La trampa de la intensificación

El discurso era simple. La IA se encarga del trabajo rutinario. Tú te encargas del trabajo creativo. La máquina te quita las tareas repetitivas del plato, y tú usas el tiempo liberado para pensar, para estrategia, para el trabajo que solo los humanos pueden hacer. Todos ganan. Las ganancias de productividad son reales y la jornada laboral se aligera.

Ese era el discurso. Esto es lo que realmente ocurrió.

En febrero de 2026, Aruna Ranganathan y Xingqi Maggie Ye publicaron los resultados de un estudio etnográfico de ocho meses en la Harvard Business Review. Ye, doctoranda en la Haas School of Business de UC Berkeley, se había integrado en una empresa tecnológica estadounidense de aproximadamente doscientos empleados. Los observaba dos veces por semana, monitorizaba sus canales de comunicación y realizó más de cuarenta entrevistas en profundidad en ingeniería, producto, diseño, investigación y operaciones. El estudio cubrió de abril a diciembre.

La conclusión no fue la que la narrativa de la productividad predecía. Los empleados que usaban herramientas de IA no trabajaron menos. Trabajaron más. Más rápido. Asumieron un abanico más amplio de tareas. Extendieron el trabajo a horas que antes estaban vacías — pausas para el almuerzo, noches, los diez minutos antes de una reunión. La herramienta que debía crear holgura la consumió.

Ranganathan y Ye identificaron tres formas de intensificación. La primera fue la expansión de alcance: las personas empezaron a asumir trabajo que anteriormente habría pertenecido a otra persona o que no se habría intentado. La definición de “mi trabajo” se amplió. La segunda fue la disolución de fronteras: como la IA facilita iniciar y continuar tareas, el trabajo se infiltró en momentos que antes funcionaban como pausas. Un prompt durante el almuerzo. Una consulta antes de dormir. Los puntos de parada naturales de la jornada laboral se disolvieron. La tercera fue el procesamiento paralelo: los trabajadores mantenían múltiples hilos simultáneamente, ejecutando procesos de IA en segundo plano mientras asistían a reuniones, revisaban código o redactaban documentos.

Nada de esto fue impuesto. Nadie les dijo a estos empleados que trabajaran más. La intensificación fue voluntaria — o así lo parecía. La herramienta hizo que hacer más pareciera posible, accesible y gratificante en el momento. Así que la gente hizo más. Y el hacer más se convirtió en la nueva línea base.

La Paradoja de Jevons del trabajo

Este patrón tiene nombre, aunque viene de un siglo diferente y de un recurso diferente. En 1865, el economista inglés William Stanley Jevons observó que las mejoras de James Watt al motor de vapor — que aumentaron drásticamente la eficiencia del uso del carbón — no llevaron a una reducción del consumo de carbón. Llevaron a un aumento. El motor era más eficiente por unidad de trabajo, así que resultó económico usarlo para más trabajo. El consumo total de carbón subió, no bajó.

La Paradoja de Jevons — el hallazgo de que las ganancias de eficiencia en el uso de recursos conducen a un mayor consumo total de ese recurso — trataba sobre el carbón. Pero el mecanismo trata sobre incentivos, y los incentivos no distinguen a qué recurso se vinculan.

La IA es el motor de Watt del trabajo cognitivo. Hace que cada unidad de trabajo de conocimiento sea más eficiente. Un borrador que llevaba dos horas lleva cuarenta minutos. Un análisis de datos que requería un especialista puede ahora ser aproximado por un generalista con el prompt adecuado. Un informe que no se habría escrito — porque el coste superaba el valor percibido — ahora se escribe, porque el coste cayó por debajo del umbral.

La eficiencia por tarea es real. Ranganathan y Ye no la disputan. La paradoja es que la eficiencia por tarea, agregada en una organización que mide volumen de producción, produce intensificación, no alivio. La cantidad total de trabajo cognitivo aumenta. La jornada laboral se vuelve más densa, no más corta. La cinta de correr acelera.

