o produzca
decisiones superiores, cuestión central para diferenciar productividad asistida de
inteligencia colectiva aumentada (Almenaba-Guerrero & Herrera-Sánchez, 2022;
Clavijo-Cáceres et al., 2024).
Este problema conceptual se profundiza porque buena parte de la investigación sobre
colaboración humano-IA ha evolucionado desde una visión de la máquina como
herramienta hacia otra en la que puede desempeñar funciones propias de un
integrante del equipo. Una agenda interdisciplinaria desarrollada por 65 investigadores
especializados en colaboración produjo 819 preguntas de investigación acerca de los
beneficios, riesgos, diseño y dinámica de las máquinas consideradas como
compañeras de equipo, evidenciando la amplitud de aspectos todavía abiertos en este
campo (Seeber et al., 2020). Aun así, persiste una fragmentación entre estudios
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 590
Artículo Científico
centrados en confianza, explicación algorítmica, aceptación, productividad o
desempeño, mientras son menos frecuentes los enfoques que integran
simultáneamente el nivel individual, la configuración de la interacción y el resultado
colectivo. Esta separación limita la capacidad de explicar por qué configuraciones
tecnológicamente semejantes originan resultados diferentes y dificulta reconstruir la
transición desde estrategias de consulta individual hacia formas de delegación,
complementariedad, revisión cruzada y construcción conjunta. Desde esta
perspectiva, analizar la evolución de las estrategias exige observar el proceso
colaborativo, no solo comparar productos finales o declarar si una herramienta fue
utilizada (Seeber et al., 2020).
La evidencia experimental disponible refuerza esta necesidad porque los resultados
de la colaboración humano-IA distan de ser uniformemente positivos. Una revisión
sistemática y metaanálisis de 106 experimentos y 370 tamaños de efecto encontró
que las combinaciones humano-IA superaban, en promedio, al ser humano trabajando
solo (g = 0,64), pero no alcanzaban una sinergia general frente al mejor desempeño
disponible entre humano o IA; bajo este criterio más exigente, el efecto agregado fue
negativo (g = −0,23; IC 95 % [−0,39, −0,07]), con una heterogeneidad de I² = 97,7 %
(Vaccaro et al., 2024). La inconsistencia resulta teóricamente relevante porque los
efectos variaron con el tipo de tarea: las actividades de decisión mostraron pérdidas
relativas, mientras las tareas de creación presentaron condiciones comparativamente
más prometedoras para la complementariedad. A ello se agrega que la IA generativa
puede incrementar la novedad y utilidad de producciones individuales y,
simultáneamente, hacer que los resultados de diferentes personas sean más
semejantes entre sí, creando una tensión entre creatividad individual y diversidad
colectiva (Doshi & Hauser, 2024). La brecha consiste entonces en explicar qué
estrategias transforman el aumento individual en verdadera inteligencia colectiva y
cuáles producen homogeneización, dependencia o coordinación ineficiente.
Abordar esta brecha posee especial conveniencia para América Latina porque la
velocidad de adopción contrasta con capacidades de investigación, infraestructura y
gobernanza marcadamente concentradas. Los datos regionales indican que 90 % de
la capacidad de supercomputación se localiza en Brasil; Brasil y México reúnen
aproximadamente 68 % de los investigadores en IA, mientras Brasil, México, Chile,
Argentina y Colombia concentran cerca del 90 % de las publicaciones regionales, y
más de la mitad de los países todavía presentan déficits de infraestructura crítica y
formación avanzada (CEPAL, 2026). En consecuencia, disponer de una metodología
que mida colaboración mediante indicadores obtenibles de cuestionarios
estructurados, registros de interacción, secuencias de participación,
complementariedad de aportes y resultados colectivos puede aportar valor sin
presuponer infraestructuras experimentales prohibitivas. La viabilidad se refuerza
porque ya existen experiencias regionales basadas en encuestas estructuradas para
estimar madurez y prácticas responsables de adopción, aunque su uso requiere
preservar confidencialidad, minimizar datos personales y establecer criterios
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 591
Artículo Científico
transparentes para cualquier análisis automatizado (Cruz et al., 2025). Así, la utilidad
metodológica reside en convertir conductas colaborativas observables en evidencia
comparable sin reducir la inteligencia colectiva a percepciones subjetivas de adopción.
Sobre esta base, el estudio se propone analizar la evolución de las estrategias de
colaboración desde el uso individual de IA hasta configuraciones de inteligencia
colectiva en equipos humanos e híbridos de América Latina, mediante indicadores de
interacción y desempeño susceptibles de ser medidos con IA. Para desarrollar este
propósito se plantean cuatro operaciones analíticas articuladas: describir los patrones
de uso individual, intercambio y coordinación asociados con distintos niveles de
incorporación de IA; determinar qué indicadores de participación, complementariedad,
diversidad y desempeño permiten distinguir estrategias individuales de
configuraciones colectivas; comparar el rendimiento y las dinámicas de colaboración
entre modalidades de trabajo humano, humano asistido por IA y humano-IA; y
relacionar las estrategias identificadas con resultados de inteligencia colectiva,
atendiendo a diferencias en el tipo de tarea y en el grado de dependencia tecnológica.
Esta formulación responde a la necesidad de analizar tanto la capacidad colectiva
observada originalmente en grupos humanos como las condiciones bajo las cuales
los sistemas humano-IA producen aumento o sinergia real, en lugar de asumir que
ambas son equivalentes (Woolley et al., 2010; Vaccaro et al., 2024).
La contribución esperada consiste, por consiguiente, en desplazar la discusión desde
la pregunta binaria sobre si la IA mejora o perjudica el desempeño hacia una
explicación de cómo cambian las estrategias de colaboración a medida que la
tecnología pasa de asistente individual a componente de un sistema colectivo
(Galarza-Sánchez et al., 2023). Este planteamiento conecta tres niveles que la
literatura suele estudiar separadamente aumento individual, organización de la
interacción y desempeño colectivo y permite incorporar simultáneamente eficiencia,
diversidad, complementariedad y coordinación, dimensiones necesarias ante la
elevada heterogeneidad detectada en la evidencia humano-IA (Vaccaro et al., 2024).
Su originalidad propuesta radica en aplicar esta lectura evolutiva al contexto
latinoamericano y utilizar la propia IA como apoyo para medir patrones colaborativos
observables, sin equiparar mayor adopción con mayor inteligencia colectiva. Tal
distinción es especialmente pertinente en una región donde el consumo de
herramientas de IA crece con rapidez mientras inversión, talento e infraestructura
permanecen concentrados, de modo que comprender qué configuraciones convierten
el acceso tecnológico en capacidad colectiva puede aportar criterios tanto para
investigación académica como para diseño organizacional, políticas de talento y
gobernanza responsable (CEPAL, 2026; Cruz et al., 2025; Santander-Salmon et al.,
2023).
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 592
Artículo Científico
2. Materiales y métodos
La investigación se desarrolló desde una orientación cualitativa, debido a que el
interés analítico se concentró en comprender cómo fueron conceptualizadas,
organizadas y transformadas las estrategias de colaboración mediadas por
inteligencia artificial (IA), más que en estimar relaciones estadísticas entre variables.
Esta elección permitió interpretar significados, configuraciones de interacción y
patrones de complementariedad descritos en la literatura sobre colaboración humano-
IA e inteligencia colectiva. La aproximación resultó coherente con un fenómeno
emergente cuya comprensión requirió examinar procesos, contextos y relaciones
entre actores humanos y sistemas artificiales. Asimismo, la unidad analítica se situó
en las estrategias documentadas de interacción, coordinación, delegación y
producción conjunta de conocimiento, evitando reducir el fenómeno a indicadores
exclusivamente numéricos. Esta lógica correspondió con los principios de la
investigación cualitativa orientada a construir interpretaciones contextualizadas a
partir de diferentes fuentes de evidencia (Creswell & Poth, 2024).
