luismori.

AI and Work

AI Future of Work Productivity

Las paradojas del trabajo con IA: por qué las herramientas más rápidas hacen que la vida profesional se sienta más pesada

El problema emergente del trabajo en la era de la IA no se limita a la automatización o a la pérdida de empleos. También incluye la sobrecarga de posibilidades, las expectativas cada vez mayores, la fatiga de verificación, la desaparición de límites y un trabajo que crece más rápido de lo que permite la atención humana.

15 min de lectura

Resumen

  • El problema laboral más interesante de la era de la IA no es que las personas tengan de pronto menos que hacer. Es que, cuando disminuye la fricción, las expectativas, el alcance y la carga cognitiva crecen hasta llenar el espacio disponible.
  • «El vampiro de la IA» de Steve Yegge, «IA + TDAH» de Theunis De Klerk y «La IA no reduce el trabajo: lo intensifica» de Aruna Ranganathan y Xingqi Maggie Ye describen distintas capas del mismo fenómeno.
  • El patrón es contraintuitivo, pero cada vez más visible: la IA suele eliminar la fricción de ejecución más rápido de lo que las organizaciones reducen sus expectativas.
  • El resultado es una nueva clase de desgaste profesional: sobrecarga de posibilidades, ansiedad de fondo por demasiados asuntos pendientes, fatiga de verificación, límites laborales más débiles y una presión creciente para convertir la capacidad en producción constante.

La IA prometía devolverles tiempo a los profesionales.

Ese sigue siendo el argumento de venta. Redacta más rápido. Resume más rápido. Programa más rápido. Analiza más rápido. Entrega más rápido.

Pero quienes adoptaron estas herramientas desde temprano, los investigadores y los estudios sobre el trabajo están revelando otra historia: en muchos casos, la IA no se limita a reducir el trabajo. Cambia su naturaleza de formas que hacen que las personas se sientan más ocupadas, con mayor carga cognitiva y permanentemente «activas».

Eso es lo que hace tan interesante la reciente ola de artículos sobre este tema. No son los argumentos habituales contra la IA. Hablan de un problema humano contemporáneo: cuando baja el costo de empezar, se multiplica el número de proyectos que es viable iniciar. Cuando la producción se acelera, las expectativas se reajustan. Cuando redactar se vuelve barato, el criterio se convierte en el verdadero cuello de botella.

Esta síntesis utiliza fuentes actualizadas hasta el April 14, 2026.

La estructura del problema

En conjunto, los tres artículos originales sugieren una progresión clara para el argumento de este ensayo.

El problema comienza en la mente de cada persona, donde la IA convierte las posibilidades en presión y deja más asuntos abiertos de los que se pueden cerrar sin dificultad. Luego se extiende a la cultura del trabajo, donde el aumento de capacidades se convierte en una disputa por las expectativas, la ambición y quién captura el valor. Por último, se manifiesta a nivel organizacional, donde aumenta el ritmo, se amplía el alcance y el trabajo ocupa más horas del día.

Ese recorrido, desde la cognición hasta los incentivos y la estructura, es la columna vertebral del artículo.

Lo que realmente dice cada artículo

1. IA + TDAH: cuando las posibilidades se convierten en presión

El ensayo de Theunis De Klerk es el más preciso de los tres en términos psicológicos.

Su argumento no es simplemente que la IA ayuda a las personas con TDAH. De hecho, reconoce que a menudo lo hace. La IA encaja especialmente bien con muchas de sus fortalezas: el aprendizaje no lineal, el prototipado rápido, la exploración mediante conversaciones, la resolución inmediata de dudas y la experimentación con poca fricción.

Su argumento de fondo es que este beneficio genera un problema de segundo orden.

Cuando disminuye la fricción, aumenta el número de proyectos viables. Eso suena liberador, pero también implica más asuntos a medio resolver, más caminos inconclusos y más obligaciones latentes que compiten por la atención. El estrés ya no surge de «no puedo hacer esto». Surge de «podría hacer todo esto, ¿por qué sigue sin terminarse?».

