El síndrome del impostor tecnológico. Somos todos a la vez

Hoy toca hablar de una sensación que casi todos los que usamos IA en el trabajo tenemos y casi nadie confiesa: la de firmar algo que no has hecho del todo. Mi tesis es que el viejo síndrome del impostor, que era cosa de unos pocos, se está convirtiendo en el estado normal de una oficina. ¿Pero es eso un síndrome, o simplemente es lucidez? Ahí empiezan mis dudas. Lo mío con la IA viene de 2005, con un lenguaje que se llamaba Prolog, y aun así no sé si lo que ha cambiado desde entonces es la herramienta o somos nosotros.

Un cuadro clínico de 1978

En 1978 Pauline Clance y Suzanne Imes publicaron en Psychotherapy. Theory, Research and Practice un artículo titulado The Imposter Phenomenon in High Achieving Women. Describían mujeres con currículos sobresalientes que vivían convencidas de que su éxito era un fraude: habían tenido suerte, habían engañado al tribunal, alguien acabaría dándose cuenta. En la formulación original el fenómeno era individual y era minoritario. El impostor se recortaba contra un fondo de gente que sí merecía lo que tenía.

Cuarenta años después, la etiqueta se ha estirado tanto que cuesta saber qué mide. Una revisión sistemática de Dena Bravata y colaboradores en el Journal of General Internal Medicine (2020) reunió 62 estudios con más de 14.000 participantes y encontró prevalencias que iban del 9 % al 82 %, según el cuestionario y el punto de corte. Cuando un mismo concepto da cifras tan dispares, el problema no está solo en la gente encuestada.

Lo que dicen los programadores y los consejeros delegados

Con esa cautela, los datos recientes apuntan a algo extendido. Paloma Guenes, Margaret-Anne Storey y otros tres autores encuestaron a 624 ingenieros de software para un trabajo presentado en ICSE-SEIS 2024, en Lisboa. El 52,7 % vivía el fenómeno con frecuencia o intensidad altas; las mujeres más (60,6 %) que los hombres (48,8 %). Es el sector donde la IA generativa entró antes y más a fondo.

Korn Ferry, en su informe Workforce 2024, encuestó a más de 10.000 empleados, entre ellos 400 consejeros delegados. El 71 % de los de Estados Unidos decía sentir síntomas del síndrome, frente a un 33 % de los profesionales que empiezan. Es una encuesta de consultora, sin revisión por pares, y la misma encuesta recoge que el 85 % de esos consejeros se considera plenamente competente. Sentirse impostor y sentirse capaz, a la vez. Eso ya debería hacernos sospechar de la palabra.

Dónde encaja la IA

Mi intuición es que la IA ha añadido una variante nueva: la opacidad funcional. Manejas un instrumento cuyo funcionamiento interno no conoces, en un entorno donde todo el mundo aparenta saber cómo funciona, y produces con él resultados que llevan tu firma.

Tres escenas, todas corrientes en 2026. Una redactora entrega un texto que generó un modelo y en el que cambió cinco palabras; si su editora le pidiera justificar cada párrafo, no podría. Un programador acepta una función propuesta por un agente de código, pasa los tests y va a producción; cuando falle dentro de tres meses, ¿sabrá depurarla? Un consultor entrega una presentación con gráficos y resumen hechos por la máquina, la firma y la cobra. ¿Por qué exactamente?

Un dato de METR, un laboratorio independiente de evaluación, ilustra lo resbaladiza que es la autopercepción en este terreno. En un ensayo aleatorizado con 16 programadores veteranos de código abierto y 246 tareas reales, entre febrero y junio de 2025, los que usaban IA tardaron un 19 % más. Ellos creían haber ido un 20 % más rápido. Ojo, que METR dio por superado ese resultado en febrero de 2026: con herramientas más nuevas el efecto parece haberse dado la vuelta, y no lo pudo medir bien porque entre un 30 % y un 50 % de los programadores se negaba a hacer parte de su trabajo sin IA. Un momento. Esa negativa también es un dato. Cuando ya no quieres trabajar sin la herramienta, la pregunta de qué sabes hacer tú solo se vuelve incómoda.

