weeklyAI · Week of 9 October 2026weeklyAI · Semana del 9 de octubre de 2026

← Your job← Su trabajo

survey · Journal of Research Administration · la publicación, 15 sep 2026 · gratis

La capacitación que se toca con las manos pesó más que la facilidad del programa

Un estudio con 250 trabajadores de aviación en Nigeria encontró que quienes recibieron mejor entrenamiento se adaptaron mejor a la inteligencia artificial; no puede probar que el entrenamiento fuera la causa.

Versión breve · la versión detallada sigue, unos 7 min

Pregunte al chat de weeklyAI

Pregúnteme por este estudio: a quiénes se estudió, qué encontró y qué no dice.

Las conversaciones se guardan mientras exista weeklyAI, para mejorar la publicación. Se responde en el idioma en que usted escribe.

El estudio, de un vistazo
Quiénes
profesionales de la aviación: personal administrativo, técnico y de atención al cliente
Cuántos
250
Dónde
Nigeria
Cuándo
no lo dice el pasaje
Tipo de estudio
encuesta e entrevistas
Quién lo hizo
Universidad de Abuja y African University of Science and Technology (AUST), Abuya
El límite que importa
Una sola encuesta, en un solo momento y país; no prueba que el entrenamiento causara la adaptación.
Lo que los trabajadores se pusieron a sí mismos, sobre 5
Inteligencia emocional3.9puntos sobre 5
Manejo de herramientas de inteligencia artificial2.1puntos sobre 5
Manejo de datos analíticos2.4puntos sobre 5
Análisis de datos en personal técnico y de mantenimiento2.8puntos sobre 5

Calificaciones que los propios trabajadores se dieron en una escala de 1 a 5; son opiniones sobre sí mismos, no pruebas de lo que hacen en el trabajo.

Cómo veían la inteligencia artificial y cómo se adaptaron

Verla como una ayuda que libera de tareas repetitivasfrente aVerla como un reemplazo del propio trabajo

Quienes la veían como ayuda tuvieron mejores puntuaciones de adaptación; quienes la veían como reemplazo se resistían, sin importar cuán útil fuera el sistema.

Lo que puede hacer: fíjese si el entrenamiento de su empresa lo deja tocar el programa antes de exigirle usarlo.
Lectura de weeklyAI
Ver · 0:55

Si su trabajo es programar turnos, atender un mostrador o revisar equipos, y el software ya empieza a hacer parte de eso, este estudio es para usted. Se hizo en Nigeria, no en su país, y eso importa: los números no se trasladan solos.

Los investigadores encuestaron a 250 trabajadores de aviación en tres aerolíneas nigerianas (Air Peace, Aero Contractors e Ibom Air) y en dos aeropuertos internacionales, los de Abuja y Lagos. Entrevistaron además a 15 personas, entre directores de recursos humanos y representantes sindicales.

Compararon cuatro cosas para ver cuál predecía mejor que un trabajador se adaptara a la inteligencia artificial. La calidad del entrenamiento para aprender nuevas tareas fue la más fuerte, por encima de si el programa resultaba fácil de usar. Las cuatro juntas explicaron el 62% de las diferencias entre unos trabajadores y otros. Ese 62% no es sólo del entrenamiento: es de las cuatro sumadas.

Los mismos trabajadores calificaron sus propias habilidades. Se pusieron 2.1 sobre 5 en el manejo de herramientas de inteligencia artificial, y 3.9 sobre 5 en inteligencia emocional, esa capacidad de tratar con personas y manejar un conflicto. El estudio llama a esa distancia una brecha de habilidades híbridas: hay temple para el cambio, pero faltan manos entrenadas para ejecutarlo.

Quienes mejor se adaptaron fueron los que veían la inteligencia artificial como una ayuda que los libera de lo repetitivo, no como un reemplazo. Un gerente de recursos humanos dijo que nadie les avisa si conservarán el puesto en cinco años. Un ingeniero lo resumió: les muestran diapositivas sobre la inteligencia artificial, pero no tocan el programa hasta meses después.