El concepto que propone, meta-finalización, es útil mucho más allá del TDAH. Da nombre a una habilidad que muchos profesionales necesitan ahora: decidir de antemano qué significa «terminado», qué no vale la pena perseguir y qué proyectos hay que dejar morir. En entornos donde abunda la IA, el cierre ya no ocurre de forma natural. Hay que diseñarlo.

La conclusión más amplia es contundente: la IA no solo aumenta la capacidad de ejecución. También aumenta el número de posibilidades que permanecen activas en la mente.

2. El vampiro de la IA: las ganancias de productividad pueden convertirse en extracción

«El vampiro de la IA» de Steve Yegge es más cultural y polémico, pero plantea una cuestión importante.

Su tesis es que, una vez que la IA genera grandes ganancias de productividad, comienza una disputa por quién captura ese valor. Si los trabajadores usan IA para producir mucho más en la misma cantidad de horas, las empresas se sienten tentadas a absorber la ganancia en forma de mayor producción. Si los trabajadores intentan conservar todo el beneficio como una reducción del trabajo, la presión competitiva empuja en sentido contrario. Esa tensión crea una peligrosa zona intermedia en la que tanto las empresas como los empleados se ven arrastrados hacia una aceleración insostenible.

Yegge también aporta algo importante que las investigaciones laborales más formales suelen pasar por alto: la IA puede resultar física y psicológicamente agotadora, incluso cuando es estimulante. Describe una mezcla simultánea de dopamina, adrenalina, adicción, fatiga y estándares cada vez más altos. Según su planteamiento, el problema no es solo que los gerentes puedan exigir más. También es que los profesionales ambiciosos pueden interiorizar el nuevo ritmo y exigirse más de lo sostenible.

Su metáfora del «vampiro» es memorable porque captura un temor profesional contemporáneo: la herramienta que hace que una persona se sienta más capaz también puede facilitar que las organizaciones, los mercados y la propia ambición extraigan más de ella.

3. La IA no reduce el trabajo: lo intensifica: la velocidad amplía el espacio que ocupa el trabajo

El artículo de Harvard Business Review de Aruna Ranganathan y Xingqi Maggie Ye es la formulación de esta misma paradoja más centrada en la investigación.

Como el artículo completo de HBR está disponible solo para suscriptores, la forma más rigurosa de resumirlo es combinar la vista previa de HBR con la entrevista posterior de UC Berkeley Haas a las autoras.

Su hallazgo principal es sencillo: la IA no solo ayudó a los trabajadores a terminar las mismas tareas más rápido. Amplió lo que intentaban hacer, extendió el trabajo a más horas del día y aumentó el número de tareas paralelas que mantenían activas.

En su trabajo de campo, la intensificación se manifestó de tres maneras concretas:

  • las personas asumieron trabajo que antes correspondía a alguien más o que nunca se habría intentado
  • el trabajo se filtró en momentos que antes servían como pausa
  • los trabajadores mantuvieron varias tareas asistidas por IA activas al mismo tiempo, en ocasiones con varios agentes en paralelo

Ese es el punto más importante de toda la discusión. La IA no solo comprime las tareas. También amplía el espacio que las rodea. Cambia lo que se considera una producción razonable, lo que se considera parte del trabajo de una persona y lo que se considera un momento aceptable para detenerse.

La tesis común de los tres artículos

Estos tres artículos no plantean argumentos independientes.

Describen distintas caras del mismo cambio estructural:

  • la IA reduce la fricción de ejecución
  • la reducción de fricción aumenta la cantidad de trabajo que parece posible
  • el aumento de posibilidades genera más asuntos pendientes, más ambición personal y mayores expectativas de los gerentes
  • el nuevo cuello de botella pasa a ser la atención, el criterio, el cierre y la recuperación

Por eso el nuevo problema profesional de la era de la IA resulta tan extraño.

La herramienta es realmente útil. Los resultados suelen ser realmente mejores. Las ganancias de velocidad suelen ser reales. Y, aun así, muchas personas sienten que tienen menos margen, no más.

La contradicción desaparece cuando se entiende el mecanismo de fondo:

La IA no es solo una herramienta que ahorra trabajo. Es una herramienta que amplía el alcance del trabajo.

Otros problemas actuales que enfrentan los profesionales en la era de la IA

Los tres ensayos apuntan a un conjunto más amplio de problemas que ya están apareciendo en investigaciones y reportajes sobre el mundo laboral.