A partir de esta orientación interpretativa se mantuvo un diseño no experimental,
puesto que no se manipularon deliberadamente condiciones, comportamientos,
herramientas de IA ni modalidades de colaboración, sino que se examinaron
evidencias previamente producidas y registradas en documentos científicos. La
investigación tampoco introdujo tratamientos experimentales ni asignó participantes a
configuraciones humano-IA, dado que su propósito se centró en reconstruir la
evolución conceptual y empírica de las estrategias de colaboración. Esta decisión
permitió conservar las condiciones originales en las que los estudios revisados habían
observado interacciones entre individuos, equipos y agentes artificiales. De manera
congruente, las diferencias entre modalidades de uso individual, asistencia,
coordinación y colaboración colectiva se interpretaron como configuraciones
reportadas por las fuentes y no como efectos causales generados por el presente
estudio. La elección fue consistente con una aproximación cualitativa en la que las
decisiones de diseño se articularon con la pregunta y el propósito de investigación sin
necesidad de intervenir experimentalmente sobre el fenómeno (Creswell & Poth,
2024).
La estrategia investigativa adquirió además un carácter documental, dado que el
corpus de análisis estuvo constituido por artículos científicos, revisiones académicas,
libros especializados y documentos institucionales relacionados con inteligencia
colectiva, colaboración humano-IA y estrategias de interacción mediadas por IA. El
documento se consideró una fuente primaria para el análisis metodológico del estudio,
ya que permitió identificar conceptos, mecanismos de coordinación, modalidades de
participación y resultados colectivos previamente registrados. La selección y examen
de textos siguieron criterios de pertinencia, autenticidad, actualidad y relación directa
con los objetivos, procedimiento compatible con el análisis cualitativo de documentos
propuesto por Morgan (2022). El razonamiento se estructuró predominantemente de
forma deductiva, porque las evidencias fueron contrastadas con categorías
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 593
Artículo Científico
construidas desde el marco conceptual sobre colaboración, complementariedad y
transición hacia inteligencia colectiva. La deducción permitió partir de conceptos
teóricos previamente definidos y examinar después su expresión, modificación o
ausencia dentro del corpus documental, manteniendo abierta la posibilidad de
registrar contenidos no previstos cuando resultaron relevantes para interpretar el
fenómeno (Morgan, 2022; Saldaña, 2025).
La naturaleza todavía dinámica de la colaboración humano-IA justificó que el estudio
mantuviera un alcance exploratorio, orientado a reconocer configuraciones, relaciones
conceptuales y tendencias que todavía no se encontraban estabilizadas en un modelo
explicativo único. La literatura reciente había mostrado que la IA podía desempeñar
funciones que variaban desde herramienta de asistencia hasta integrante activo de
sistemas colectivos, mientras que los resultados de las combinaciones humano-IA
dependían de la tarea y del diseño de la colaboración (Cui & Yasseri, 2024; Vaccaro
et al., 2024). En consecuencia, el estudio buscó explorar cómo se había producido el
desplazamiento desde usos predominantemente individuales hacia configuraciones
de mayor interdependencia, sin pretender demostrar causalidad ni generalizar
probabilísticamente sus interpretaciones a todas las organizaciones latinoamericanas.
También se procuró reconocer divergencias entre resultados y vacíos asociados con
coordinación, complementariedad, distribución de roles y desempeño colectivo. El
alcance exploratorio permitió así construir una representación ordenada de un campo
emergente y establecer categorías susceptibles de contrastarse posteriormente
mediante investigaciones empíricas de mayor alcance (Creswell & Poth, 2024).
La delimitación documental comprendió publicaciones producidas entre 2021 y 2026,
con el propósito de privilegiar evidencia correspondiente a la etapa de aceleración
reciente de los sistemas de IA generativa y mantener las referencias dentro de un
horizonte máximo de cinco años. Se establecieron búsquedas en bases académicas
internacionales y regionales Scopus, Web of Science, SciELO y Redalyc utilizando
combinaciones en español, inglés y portugués de términos equivalentes a artificial
intelligence, human-AI collaboration, collective intelligence, collaboration strategies,
inteligencia colectiva y colaboración humano-IA. Se incluyeron estudios revisados por
pares, revisiones especializadas, libros académicos y documentos institucionales que
describieran explícitamente interacciones, estrategias o resultados de colaboración,
mientras se excluyeron duplicados, textos comerciales, opiniones sin respaldo
metodológico y trabajos estrictamente técnicos que no examinaran una dimensión
colaborativa. La unidad de análisis correspondió a cada documento elegible y, por
tratarse de una selección documental cualitativa basada en criterios, no se calculó una
muestra probabilística ni se aplicaron fórmulas de inferencia poblacional. La
construcción del corpus siguió el principio de seleccionar documentos capaces de
aportar información pertinente y suficientemente rica para responder a la pregunta
investigativa, en lugar de establecer representatividad estadística (Morgan, 2022).
El procesamiento de la evidencia se realizó mediante una matriz de extracción en la
que se organizaron, para cada documento, el año de publicación, ámbito geográfico,
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 594
Artículo Científico
unidad estudiada, modalidad de IA, tipo de tarea, configuración de participantes,
estrategia de colaboración, función atribuida a la IA y resultado colectivo reportado.
Sobre esta matriz se aplicó una primera codificación deductiva basada en cinco
dimensiones analíticas: configuración de los actores, estrategia de interacción, función
de la IA, mecanismo de coordinación y manifestación de inteligencia colectiva.
Posteriormente se efectuó un segundo ciclo orientado a establecer relaciones entre
códigos y reconocer patrones de transición desde asistencia individual hacia
delegación, complementariedad, co-creación y coordinación colectiva, sin asumir que
esas configuraciones constituyeran una secuencia universal. La codificación se
acompañó de memorandos analíticos para registrar decisiones, discrepancias
conceptuales y casos que contradijeran el patrón dominante, práctica utilizada para
fortalecer la trazabilidad interpretativa. Este procedimiento siguió principios
contemporáneos de codificación y tematización cualitativa, en los cuales las
categorías organizaron la evidencia sin sustituir la interpretación reflexiva del
investigador (Saldaña, 2025; Naeem et al., 2023).
Para operacionalizar el componente de estrategias de colaboración medidas por IA,
la inteligencia artificial se utilizó como recurso auxiliar para clasificar fragmentos
textuales, identificar proximidades semánticas, comparar códigos y detectar
recurrencias entre documentos, mientras que las decisiones interpretativas finales
permanecieron bajo supervisión humana. El protocolo exigió que cada intervención
automatizada quedara registrada mediante la instrucción empleada, el contenido
analizado, la salida generada y la decisión humana de aceptar, modificar o descartar
la clasificación propuesta, con el fin de construir una cadena de auditoría reproducible.
La IA no se consideró un evaluador autónomo ni se aceptaron categorías generadas
automáticamente sin contrastarlas con el texto original, dado que las herramientas
generativas podían apoyar la síntesis y la codificación, pero no reemplazaban el juicio
contextual, reflexivo y teórico requerido en el análisis cualitativo (Saldaña, 2025). Esta
precaución también evitó convertir frecuencias algorítmicas en evidencia causal o
equiparar semejanza semántica con inteligencia colectiva. El procedimiento mantuvo
así la IA como instrumento de asistencia analítica y no como sustituto del investigador,
preservando responsabilidad, supervisión y explicabilidad sobre las decisiones
metodológicas (Saldaña, 2025; UNESCO, 2021; Concha-Ramirez & Navarrete-Ortiz,
2023).