Aquí está el límite. Fue una sola encuesta, en un solo momento, en un solo país. No puede decir que el buen entrenamiento causara la adaptación; pudo ser al revés, que quien ya se estaba adaptando buscara más entrenamiento. Y todo se midió con lo que cada trabajador dijo de sí mismo, no con lo que hizo en el trabajo.

Lo que puede hacer: fíjese si el entrenamiento de su empresa lo deja tocar el programa antes de exigirle usarlo. Pregunte cuándo, en qué computadora y con quién al lado.

Qué significa para usted

El estudio no puede decirle si conviene capacitarse primero o si adaptarse primero, porque midió todo en un solo momento. Lo que sí puede hacer es preguntar en su trabajo cuándo va a tocar el programa que le piden usar, en qué equipo y con quién al lado. Si la respuesta es que todavía no, eso también le dice algo.

Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448

Quién pagó: El artículo no dice quién financió el estudio ni si los financiadores tuvieron alguna influencia, y no menciona equipos o software prestados por nadie.

Versión detalladaLos pasajes copiados del artículo, las ilustraciones y cada fuente con cuánto leímos de ella · 1418 palabras · unos 7 minLeerla →Cerrar

La formación práctica pesó más que cualquier otra cosa en la adaptación de 250 trabajadores de aviación nigerianos a la inteligencia artificial

Un estudio midió qué factores predecían mejor la adaptación de empleados de aerolíneas y aeropuertos a las nuevas herramientas automáticas. Lo que más pesó no fue la utilidad de la máquina ni el apoyo del jefe: fue la calidad del entrenamiento.

Así podría verse · ilustración generada por weeklyAI.watch, no es una fotografía

Un estudio encuestó a 250 profesionales de la aviación en Nigeria —personal administrativo, técnico y de atención al cliente— en tres aerolíneas (Air Peace, Aero Contractors e Ibom Air) y dos aeropuertos internacionales (Nnamdi Azikiwe, en Abuya, y Murtala Mohammed, en Lagos). Los investigadores querían saber qué factores predecían mejor la adaptación de estos trabajadores a la inteligencia artificial y a la automatización: su disposición a usar las herramientas, la reducción de su ansiedad y su sensación de seguridad en el puesto.

Midieron cuatro factores: la calidad de la formación recibida, si la herramienta les parecía útil, si les parecía fácil de usar y el apoyo de la organización. La calidad de la formación fue el predictor más fuerte de la adaptación (β=0.38, p<.001), seguida de la utilidad percibida (β=0.28) y el apoyo organizacional (β=0.25). Los cuatro factores juntos explicaron el 62% de la variación en los resultados de adaptación. El estudio no dice que la formación por sí sola explique ese 62%: eso corresponde a los cuatro factores combinados.

Hubo además un hallazgo que los autores llaman "déficit de habilidades híbridas". En una escala de 1 a 5, la inteligencia emocional de los encuestados puntuó alto (3.9), pero su dominio de las herramientas de inteligencia artificial quedó muy bajo (2.1). El manejo de datos analíticos también salió bajo (2.4). El déficit fue más marcado en atención al cliente y administración, donde las puntuaciones en herramientas de inteligencia artificial quedaron por debajo de 2.0. El personal técnico y de mantenimiento mostró un poco más de destreza en análisis de datos (2.8), aunque todavía por debajo del punto medio de la escala.

En entrevistas con 15 informantes clave —directores de recursos humanos y representantes sindicales, entre otros— los investigadores identificaron tres barreras principales: miedo a perder el empleo, formación práctica insuficiente y fallas de comunicación desde la jefatura. Un gerente de recursos humanos lo resumió así: "Oímos hablar de la automatización, pero nadie nos dice si seguiremos teniendo trabajo en cinco años". Un ingeniero técnico dijo: "Nos muestran diapositivas sobre inteligencia artificial, pero no tocamos el programa hasta meses después". Una supervisora de atención al cliente señaló: "Nosotros somos los que usamos el sistema, pero nunca nos consultaron sobre su diseño".