La paradoja del experto, con letra pequeña

El original de este artículo se apoyaba mucho en el efecto Dunning-Kruger. Justin Kruger y David Dunning publicaron en 1999 Unskilled and Unaware of It: los menos competentes sobrestiman su competencia y los más competentes tienden a infraestimarla, porque ven mejor el mapa de lo que ignoran. Aplicado a la IA, quedaba redondo: quien no entiende un modelo de lenguaje lo usa sin inquietud; quien entiende sus modos de fallo lo usa con la mosca detrás de la oreja.

La letra pequeña es que el efecto está en discusión. Gilles Gignac y Marcin Zajenkowski argumentaron en Intelligence (2020) que buena parte de él es un artefacto estadístico, regresión a la media mezclada con un sesgo general a creernos por encima de la media. Una réplica de 2023 en la misma revista sostiene que, con los métodos estadísticos adecuados, el efecto sigue apareciendo. La discusión está abierta, y la versión de taza de café que circula por las redes no la ha ganado nadie. Me quedo con la versión modesta: saber más de un campo hace más visible lo que no sabes. Eso basta para el argumento, y no hace falta inflarlo.

El abogado de la máquina

Hay una objeción seria a todo lo anterior y merece su espacio, porque la sostiene gente que piensa bien.

Dice así: nadie ha entendido nunca del todo sus herramientas. El programador de 1995 no sabía qué hacía el compilador con su código; el de 2015 no sabía qué hacía la librería que importaba; el médico interpreta una resonancia sin saber reconstruir la física del imán. Toda la civilización técnica funciona sobre capas de abstracción que delegan confianza. Llamar impostura a eso es confundir la división del trabajo con un fraude. Lo que se cobra no es haber hecho cada pieza, sino responder del resultado.

La objeción tiene además apoyo empírico. Ruchika Tulshyan y Jodi-Ann Burey publicaron en Harvard Business Review (2021) un texto muy leído, Stop Telling Women They Have Imposter Syndrome, que sostiene que la etiqueta individualiza problemas que son del entorno. Y un estudio de 2026 en el International Journal of Human–Computer Interaction (Cipriani, Menicucci, Greco y Grassini), que construyó una escala para medir vergüenza, culpa e impostura ligadas al uso de IA, encontró que la sensación de impostor baja con la frecuencia de uso. Quien la usa mucho se siente menos impostor. Leído así, el malestar sería de transición: lo siente quien está a medio camino, y se pasa con la costumbre, como se pasó con la calculadora.

Mi respuesta, que no es una refutación completa

Acepto la mitad. Las capas de abstracción son viejas y no son fraude. El compilador, la librería y la resonancia tienen una propiedad que el modelo de lenguaje no tiene: hacen lo mismo cada vez y alguien puede explicar por qué. Cuando fallan, fallan de forma localizable. La opacidad de un modelo generativo es de otra clase, porque el mismo encargo produce resultados distintos y nadie, ni quien lo entrenó, puede reconstruir por qué salió esa frase y no otra.

Y lo de que la impostura baja con el uso no me tranquiliza. Me inquieta. Puede significar que aprendemos a usar bien la herramienta, o puede significar que dejamos de notar la distancia entre lo que firmamos y lo que sabemos hacer. El estudio es transversal y no distingue entre las dos cosas. Yo sospecho que pasa un poco de cada, y que la segunda no se ve.

Lo que deja de pretenderse

Nicholas Carr, en The Glass Cage (2014), describió el problema con los pilotos de aviación. El piloto moderno no vuela menos, vuela distinto: su pericia es vigilar un sistema automático y saber intervenir cuando falla. Esa pericia solo se entrena cuando el sistema falla, y el sistema falla poco. Cien horas de vuelo, diez minutos de aprendizaje.