Esto no es un fallo tecnológico. La tecnología hizo exactamente aquello para lo que fue diseñada. Esto es un fallo de diseño de incentivos. Los sistemas organizacionales que rodean la tecnología recompensan el volumen de producción. Cuando una herramienta hace posible producir más, el sistema absorbe el aumento. El tiempo liberado no se devuelve al trabajador. Se reinvierte en más trabajo — automática, estructuralmente, sin que nadie tome la decisión consciente de intensificar.

La métrica recompensa la intensificación

Charles Goodhart, un economista británico, articuló un principio en 1975 que se ha convertido en una de las observaciones más citadas en diseño organizacional: “Cuando una medida se convierte en un objetivo, deja de ser una buena medida.” Goodhart escribía sobre política monetaria, pero el principio se aplica donde sea que las métricas determinen el comportamiento.

La mayoría de las organizaciones miden la productividad como producción por unidad de tiempo. Tareas completadas. Tickets resueltos. Documentos producidos. Líneas de código escritas. Correos enviados. La métrica es volumen.

Cuando la IA entra en este sistema, el volumen aumenta. La métrica mejora. Los dashboards se ponen en verde. Los informes trimestrales celebran las ganancias de productividad. Y nadie pregunta si las personas que producen están trabajando más duro, pensando más o descansando menos — porque la métrica no rastrea la carga cognitiva. Rastrea volumen. Y el volumen subió.

El Upwork Research Institute, en asociación con Workplace Intelligence, encuestó a 2.500 trabajadores a nivel mundial en 2024 — incluyendo 1.250 ejecutivos de nivel C. El hallazgo principal: el 77 por ciento de los empleados que usaban IA dijeron que las herramientas habían añadido carga a su trabajo. No reducido. Añadido. Las fuentes de la carga adicional fueron específicas: el 39 por ciento reportó pasar más tiempo revisando o moderando contenido generado por IA. El 23 por ciento reportó invertir más tiempo aprendiendo a usar las herramientas. El 21 por ciento reportó que se les pidió hacer más trabajo como resultado directo de la IA.

Los ejecutivos, mientras tanto, estaban entusiasmados. El noventa y seis por ciento expresó altas expectativas de que la IA mejoraría la productividad. La brecha entre la expectativa ejecutiva y la experiencia del empleado no es un problema de comunicación. Es un problema de medición. Los ejecutivos miran la métrica de volumen. La métrica subió. Los empleados viven dentro de la métrica de volumen. El volumen subió porque están haciendo más trabajo.

La ley de Goodhart predice esto con precisión. La organización hizo objetivo del volumen de producción. La métrica mejoró. Y la métrica dejó de ser una buena medida de lo que supuestamente representaba — que no era volumen, sino valor por unidad de esfuerzo humano.

Lo que la IA deja atrás

Hay una dimensión más sutil de la intensificación que las métricas de volumen no captan en absoluto.

Cuando la IA se encarga de las tareas rutinarias — el primer borrador, la extracción de datos, la plantilla, el resumen — lo que queda para el humano no es rutinario. Es la parte difícil. Las decisiones de juicio. La ambigüedad. Las decisiones que requieren contexto, matiz y conocimiento de dominio que el modelo no tiene.

Este es el residuo cognitivo del trabajo aumentado por IA. Las tareas fáciles se automatizan. Las tareas difíciles permanecen. Y las tareas difíciles son más difíciles ahora — no porque hayan cambiado, sino porque las tareas fáciles proporcionaban descanso cognitivo. El trabajo rutinario era una pausa. No una pausa emocionante, no una pausa reparadora en el sentido consciente, sino un periodo de menor demanda cognitiva que permitía al cerebro recuperarse entre episodios de pensamiento exigente.