El estudio tiene límites que conviene tener presentes. Los 250 trabajadores están en Nigeria, en tres aerolíneas y dos aeropuertos; los números no se trasladan automáticamente a otros países. Lo que se midió fue lo que los trabajadores dicen de sí mismos en una encuesta, no lo que hacen en el trabajo. El diseño es transversal: tomó una sola fotografía en el tiempo, así que no puede mostrar si la formación causó la adaptación o si quienes ya se adaptaban buscaron más formación. El modelo deja sin explicar el 38% de la variación. Las entrevistas fueron solo 15. Y el estudio no midió despidos ni cambios reales en las contrataciones, solo percepciones y niveles de habilidad reportados por los propios trabajadores.

El panorama donde ocurre todo esto es más grande que el estudio. Se estima que para 2030 hasta el 30% de las tareas actuales de la aviación podrían automatizarse, afectando desde el manejo en tierra y el procesamiento de equipaje hasta la programación administrativa y algunos aspectos de las operaciones de vuelo1. La tecnología de la que se habla aquí no es abstracta: son algoritmos que anticipan fallas de aeronaves antes de que ocurran y programas de conversación automática que atienden consultas de pasajeros2. Los autores citan estas estimaciones de terceros, no las midieron ellos mismos.

Así podría verse · ilustración generada por weeklyAI.watch, no es una fotografía

En este estudio, la aceptación de la herramienta dependió de cómo la veía cada trabajador. Quienes percibían la inteligencia artificial como una ayuda que los liberaba de tareas rutinarias para dedicarse a problemas complejos mostraron mejores puntuaciones de adaptación3. Quienes la veían como un reemplazo de su trabajo se resistían, sin importar cuán útil fuera el sistema4. Es una distinción simple pero decisiva: la misma máquina, vista desde dos lugares distintos, produce dos comportamientos opuestos.

Otros trabajos que leímos también miran este tipo de cambio desde el empleo. Un estudio sobre mujeres de grupos subrepresentados en Inglaterra encontró que señalar habilidades digitales relacionadas con la inteligencia artificial mejora las invitaciones a entrevistas, aunque no elimina la desventaja de esos grupos5. Otro trabajo sobre Turquía, cuyos datos provienen de registros administrativos de la seguridad social, encontró que desde 2023 el crecimiento del empleo se debilitó sobre todo entre trabajadores al inicio de su carrera en ocupaciones muy expuestas a la inteligencia artificial generativa, mientras que no se observaron pérdidas comparables entre mayores de treinta años6. Los autores de ese trabajo señalan que la inteligencia artificial generativa parece operar principalmente por la vía de las contrataciones: desplaza a los inexpertos y complementa a los experimentados7. De estos trabajos solo pudimos leer el resumen; el texto completo está detrás de una suscripción.

Y hay un dato que puede sorprender: otro estudio sobre exposición a los grandes modelos de lenguaje encontró que las ocupaciones más expuestas a estas herramientas son las que tienen menor precariedad laboral, es decir, las que habían estado protegidas del cambio tecnológico hasta ahora8. De ese trabajo también leímos solo el resumen.

Así lo leemos nosotros: el hallazgo central de este estudio no es que la inteligencia artificial sea buena o mala. Es que la formación práctica pesa más que cualquier otra cosa cuando llega el momento de adaptarse. Eso tiene una consecuencia que va más allá de Nigeria: si en su propio trabajo le ofrecen un curso genérico sobre "lo digital" sin práctica real, sin tocar la herramienta, sin resolver casos concretos de su puesto, lo más probable es que ese curso no mueva la aguja. La pregunta que usted puede llevar a su jefe o a su sindicato es sencilla: ¿este curso incluye práctica con la herramienta que voy a usar, o son solo diapositivas? Si la respuesta es "solo diapositivas", el estudio sugiere que la formación no está haciendo su trabajo.

