La IA prometía liberarte trabajo. ¿Por qué ahora tienes todavía menos tiempo?

La promesa parecía sencilla: si una herramienta redacta el primer borrador, resume una reunión o encuentra información en segundos, debería quedar más tiempo para pensar, descansar o hacer mejor el trabajo importante. Sin embargo, muchas personas viven la experiencia contraria. Terminan una tarea más rápido, pero la agenda no se abre. Aparecen más solicitudes, más versiones, más mensajes y una expectativa tácita de disponibilidad permanente.

La contradicción no significa que la inteligencia artificial no aumente la productividad. Hay evidencia de que puede hacerlo en tareas concretas. El problema es confundir ahorro de tiempo por tarea con tiempo realmente recuperado por la persona. Entre ambos existe una decisión organizacional: qué se hace con la capacidad liberada.

Automatizar una tarea no equivale a reducir la carga

Pensemos en alguien que prepara diez informes semanales. Una herramienta reduce de sesenta a cuarenta minutos la elaboración de cada uno. En términos técnicos, se han ahorrado doscientos minutos. Pero ese ahorro puede tener destinos muy distintos: bajar la jornada efectiva, mejorar la calidad, atender trabajo acumulado, producir más informes o asumir tareas nuevas. Solo las primeras opciones liberan capacidad de una manera que la persona puede percibir.

Por eso conviene separar tres niveles que suelen mezclarse:

• Eficiencia de tarea: cuánto tarda una actividad específica antes y después de incorporar IA.
• Carga total: cuántas tareas, interrupciones, decisiones y responsabilidades debe sostener una persona durante la jornada.
• Bienestar sostenible: si el nuevo sistema permite concentración, aprendizaje, pausas, límites y una recuperación razonable.

Una mejora en el primer nivel no garantiza mejoras en los otros dos. Incluso puede empeorarlos cuando la organización interpreta cada minuto ahorrado como permiso para elevar el volumen, acelerar los plazos o reducir personal sin rediseñar el trabajo.

Lo que la evidencia sí permite afirmar

Un experimento publicado en Science encontró que profesionales que usaron una herramienta de IA generativa en tareas de escritura terminaron más rápido y obtuvieron, en promedio, mejores evaluaciones. El hallazgo es importante, pero su alcance también: se refiere a tareas delimitadas dentro de un experimento, no demuestra que la jornada completa se vuelva más ligera ni que el efecto se mantenga igual en cualquier ocupación.

En otro estudio a gran escala sobre agentes de atención al cliente, el acceso a un asistente generativo aumentó la productividad, con beneficios especialmente relevantes para trabajadores menos experimentados. La investigación también sugiere una vía valiosa: la herramienta puede difundir prácticas útiles y apoyar el aprendizaje. Pero aumentar casos resueltos por hora tampoco responde, por sí solo, quién captura el tiempo ganado ni cómo cambia la intensidad de la jornada.

La revisión de Kellogg, Valentine y Christin sobre algoritmos en el trabajo ayuda a comprender esa segunda pregunta. Los sistemas digitales no solo asisten: también pueden dirigir, evaluar y disciplinar. Cuando una tecnología vuelve el desempeño más visible y medible, puede ampliar el control y la presión además de mejorar la coordinación. La consecuencia depende del diseño organizacional, de los incentivos y de la capacidad de los trabajadores para cuestionar cómo se usa el sistema.

La Organización Internacional del Trabajo insiste en otro límite necesario: la exposición a la IA generativa no equivale automáticamente a sustitución. En muchos empleos, la transformación de tareas es más plausible que la desaparición completa del puesto. Eso desplaza la conversación desde “¿la IA quitará este empleo?” hacia preguntas más inmediatas: ¿qué tareas cambian?, ¿quién decide el ritmo?, ¿qué capacidades deben aprenderse? y ¿cómo se reparten los beneficios?

