En resumen. La reunión de 2026 tiene un nuevo participante: una respuesta de IA pegada en el documento compartido antes de que nadie haya pensado. Cuando el equipo converge en ella, se suman dos sesgos bien documentados. El sesgo de automatización hace que las personas sigan la sugerencia de una máquina, y la conformidad social hace que se sigan entre sí. El coste es medible. En un experimento de campo prerregistrado con 758 consultores de Boston Consulting Group, quienes usaron GPT-4 en una tarea situada deliberadamente fuera de la competencia de la IA acertaron el 60 % y el 70 % de las veces, frente al 84,5 % de los consultores que trabajaron sin IA, una caída media de 19 puntos porcentuales. En un experimento publicado en Radiology, cuando una supuesta IA sugería la categoría equivocada, la precisión de los radiólogos sin experiencia cayó del 79,7 % al 19,8 %. La buena noticia procede del estudio más antiguo de este artículo: en los experimentos de conformidad de Solomon Asch, los sujetos cedieron ante una mayoría equivocada en el 36,8 % de las selecciones, pero un solo compañero que decía la verdad redujo esa presión a una cuarta parte. A continuación: por qué coincidir con la IA parece seguro, por qué los abogados del diablo asignados rinden menos, un protocolo de cinco pasos para discrepar sin convertirte en el contestatario de la oficina, un guion y lo que los líderes deben cambiar para que la disidencia llegue de verdad a la decisión.
¿Por qué “todos coinciden con la IA” es un nuevo tipo de pensamiento de grupo?
El pensamiento de grupo clásico necesita una mayoría persuasiva. La versión de la era de la IA solo necesita un párrafo seguro de sí mismo que aparezca primero. Una vez que está en la pantalla, cada persona que le echa un vistazo y asiente añade peso social a una sugerencia de la máquina que nadie ha comprobado de forma independiente.
Dos líneas de investigación describen las dos mitades de este efecto, y rara vez se encuentran.
La primera es el sesgo de automatización. Una revisión sistemática de 2012 publicada en el Journal of the American Medical Informatics Association por Kate Goddard, Abdul Roudsari y Jeremy Wyatt lo definió como la tendencia a depender en exceso de la automatización. De 13.821 artículos recuperados, 74 cumplieron sus criterios de inclusión. Encontraron que el sesgo estaba mediado por factores del usuario, como la experiencia específica en la tarea, por la confianza en el sistema y por la presión del entorno: carga de trabajo, complejidad de la tarea y limitaciones de tiempo. Todos esos mediadores están presentes en una reunión de equipo ajetreada.
La segunda es la conformidad. En los experimentos de Asch, publicados en Scientific American en noviembre de 1955, 123 sujetos juzgaban cuál de tres líneas coincidía con una línea de referencia mientras estaban sentados entre cómplices que daban respuestas erróneas unánimes. Solas, las personas se equivocaban menos del 1 % de las veces. Bajo presión del grupo, aceptaron el juicio erróneo en el 36,8 % de las selecciones. Asch también descubrió que todos los sujetos que cedieron subestimaron la frecuencia con la que se habían conformado.
Si juntas ambas cosas, el mecanismo queda claro. La respuesta de la IA aporta la primera voz segura; los colegas que se someten a ella aportan la mayoría. Los datos de Asch muestran que la presión aumenta de forma pronunciada con solo unas pocas voces: con un único oponente, los sujetos erraban el 3,6 % de las veces; con dos, el 13,6 %; con tres, el 31,8 %; y a partir de ahí, mayorías más grandes añadían poco. Un equipo no necesita ser grande para que una respuesta de IA no comprobada adquiera el peso de una sala unánime. (Esa correspondencia entre una respuesta de máquina y la mayoría de Asch es nuestra interpretación, no algo que Asch pusiera a prueba.)
¿Qué dice la evidencia sobre seguir a la IA cuando se equivoca?
La palabra clave es “cuando”. La mayoría de los estudios encuentran que la asistencia de la IA ayuda de media. El daño se concentra en los casos en los que la IA se equivoca y la persona no lo nota, que es exactamente el caso que un discrepante existe para detectar.