Así podría verse · ilustración generada por weeklyAI.watch, no es una fotografía

Otra cosa que notamos: los trabajadores de este estudio no se resistían a la tecnología por miedo a las máquinas en sí. Se resistían cuando creían que la máquina venía a reemplazarlos. Cuando la veían como una ayuda, respondían mejor. Eso significa que la diferencia entre aceptar y resistir puede estar en cómo se presenta el cambio, no en el cambio mismo. Si en su trabajo anuncian la llegada de un sistema automático sin explicar qué tareas cambian y cuáles no, usted tiene razón en desconfiar. Pedir esa explicación no es resistirse: es informarse.

Una advertencia sobre los números que no están: este estudio no midió despidos, no midió contrataciones, no midió si la seguridad operativa mejoró o empeoró, y no comparó lo que pasa en Nigeria con lo que pasa en su país. Lo que mide es lo que estos 250 trabajadores dijeron sobre sí mismos en un momento dado. Si usted quiere saber si algo parecido ocurre donde trabaja, tendría que preguntar por datos de su propia empresa: cuántos puestos cambiaron, cuántas personas recibieron formación práctica, cuántas la aplicaron después. Esos datos no existen en este estudio.

Lo que sí puede hacer con lo que hay: antes de inscribirse en un curso de actualización, pregunte si quienes lo toman fueron consultados sobre lo que necesitan y si incluye práctica real. Si la respuesta es no, pida que se ajuste a las tareas que de verdad hace. Los propios autores del estudio recomiendan reemplazar la formación genérica por simulaciones adaptadas a cada puesto: interpretación de mantenimiento predictivo para ingenieros, supervisión de programación asistida para personal de recursos humanos9. También proponen que las competencias en inteligencia artificial cuenten para los ascensos10 y que los equipos que diseñan las herramientas incluyan a quienes las van a usar, junto con sindicatos y personal de sistemas11. Nada de eso garantiza que funcione en su caso, pero es una lista concreta de lo que puede pedir.

La próxima vez que en su trabajo anuncien un sistema nuevo, haga una sola pregunta: ¿quién lo va a enseñar, con qué práctica, y a quién le preguntaron antes de decidir? Si nadie puede responder eso, ya sabe dónde empieza el problema.

De dónde sale cada dato de contexto, y cuánto leímos de cada documento

  1. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Recent estimates suggest that by 2030, up to 30% of current aviation tasks could be automated, affecting roles ranging from ground handling and baggage processing to administrative scheduling and even aspects of flight operations (McKinsey & Company, 2022)."
  2. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "From predictive maintenance algorithms that anticipate aircraft failures before they occur to AI-driven chatbots managing complex customer service inquiries, the footprint of digital intelligence is expanding across all facets of aviation administration (IATA, 2023)."
  3. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Employees who viewed AI as a tool for augmentation freeing them from mundane tasks to focus on complex problem-solving reported higher adaptation scores."
  4. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Conversely, those who perceived AI as a substitute for their labour exhibited resistance, regardless of the system’s utility."
  5. Drydakis N. (2026). Artificial Intelligence‐Related Digital Skills and Employment Outcomes for Underrepresented Women. Industrial Relations: A Journal of Economy and Society. https://doi.org/10.1111/irel.70047 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "Signaling AI‐related digital skills improves interview invitations for underrepresented women in the pooled analysis, although their disadvantage is not removed."
  6. Gürci̇han B, Beyhan B, Akçomak İS. (2026). Labour Market Implications of Generative AI in an Emerging Economy: The Case of Türkiye. Science, Technology and Society. https://doi.org/10.1177/09717218261480259 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "Employment effects are strongly age-asymmetric: since 2023, job growth has weakened mainly for early-career workers in highly exposed occupations, while no comparable losses are observed for workers over thirty."
  7. Gürci̇han B, Beyhan B, Akçomak İS. (2026). Labour Market Implications of Generative AI in an Emerging Economy: The Case of Türkiye. Science, Technology and Society. https://doi.org/10.1177/09717218261480259 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "These patterns survive controls for sectoral reallocation, suggesting that generative AI operates primarily through hiring margins, displacing inexperienced workers while complementing experienced ones."
  8. Jetha A, Liao Q, Smith P, Vu V, Biswas A, Smith B, et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. 10.5271/sjweh.4312 — solo el resumen - no se pudo obtener el texto completo — el pasaje: "Occupations most likely to be exposed to LLM are those where precariousness is lowest. These occupations have previously been sheltered from technological change."
  9. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Replace generic digital literacy training with AI-augmentation simulations tailored to job functions (e.g., predictive maintenance interpretation for engineers; AI-assisted scheduling oversight for HR officers)."
  10. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Integrate AI competency milestones into promotion criteria and succession planning (e.g., “AI-Enabled Operations Lead” track)."
  11. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - el artículo del que trata esta nota — el artículo completo — el pasaje: "Form cross-functional teams (HR, IT, frontline staff, unions) to co-develop and pilot AI tools before full rollout."

Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448

Quién pagó: El artículo no dice quién financió el estudio ni si los financiadores tuvieron alguna influencia, y no menciona equipos o software prestados por nadie.

Los hallazgos de otros estudios que aquí se mencionan los conocemos por este documento, que fue el que leímos; no abrimos cada uno de esos estudios.

survey · Journal of Research Administration · the paper, 15 Sep 2026 · free

The Strongest Sign a Worker Will Adapt to New Software Isn't the Software

In one survey of 250 aviation workers in Nigeria, the quality of the training they got went with adaptation more than anything else. The study took one snapshot, so it cannot say training caused it.

Short version · the longer version follows, about 6 min

Ask the weeklyAI chat

Ask me about this study: who was studied, what it found, and what it does not say.

Conversations are saved for as long as weeklyAI exists, to improve the publication. Answers come in the language you write in.

The study at a glance
Who
aviation professionals
How many
250
Where
Nigeria
When
2026
Kind of study
survey
Who did it
African University of Science and Technology and University of Abuja
The limit that matters
One snapshot; cannot show training caused adaptation.
Workers' average ratings of their own skills, out of 5
Emotional intelligence3.9out of 5
AI tool proficiency2.1out of 5
Data analytics2.4out of 5
Data analytics, technical/maintenance staff2.8out of 5

Self-reported skill ratings from 250 Nigerian aviation workers; the study took one snapshot and cannot show cause and effect.

The strongest was the quality of the retraining they received.
weeklyAI's reading
Watch · 0:51

Software is starting to do the scheduling, the ticketing and the inspections in your workplace. Researchers wanted to know what happens to the people already doing those jobs.

The researchers are based in Nigeria. They surveyed 250 workers at three airlines, Air Peace, Aero Contractors and Ibom Air, and at two international airports, in Abuja and Lagos. They also interviewed 15 more people for longer talks, some in person and some online. Those 15 included senior HR directors and union representatives.

Four things went with whether a worker adapted to the new tools. The strongest was the quality of the retraining they received. Next came whether they believed the software was useful, then whether their employer supported them, then how easy the software was to use. Together, those four things went with 62 percent of the differences in how well workers adapted.

That does not prove training caused better adaptation. The survey was one snapshot, taken once, and it asked workers what they thought of themselves. It cannot show whether training came first or whether workers who were already adapting went looking for more of it.

One gap stood out. Workers rated their own skill with AI tools at 2.1 out of 5. They rated their emotional intelligence at 3.9 out of 5. The study calls this a hybrid skills deficit: people who are good with other people, and not yet good with the machines.

The 15 interviews add something the numbers cannot. Workers who saw AI as a tool that took the dull tasks off their hands adapted better. Workers who feared it would take their jobs resisted it. The study found that the quality of training was the strongest sign of whether workers adapted. One HR manager said: "We hear about automation, but no one tells us if we will still have jobs in five years."

All 250 workers were in Nigeria, at those three airlines and two airports. The numbers may not carry over to your workplace. What is worth testing where you are is simpler.