La consistencia del proceso se reforzó mediante contraste entre documentos de
distinta procedencia, revisión reiterada de los códigos, conservación de evidencias
textuales vinculadas con cada categoría y búsqueda deliberada de casos discrepantes
respecto de las interpretaciones predominantes. También se diferenciaron los
hallazgos explícitamente reportados por las fuentes de las inferencias construidas
durante la síntesis, especialmente porque la evidencia existente había mostrado una
elevada variabilidad en los resultados de las combinaciones humano-IA y, por tanto,
no resultaba metodológicamente justificable asumir que toda colaboración produjera
sinergia colectiva (Vaccaro et al., 2024). Al trabajar con fuentes documentales no se
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 595
Artículo Científico
realizaron entrevistas, experimentos ni recolección directa de información identificable
de personas, aunque se mantuvieron criterios de atribución autoral, integridad de las
citas y respeto por las condiciones de utilización de los materiales consultados. En el
uso auxiliar de IA se preservaron únicamente fragmentos necesarios para el análisis
y se evitó incorporar información sensible o identificable, siguiendo principios de
privacidad, responsabilidad humana, transparencia y prevención del daño. La
combinación de trazabilidad documental, revisión crítica humana y registro del uso de
IA buscó fortalecer la credibilidad, dependencia y confirmabilidad de las
interpretaciones generadas (Morgan, 2022; UNESCO, 2021).
3. Resultados
3.1. Patrones de evolución del uso individual hacia la colaboración humano-IA
El análisis de este subtema se orientó a identificar cómo variaron las formas de
interacción con inteligencia artificial (IA) desde un uso centrado en la ejecución
individual hasta configuraciones en las que la tecnología participó en procesos de
colaboración. La síntesis documental permitió distinguir cuatro configuraciones
analíticas recurrentes: asistencia individual, interacción iterativa humano-IA,
combinación híbrida orientada al desempeño e integración de la IA como participante
del equipo. Estas configuraciones no se asumieron como una secuencia causal o
cronológica obligatoria, sino como grados diferenciados de participación de la IA
identificados en estudios con tareas y contextos distintos. En la evidencia revisada, el
papel asignado a la IA osciló entre herramienta de apoyo y agente con participación
activa dentro de sistemas colectivos, manteniéndose la interacción humana como
componente de coordinación (Cui & Yasseri, 2024). Debido a que los materiales
disponibles no incluyeron una matriz final con el número total de documentos
codificados por cada categoría, no se calcularon porcentajes globales de presencia
documental y se conservaron exclusivamente resultados numéricos verificables
publicados en las fuentes analizadas (Vaccaro et al., 2024).
En la configuración de asistencia individual, el patrón predominante correspondió al
empleo de IA para reducir esfuerzo operativo o aumentar la calidad de una tarea
ejecutada por una sola persona. En un experimento con 453 profesionales, el acceso
a ChatGPT redujo aproximadamente 40 % el tiempo de ejecución y elevó 18 % la
calidad del producto, mientras el tiempo medio de la segunda tarea pasó de 27 a 17
minutos entre control y tratamiento (Noy & Zhang, 2023). En una configuración más
interactiva, cuatro experimentos con un total de 3.562 participantes registraron
aumentos de desempeño durante la colaboración con IA generativa; específicamente,
en el cuarto estudio (N = 1.624), quienes trabajaron con IA produjeron textos de M =
157,30 palabras (DE = 67,34), frente a M = 92,58 (DE = 49,00) en quienes trabajaron
individualmente (Wu et al., 2025). La diferencia alcanzó t(1458,77) = 22,10, p < ,001,
IC 95 % [58,97, 70,46] y d = 1,10; el contenido analítico también fue superior (M =
77,07 frente a 69,86; d = 0,38; p < ,001). Estos resultados, organizados junto con las
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 596
Artículo Científico
configuraciones de mayor complejidad colaborativa, se presentan en la Tabla 1 (Noy
& Zhang, 2023; Wu et al., 2025).
Tabla 1
Resultados cuantitativos representativos según configuración de interacción humano-
IA
Fuente
Configuración
analizada
Tamaño de la
evidencia
Resultado cuantitativo
principal
Dimensión
observada
Noy y Zhang
(2023)
Individuo + IA frente a
individuo
N = 453
Tiempo −40 %; calidad +18
%; 27 frente a 17 min
Asistencia
individual
Wu et al.
(2025)
Colaboración humano-
IA frente a trabajo
individual
4 estudios, N =
3.562; estudio 4, N
= 1.624
Palabras: M = 157,30 vs.
92,58; d = 1,10; p < ,001.
Contenido analítico: 77,07 vs.
69,86; d = 0,38; p < ,001
Interacción
iterativa
Vaccaro et
al. (2024)
Sistema humano-IA
frente a agentes
aislados
106 experimentos;
370 efectos
Frente al humano: g = 0,64;
frente al mejor agente: g =
−0,23
Sistema
híbrido
Dell’Acqua
et al. (2026)
Individuo/equipo ×
con/sin IA
N = 791; 776
casos completos
Equipo sin IA +6,3 %;
individuo + IA +9,6 %; equipo
+ IA +10,2 %
Integración
en equipos
Nota: Se conservaron los estadísticos publicados por los estudios originales; no se calcularon
frecuencias documentales, medias agregadas ni porcentajes que no estuvieran disponibles en las
fuentes. El formato sintetizó información comparable mediante número, título, encabezados y nota, de
acuerdo con los criterios para tablas del manual APA compartido. Los valores procedieron de Noy y
Zhang (2023), Wu et al. (2025), Vaccaro et al. (2024) y Dell’Acqua et al. (2026) (Autores, 2026).
La transición hacia configuraciones híbridas mostró una diferencia cuantitativa entre
aumentación humana y sinergia humano-IA. El metaanálisis de Vaccaro et al. (2024),
que reunió 370 tamaños de efecto procedentes de 106 experimentos, registró que los
sistemas humano-IA superaron al desempeño humano individual con g = 0,64, t(98) =
11,87, p < ,001 e IC 95 % [0,53, 0,74]. Al utilizar como referencia al mejor desempeño
entre el humano y la IA trabajando por separado, el efecto cambió a g = −0,23, t(92)
= −2,89, p = ,005 e IC 95 % [−0,39, −0,07]. Además, la variabilidad entre estudios fue
elevada, con I² = 97,7 % para sinergia y I² = 93,8 % para aumentación. El tipo de tarea
también presentó diferencias, pues las tareas de decisión registraron g = −0,27 (p =
,002), mientras las tareas de creación alcanzaron g = 0,19 (p = ,180), estableciéndose
una diferenciación estadísticamente significativa entre ambas categorías (F(1,104) =
7,84; p = ,006) (Vaccaro et al., 2024).
El patrón de mayor integración apareció cuando la IA formó parte de configuraciones
de trabajo que incluyeron tanto individuos como equipos humanos. En el experimento
de campo de Dell’Acqua et al. (2026), 791 profesionales fueron distribuidos entre
trabajo individual o en equipo, con y sin IA, y 776 participantes aportaron información
completa para los análisis posteriores. Los equipos humanos sin IA registraron un
incremento de 0,24 desviaciones estándar, equivalente aproximadamente a 6,3 %,
respecto del trabajo individual sin IA; los individuos con IA alcanzaron 0,37
desviaciones estándar o 9,6 %, mientras los equipos con IA registraron 0,39
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 597
Artículo Científico
desviaciones estándar o cerca de 10,2 %. El rendimiento promedio de equipos con IA
no difirió significativamente del alcanzado por individuos que utilizaron IA, aunque los
equipos aumentados por IA presentaron 9,2 puntos porcentuales adicionales de
probabilidad de producir una solución situada en el decil superior, frente a una media
de control de 5,8 %. En términos descriptivos, estas configuraciones representaron el
nivel en el que la tecnología dejó de limitarse al apoyo de una tarea individual y
apareció incorporada a una estructura explícita de trabajo colectivo (Dell’Acqua et al.,
2026).
Figura 1
Evolución observada de las configuraciones humano-IA
Nota: (Autores, 2026).
