La IA no ahorra tiempo – lo comprime: 8 meses de observación
Las empresas se preocupan por cómo lograr que sus empleados usen la IA. La promesa es tentadora: la IA se encargará de las tareas rutinarias – borradores de documentos, resúmenes de información, depuración de código – y liberará tiempo para el trabajo de mayor valor.
Pero, ¿están las empresas preparadas para lo que ocurrirá si lo consiguen?
Investigadores de Stanford realizaron un seguimiento de 8 meses a aproximadamente 200 empleados de una empresa tecnológica estadounidense que implementó IA generativa. La empresa no obligó a nadie a usar la IA: simplemente proporcionó suscripciones corporativas a herramientas comerciales. Cada empleado decidía libremente si la utilizaba o no.
El resultado fue paradójico. La IA no redujo el trabajo. Lo intensificó. Los empleados empezaron a trabajar más rápido, a asumir más tareas, a extender su jornada laboral a más horas del día – a menudo sin que nadie se lo exigiera explícitamente. La IA hizo que “hacer más” fuera posible, accesible y, en muchos casos, intrínsecamente gratificante.
Sorprendentemente, el mismo patrón aparece en otras investigaciones. Microsoft descubrió que el 62% de los product managers usan IA generativa a diario, y el 81% afirma que la IA les ahorra tiempo, pero el 56% niega que su esfuerzo haya disminuido. ¿Una paradoja? No, una tendencia.
Por qué la IA no reduce el trabajo: tres mecanismos
Los investigadores identificaron tres formas de intensificación laboral que se manifestaron en la empresa observada.
1. Expansión de tareas (Task Expansion)
La IA llena vacíos de conocimiento. Esto permite a los empleados abordar tareas que antes correspondían a otros.
Product managers y diseñadores empezaron a escribir código. Los investigadores asumieron tareas de ingeniería. La gente comenzó a intentar realizar trabajo que antes delegaba, posponía o simplemente evitaba.
La IA generativa hizo que estas tareas fueran accesibles de repente. Las herramientas proporcionaban lo que muchos percibían como un “impulso cognitivo amplificador”: reducían la dependencia de otros, ofrecían retroalimentación inmediata y correcciones sobre la marcha. Los empleados lo describían como “simplemente probar cosas con la IA”, pero esos experimentos se acumulaban hasta convertirse en una expansión significativa de sus responsabilidades. En la práctica, los empleados absorbían cada vez más trabajo que antes habría justificado contrataciones adicionales.
Hubo un efecto secundario de esta expansión de responsabilidades. Los ingenieros, a su vez, empezaron a dedicar más tiempo a revisar, corregir y orientar el trabajo generado o asistido por IA de sus compañeros. Estas demandas iban más allá de la revisión de código formal. Los ingenieros se encontraban cada vez más actuando como mentores de colegas que hacían “vibe-coding” y completaban pull requests parcialmente terminados. Esta supervisión surgía a menudo de manera informal – en hilos de Slack o consultas rápidas en el escritorio – añadiendo carga de trabajo a los ingenieros.
La paradoja: la IA debía aliviar al equipo. En su lugar, redistribuyó la carga – unos asumieron más tareas, otros se vieron obligados a revisar más.
2. Difuminación de límites entre trabajo y no-trabajo (Blurred Boundaries)
La IA hizo que empezar una tarea fuera demasiado fácil. Redujo la fricción de enfrentarse a una hoja en blanco o a un punto de partida desconocido. Como resultado, los empleados empezaron a intercalar pequeñas porciones de trabajo en momentos que antes eran descansos.
Muchos enviaban prompts a la IA durante el almuerzo, en reuniones, mientras un archivo se cargaba. Algunos describían cómo enviaban “un último prompt rápido” justo antes de levantarse de la mesa, para que la IA pudiera trabajar mientras ellos se ausentaban.
Estas acciones rara vez se percibían como “hacer más trabajo”. Pero con el tiempo creaban una jornada laboral con menos pausas naturales y una implicación más continua en el trabajo.
El estilo conversacional del prompting lo suavizaba aún más: escribir una línea a un sistema de IA se sentía más parecido a chatear que a ejecutar una tarea formal, lo que facilitaba extender el trabajo a las noches o las madrugadas sin intención consciente.