Tabla 1. Qué ocurre cuando las personas se someten a una IA que se equivoca (datos verificados)
| Estudio | Contexto | Hallazgo clave verificado | Fuente |
|---|---|---|---|
| Dell’Acqua et al. (2023) | 758 consultores de BCG, experimento de campo prerregistrado | Dentro de la frontera de la IA: un 12,2 % más de tareas, un 25,1 % más rápido, más de un 40 % más de calidad. En una tarea diseñada para quedar fuera de ella: 84,5 % de aciertos sin IA frente al 60 % y el 70 % en las dos condiciones con IA, una caída media de 19 puntos porcentuales | Harvard Business School Working Paper 24-013 |
| Dratsch et al. (2023) | 27 radiólogos, 50 mamografías, una supuesta IA dio una categoría errónea en 12 | Las valoraciones correctas cayeron del 79,7 % al 19,8 % (sin experiencia), del 81,3 % al 24,8 % (experiencia moderada) y del 82,3 % al 45,5 % (mucha experiencia) cuando la IA se equivocaba | Radiology 307(4) |
| Doshi y Hauser (2024) | 293 escritores, 3.519 evaluaciones de 600 evaluadores | Las ideas de la IA hicieron más creativos los relatos individuales, pero los relatos asistidos por IA se parecían más entre sí; los relatos eran un 5,2 % y un 5,0 % más parecidos a la idea de la IA que los relatos solo humanos | Science Advances 10(28) |
| Sharma et al. (2024) | Cinco asistentes de IA, tareas de formato libre | Ante la pregunta “¿Estás seguro?”, los asistentes admitieron errores que no habían cometido en entre el 42 % (GPT-4) y el 98 % (Claude 1.3) de las preguntas; que un usuario sugiriera una respuesta errónea redujo la precisión hasta un 27 % | Ponencia en la conferencia ICLR 2024 |
Tres detalles de esta tabla importan a cualquiera que piense discrepar.
Primero, la experiencia ayuda, pero no inmuniza. En el estudio de Dratsch, los radiólogos más experimentados perdieron 36,8 puntos porcentuales de precisión cuando la IA se equivocaba, frente a 59,9 puntos de los menos experimentados (análisis de CEOtudent de los datos de Dratsch et al.). La veteranía reduce la caída; no la evita. Los autores concluyeron que los radiólogos de los tres niveles de experiencia eran propensos al sesgo de automatización.
Segundo, la tarea de Dell’Acqua se construyó de modo que la hoja de cálculo pareciera completa y la evidencia decisiva estuviera en las notas de entrevistas. La IA, alimentada con el mismo material, llegó a una conclusión que contradecía el panorama completo. Esa es la forma típica de un error de IA en el trabajo: un razonamiento fluido sobre los datos obvios que pasa por alto el detalle cualitativo al que una persona sí tenía acceso. Los autores también encontraron que el grupo que recibió una introducción a la ingeniería de prompts cayó más (24 puntos porcentuales en su regresión) que el grupo que solo usó GPT-4 (13 puntos). Enseñar a las personas a usar mejor la herramienta no les enseñó, por sí solo, cuándo desconfiar de ella.
Tercero, la convergencia es una característica del resultado, no solo de las personas. Doshi y Hauser encontraron que la IA generativa aumentaba la creatividad individual mientras estrechaba el rango colectivo, un patrón que describen como un dilema social. Tratamos ese mecanismo en profundidad en el efecto de homogeneización de la IA. En una reunión, significa que cuando cinco personas consultan cada una el mismo modelo, sus opiniones “independientes” no son independientes.
¿La respuesta es convertirse en el contestatario de la oficina?
No. Llevar la contraria por reflejo es un sesgo en sí mismo, y la investigación sobre la disidencia es concreta sobre lo que funciona.
Charlan Nemeth, de UC Berkeley, dedicó décadas a estudiar la influencia de las minorías. En una revisión de 2010 de su propio programa, resumió dos experimentos de 2001 que comparaban la disidencia auténtica con un abogado del diablo asignado. En el primero, un estudio de jurado simulado con grupos de cuatro, la postura y los argumentos del discrepante eran idénticos en todas las condiciones; la única diferencia era si a esa persona se le había pedido que hiciera de abogado del diablo. La disidencia auténtica produjo más pensamiento divergente, con personas que generaban nuevas ideas sobre ambos lados de la cuestión. La versión interpretada produjo menos y mostró lo que Nemeth llama “refuerzo cognitivo”: las personas generaban ideas que confirmaban su postura inicial. En el segundo estudio, las variantes de abogado del diablo no se diferenciaron entre sí, y ninguna igualó el efecto de la disidencia auténtica, que produjo soluciones más creativas.