La representación visual concentró un desplazamiento observable desde el uso
instrumental de IA por individuos hacia configuraciones con mayor número de
intercambios y actores involucrados. Los indicadores mostraron que las primeras
configuraciones se caracterizaron principalmente por reducciones de tiempo y
aumentos inmediatos de producción, mientras que las configuraciones híbridas
incorporaron medidas relativas al desempeño conjunto frente a agentes aislados (Noy
& Zhang, 2023; Vaccaro et al., 2024). En el extremo de mayor integración se
registraron equipos humanos trabajando conjuntamente con IA y resultados de calidad
evaluados en condiciones organizacionales reales, con mejoras promedio próximas al
10,2 % respecto del trabajo individual sin IA (Dell’Acqua et al., 2026). No obstante, la
progresión descriptiva no fue lineal en términos de rendimiento, ya que el desempeño
combinado superó sistemáticamente al humano solo, pero no necesariamente al
mejor agente disponible en cada tarea (Vaccaro et al., 2024). De esta manera, el
hallazgo central del subtema quedó caracterizado por una ampliación progresiva de
la función desempeñada por la IA —de asistencia individual a participación en
estructuras colectivas— acompañada por cambios verificables en los indicadores
empleados para medir el desempeño (Cui & Yasseri, 2024; Dell’Acqua et al., 2026).
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 598
Artículo Científico
3.2. Indicadores de colaboración asociados con la inteligencia colectiva
El análisis de este subtema se orientó a identificar los indicadores que permitieron
diferenciar una interacción humano-IA centrada en la asistencia individual de
configuraciones asociadas con inteligencia colectiva. Los hallazgos se organizaron en
cinco dimensiones previamente establecidas: configuración de actores, estrategia de
interacción, función desempeñada por la IA, mecanismo de coordinación y
manifestación del desempeño colectivo. En la evidencia examinada, estos
componentes fueron observables mediante medidas de distribución de funciones,
integración de conocimientos, equilibrio de aportes, utilización efectiva de contenido
generado por IA y rendimiento del sistema combinado (Cui & Yasseri, 2024). El
conjunto cuantitativo más amplio comprendió 74 publicaciones, 106 experimentos y
370 tamaños de efecto, mientras otros estudios aportaron medidas experimentales
específicas sobre integración funcional y características de los productos
colaborativos (Vaccaro et al., 2024). Debido a que no se dispuso de una matriz final
con frecuencias propias del corpus documental para las cinco dimensiones, no se
calcularon porcentajes adicionales y se conservaron exclusivamente los valores
publicados en los estudios incluidos.
La configuración de actores y la distribución de roles mostraron diferencias
particularmente identificables entre asistencia y colaboración estructurada. En el
metaanálisis de Vaccaro et al. (2024), más del 95 % de los sistemas humano-IA
examinados mantuvieron al humano como responsable de la decisión final después
de recibir información del algoritmo; en contraste, únicamente 3 de más de 100
experimentos estudiaron esquemas con delegación predeterminada de subtareas
diferentes al humano y a la IA (Torres-Galves et al., 2024). Estos tres experimentos
aportaron cuatro tamaños de efecto y registraron una sinergia media de g = 0,22,
aunque sin significación estadística, t(104) = 0,69, p = ,494, IC 95 % [−0,42, 0,87]
(Vaccaro et al., 2024). En un entorno organizacional, Dell’Acqua et al. (2026)
diferenciaron cuatro configuraciones —individuo sin IA, equipo humano, individuo con
IA y equipo humano con IA— dentro de un diseño 2 × 2 aplicado a 791 profesionales,
lo que permitió observar separadamente la incorporación de personas y tecnología al
sistema colaborativo. Los principales indicadores utilizados para sintetizar estas
configuraciones y sus resultados se presentan en la Tabla 2 (Dell’Acqua et al., 2026;
Vaccaro et al., 2024).
Tabla 2
Indicadores empíricos de colaboración vinculados con configuraciones de inteligencia
colectiva
Dimensión de
análisis
Indicador
observado
Evidencia
cuantitativa
Resultado registrado
Fuente
Configuración de
actores
Composición del
sistema colaborativo
N = 791; 4
condiciones
Individuo, equipo humano,
individuo + IA y equipo + IA
Dell’Acqua
et al. (2026)
Distribución de
roles
Responsable de la
decisión final
>95 % de los
sistemas
Predominio de decisión
humana después del
aporte de IA
Vaccaro et
al. (2024)
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 599
Artículo Científico
Dimensión de
análisis
Indicador
observado
Evidencia
cuantitativa
Resultado registrado
Fuente
Delegación de
tareas
Separación previa de
subtareas humano-IA
3 de >100
experimentos; 4
efectos
g = 0,22; p = ,494; IC 95 %
[−0,42, 0,87]
Vaccaro et
al. (2024)
Integración de
conocimientos
Distribución de
orientación
técnica/comercial
Coeficiente de
bimodalidad: 0,564
vs. 0,482
Menor bimodalidad en
equipos con IA
Dell’Acqua
et al. (2026)
Expresión
colaborativa
Contenido prosocial
N = 793
M = 3,85 vs. 3,05; d = 0,46;
p < ,001
Wu et al.
(2025)
Uso efectivo de
IA
Retención de
contenido generado
por IA
Umbral de similitud
≥90 %
Se registró una
concentración de casos
con retención >75 % y
casos con retención 0 %
Dell’Acqua
et al. (2026)
Desempeño
combinado
Aumentación
respecto del humano
370 efectos
g = 0,64; IC 95 % [0,53,
0,74]; p < ,001
Vaccaro et
al. (2024)
Desempeño
combinado
Sinergia respecto del
mejor agente
370 efectos
g = −0,23; IC 95 % [−0,39,
−0,07]; p = ,005
Vaccaro et
al. (2024)
Resultado
excepcional
Solución ubicada en
el decil superior
550 observaciones
Equipo + IA: +9,2 puntos
porcentuales; control = 5,8
%
Dell’Acqua
et al. (2026)
Nota: Los indicadores conservaron las unidades y criterios informados en las investigaciones originales.
El coeficiente de bimodalidad correspondió a la distribución de la orientación técnica/comercial de las
soluciones; la retención cuantificó oraciones generadas por IA con una similitud mínima del 90 %. No
se calcularon valores adicionales a partir de datos no disponibles (Dell’Acqua et al., 2026; Vaccaro et
al., 2024; Wu et al., 2025) (Autores, 2026).
La integración de aportes y conocimientos presentó un patrón cuantificable en el
experimento organizacional. Los equipos que trabajaron sin IA exhibieron una
distribución bimodal entre propuestas técnicas y comerciales, con un coeficiente de
bimodalidad de 0,564, mientras que los equipos asistidos por IA registraron un
coeficiente menor de 0,482 y una distribución más uniforme de ambas orientaciones
(Dell’Acqua et al., 2026). La intensidad de utilización de la herramienta también mostró
heterogeneidad: la retención se calculó como el porcentaje de oraciones del producto
final originalmente generadas por IA con al menos 90 % de similitud, observándose
una concentración relevante de participantes por encima del 75 % de retención y,
simultáneamente, casos con retención igual a cero. Estos últimos utilizaron la IA
durante actividades de ideación, exploración o validación sin trasladar directamente
sus formulaciones al resultado entregado (Silva-Peñafiel et al., 2024). Por tanto, la
participación de la IA quedó registrada tanto mediante incorporación directa de
contenido como mediante interacciones que no dejaron una presencia textual final
equivalente (Dell’Acqua et al., 2026).