Look at whether your employer's training lets you actually touch the software, on real tasks, before you are expected to use it on the job.

What this means for you

In your own job, the useful thing to watch is what the training actually lets you do. This study of 250 aviation workers in Nigeria found that the quality of retraining went with how well people adapted, more than how useful or easy the software seemed, but one snapshot cannot tell you training was the cause. So ask whether you get to handle the new tools on real tasks before you are judged on them.

Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448

Who paid: The article does not say who funded the study or whether funders had any say, and it does not mention equipment or software lent by anyone.

The longer versionThe passages copied from the paper, the pictures, and every source with how much of it we read · 1293 words · about 6 minRead it →Close

Airline Workers Rated Their Own AI Skills Low. Training Quality Beat Everything Else in Predicting Who Adapted.

In a survey of 250 Nigerian aviation workers, the strongest factor in whether people adjusted to new technology was the quality of the training they received—not how easy the tools were to use.

How it could look · illustration generated by weeklyAI.watch, not a photograph

The study surveyed 250 aviation professionals at three Nigerian airlines and two international airports, asking them to rate their own skills, how useful they found AI, how easy the tools were to use, and their training preferences. It found a workforce that felt confident in human skills and lost in technical ones: emotional intelligence scored high, while proficiency with AI tools was critically low1. On a five-point scale, workers put their AI tool proficiency at an average of 2.1, and their data analytics skills at 2.42. The gap was widest in customer service and administrative roles, where AI proficiency scores fell below 2.03. Technical and maintenance staff scored slightly higher—2.8 on data analytics—which the authors attribute to their exposure to diagnostic tools4.

When the researchers ran a statistical model to see which factors predicted whether workers adapted well to AI, four things mattered together: the quality of reskilling training, how useful workers believed AI to be, how easy the tools were to use, and how much organizational support they felt they had5. Training quality was the strongest single factor, followed by perceived usefulness, then organizational support5. The four factors together explained 62 percent of the differences in adaptation scores across the workers surveyed5. The study does not show that training quality alone accounted for that figure, and because the survey was a single snapshot, it cannot prove that any of these factors caused adaptation. Workers who were already adapting may have sought out more training, rather than training producing the adaptation.

The technology arriving in aviation is not one thing. It includes predictive maintenance algorithms that flag mechanical problems before they become failures, and chatbots that handle routine customer questions so human agents can take harder cases6. A 2022 estimate cited in the study projected that by 2030, up to 30 percent of current aviation tasks could be automated, touching ground handling, baggage processing, administrative scheduling and some flight operations7. That is a forecast, not a measured outcome.

The workers in this study described three barriers to adapting, according to the article's qualitative interviews with 15 key informants. The first was fear of losing their jobs. One HR manager said: "We hear about automation, but no one tells us if we will still have jobs in five years"8. The second was training that felt disconnected from reality. A technical engineer said: "They show us slides about AI, but we don't get to touch the software until months later"9. The third was a feeling that decisions were made without them. A customer service supervisor said: "We are the ones using the system, but we were never consulted on its design"10.

How it could look · illustration generated by weeklyAI.watch, not a photograph

The study also found that how workers interpreted the technology's purpose shaped whether they resisted it. Those who saw AI as a tool that freed them from routine tasks to focus on complex problems reported higher adaptation scores11. Those who saw it as a replacement for their labor resisted, regardless of how well the system worked12. That distinction—between augmentation and substitution—ran through the interviews and the survey results alike.

For comparison, other researchers have looked at similar questions in different workforces. In Türkiye, according to the summary of a study of registered employment records, since 2023 job growth has weakened mainly for early-career workers in occupations highly exposed to generative AI, while no comparable losses appeared for workers over thirty; we could read only the summary, the full paper is behind a subscription13. The same study found that AI appears to work through hiring—displacing inexperienced workers while complementing experienced ones—and that most evidence on this comes from advanced economies, with much less known about emerging economies1415. In England, according to the summary of a study of women from underrepresented groups, signaling AI-related digital skills improved interview invitations but did not remove their disadvantage; we could read only the summary16. That study concluded that AI training should be paired with stronger equality enforcement17. And in Canada, according to the summary of a study of occupation-level exposure, the jobs most likely to be affected by large language models were those where precariousness was lowest—occupations that had previously been sheltered from technological change; we could read only the summary18.