Su conclusión es directa: discrepar por discrepar no es útil, y tampoco lo es la disidencia fingida. Lo que ayuda es la disidencia motivada por la búsqueda de la mejor respuesta.
Los datos de Asch aportan la otra mitad. Cuando un cómplice discrepaba de la mayoría pero daba una respuesta aún más alejada de la verdad, los errores de los sujetos bajaron al 9 %. Asch concluyó que la propia disidencia aumentaba la independencia. El discrepante no necesita tener razón para ser útil. Necesita romper la unanimidad, lo que da a todos los demás permiso para decir lo que realmente ven.
Esa combinación es el encargo de un contestatario productivo: sé sincero, sé concreto y apunta a romper un falso consenso en lugar de a ganar.
Para la disciplina que hay debajo, consulta la honestidad intelectual como ventaja competitiva. Estar dispuesto a equivocarte en público es lo que hace creíble un cuestionamiento.
¿Cuándo deberías cuestionar un consenso respaldado por la IA?
No toda respuesta de IA merece una pelea. La mayoría están bien, y un colega que lo discute todo gasta su credibilidad en las batallas equivocadas. Los hallazgos de Dell’Acqua sugieren que la pregunta no es “¿es buena la IA?”, sino “¿esta tarea está dentro o fuera de la frontera?”.
Tabla 2. Cuándo cuestionar: la comprobación de la frontera (marco editorial de CEOtudent)
| Señal | Inclínate por cuestionar | Inclínate por aceptar |
|---|---|---|
| Dónde está la evidencia decisiva | En un contexto que el modelo no vio o al que dio poco peso: entrevistas, llamadas con clientes, una visita in situ, una restricción no documentada | En los datos estructurados que se entregaron completos al modelo |
| Coste de equivocarse | Alto o difícil de revertir: un lanzamiento, una contratación, una decisión clínica o legal | Bajo y reversible: un borrador, una primera lista |
| Cómo se formó el consenso | Las personas leyeron la respuesta de la IA antes de formarse su propia opinión | Las personas se formaron una opinión primero y la IA la confirmó de forma independiente |
| Tu propia lectura | Escribiste una respuesta distinta antes de ver la de la IA | No tienes una opinión independiente, solo una sensación |
| Presión de tiempo | La decisión se precipita “porque el análisis ya está hecho” | Hay tiempo para una revisión normal |
| Homogeneidad | Todos consultaron el mismo modelo con prompts parecidos | Las opiniones vinieron de fuentes y métodos distintos |
Tres o más señales en la columna de la izquierda son un desencadenante razonable para plantear un cuestionamiento. Las filas se basan directamente en la evidencia: la primera, en el diseño de la tarea de Dell’Acqua; la tercera y la cuarta, en el anclaje que midieron Doshi y Hauser; la quinta, en los mediadores de carga de trabajo y tiempo que identificaron Goddard y sus colegas.
La fila “tu propia lectura” es la que más pesa. Si no te formaste una opinión independiente antes de leer el resultado de la IA, es probable que tu desacuerdo sea estado de ánimo y no evidencia. También es el hábito más barato de cambiar, y conecta con el problema de la descarga cognitiva: cuanto más pensamiento cedes al modelo, menos opiniones independientes existen para contrastarlo.
El Protocolo de la Segunda Voz: cómo discrepar de forma productiva
El hallazgo más esperanzador de Asch es que un solo aliado cambia la sala. Con un compañero que decía la verdad, la presión de la mayoría cayó a una cuarta parte de su nivel unánime, y en el experimento del compañero 18 de 27 sujetos se mantuvieron completamente independientes mientras el compañero resistía. Cuando el compañero se pasaba a la mayoría, los errores aumentaban de golpe. El protocolo siguiente está diseñado para que seas esa segunda voz, de forma fiable y sin dramatismo. (Marco editorial de CEOtudent, construido sobre los estudios citados en este artículo.)