Otro grupo de indicadores correspondió a las características del producto derivado de
la interacción, particularmente su contenido analítico, orientación prosocial y
expresividad social. En el estudio 2 de Wu et al. (2025), realizado con 793
participantes, los textos elaborados en colaboración con ChatGPT obtuvieron una
puntuación prosocial media de M = 3,85 (DE = 1,76), superior a M = 3,05 (DE = 1,75)
en trabajo individual, diferencia que alcanzó t(791) = 6,45, p < ,001, IC 95 % [0,56,
1,05] y d = 0,46. En otra tarea con el mismo tamaño muestral, el contenido de afiliación
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 600
Artículo Científico
alcanzó M = 11,83 (DE = 4,07) en colaboración frente a M = 9,89 (DE = 3,77) en la
condición individual, t(791) = 6,96, p < ,001, IC 95 % [1,39, 2,49], d = 0,49. La
expresividad social también fue mayor con IA, M = 22,54 frente a M = 21,42, con t(791)
= 3,27, p = ,001 y d = 0,23. De este modo, las medidas textuales incorporaron
indicadores adicionales al volumen de producción y permitieron diferenciar
características relacionales de los productos obtenidos mediante colaboración
humano-IA (Wu et al., 2025).
La manifestación de inteligencia colectiva quedó finalmente delimitada por el contraste
entre aumentación, sinergia y desempeño excepcional, en lugar de utilizar únicamente
la mejora respecto del individuo. Frente al humano trabajando solo, las combinaciones
humano-IA alcanzaron un efecto agregado positivo de g = 0,64, t(98) = 11,87, p <
,001, IC 95 % [0,53, 0,74]; al compararlas con el mejor desempeño disponible entre
humano o IA aislados, el resultado fue g = −0,23, t(92) = −2,89, p = ,005, IC 95 %
[−0,39, −0,07] (Vaccaro et al., 2024). Paralelamente, los equipos con IA presentaron
una probabilidad 9,2 puntos porcentuales mayor de producir soluciones situadas en el
decil superior de calidad frente a una media de control de 5,8 %, sobre 550
observaciones, con un coeficiente de 0,092 y p < ,05 (Dell’Acqua et al., 2026). En
conjunto, los hallazgos delimitaron la colaboración mediante indicadores distintos pero
relacionados: composición del sistema, asignación de funciones, integración de
perspectivas, características del intercambio y rendimiento combinado. El patrón
central registrado fue que una mayor participación de IA pudo acompañarse de
mejores resultados frente al desempeño humano individual, aunque la condición más
estricta de superioridad del sistema colectivo frente al mejor agente no se observó de
forma general en la evidencia agregada (Cui & Yasseri, 2024; Vaccaro et al., 2024).
3.3. Configuraciones de colaboración humano-IA y patrones de desempeño
colectivo
El análisis de las configuraciones de colaboración examinó cómo variaron los
resultados cuando el trabajo se realizó de forma individual, mediante equipos
exclusivamente humanos o a través de combinaciones humano-IA. Los datos
disponibles diferenciaron cuatro configuraciones principales: individuo sin IA, equipo
humano, individuo asistido por IA y equipo humano aumentado por IA; adicionalmente,
la evidencia sobre resolución creativa permitió contrastar colectivos humanos con
sistemas de búsqueda humano-IA (Vimos-Buenaño et al., 2024). En el experimento
organizacional de Dell’Acqua et al. (2026), 791 profesionales fueron distribuidos
aleatoriamente entre las cuatro condiciones, mientras que el metaanálisis de Vaccaro
et al. (2024) integró 74 publicaciones, 106 experimentos y 370 tamaños de efecto.
Esta estructura permitió registrar por separado aumentación superar al humano solo
y sinergia superar simultáneamente al humano y a la IA trabajando de manera
independiente, evitando tratarlas como resultados equivalentes (Vaccaro et al., 2024;
Dell’Acqua et al., 2026).
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 601
Artículo Científico
La comparación directa de las configuraciones organizacionales mostró un incremento
del desempeño conforme se incorporaron colaboradores humanos o artificiales,
aunque las magnitudes no fueron acumulativas. Frente al individuo sin IA, los equipos
humanos alcanzaron 0,24 desviaciones estándar, aproximadamente 6,3 % de mejora;
los individuos asistidos por IA obtuvieron 0,37 desviaciones estándar, equivalentes a
9,6 %; y los equipos humano-IA alcanzaron 0,39 desviaciones estándar, cerca de 10,2
% sobre la condición de referencia (Dell’Acqua et al., 2026). La diferencia promedio
entre individuo + IA y equipo + IA no fue estadísticamente significativa, mientras que
los equipos con IA presentaron 9,2 puntos porcentuales adicionales de probabilidad
de generar soluciones ubicadas en el decil superior de calidad, frente a una media de
control de 5,8 %, sobre 550 observaciones. Los valores correspondientes a estas
configuraciones y a los restantes estudios se sintetizaron en la Tabla 3 (Dell’Acqua et
al., 2026).
Tabla 3
Configuraciones humano-IA y principales patrones cuantitativos de desempeño
Estudio
Configuración
comparada
Evidencia analizada
Indicador de
desempeño
Resultado
principal
Dell’Acqua et
al. (2026)
Equipo humano vs.
individuo sin IA
N = 791
Calidad global
+0,24 DE; ≈ +6,3
%
Dell’Acqua et
al. (2026)
Individuo + IA vs.
individuo sin IA
N = 791
Calidad global
+0,37 DE; ≈ +9,6
%
Dell’Acqua et
al. (2026)
Equipo + IA vs.
individuo sin IA
N = 791
Calidad global
+0,39 DE; ≈ +10,2
%
Dell’Acqua et
al. (2026)
Equipo + IA
550 observaciones
Soluciones en
decil superior
+9,2 pp; control =
5,8 %
Vaccaro et al.
(2024)
Humano + IA vs.
humano solo
370 efectos; 106
experimentos
Aumentación
g = 0,64; IC 95 %
[0,53, 0,74]
Vaccaro et al.
(2024)
Humano + IA vs. mejor
agente
370 efectos; 106
experimentos
Sinergia
g = −0,23; IC 95 %
[−0,39, −0,07]
Boussioux et
al. (2024)
Humano-IA vs.
multitud humana
234 soluciones; 3.900
evaluaciones
Calidad global
b = 0,101; p = ,002
Boussioux et
al. (2024)
Humano-IA vs.
multitud humana
234 soluciones; 3.900
evaluaciones
Valor financiero
b = 0,143; p < ,001
Nota: DE = desviación estándar; pp = puntos porcentuales; g = g de Hedges. Los coeficientes de
Boussioux et al. (2024) procedieron de modelos mixtos jerárquicos. Los estadísticos fueron
reproducidos de las investigaciones originales y no correspondieron a cálculos adicionales del presente
estudio (Boussioux et al., 2024; Dell’Acqua et al., 2026; Vaccaro et al., 2024) (Autores, 2026).
El patrón agregado mostró diferencias más pronunciadas cuando se modificó el
criterio de comparación del desempeño. Los sistemas humano-IA superaron al
humano solo con un efecto de Hedges g = 0,64, t(98) = 11,87, p < ,001 e IC 95 %
[0,53, 0,74]; sin embargo, al compararlos con el mejor resultado alcanzado por el
humano o la IA de manera independiente, el efecto fue negativo, g = −0,23, t(92) =
−2,89, p = ,005 e IC 95 % [−0,39, −0,07] (Vaccaro et al., 2024). La heterogeneidad
alcanzó I² = 93,8 % para aumentación y I² = 97,7 % para sinergia. El tipo de tarea
también diferenció los resultados: las tareas de decisión registraron g = −0,27, p =
,002, mientras las tareas de creación alcanzaron g = 0,19, p = ,180, con una diferencia
entre categorías de F(1,104) = 7,84, p = ,006 (Vaccaro et al., 2024).