Cuatro mecanismos que devuelven el trabajo a una agenda ya llena

1. El ahorro se convierte en una nueva cuota

Si antes se respondían veinte consultas y ahora pueden responderse treinta, la organización puede fijar treinta como nuevo mínimo. La eficiencia deja de ser un alivio y se convierte en referencia de rendimiento. El problema no es necesariamente aumentar la producción: puede ser razonable cuando existe demanda. El problema aparece cuando el nuevo objetivo se adopta sin revisar errores, complejidad, fatiga, atención emocional o tiempo de aprendizaje.

2. La generación barata multiplica la revisión

La IA permite crear propuestas, resúmenes, imágenes, correos y variantes con muy poco esfuerzo inicial. Pero cada salida importante todavía necesita lectura, contraste, edición y responsabilidad humana. Si cinco personas generan el doble de documentos, alguien tendrá que evaluar ese nuevo volumen. La automatización puede desplazar el cuello de botella desde la creación hacia la verificación.

Este fenómeno se siente como “trabajo invisible”: corregir una cita inventada, descubrir una omisión, reconstruir el contexto de un resumen o decidir cuál de diez versiones es adecuada. La salida aparece en segundos; la confianza no.

3. La velocidad aumenta las interrupciones

Cuando producir una solicitud cuesta menos, también cuesta menos enviarla. Un borrador rápido puede convertirse en tres rondas adicionales de comentarios. Un análisis preliminar puede generar una reunión antes de que alguien formule bien la pregunta. El resultado es una organización que mueve más información, pero concede menos tiempo para interpretarla.

La productividad local de una persona puede crear carga sistémica para otras. Por eso no basta medir cuánto acelera la herramienta a quien la opera; hay que observar qué trabajo provoca aguas abajo.

4. El tiempo recuperado carece de protección

Un bloque libre de treinta minutos rara vez permanece libre si el calendario, los canales y las normas de respuesta siguen iguales. Se fragmenta entre notificaciones, microtareas y pedidos nuevos. Para que el ahorro se convierta en capacidad, necesita una regla: qué actividad se reduce, qué espacio se protege o qué plazo deja de comprimirse.

La pregunta correcta: ¿quién recibe el dividendo de productividad?

En Human + Machine, Paul R. Daugherty y H. James Wilson describen oportunidades de colaboración entre personas y máquinas. El marco sigue siendo útil si se lee con una condición: la complementariedad no surge solo por comprar una herramienta. Requiere rediseñar roles, aprendizaje y decisiones. Si la persona conserva la responsabilidad, suma tareas de verificación y además recibe una cuota mayor, no hay colaboración equilibrada; hay intensificación asistida por tecnología.

El “dividendo” del ahorro puede distribuirse entre varios destinos legítimos:

• más producción o mejor servicio;
• más calidad, seguridad y revisión;
• aprendizaje y desarrollo de capacidades;
• reducción de atrasos y tareas repetitivas;
• tiempo de concentración o recuperación;
• beneficio económico para la organización y para quienes realizan el trabajo.

El conflicto aparece cuando la distribución permanece implícita. La empresa celebra la ganancia agregada mientras cada persona experimenta una jornada más densa. Hacer explícito el destino del tiempo es una decisión de gobernanza, no una cuestión de configuración técnica.

Una prueba práctica antes de declarar que la IA “ahorra tiempo”

Una evaluación útil puede realizarse durante cuatro semanas y comparar el proceso anterior con el nuevo. No hace falta empezar con un tablero complejo. Bastan cinco grupos de preguntas.

1. Tiempo: ¿cuánto dura la tarea completa, incluida la preparación, las correcciones y la verificación?
2. Volumen: ¿aumentó el número de casos, versiones, solicitudes o reuniones posteriores?
3. Calidad: ¿cambiaron los errores, retrabajos, reclamos o decisiones que necesitan escalamiento?
4. Carga: ¿la persona tiene más interrupciones, vigilancia, presión de respuesta o responsabilidad ambigua?
5. Destino: ¿qué se retiró de la agenda y quién decidió cómo usar el tiempo recuperado?