Trasladado a la oficina, el redactor, la programadora y el consultor ya no producen desde cero: supervisan. La supervisión es una habilidad real y difícil, pero se ejercita poco. Lo que el síndrome del impostor tecnológico detecta, creo, es exactamente esa grieta. No la sensación de no merecer el logro, que era lo de Clance e Imes, sino la conciencia, a medias, de que no se está entrenando aquello por lo que se cobra.

Y si todos los de un equipo la sienten a la vez, la categoría se disuelve. Impostor deja de significar algo cuando legítimo se queda sin referente. Lo cual no es liberador. Es una pregunta que nadie ha hecho en voz alta en la reunión del lunes.

Definiciones

• Síndrome del impostor (impostor phenomenon): patrón descrito por Pauline Clance y Suzanne Imes (1978) que consiste en la convicción persistente, no justificada por los hechos, de que los propios logros son fraudulentos y serán descubiertos.
• Opacidad funcional: situación en la que alguien opera un sistema sin acceso comprensible a su lógica interna y depende del resultado sin poder inspeccionar el proceso.
• Efecto Dunning-Kruger: tendencia, descrita en 1999 y hoy discutida en su magnitud, según la cual las personas con poca competencia sobrestiman su desempeño y las muy competentes lo infraestiman.
• Descualificación (deskilling): proceso por el que una habilidad profesional se atrofia o se transforma al delegarse en un sistema automatizado.

Referencias

• Clance, P. R. & Imes, S. — The Imposter Phenomenon in High Achieving Women. Dynamics and therapeutic intervention. Psychotherapy. Theory, Research and Practice 15(3), 241-247 (1978).
• Bravata, D. M. et al. — Prevalence, Predictors, and Treatment of Impostor Syndrome. A Systematic Review. Journal of General Internal Medicine 35, 1252-1275 (2020).
• Guenes, P., Tomaz, R., Kalinowski, M., Baldassarre, M. T. & Storey, M.-A. — Impostor Phenomenon in Software Engineers. ICSE-SEIS 2024, Lisboa. DOI 10.1145/3639475.3640114.
• Korn Ferry — 71% of U.S. CEOs Experience Imposter Syndrome (nota de prensa sobre Workforce 2024, junio de 2024). Encuesta corporativa.
• METR — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (julio de 2025) y We are Changing our Developer Productivity Experiment Design (24 de febrero de 2026).
• Kruger, J. & Dunning, D. — Unskilled and Unaware of It. Journal of Personality and Social Psychology 77(6), 1121-1134 (1999).
• Gignac, G. E. & Zajenkowski, M. — The Dunning-Kruger effect is (mostly) a statistical artefact. Valid approaches to testing the hypothesis with individual differences data. Intelligence 80 (2020).
• Dunkel, C. S. et al. — Reevaluating the Dunning-Kruger effect. A response to and replication of Gignac and Zajenkowski (2020). Intelligence 96 (2023).
• Tulshyan, R. & Burey, J.-A. — Stop Telling Women They Have Imposter Syndrome. Harvard Business Review, 11 de febrero de 2021.
• Cipriani, E., Menicucci, D., Greco, A. & Grassini, S. — Emotional Responses to AI Use. Development of the SAG-AI Scale for Shame and Guilt. International Journal of Human–Computer Interaction (2026). DOI 10.1080/10447318.2026.2648803.
• Carr, N. — The Glass Cage. Automation and Us (Norton, 2014).

Para profundizar

• Vallor, S. — Technology and the Virtues. A Philosophical Guide to a Future Worth Wanting (Oxford University Press, 2016). Su reflexión sobre la descualificación moral extiende la lógica de Carr: con la automatización no solo se atrofia la destreza técnica, también el juicio práctico.

## También te interesa - La ilusión de aprendizaje - La erosión del criterio propio - Ignorancia funcional - La caja negra como norma - Extinción de habilidades humanas

## En otros sitios - Korn Ferry — 71% of U.S. CEOs Experience Imposter Syndrome - METR — We are Changing our Developer Productivity Experiment Design - Guenes et al. — Impostor Phenomenon in Software Engineers (texto completo, PUC-Rio)