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 602
Artículo Científico
La configuración específica del trabajo humano-IA también se relacionó con
diferencias en creatividad, valor y eficiencia de los productos generados. Boussioux
et al. (2024) analizaron 234 soluciones, evaluadas por 300 jueces externos y
representadas en 3.900 pares evaluador-solución; frente a la multitud humana, las
soluciones humano-IA obtuvieron menor novedad (b = −0,140, p < ,001), pero mayor
viabilidad estratégica (b = 0,088, p = ,016), valor ambiental (b = 0,160, p < ,001), valor
financiero (b = 0,143, p < ,001) y calidad global (b = 0,101, p = ,002). Dentro de las
modalidades humano-IA, la interacción iterativa con una única instancia alcanzó
mayor calidad que la multitud humana (b = 0,159, p < ,001), mientras la modalidad de
múltiples instancias independientes no mostró diferencia significativa en calidad (b =
0,049, p = ,165). Asimismo, las soluciones de la multitud humana requirieron 2.520
horas y US$2.555, frente a 5,5 horas y US$27,01 para las soluciones humano-IA
finales (Boussioux et al., 2024).
El desempeño observado durante la interacción con IA tampoco se mantuvo
necesariamente cuando los participantes regresaron al trabajo independiente. En el
cuarto experimento de Wu et al. (2025), con 1.624 participantes, la primera tarea
produjo textos de M = 157,30 palabras (DE = 67,34) bajo colaboración con IA frente a
M = 92,58 (DE = 49,00) bajo trabajo individual, t(1458,77) = 22,10, p < ,001 y d = 1,10;
el contenido analítico también fue mayor, M = 77,07 frente a 69,86, d = 0,38, p < ,001.
En la tarea independiente posterior, quienes previamente habían colaborado con IA
produjeron M = 81,77 palabras frente a M = 88,47 del grupo que trabajó
individualmente en ambas tareas, p = ,048, sin diferencias significativas posteriores
en contenido analítico ni tono positivo. En conjunto, las configuraciones examinadas
registraron mejoras claras frente al trabajo individual durante la asistencia de IA, pero
el patrón colectivo varió según la composición del sistema, la tarea, el criterio de
desempeño y la continuidad de la colaboración (Wu et al., 2025; Vaccaro et al., 2024).
4. Discusión
El estudio analiza cómo las estrategias de colaboración evolucionan desde el uso
individual de la IA hacia configuraciones de inteligencia colectiva y qué indicadores
permiten distinguir la simple asistencia tecnológica de una integración colaborativa
más compleja. Los hallazgos sugieren que esta transición no constituye una
progresión automática: aunque la combinación humano-IA supera al desempeño
humano aislado con un efecto agregado de g = 0,64, no alcanza de forma general una
sinergia frente al mejor agente disponible, donde el efecto desciende a g = −0,23
(Vaccaro et al., 2024). Esta diferencia resulta central porque indica que incrementar
productividad individual no equivale necesariamente a desarrollar inteligencia
colectiva, distinción que responde directamente a la brecha formulada en el artículo.
La evidencia sobre mejoras cercanas al 40 % en tiempo y 18 % en calidad con
asistencia individual converge con esta interpretación al demostrar un aumento
operativo importante sin probar, por sí mismo, coordinación colectiva (Noy & Zhang,
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 603
Artículo Científico
2023). A su vez, el rendimiento cercano al 10,2 % por encima de la condición individual
sin IA registrado en equipos aumentados confirma que la tecnología puede integrarse
productivamente en estructuras grupales (Herrera-Sánchez & Casanova-Villalba,
2024), aunque la ausencia de diferencias promedio significativas respecto de
individuos asistidos por IA impide atribuir esa mejora exclusivamente al trabajo
colectivo (Dell’Acqua et al., 2026). En consecuencia, los resultados parecen indicar
que la inteligencia colectiva depende menos de la mera presencia de IA que de la
forma en que se distribuyen funciones, conocimientos, decisiones y mecanismos de
coordinación dentro del sistema humano-IA (Piedra-Castro et al., 2024).
Esta interpretación adquiere mayor consistencia al contrastar las diferentes
configuraciones identificadas, ya que la evidencia muestra simultáneamente
convergencias y tensiones entre productividad, complementariedad y diversidad. Los
resultados de Wu et al. (2025) coinciden con Noy y Zhang (2023) al mostrar mejoras
sustanciales durante la interacción con IA, pero también revelan que parte de esa
ventaja no permanece cuando el participante vuelve a trabajar independientemente,
lo que sugiere que el desempeño aumentado puede depender de la continuidad de la
asistencia. Del mismo modo, Boussioux et al. (2024) muestran que las soluciones
humano-IA alcanzan mayor calidad global, viabilidad estratégica y valor financiero con
una reducción pronunciada de recursos —de 2.520 horas y US$2.555 a 5,5 horas y
US$27,01—, aunque presentan menor novedad, patrón compatible con la tensión
entre mejora individual y reducción de diversidad colectiva documentada por Doshi y
Hauser (2024). La elevada heterogeneidad observada para aumentación (I² = 93,8 %)
y sinergia (I² = 97,7 %) refuerza esta lectura, pues los resultados varían
considerablemente según el tipo de tarea y la configuración adoptada (Vaccaro et al.,
2024). Además, que más del 95 % de los sistemas analizados mantenga al humano
como decisor final y que solo tres experimentos examinen una delegación explícita de
subtareas evidencia que gran parte de la literatura todavía estudia IA que asiste a
personas, antes que sistemas verdaderamente distribuidos de inteligencia colectiva
(Vaccaro et al., 2024). Por ello, la transición conceptual hacia máquinas como
integrantes del equipo planteada por Seeber et al. (2020) y retomada por Cui y Yasseri
(2024) encuentra respaldo parcial en la evidencia, pero continúa mostrando un
desarrollo empírico desigual.
El aporte de estos hallazgos consiste también en proponer que la colaboración
humano-IA debe medirse como una estructura multidimensional y no únicamente
mediante productividad, precisión o cantidad de contenido producido. La configuración
de actores, la distribución de roles, la integración de perspectivas, la retención de
aportes de IA, la expresividad social y la diferencia entre aumentación y sinergia
permiten describir con mayor precisión cuándo un sistema se aproxima a una forma
de inteligencia colectiva (Cui & Yasseri, 2024; Dell’Acqua et al., 2026). Esta distinción
resulta particularmente pertinente para América Latina, donde la adopción tecnológica
contrasta con una inversión equivalente a solo 1,12 % del total mundial en IA, mientras
alrededor del 90 % de la capacidad regional de supercomputación se concentra en
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 604
Artículo Científico
Brasil y aproximadamente el 68 % de los investigadores se localiza entre Brasil y
México (CEPAL, 2026). Desde una perspectiva práctica, los resultados sugieren que
organizaciones e instituciones no deberían utilizar el número de herramientas
adoptadas como indicador suficiente de madurez colaborativa, especialmente cuando
el nivel regional de uso responsable de IA se sitúa en 2,9 sobre 5 (Cruz et al., 2025).
La evaluación podría incorporar, en cambio, indicadores observables de
complementariedad, distribución de responsabilidades, diversidad de aportes y
calidad del resultado conjunto, manteniendo supervisión humana sobre los
procedimientos automatizados de medición. De esta manera, el marco utilizado aporta
una vía metodológica para distinguir entre digitalización del trabajo individual,
aumentación mediante IA e inteligencia colectiva, sin asumir relaciones causales que
el diseño documental y exploratorio no permite establecer (Morgan, 2022; Saldaña,
2025).
La interpretación de estos patrones requiere, sin embargo, cautela porque el estudio
se apoya en un corpus documental seleccionado por pertinencia entre 2021 y 2026 y
no en una muestra probabilística de equipos u organizaciones latinoamericanas, por
lo que sus categorías no permiten estimar prevalencias regionales ni generalizar los
resultados estadísticamente (Morgan, 2022). Los valores cuantitativos proceden de
investigaciones con diseños, tareas, tecnologías y criterios de desempeño distintos,
circunstancia especialmente relevante ante la elevada heterogeneidad informada por
Vaccaro et al. (2024), mientras la ausencia de una frecuencia documental completa
por categoría limita la posibilidad de establecer qué estrategia predomina en el corpus.