Here is how we read it. When people are unsure whether a new system threatens them or helps them, they tend to take their cue from the people around them—what colleagues say, what they have tried, what they seem to believe. Official announcements rarely settle the question. In a workplace where software is starting to do the scheduling, the ticketing, or the inspections, the mood of the crew room may matter more than the memo from management. If you want to know what your workplace will actually do with the new tools, watch who your co-workers trust on the subject, and whether that trust is based on real experience or on the crowd's anxiety. If you are the one who has tried the tool, saying so plainly—what worked, what did not—can shift what others believe. You would know we are wrong if workers' views tracked the official training materials closely regardless of what their peers thought.

We also expect that new systems will spread more slowly than the people who bought them expect. The workers who were not asked to test the tools will be the slowest to adopt them, and that lag is normal—not a sign that anyone is failing to keep up. When a new system arrives at your job, ask what problem it was bought to solve and for whom, and ask to try it before it becomes mandatory. You would know we are wrong if adoption matched the rollout schedule and if workers who had no part in choosing the tools took to them as readily as those who did.

How it could look · illustration generated by weeklyAI.watch, not a photograph

The study's authors recommend replacing generic digital literacy courses with simulations tailored to specific jobs—predictive maintenance interpretation for engineers, AI-assisted scheduling oversight for HR officers19. They suggest integrating AI competency milestones into promotion criteria and succession planning20, and forming cross-functional teams that include frontline staff and unions to co-develop and pilot AI tools before full rollout21. Those are proposals, not tested interventions; the study did not measure whether any of them work.

The study has limits the reader should hold onto. All 250 workers were in Nigeria, at three airlines and two airports; the numbers may not transfer to your workplace. The study measured what workers said about themselves on a survey, not what they actually did on the job—self-reported skill gaps can be wrong in either direction. It took one snapshot and cannot show cause and effect. The 15 interviews limit how far the qualitative themes can be generalized. And the study did not measure actual job displacement or hiring changes, only self-reported adaptation and skill levels.

What this makes possible for you: the next time your employer announces a new scheduling system, a new ticketing tool, or a new inspection protocol, you have something specific to ask for. Not "will this replace me"—that question rarely gets a straight answer—but "what training will I get, when will I get it, and can I try the tool before it becomes mandatory?" The study's strongest signal, from workers in a different country and a different sector, is that the quality of that training is the factor most tightly linked to whether people adapt. That is worth testing where you are. Ask for the training before you need it, and ask for it to be hands-on.