Conviene medir la tarea de extremo a extremo. Si la IA redacta en cinco minutos, pero comprobar datos, adaptar el tono y obtener aprobación añade cuarenta, registrar solo los cinco minutos fabrica una ilusión de eficiencia. También hay que comparar casos equivalentes: una solicitud simple no sirve como referencia para un caso que exige juicio, empatía o información sensible.

Tres acuerdos para que la automatización sí libere capacidad

Definir qué dejará de hacerse

Toda adopción debería incluir una lista de retiro: informes redundantes, transcripciones manuales, duplicación de datos o reuniones que ya no aportan. Si la tecnología solo agrega una capa nueva al proceso antiguo, el equipo termina alimentando dos sistemas. Automatizar sin retirar trabajo es una de las formas más rápidas de perder el supuesto ahorro.

Reservar una parte del ahorro

No todo minuto ganado debe convertirse en producción adicional. El equipo puede acordar que una parte se destine a revisión y otra a aprendizaje, concentración o recuperación de atrasos. La proporción dependerá del contexto; lo importante es que exista una decisión verificable. “Usa el tiempo en algo de mayor valor” es demasiado ambiguo y suele terminar en más tareas.

Dar voz a quienes realizan y reciben el trabajo

Quienes ejecutan el proceso detectan costos que un indicador agregado no muestra: excepciones, conversaciones difíciles, información incompleta y riesgos de una respuesta incorrecta. También deben escucharse las áreas que reciben el nuevo volumen. Una prueba de adopción necesita espacios para informar efectos adversos sin que la objeción se interprete como resistencia al cambio.

Esta participación no elimina la decisión directiva. La vuelve más informada. Permite distinguir una dificultad temporal de aprendizaje de un problema estructural de carga o calidad.

Cuándo conviene detener o rediseñar

La señal más clara no es que alguien “no se adapte”, sino que el proceso completo empeora pese a una tarea más rápida. Hay razones para pausar cuando crecen los errores de alto impacto, el retrabajo supera el ahorro, la herramienta exige datos que no deberían compartirse, la cuota aumenta antes de estabilizar la calidad o las personas ya no disponen de tiempo para comprender lo que aprueban.

También conviene rediseñar cuando nadie puede explicar quién responde por una salida incorrecta. La supervisión humana no debe ser una firma simbólica al final de una cadena acelerada. Necesita tiempo, información y autoridad para corregir o rechazar.

Lecturas y fuentes para profundizar

• Noy, S. y Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence”. Science. https://doi.org/10.1126/science.adh2586.
• Brynjolfsson, E., Li, D. y Raymond, L. R. (2025). “Generative AI at Work”. The Quarterly Journal of Economics. https://doi.org/10.1093/qje/qjae044.
• Kellogg, K. C., Valentine, M. A. y Christin, A. (2020). “Algorithms at Work: The New Contested Terrain of Control”. Academy of Management Annals. https://doi.org/10.5465/annals.2018.0174.
• OIT (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure.
• Daugherty, P. R. y Wilson, H. J. (2018). Human + Machine: Reimagining Work in the Age of AI. Harvard Business Review Press.

La IA puede ahorrar tiempo. Lo que no puede decidir por una organización es si ese tiempo se convierte en más volumen, mejor trabajo o una vida laboral menos saturada. Esa elección debe hacerse visible antes de llamar “productividad” a una agenda que solo aprendió a llenarse más rápido.

Pregunta para la comunidad: cuando una herramienta acelera una tarea en tu equipo, ¿qué actividad desaparece realmente de la agenda?

Elaborado por Ricardo Gaibor.

Este artículo fue elaborado por Ricardo Gaibor con ayuda de sistemas de inteligencia artificial en tareas de investigación, organización y edición. La selección, interpretación y responsabilidad editorial del contenido corresponden al autor.