Asimismo, el uso auxiliar de IA para clasificar y relacionar fragmentos mantiene
supervisión humana, pero la interpretación continúa dependiendo de las categorías
deductivas, de la calidad del material recuperado y de las decisiones de codificación,
aspectos que requieren trazabilidad para preservar credibilidad y confirmabilidad
(Saldaña, 2025; UNESCO, 2021). Estas restricciones orientan futuras investigaciones
hacia estudios longitudinales y experimentales realizados específicamente en
contextos latinoamericanos, con comparaciones entre tipos de tarea, composición de
equipos, niveles de delegación, diversidad cognitiva y permanencia del desempeño
después de retirar la asistencia de IA; también resulta pertinente contrastar métricas
de aumentación con indicadores estrictos de sinergia colectiva (Wu et al., 2025;
Vaccaro et al., 2024). Tales estudios podrían determinar bajo qué condiciones la
eficiencia individual se transforma efectivamente en capacidad colectiva y cuándo, por
el contrario, aparecen dependencia, homogeneización o pérdida de diversidad. Así, la
contribución central del presente trabajo reside en mostrar que la evolución desde el
uso individual hacia la inteligencia colectiva no se explica por incorporar más IA, sino
por cómo se configura y mide la complementariedad entre humanos y sistemas
artificiales, conectando en un mismo marco la asistencia individual, la organización de
la interacción y el desempeño colectivo (Cui & Yasseri, 2024; Dell’Acqua et al., 2026).
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 605
Artículo Científico
5. Conclusiones
Los resultados permiten concluir que la evolución desde el uso individual de
inteligencia artificial hacia configuraciones de inteligencia colectiva no depende
únicamente de incorporar IA a una tarea, sino de la manera en que se estructuran la
interacción, la distribución de funciones y la complementariedad entre participantes
humanos y sistemas artificiales (Cubero-Chango & Terán-Carrillo, 2025). El análisis
evidencia una progresión desde la asistencia individual y la interacción iterativa hasta
configuraciones híbridas y equipos humano-IA, aunque esta trayectoria no constituye
una secuencia universal ni garantiza por sí misma mejores resultados colectivos. La
evidencia agregada muestra que la colaboración humano-IA tiende a superar al
desempeño humano individual, pero no alcanza de manera general una superioridad
frente al mejor agente disponible, lo que permite diferenciar aumentación de verdadera
sinergia colectiva. En este sentido, el rendimiento aproximado de 10,2 % por encima
de la condición individual sin IA observado en equipos aumentados representa una
mejora relevante, pero debe interpretarse dentro de la configuración y tarea
estudiadas. En conjunto, el objetivo general se cumple al mostrar que la inteligencia
colectiva emerge de configuraciones específicas de colaboración y no de la simple
acumulación de capacidades individuales asistidas tecnológicamente.
La integración de los objetivos específicos evidencia, además, que las estrategias
pudieron distinguirse mediante indicadores relacionados con la configuración de
actores, los mecanismos de coordinación, la función atribuida a la IA, la integración
de conocimientos y el desempeño conjunto (Farfán-Muñoz, 2025). Se observa que el
paso desde una asistencia centrada en la productividad hacia formas colaborativas
más complejas estuvo acompañado por una ampliación de los criterios de evaluación,
incorporándose elementos como delegación, complementariedad, diversidad de
aportes, retención de contenido y calidad colectiva. Los hallazgos también muestran
que la composición del sistema y el tipo de tarea modificaron el patrón de desempeño,
debido a que las tareas creativas presentaron condiciones comparativamente más
favorables que las decisiones estructuradas para alcanzar complementariedad
humano-IA. Asimismo, la permanencia del desempeño después de retirar la asistencia
tecnológica no resultó uniforme, lo cual sugiere que una mejora durante la interacción
no debe equipararse automáticamente con una capacidad humana adquirida o
transferible. En consecuencia, los objetivos específicos convergen en una misma
evidencia: la inteligencia colectiva requiere observar simultáneamente quién participa,
cómo se distribuye el trabajo, cómo se integra la IA y qué resultado produce el sistema
completo.
A partir de estos hallazgos, el aporte principal del estudio reside en ofrecer una lectura
multidimensional de la colaboración humano-IA que permite superar el criterio limitado
de medir únicamente velocidad, volumen de producción o calidad individual. La
diferenciación entre asistencia, interacción iterativa, sistema híbrido e integración de
IA en equipos proporciona un marco analítico útil para estudiar cómo las
organizaciones pueden desplazarse desde una adopción instrumental hacia
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 606
Artículo Científico
configuraciones orientadas a la generación conjunta de conocimiento (Naranjo-Padilla
et al., 2024). Esta perspectiva adquiere particular relevancia para América Latina,
donde la expansión del uso de IA convive con diferencias sustanciales en
infraestructura, talento especializado, inversión y madurez institucional. Por ello, la
medición de inteligencia colectiva mediante indicadores de participación,
coordinación, complementariedad y desempeño podría ofrecer una base más precisa
para evaluar la madurez colaborativa que la simple disponibilidad o frecuencia de uso
de herramientas de IA. El estudio aporta así un criterio conceptual y metodológico para
distinguir entre digitalización individual, aumentación tecnológica e inteligencia
colectiva, manteniendo la supervisión humana como elemento central de evaluación
y gobernanza.
De acuerdo con el alcance exploratorio y documental de la investigación, resulta
recomendable que futuros estudios contrasten estas configuraciones mediante
diseños empíricos aplicados específicamente a organizaciones y equipos
latinoamericanos, incorporando diversidad sectorial, composición de los grupos y
distintos niveles de experiencia con IA. También convendría examinar
longitudinalmente si las mejoras observadas durante la colaboración permanecen
cuando disminuye o desaparece la asistencia tecnológica, así como determinar qué
distribuciones de tareas favorecen complementariedad sin incrementar dependencia
o homogeneización. La evaluación futura debería diferenciar de manera explícita entre
aumentación del rendimiento individual y sinergia colectiva, incluyendo indicadores de
diversidad cognitiva, coordinación, calidad de las decisiones y estabilidad del
desempeño. Asimismo, sería pertinente ampliar la medición automatizada de patrones
colaborativos bajo protocolos transparentes y supervisados que permitan conservar
trazabilidad, responsabilidad y control humano sobre la interpretación. Con ello, la
contribución central de esta investigación se proyecta hacia la identificación de las
condiciones bajo las cuales la IA deja de funcionar únicamente como herramienta
individual y pasa a integrarse responsablemente en sistemas capaces de producir
valor colectivo.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Almenaba-Guerrero, Y. F., & Herrera-Sánchez, M. J. (2022). Diversidad e inclusión en
el lugar de trabajo: Prácticas en Ecuador liderazgo y cultura organizacional.