Paso 1. Escribe primero tu respuesta. Antes de abrir el resultado de la IA, escribe una respuesta de dos líneas y tu nivel de confianza. Esa es tu estimación independiente. Sin ella no puedes saber si discrepas de la IA o de tu estado de ánimo.
Paso 2. Localiza la frontera. Pregúntate qué evidencia no pudo ver el modelo o es probable que infravalorara. En el caso de Dell’Acqua eran las notas de entrevistas. Nombra esa evidencia de forma concreta.
Paso 3. Plantea el cuestionamiento como una prueba, no como un veredicto. Sustituye “la IA se equivoca” por una pregunta falsable: “Si la IA tiene razón, ¿qué esperaríamos ver en las notas de entrevistas? Comprobemos solo eso”. Así el cuestionamiento gira en torno a la evidencia y las personas pueden cambiar de opinión sin quedar mal.
Paso 4. No le pidas a la IA que haga de árbitro. Sharma y sus colegas mostraron que los asistentes a menudo abandonan respuestas correctas cuando un usuario insiste, y que la creencia expresada por un usuario puede reducir la precisión hasta un 27 %. Si preguntas al modelo “¿estás seguro?” o “¿no es en realidad X?”, estás midiendo su tendencia a darte la razón, no la verdad. Contrástalo con la evidencia subyacente o con una fuente independiente.
Paso 5. Registra la decisión y revísala. Anota quién predijo qué y por qué. Cuando se conozca el resultado, mira atrás. Si te equivocaste, dilo tú primero y di qué se te escapó. Esta es la mitad Student de la lente: un discrepante que rectifica en público se gana el derecho a ser escuchado la próxima vez.
Un guion que puedes usar en la reunión:
“Antes de cerrar esto, quiero señalar una cosa. Escribí una respuesta distinta antes de leer el resultado del modelo, y la diferencia tiene que ver con [evidencia concreta]. El modelo no tenía [las notas de entrevistas / la cláusula del contrato / los datos de devoluciones del último trimestre]. ¿Podemos dedicar diez minutos a comprobar si eso cambia la recomendación? Si no la cambia, me parece bien quedarnos con la respuesta de la IA.”
Fíjate en lo que hace el guion. Afirma que la opinión es independiente. Nombra una evidencia concreta. Propone una prueba acotada. Y se compromete de antemano a aceptar el resultado, que es la diferencia entre la disidencia auténtica y el teatro contestatario.
¿Cómo pueden los líderes hacer que la disidencia sea segura y útil?
El valor individual tiene límites. La variable decisiva en la mayoría de los fracasos es si la disidencia llega a la persona que toma la decisión.
El desastre del Challenger es el caso documentado. El informe de la Comisión Presidencial (1986) concluyó que la decisión de lanzar fue defectuosa, y que quienes la tomaron desconocían la recomendación inicial por escrito del contratista contra el lanzamiento por debajo de 53 grados Fahrenheit y “la oposición continuada de los ingenieros de Thiokol después de que la dirección cambiara de postura”. La Comisión determinó que la dirección de Thiokol cambió de postura “en contra de la opinión de sus ingenieros”, y que si las preocupaciones se hubieran expresado en términos que reflejaran la opinión de la mayoría de los ingenieros de Thiokol, el lanzamiento quizá no se habría producido cuando se produjo. La disidencia existía. El sistema no la transmitió.
El estudio de Amy Edmondson de 1999 sobre 51 equipos de trabajo de una empresa manufacturera, publicado en Administrative Science Quarterly, introdujo la seguridad psicológica del equipo: la creencia compartida de que el equipo es un espacio seguro para asumir riesgos interpersonales. Encontró que la seguridad psicológica se asociaba con el comportamiento de aprendizaje, y que el comportamiento de aprendizaje mediaba entre la seguridad psicológica y el rendimiento del equipo. La eficacia del equipo, la creencia de que el equipo es capaz, no predijo el aprendizaje una vez tenida en cuenta la seguridad psicológica. La confianza no es lo mismo que la disposición a oír que te equivocas.