1. La desaparición de límites y la jornada laboral infinita

Cuando empezar una tarea se vuelve tan fácil como abrir un prompt, la jornada laboral pierde algunos de sus puntos naturales de cierre.

Esto aparece claramente en el reportaje de Berkeley Haas: los trabajadores usaban prompts durante el almuerzo, antes de las reuniones, por la noche y en momentos que antes funcionaban como descansos. El resultado no siempre era una jornada extraordinaria evidente. Era una erosión lenta de los límites.

Esto coincide con la reciente descripción de Microsoft de la «jornada laboral infinita»: el trabajo ya no está contenido en una secuencia ordenada de reuniones, trabajo concentrado y una parada al final del día. La IA facilita mantener el impulso, pero eso puede convertir silenciosamente cada momento libre en una oportunidad para trabajar.

El problema actual no es simplemente «más horas». Es la desaparición de la fricción que antes protegía la recuperación.

2. El costo de verificación y la carga cognitiva de supervisar

Una fantasía común sobre la IA es que elimina la necesidad de pensar. En la práctica, a menudo desplaza el trabajo de pensar a las etapas anteriores y posteriores.

Microsoft Research encontró que los trabajadores del conocimiento describían un cambio en el pensamiento crítico hacia la definición de objetivos, el refinamiento de prompts, la verificación, la integración y el seguimiento de las tareas. Una mayor confianza en la IA se asociaba con menos pensamiento crítico, mientras que una mayor confianza en la propia experiencia se asociaba con un mayor esfuerzo de pensamiento crítico.

La investigación interna de Anthropic encontró algo similar. Incluso en una empresa llena de usuarios avanzados de IA, la mayoría de los empleados informó que solo podía delegar por completo una pequeña parte de su trabajo. La IA era una colaboradora constante, no un sustituto en el que se pudiera confiar plenamente. Las personas todavía tenían que supervisar, validar y depurar.

Esto crea un nuevo problema profesional: el costo de verificación.

Un profesional puede redactar más rápido, pero el trabajo sigue desplazándose hacia la inspección, comparación, corrección y ensamblaje de más material que antes. Se trata menos de producir la primera versión y más de protegerse contra errores sutiles.

3. Agotamiento mental por IA y fatiga de decisión

En March 2026, BCG resumió los hallazgos de un estudio de 1,488 trabajadores de grandes empresas en Estados Unidos y describió un patrón que denominó «AI brain fry». Según sus conclusiones, el uso excesivo de la IA o la supervisión constante de sistemas de IA pueden producir fatiga mental, más errores, sobrecarga de decisiones e incluso una mayor intención de renunciar.

Esto coincide con lo que quienes adoptaron estas herramientas desde temprano ya cuentan de manera informal: el trabajo puede sentirse emocionante en el momento, pero resultar cognitivamente costoso en conjunto.

Esto importa porque la fatiga por IA no es idéntica al exceso de trabajo tradicional. La sobrecarga tradicional solía venir del volumen. La sobrecarga por IA puede surgir de:

  • demasiadas tareas simultáneas
  • demasiadas direcciones plausibles
  • demasiadas evaluaciones menores pero constantes
  • demasiadas microdecisiones sobre si confiar, revisar, descartar o escalar

En otras palabras, el agotamiento suele estar relacionado con las funciones ejecutivas, más que con una carga puramente mecánica.

4. Ampliación de habilidades acompañada de atrofia

Uno de los resultados más emocionantes de la IA es la amplitud de lo que permite hacer. Las personas pueden realizar trabajos que antes quedaban fuera de su área habitual de experiencia. Anthropic encontró que los empleados se estaban volviendo más «full-stack»: abordaban trabajo de frontend, tareas de datos y áreas relacionadas que antes habrían evitado.

Pero la misma fuente también señala el lado más oscuro: preocupaciones por la atrofia de habilidades, una comprensión más superficial de los fundamentos y menos práctica manual en la resolución de problemas. Algunos ingenieros temían que, al depender de la IA para llegar directamente a las respuestas, estuvieran omitiendo el aprendizaje profundo que se obtiene al resolver un problema por el camino difícil.