Revista Científica Zambos, 1(1), 69–85. https://doi.org/10.69484/rcz/v1/n1/22
Barahona-Martínez, G. E., Gallardo-Chiluisa, N. N., Quisaguano-Caiza, Y. E.,
Jiménez-Rivas, D. E., Caicedo-Basurto, R. L., Guanotuña-Yaulema, J. A.,
Flores-Cruz, P. L., & Guevara-Hernández, D. M. (2024). Inteligencia artificial en
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 607
Artículo Científico
la educación: Avances y desafíos multidisciplinarios. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.101
Boussioux, L., Lane, J. N., Zhang, M., Jacimovic, V., & Lakhani, K. R. (2024). The
crowdless future? Generative AI and creative problem-solving. Organization
Science, 35(5), 1589–1607. https://doi.org/10.1287/orsc.2023.18430
Clavijo-Cáceres, J. L., Hurtado-Guevara, R. F., Casanova-Villalba, C. I., & Estefano-
Almeida, M. A. (2024). El impacto de la inteligencia artificial en decisiones
administrativas basado en revisión de literatura científica. Multidisciplinary
Collaborative Journal, 2(1), 39–51. https://doi.org/10.70881/mcj/v2/n1/30
Colina-Vargas, A. M., Espinoza-Mina, M. A., & Silva-Garcés, J. F. (2024). Dinámicas
y tendencias de la ciencia ciudadana en América Latina y el Caribe: Un análisis
bibliométrico y temático. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.92
Comisión Económica para América Latina y el Caribe (CEPAL). (2026). Índice
Latinoamericano de Inteligencia Artificial (ILIA) 2025: Hallazgos principales, IA
aplicada y talento humano. Naciones Unidas.
https://www.cepal.org/es/publicaciones/86007-indice-latinoamericano-
inteligencia-artificial-ilia-2025-hallazgos-principales
Concha-Ramirez, J. A., & Navarrete-Ortiz, J. del C. (2023). Ética empresarial y
responsabilidad social en la inteligencia artificial. Revista Científica Ciencia y
Método, 1(3), 31–44. https://doi.org/10.55813/gaea/rcym/v1/n3/18
Creswell, J. W., & Poth, C. N. (2024). Qualitative inquiry and research design:
Choosing among five approaches (5th ed.). SAGE Publications.
https://us.sagepub.com/en-us/nam/qualitative-inquiry-and-research-
design/book266033
Cruz, A., Mora, R., Andonova, V., Rosales Torres, C. S., Carrasco, C., & Castillo
Leska, A. (2025). fAIr Tech Radar: Explorando la adopción de inteligencia
artificial en América Latina y el Caribe. Banco Interamericano de Desarrollo.
https://doi.org/10.18235/0013837
Cubero-Chango, C. A., & Terán-Carrillo, L. F. (2025). Factores claves para impulsar
la colaboración en actividades de innovación en las empresas PYMEs. Journal
of Economic and Social Science Research, 5(3), 114–129.
https://doi.org/10.55813/gaea/jessr/v5/n3/209
Cui, H., & Yasseri, T. (2024). AI-enhanced collective intelligence. Patterns, 5(11),
101074. https://doi.org/10.1016/j.patter.2024.101074
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y.,
Goldman, J., Nair, H., Taub, S., & Lakhani, K. R. (2026). The cybernetic
teammate: A field experiment on generative AI and teamwork. Organization
Science, 37(4), 1217–1242. https://doi.org/10.1287/orsc.2025.20702
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but
reduces the collective diversity of novel content. Science Advances, 10(28),
eadn5290. https://doi.org/10.1126/sciadv.adn5290
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 608
Artículo Científico
Erazo-Luzuriaga, A. F., Boné-Andrade, M. F., & Borja-Almeida, L. G. (2024).
Inteligencia artificial y automatización de procesos en la transformación digital
empresarial. Revista Científica Enfoques Del Conocimiento, 1(1), 56–72.
https://doi.org/10.55813/gaea/revistacec/v1/n1/10
Farfán-Muñoz, I. R. (2025). Gestión del conocimiento y desempeño organizacional en
la Facultad de Ingeniería de una universidad peruana. Journal of Economic and
Social Science Research, 5(4), 105–118.
https://doi.org/10.55813/gaea/jessr/v5/n4/220
Galarza-Sánchez, P. C., Boné-Andrade, M. F., & Pinargote-Bravo, V. J. (2023).
Aplicaciones de inteligencia artificial generativa en la transformación digital
empresarial. Revista Científica Ciencia y Método, 1(1), 28–41.
https://doi.org/10.55813/gaea/rcym/v1/n1/8
Gmyrek, P., Winkler, H., & Garganta, S. (2024). Buffer or bottleneck? Employment
exposure to generative AI and the digital divide in Latin America (ILO Working
Paper No. 121). International Labour Organization & World Bank.
https://doi.org/10.54394/TFZY7681
Herrera-Sánchez, M. J., & Casanova-Villalba, C. I. (2024). Inteligencia artificial y su
impacto en la transformación de la gestión financiera. Space Scientific Journal
of Multidisciplinary, 2(1), 52–64. https://doi.org/10.63618/omd/ssjm/v2/n1/43
López-Sánchez, J. A., Morales-Chincha, J. A., Echeverri-Ocampo, C. D., &
Hernández-Ortiz, J. (2025). Articulación universidad, empresa y Estado en
ecosistemas de ciencia, tecnología e innovación: Revisión sistemática con
metodología PRISMA. Journal of Economic and Social Science Research, 5(3),
28–47. https://doi.org/10.55813/gaea/jessr/v5/n3/201
Maldonado-Nova, V. (2022). El rol del talento humano en la transformación digital de
las empresas ecuatorianas. Revista Científica Zambos, 1(2), 34–50.
https://doi.org/10.69484/rcz/v1/n2/26
Morgan, H. (2022). Conducting a qualitative document analysis. The Qualitative
Report, 27(1), 64–77. https://doi.org/10.46743/2160-3715/2022.5044
Naeem, M., Ozuem, W., Howell, K., & Ranfagni, S. (2023). A step-by-step process of
thematic analysis to develop a conceptual model in qualitative research.
International Journal of Qualitative Methods, 22.
https://doi.org/10.1177/16094069231205789
Naranjo-Padilla, M. I., Herrera-Sánchez, M. J., & Coello-Panchana, A. J. (2024).
Análisis bibliográfico del impacto de la transformación digital y tecnologías
emergentes en la contabilidad actual. Multidisciplinary Collaborative Journal,
2(1), 52–64. https://doi.org/10.70881/mcj/v2/n1/31
Nguyen, A., Hong, Y., Dang, B., & Huang, X. (2024). Human-AI collaboration patterns
in AI-assisted academic writing. Studies in Higher Education, 49(5), 847–864.
https://doi.org/10.1080/03075079.2024.2323593
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of
generative artificial intelligence. Science, 381(6654), 187–192.
https://doi.org/10.1126/science.adh2586
Revista Científica Ciencia y Método | Vol.04 | Núm.03 | Jul–Sep | 2026 | www.revistacym.com pág. 609
Artículo Científico
Saldaña, J. (2025). The coding manual for qualitative researchers (5th ed.). SAGE
Publications. https://www.sagepub.com/shop/buy-a-book/the-coding-manual-
for-qualitative-researchers-5-287917
Santander-Salmon, E. S., Herrera-Sánchez, M. J., & Bravo-Bravo, I. F. (2023). La
importancia de la digitalización en la administración empresarial mediante un
análisis bibliográfico actualizado. Multidisciplinary Collaborative Journal, 1(2),
39–51. https://doi.org/10.70881/mcj/v1/n2/15
Seeber, I., Bittner, E., Briggs, R. O., de Vreede, T., de Vreede, G.-J., Elkins, A., Maier,
R., Merz, A. B., Oeste-Reiß, S., Randrup, N., Schwabe, G., & Söllner, M. (2020).
Machines as teammates: A research agenda on AI in team collaboration.
Information & Management, 57(2), 103174.
https://doi.org/10.1016/j.im.2019.103174
Torres-Galves, G. D., Gruezo-Realpe, M. S., & Borja-Almeida, L. G. (2024). Impacto
del big data en la toma de decisiones estratégicas empresariales. Revista
Científica Enfoques Del Conocimiento, 1(3), 42–60.
https://doi.org/10.55813/gaea/revistacec/v1/n3/19
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. United
Nations Educational, Scientific and Cultural Organization.
https://unesdoc.unesco.org/ark:/48223/pf0000381137
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans
and AI are useful: A systematic review and meta-analysis. Nature Human
Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010).
Evidence for a collective intelligence factor in the performance of human groups.
Science, 330(6004), 686–688. https://doi.org/10.1126/science.1193147
Wu, S., Liu, Y., Ruan, M., Chen, S., & Xie, X.-Y. (2025). Human-generative AI
collaboration enhances task performance but undermines human’s intrinsic
motivation. Scientific Reports, 15, 15105. https://doi.org/10.1038/s41598-025-
98385-2