Algunos empleados describían cómo se daban cuenta, a menudo a posteriori, de que a medida que enviar prompts durante los descansos se convertía en hábito, el tiempo de inactividad ya no proporcionaba la misma sensación de recuperación. Como resultado, el trabajo se sentía menos delimitado y más de fondo – algo que siempre se podía avanzar un poco más.
El límite entre trabajo y no-trabajo no desapareció. Pero cruzarlo se volvió más fácil.
3. Aumento de la multitarea (More Multitasking)
La IA introdujo un nuevo ritmo en el que los empleados gestionaban varios flujos activos simultáneamente: escribían código manualmente mientras la IA generaba una versión alternativa, lanzaban varios agentes en paralelo, retomaban tareas largo tiempo aplazadas porque la IA podía “encargarse de ellas” en segundo plano.
Los empleados lo hacían en parte porque sentían que tenían un “compañero” que podía ayudarles a avanzar en su carga de trabajo.
Aunque esa sensación de tener un “compañero” generaba impulso, la realidad era un cambio constante de atención, revisiones frecuentes de los resultados de la IA y un número creciente de tareas abiertas. Esto creaba carga cognitiva y una sensación de malabarismo permanente, incluso cuando el trabajo parecía productivo.
Con el tiempo, este ritmo elevó las expectativas de velocidad – no necesariamente a través de exigencias explícitas, sino a través de lo que se volvió visible y normalizado en el día a día.
Muchos empleados señalaban que hacían más cosas simultáneamente – y sentían más presión – que antes de usar la IA, a pesar de que el ahorro de tiempo por la automatización supuestamente debería haber reducido esa presión.
El ciclo autorreforzante: del ahorro a la sobrecarga
Todo esto creó un ciclo autorreforzante.
La IA aceleró ciertas tareas → esto elevó las expectativas de velocidad → la mayor velocidad hizo a los empleados más dependientes de la IA → la mayor dependencia amplió el espectro de lo que intentaban hacer → el espectro más amplio incrementó aún más la cantidad y densidad del trabajo.
Un ingeniero lo resumió así: “Pensabas que tal vez, como puedes ser más productivo con la IA, ahorrarías tiempo y podrías trabajar menos. Pero en realidad no trabajas menos. Simplemente trabajas lo mismo o incluso más.”
Las organizaciones pueden interpretar esta expansión voluntaria del trabajo como una victoria clara. Al fin y al cabo, si los empleados lo hacen por iniciativa propia, ¿qué tiene de malo? ¿No es exactamente el aumento explosivo de productividad que nos prometieron?
Pero la investigación revela los riesgos de permitir que el trabajo se expanda y se acelere informalmente. Lo que parece mayor productividad a corto plazo puede enmascarar una acumulación silenciosa de sobrecarga y una tensión cognitiva creciente, cuando los empleados hacen malabares con múltiples flujos de trabajo asistidos por IA.
Dado que el esfuerzo adicional es voluntario y a menudo se enmarca como experimentación agradable, a los líderes les resulta fácil no percibir cuánta carga adicional soportan los empleados. Con el tiempo, el exceso de trabajo puede deteriorar la capacidad de juicio, aumentar la probabilidad de errores y dificultar a las organizaciones distinguir entre verdaderas ganancias de productividad e intensidad insostenible.
Para los empleados, el efecto acumulativo es fatiga, burnout y una sensación creciente de que desconectarse del trabajo resulta cada vez más difícil, especialmente cuando las expectativas organizacionales de velocidad y capacidad de respuesta van en aumento.
Quizás convenga distinguir entre productividad e intensidad.
AI Practice: tres prácticas contra la intensificación
En lugar de reaccionar pasivamente a cómo las herramientas de IA reconfiguran los entornos laborales, tanto los individuos como las empresas deben adoptar una “AI practice” – un conjunto de normas y rutinas intencionales que estructuren cómo se usa la IA, cuándo conviene detenerse y cómo el trabajo debe y no debe expandirse en respuesta a esta nueva capacidad.
