Resumen: La complementariedad entre humanos y IA es la afirmación de que un ser humano apoyado por un sistema de IA puede superar a cualquiera de ellos por sí solo en un proceso de toma de decisiones. Desde su introducción en la literatura sobre interacción humano-IA, ha ganado fuerza al generalizar el paradigma de la confianza y al ofrecer una alternativa más práctica al controvertido concepto de “confianza en la IA”. Sin embargo, la complementariedad enfrenta desafíos teóricos clave: carece de un anclaje teórico preciso, se formaliza simplemente como un indicador post hoc de precisión predictiva relativa, guarda silencio sobre otros deseos de las interacciones entre humanos y IA y se abstrae del perfil magnitud-costo de su ganancia de desempeño. Como resultado, es difícil obtener complementariedad en entornos empíricos. En este trabajo, aprovechamos la epistemología para abordar estos desafíos replanteando la complementariedad dentro del discurso sobre la IA justificatoria. Basándonos en el confiabilidad computacional, sostenemos que los casos históricos de complementariedad funcionan como evidencia de que una determinada interacción humano-IA es un proceso epistémico confiable para una tarea predictiva determinada. Junto con otros indicadores de confiabilidad que evalúan la alineación del equipo humano-IA con los estándares epistémicos y las prácticas sociotécnicas, la complementariedad contribuye al grado de confiabilidad de los equipos humano-IA al generar predicciones. Esto respalda el razonamiento práctico de quienes se ven afectados por estos resultados: pacientes, gerentes, reguladores y otros. En resumen, nuestro enfoque sugiere que el papel y el valor de la complementariedad no radica en proporcionar una medida relativa de precisión predictiva, sino en ayudar a calibrar la toma de decisiones con respecto a la confiabilidad de los procesos respaldados por la IA que configuran cada vez más la vida cotidiana.
Publicado originalmente en export.arxiv.org el 15 de enero de 2026.
Ver fuente original