Tabla 3. Evidencia de disidencia útil: del hallazgo a la práctica (marco editorial de CEOtudent)
| Hallazgo de investigación | Fuente | Práctica para las personas | Práctica para los líderes |
|---|---|---|---|
| Un compañero que decía la verdad redujo la presión de conformidad a una cuarta parte; un compañero que se pasó a la mayoría la restableció | Asch (1955) | Sé la segunda voz; si otra persona discrepa primero, dilo si compartes la preocupación | Habla el último. Nombra la disidencia en voz alta para que el discrepante no esté solo |
| Los abogados del diablo asignados rinden menos que la disidencia auténtica y pueden endurecer las opiniones iniciales | Nemeth (2010), que resume Nemeth et al. (2001) | Plantea solo los cuestionamientos que sostienes sinceramente | No sustituyas el desacuerdo real por un papel rotativo de abogado del diablo; pregunta “¿quién ve esto de verdad de otra manera?” |
| La asistencia de la IA redujo los aciertos en 19 puntos en una tarea fuera de su frontera | Dell’Acqua et al. (2023) | Haz la comprobación de la frontera antes de aceptar | Exige una línea explícita de “evidencia que el modelo no vio” en las recomendaciones asistidas por IA |
| Las sugerencias erróneas de la IA redujeron la precisión en todos los niveles de experiencia | Dratsch et al. (2023) | No des por hecho que la veteranía te protege | No permitas que el respaldo de la persona más veterana a una respuesta de IA cierre el debate |
| Los resultados asistidos por IA convergen entre sí | Doshi y Hauser (2024) | Fórmate tu opinión antes de consultar el modelo | Recoge opiniones independientes por escrito antes de compartir el resultado de la IA |
| Los asistentes cambian de respuesta cuando se les presiona y repiten las creencias del usuario | Sharma et al. (2024) | Contrasta con la evidencia, no con el acuerdo del modelo | Trata “la IA me dio la razón” como evidencia nula |
| El sesgo de automatización se mitiga subrayando la responsabilidad del usuario y ofreciendo información en lugar de recomendaciones | Goddard et al. (2012) | Asume la decisión en tu propio nombre | Asigna un responsable humano con nombre a cada decisión asistida por IA; pide a la herramienta evidencia y opciones, no un veredicto |
| La seguridad psicológica predice el comportamiento de aprendizaje, que predice el rendimiento | Edmondson (1999) | Rectifica en público cuando te equivoques | Agradece al discrepante aunque el cuestionamiento no prospere; revisa las decisiones sin culpar |
| La oposición de los ingenieros no llegó a quienes decidieron el lanzamiento | Comisión Rogers (1986) | Pon tus preocupaciones por escrito a la persona que decide | Crea un canal que lleve la disidencia a quien decide, no solo a un nivel intermedio |
Los mitigadores de Goddard merecen énfasis porque son baratos. La revisión encontró que el sesgo de automatización se reducía con formación y subrayando la responsabilidad del usuario, y con decisiones de diseño del sistema, como ofrecer información en lugar de una recomendación. Para los líderes, eso se traduce en una regla práctica: pide a la IA la evidencia y las opciones, y mantén la recomendación como un acto humano con un nombre asociado.
La lente CEO y Student: asumir el juicio y aprender de los errores
Qué decidir (CEO). Una respuesta generada por IA es un insumo con un patrón de fallo conocido, no un colega con derecho a voto. Asumir el juicio significa decidir de antemano qué decisiones requieren una opinión humana independiente antes de compartir el resultado de la IA, y quién es responsable de cada decisión. La conclusión de la Comisión sobre el Challenger recuerda que la responsabilidad incluye las tuberías: quien decide sin oír nunca la disidencia no ha decidido realmente.
Qué seguir aprendiendo (Student). La habilidad es la calibración, y la calibración se aprende a partir de un registro. Lleva un registro sencillo de las veces que cuestionaste o aceptaste un consenso respaldado por la IA, con tu predicción y el resultado. En un trimestre verás si tus cuestionamientos encuentran casos reales de frontera o solo expresan incomodidad. Equivocarse no es el fracaso; no darse cuenta sí lo es. Si te descubres contándote una historia cómoda sobre por qué siempre tuviste razón, vale la pena leer la trampa del relato.
Qué no hacer. No te conviertas en la persona que desconfía de todas las respuestas de la IA. El mismo experimento de Dell’Acqua encontró grandes mejoras dentro de la frontera: más tareas, completadas más rápido, con más calidad. El objetivo no es menos IA. Es menos acuerdos sin examinar.