Where each piece of context comes from, and how much of it we read

  1. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Quantitative analysis revealed a significant hybrid skills deficit: while emotional intelligence scored high (M=3.9), AI tool proficiency remained critically low (M=2.1)."
  2. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "The overall mean score for "AI Tool Proficiency" is the lowest at 2.1, followed by "Data Analytics" at 2.4."
  3. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "This gap is most pronounced in Customer Service and Administrative roles, where mean scores for AI proficiency are below 2.0."
  4. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Technical/Maintenance staff show slightly higher proficiency in data analytics (2.8) compared to other groups, due to their exposure to diagnostic tools."
  5. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Multiple regression analysis demonstrated that Reskilling Training Quality was the strongest predictor of employee adaptation (β=0.38, p<.001), followed by Perceived Usefulness (β=0.28) and Organizational Support (β=0.25), collectively explaining 62% of variance in adaptation outcomes."
  6. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "From predictive maintenance algorithms that anticipate aircraft failures before they occur to AI-driven chatbots managing complex customer service inquiries, the footprint of digital intelligence is expanding across all facets of aviation administration (IATA, 2023)."
  7. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Recent estimates suggest that by 2030, up to 30% of current aviation tasks could be automated, affecting roles ranging from ground handling and baggage processing to administrative scheduling and even aspects of flight operations (McKinsey & Company, 2022)."
  8. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "One HR manager stated, "We hear about automation, but no one tells us if we will still have jobs in five years.""
  9. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "A technical engineer noted, "They show us slides about AI, but we don’t get to touch the software until months later.""
  10. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: ""We are the ones using the system, but we were never consulted on its design," said a customer service supervisor."
  11. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Employees who viewed AI as a tool for augmentation freeing them from mundane tasks to focus on complex problem-solving reported higher adaptation scores."
  12. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Conversely, those who perceived AI as a substitute for their labour exhibited resistance, regardless of the system’s utility."
  13. Gürci̇han B, Beyhan B, Akçomak İS. (2026). Labour Market Implications of Generative AI in an Emerging Economy: The Case of Türkiye. Science, Technology and Society. https://doi.org/10.1177/09717218261480259 — only the abstract - the full text could not be fetched — the passage: "Employment effects are strongly age-asymmetric: since 2023, job growth has weakened mainly for early-career workers in highly exposed occupations, while no comparable losses are observed for workers over thirty."
  14. Gürci̇han B, Beyhan B, Akçomak İS. (2026). Labour Market Implications of Generative AI in an Emerging Economy: The Case of Türkiye. Science, Technology and Society. https://doi.org/10.1177/09717218261480259 — only the abstract - the full text could not be fetched — the passage: "These patterns survive controls for sectoral reallocation, suggesting that generative AI operates primarily through hiring margins, displacing inexperienced workers while complementing experienced ones."
  15. Gürci̇han B, Beyhan B, Akçomak İS. (2026). Labour Market Implications of Generative AI in an Emerging Economy: The Case of Türkiye. Science, Technology and Society. https://doi.org/10.1177/09717218261480259 — only the abstract - the full text could not be fetched — the passage: "While existing evidence is largely drawn from advanced economies, much less is known about the impact of generative AI on employment in emerging economies."
  16. Drydakis N. (2026). Artificial Intelligence‐Related Digital Skills and Employment Outcomes for Underrepresented Women. Industrial Relations: A Journal of Economy and Society. https://doi.org/10.1111/irel.70047 — only the abstract - the full text could not be fetched — the passage: "Signaling AI‐related digital skills improves interview invitations for underrepresented women in the pooled analysis, although their disadvantage is not removed."
  17. Drydakis N. (2026). Artificial Intelligence‐Related Digital Skills and Employment Outcomes for Underrepresented Women. Industrial Relations: A Journal of Economy and Society. https://doi.org/10.1111/irel.70047 — only the abstract - the full text could not be fetched — the passage: "AI training should therefore be complemented by stronger equality enforcement."
  18. Jetha A, Liao Q, Smith P, Vu V, Biswas A, Smith B, et al. (2026). Large language model exposure and precarious occupations: Unpacking relationships in the Canadian labor force. Scandinavian Journal of Work, Environment & Health. 10.5271/sjweh.4312 — only the abstract - the full text could not be fetched — the passage: "Occupations most likely to be exposed to LLM are those where precariousness is lowest. These occupations have previously been sheltered from technological change."
  19. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Replace generic digital literacy training with AI-augmentation simulations tailored to job functions (e.g., predictive maintenance interpretation for engineers; AI-assisted scheduling oversight for HR officers)."
  20. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Integrate AI competency milestones into promotion criteria and succession planning (e.g., “AI-Enabled Operations Lead” track)."
  21. Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448 - the article this story is about — the whole article — the passage: "Form cross-functional teams (HR, IT, frontline staff, unions) to co-develop and pilot AI tools before full rollout."

Auya, A. A. (2026). AI and Automation in Aviation Human Resource: Reskilling and Adaptation. Journal of Research Administration. https://doi.org/10.68089/202609240448

Who paid: The article does not say who funded the study or whether funders had any say, and it does not mention equipment or software lent by anyone.