Esto crea una paradoja:

  • la IA permite a los profesionales desempeñarse en una variedad más amplia de áreas
  • la IA también puede debilitar la profundidad necesaria para supervisar bien esa variedad de trabajo

Esto es especialmente riesgoso porque la propia supervisión depende del criterio. Si el dominio del oficio se debilita demasiado, también se debilita la capacidad de usar la herramienta de forma segura.

5. Erosión de la mentoría y el aprendizaje social

La investigación de Anthropic también señala un problema organizacional menos visible: la IA se convierte en el primer recurso para preguntas que antes se hacían a los colegas. Algunos empleados informaron que, como resultado, tenían menos oportunidades de mentoría y menos colaboración.

Esto importa más de lo que parece a primera vista.

Gran parte del crecimiento profesional no ocurre mediante capacitación formal. Ocurre a través de interrupciones, preguntas, observación del trabajo de otros, correcciones y exposición a la forma de pensar de personas con más experiencia. Si la IA absorbe demasiada interacción en estas primeras etapas, las organizaciones pueden ganar velocidad a corto plazo mientras debilitan la infraestructura social que desarrolla el criterio con el tiempo.

Esta es una razón por la que la transición hacia la IA puede sentirse muy distinta para los profesionales sénior y júnior. Los expertos a menudo pueden usar la IA como acelerador. Los trabajadores con menos experiencia pueden usarla como sustituto antes de haber construido suficientes modelos mentales para evaluarla adecuadamente.

6. Preparación desigual para la IA y una nueva desigualdad dentro de las organizaciones

Otro problema emergente es que a muchos trabajadores se les pide adaptarse más rápido de lo que las instituciones les ayudan a hacerlo.

Una encuesta de Salesforce y Morning Consult de 2025 a más de 14,000 adultos en 13 países encontró una fuerte demanda de capacitación en IA entre los trabajadores, pero mucha menos confianza en que los empleadores o los gobiernos estén invirtiendo lo suficiente para prepararlos. Solo el 29% de los trabajadores a nivel mundial dijo que su lugar de trabajo invierte lo suficiente en capacitación sobre IA, y menos de la mitad de los adultos empleados dijo que su lugar de trabajo estaba preparado para usar herramientas de IA en el trabajo diario.

Eso significa que la transición hacia la IA no está ocurriendo en igualdad de condiciones.

Los profesionales con buenas herramientas, buenos hábitos para crear prompts, equipos que los apoyan y espacio para experimentar acumularán ventajas más rápido. Otros enfrentarán la presión de las expectativas en torno a la IA sin la capacitación, las normas ni el apoyo de sus gerentes que necesitan para usar bien las herramientas. El resultado no es solo una desigualdad de habilidades. Es una desigualdad de estrés.

Lo que los profesionales deberían tomar en serio

La lección central de todo esto es sencilla:

El cuello de botella humano en el trabajo con IA ya no es la producción en sí. Es la gestión de la atención, la calidad del criterio, el cierre y la recuperación.

Esto tiene varias implicaciones.

Primero, los profesionales necesitan mejores reglas para detenerse. La idea de meta-finalización de Theunis De Klerk es útil porque da nombre a la disciplina que falta en entornos de baja fricción. Si el costo de continuar siempre es bajo, detenerse de manera intencional se vuelve esencial.

Segundo, las organizaciones deben evitar confundir una mayor capacidad con una capacidad de trabajo habitual sostenible. La investigación de Berkeley Haas es especialmente importante en este punto. Lo que a corto plazo parece un impulso saludable puede convertirse en una jornada laboral permanentemente más densa si nadie protege los límites.

Tercero, los equipos deben tratar la supervisión de la IA como trabajo real. La verificación, la integración, el buen gusto, el criterio y los contraargumentos no son costos adicionales que se puedan ignorar. Ahora son funciones profesionales esenciales.

Por último, la pregunta más saludable ya no es «¿cuánto más rápido podemos avanzar con IA?».

Es esta:

¿Qué trabajo debería ampliarse, qué trabajo debería detenerse y qué límites humanos intentamos no sobrepasar en el proceso?

Esa es la verdadera pregunta sobre el futuro del trabajo.

Fuentes