Sin estas prácticas, la tendencia natural del trabajo asistido por IA no es la reducción, sino la intensificación, con consecuencias para el burnout, la calidad de las decisiones y la sostenibilidad a largo plazo.
Los investigadores proponen tres prácticas clave.
1. Pausas intencionales (Intentional Pauses)
A medida que las tareas se aceleran y los límites se difuminan, a los empleados les pueden resultar útiles breves momentos estructurados que regulen el ritmo: intervalos protegidos para evaluar la alineación, revisar supuestos o asimilar información antes de avanzar.
Estas pausas no ralentizarían el trabajo en su conjunto. Simplemente prevendrían la acumulación silenciosa de sobrecarga que surge cuando la aceleración avanza sin control.
Por ejemplo, una decision pause podría requerir, antes de finalizar una decisión importante, un contraargumento y una conexión explícita con los objetivos organizacionales – ampliando el campo de atención lo justo para protegerse contra la deriva.
Integrar estas pausas en el flujo de trabajo diario es una de las formas en que las organizaciones pueden favorecer mejores decisiones, límites más saludables y formas de productividad más sostenibles en entornos potenciados por IA.
2. Secuenciación (Sequencing)
A medida que la IA posibilita una actividad de fondo constante, las organizaciones pueden beneficiarse de normas que determinen intencionalmente cuándo avanza el trabajo, no solo con qué rapidez.
Esto incluye agrupar notificaciones no urgentes, retener actualizaciones hasta puntos de control naturales y proteger ventanas de concentración en las que los empleados estén a salvo de interrupciones.
En lugar de reaccionar a cada resultado generado por la IA a medida que aparece, la secuenciación fomenta que el trabajo avance en fases coherentes.
Cuando la coordinación se organiza de esta manera, los empleados experimentan menos fragmentación y menos cambios de contexto costosos, mientras los equipos mantienen su capacidad global.
Al regular el orden y el momento del trabajo – en lugar de exigir una respuesta continua –, la secuenciación puede ayudar a las organizaciones a preservar la atención, reducir la sobrecarga cognitiva y facilitar una toma de decisiones más reflexiva en entornos laborales orientados a la IA.
3. Anclaje humano (Human Grounding)
A medida que la IA hace posible un trabajo más individual y autosuficiente, las organizaciones pueden beneficiarse de proteger tiempo y espacio para la escucha y la conexión humana.
Breves oportunidades de conectar con otros – ya sea mediante check-ins breves, momentos de reflexión conjunta o diálogo estructurado – interrumpen la implicación individual continua con las herramientas de IA y ayudan a recuperar perspectiva.
Más allá de la perspectiva, el intercambio social nutre la creatividad. La IA ofrece un único punto de vista sintetizado, pero la percepción creativa depende de la exposición a múltiples perspectivas humanas.
Al institucionalizar tiempo y espacio para la escucha y el diálogo, las organizaciones vuelven a anclar el trabajo en un contexto social y ayudan a contrarrestar los efectos agotadores e individualizantes del trabajo rápido mediado por IA.
¿Lideras la transformación IA de tu equipo?
Módulo abierto de IA para directivos: prácticas de delegación, límites de automatización, control de calidad, gestión de la carga de trabajo – sin registro.
Continúa aprendiendo
Abre el libro de texto y continúa donde lo dejaste
Qué significa esto para líderes y equipos
La promesa de la IA generativa no reside solo en lo que puede hacer por el trabajo, sino en cuán reflexivamente se integra en el ritmo diario.
La investigación muestra que, sin intención, la IA facilita hacer más – pero dificulta detenerse.
El AI practice ofrece un contrapeso: una forma de preservar los momentos de recuperación y reflexión incluso cuando el trabajo se acelera. La pregunta que enfrentan las organizaciones no es si la IA cambiará el trabajo, sino si darán forma activamente a ese cambio – o dejarán que los moldee silenciosamente.
Para líderes de equipo:
Monitoreen el workload creep, no solo la productividad. Si el equipo trabaja más rápido con IA, eso no significa necesariamente que trabaje de forma sostenible. Comprueben regularmente: ¿la expansión voluntaria de tareas está enmascarando una carga creciente?