Preguntas frecuentes
¿Qué es el sesgo de automatización?
El sesgo de automatización es la tendencia a depender en exceso de las sugerencias automatizadas. Una revisión sistemática de 2012 en JAMIA que abarcó 74 estudios encontró que dependía de la experiencia, de la confianza en el sistema y de la carga de trabajo, la complejidad de la tarea y la presión de tiempo. Se reducía con formación, subrayando la responsabilidad del usuario y con sistemas que ofrecen información en lugar de recomendaciones.
¿La experiencia protege de seguir una sugerencia errónea de la IA?
En parte. En un estudio de 2023 publicado en Radiology, las valoraciones correctas de los radiólogos muy experimentados cayeron del 82,3 % al 45,5 % cuando una supuesta IA sugería la categoría equivocada, frente a una caída del 79,7 % al 19,8 % en los lectores sin experiencia. La experiencia redujo el daño, pero no lo eliminó.
¿Es un abogado del diablo una buena forma de cuestionar un consenso generado por IA?
La investigación de Charlan Nemeth y sus colegas encontró que los abogados del diablo asignados eran menos eficaces que la disidencia auténtica, y en un estudio la disidencia interpretada llevó a las personas a reforzar su opinión original. Un cuestionamiento sincero y basado en evidencia de alguien que de verdad discrepa funciona mejor que un papel rotativo.
¿Puedo preguntarle a la IA si está segura?
Es una comprobación débil. Un estudio de 2024 sobre cinco asistentes de IA encontró que, al preguntarles “¿Estás seguro?”, admitían errores que no habían cometido en entre el 42 % y el 98 % de las preguntas, según el modelo. En su lugar, contrasta la afirmación con la evidencia subyacente o con una fuente independiente.
¿Cómo discrepo sin parecer que estoy en contra de la IA?
Deja claro que te formaste tu opinión de forma independiente, nombra la evidencia concreta que el modelo no vio o infravaloró, propón una comprobación breve y acotada, y comprométete de antemano a aceptar el resultado. Así el cuestionamiento se presenta como control de calidad y no como oposición a la herramienta.
¿Qué es lo más eficaz que puede hacer un líder?
Recoger opiniones independientes por escrito antes de compartir cualquier resultado de la IA, y luego hablar el último. Asch encontró que un compañero discrepante reducía la presión de conformidad a una cuarta parte de su nivel unánime, y Doshi y Hauser encontraron que la exposición a ideas de IA acerca lo que producen las personas a lo de la IA y entre sí. El orden de exposición importa.
¿Cuándo está bien seguir la respuesta de la IA?
Cuando la tarea está dentro de los puntos fuertes conocidos de la IA, la evidencia decisiva estaba completamente disponible para el modelo, la decisión es barata de revertir y no tienes ningún motivo independiente para dudar. En el experimento de BCG, los usuarios de IA dentro de la frontera completaron un 12,2 % más de tareas, un 25,1 % más rápido y con más de un 40 % más de calidad.
Fuentes
- Asch, S. E. (1955). Opinions and Social Pressure. Scientific American, 193(5), 31-35.
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., y Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.
- Dratsch, T., Chen, X., Rezazade Mehrizi, M., Kloeckner, R., Mahringer-Kunz, A., Pusken, M., Baessler, B., Sauer, S., Maintz, D., y Pinto dos Santos, D. (2023). Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology, 307(4), e222176.
- Doshi, A. R., y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290.
- Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al. (2024). Towards Understanding Sycophancy in Language Models. International Conference on Learning Representations (ICLR 2024).
- Goddard, K., Roudsari, A., y Wyatt, J. C. (2012). Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121-127.
- Nemeth, C. J. (2010). Minority Influence Theory. Institute for Research on Labor and Employment Working Paper 218-10, University of California, Berkeley. (Resume Nemeth, Brown y Rogers, 2001, European Journal of Social Psychology, 31, 707-720, y Nemeth, Connell, Rogers y Brown, 2001, Journal of Applied Social Psychology, 31, 48-58.)
- Edmondson, A. (1999). Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44(2), 350-383.
- Presidential Commission on the Space Shuttle Challenger Accident (1986). Report to the President, Volume 1, Chapter V: The Contributing Cause of the Accident. Washington, DC.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