Formulen normas explícitas de delegación a la IA. ¿Qué tareas se pueden delegar con seguridad? ¿Cuáles requieren supervisión humana? Si no se formula explícitamente, los empleados experimentarán sin límites – a menudo con consecuencias para la calidad.
Creen ventanas protegidas de concentración. Si la IA posibilita una actividad ininterrumpida, protejan activamente tiempo sin interrupciones. No todas las notificaciones requieren respuesta inmediata. No todos los resultados de la IA necesitan verificación instantánea.
Para trabajadores individuales:
Distingan entre “puedo” y “debo”. Que la IA haga posible una tarea no significa que deban asumirla. Expandir la zona de responsabilidad sin considerar la sostenibilidad a largo plazo es el camino al burnout.
Establezcan límites al prompting. Si enviar prompts a la IA se ha vuelto tan fácil que lo hacen durante los descansos, pregúntense: ¿sigue siendo un descanso? ¿O el trabajo simplemente se ha convertido en ruido de fondo?
Exijan decision pauses para tareas de alto riesgo. Antes de finalizar una decisión importante basada en un resultado de IA, formulen un contraargumento y una conexión explícita con los objetivos. Esto no ralentiza el trabajo – protege contra la deriva.
Para organizaciones:
Desarrollen buenas prácticas de IA específicas para su dominio. Los cursos genéricos de prompt engineering no son suficientes. Los empleados necesitan casos de su área: cómo usar la IA para especificaciones, análisis de datos, diseño, código – con ejemplos claros de qué funciona y qué no.
Institucionalicen el anclaje humano. A medida que la IA posibilita más trabajo individual, protejan tiempo para la interacción humana – check-ins, reflexión, diálogo. La creatividad y la perspectiva requieren exposición a múltiples puntos de vista humanos, no solo una perspectiva sintetizada por IA.
Revisen los criterios de evaluación. Si los roles están cambiando – los PM escriben código, los investigadores asumen tareas de ingeniería –, quizás los criterios de éxito también deban cambiar. ¿Evalúan la capacidad de verificar críticamente los resultados de la IA? ¿O solo la velocidad de ejecución?
¿Productividad o intensidad?
El estudio de 8 meses en una empresa tecnológica revela lo que muchos intuyen pero no siempre logran articular: la IA no cambia tanto qué hacemos como cómo experimentamos el trabajo.
La IA no redujo la carga. La comprimió.
Los empleados empezaron a hacer más tareas en el mismo tiempo. Asumieron responsabilidades que antes pertenecían a otros. Extendieron el trabajo a horas que antes eran descansos. Hicieron malabares con múltiples flujos simultáneos porque la IA creaba la ilusión de un “compañero” capaz de manejar la carga.
Pero el efecto acumulativo no fue más tiempo libre. Fue fatiga. Límites difuminados. Una sensación creciente de que resulta más difícil desconectarse del trabajo.
La paradoja es que la IA hizo más fácil empezar a trabajar, pero no más fácil detenerse.
Quizás convenga reflexionar: ¿qué es más importante – la productividad o la sostenibilidad? ¿La velocidad o la calidad del juicio? ¿Más tareas o límites más saludables?
La IA no responderá estas preguntas por nosotros. Requiere prácticas intencionales, normas explícitas, una configuración activa de cómo la IA se integra en el flujo de trabajo.
La pregunta no es si la IA cambiará el trabajo. La pregunta es si daremos forma activamente a ese cambio – o dejaremos que nos moldee silenciosamente.
¿Han experimentado patrones similares de intensificación en su equipo? ¿Cómo equilibran productividad y sostenibilidad?
Fuentes
- AI Doesn’t Reduce Work–It Intensifies It (Harvard Business Review) – artículo original de Aruna Ranganathan y Xingqi Maggie Ye sobre el estudio de 8 meses
- Product Manager Practices for Delegating Work to Generative AI (arXiv:2510.02504) – estudio de Microsoft sobre cómo el 62% de los PM usan IA generativa a diario, pero el 56% niega que su esfuerzo haya disminuido
- Delegación a la IA: por qué la responsabilidad sigue siendo humana – nuestro análisis del estudio de Microsoft sobre prácticas de delegación de trabajo a la IA generativa