La distinción de Daniel Kahneman entre Sistema 1 (rápido, automático, poco esfuerzo) y Sistema 2 (lento, deliberado, mucho esfuerzo) es útil aquí. Las tareas rutinarias viven en el Sistema 1. Las tareas de juicio viven en el Sistema 2. El Sistema 2 es metabólicamente caro — consume glucosa, produce fatiga, tiene un presupuesto diario limitado. Una jornada laboral que mezcla tareas de Sistema 1 y Sistema 2 es sostenible. Una jornada laboral que es predominantemente Sistema 2 — porque las tareas de Sistema 1 se han automatizado — no es sostenible con la misma duración.

La investigación de Workday, realizada con Hanover Research y publicada en enero de 2026, encontró que el 37 por ciento del tiempo que los empleados ahorraban con IA se perdía en retrabajo — corregir errores, verificar resultados, reescribir contenido que no cumplía requisitos de calidad o contexto. El setenta y siete por ciento de los empleados revisaba el trabajo generado por IA tan cuidadosamente, o más cuidadosamente, que el trabajo hecho por humanos. Solo el 14 por ciento reportó consistentemente resultados netos positivos del uso de IA.

El retrabajo es trabajo de Sistema 2. Evaluar la producción de una IA requiere juicio, comparación, verificación — todo exigente, todo metabólicamente caro, todo consumiendo del mismo presupuesto cognitivo limitado que el tiempo “liberado” supuestamente repondría. El empleado ahorró cuarenta minutos en el borrador y gastó veinticinco minutos verificando el resultado. El ahorro neto son quince minutos. Pero el perfil cognitivo de esos veinticinco minutos es más exigente que los cuarenta minutos que reemplazaron, porque revisar el trabajo de otro buscando errores que no se pueden predecir requiere más atención sostenida que producir trabajo según un patrón que ya se conoce.

La métrica de volumen ve quince minutos ahorrados. El córtex prefrontal del empleado ve veinticinco minutos de verificación de alta demanda añadidos a un día que ya estaba saturado.

La colisión demanda-control

El modelo demanda-control de Robert Karasek, desarrollado en 1979 y refinado a lo largo de cuatro décadas de investigación en salud ocupacional, describe la tensión laboral como la interacción entre dos variables: las demandas impuestas al trabajador y el control que el trabajador tiene sobre cómo satisfacer esas demandas.

Demandas elevadas combinadas con control elevado producen trabajo activo — desafiante, sostenible y asociado al aprendizaje y al desarrollo profesional. Demandas elevadas combinadas con bajo control producen trabajo de alta tensión — la configuración más fuertemente asociada al burnout, la enfermedad cardiovascular y el estrés crónico.

El trabajo aumentado por IA, tal como Ranganathan y Ye lo documentaron, es crecientemente exigente. El alcance es más amplio. El ritmo es más rápido. Las fronteras se han disuelto. La carga cognitiva por hora es más alta porque las tareas rutinarias se han ido y las tareas de juicio permanecen.

La dimensión del control es donde la trampa se cierra. En la mayoría de las organizaciones, el trabajador individual no controla los objetivos de volumen. No establece las expectativas de producción. No decide cómo se asignan los ahorros de tiempo de la IA. Los ahorros de tiempo son automáticamente absorbidos por el sistema — por el siguiente ticket en la cola, por el siguiente proyecto que se vuelve viable, por el siguiente informe que alguien solicita porque “la IA puede hacerlo rápido.”

Demandas elevadas. Bajo control. El modelo de Karasek predice tensión. La predicción no es teórica. El 29.o Global CEO Survey de PwC, publicado en enero de 2026 y cubriendo 4.454 CEOs en 95 países, encontró que el 56 por ciento no reportaba beneficio financiero significativo de sus inversiones en IA. Solo el 12 por ciento reportó mejoras tanto en costes como en ingresos. La inversión está produciendo intensificación a nivel del trabajador sin producir retornos a nivel organizacional. La cinta de correr va más rápido pero el edificio no se ha movido.

El incentivo que nadie rediseñó

Esta es la frase que quiero retener: el problema no es la IA. El problema es la estructura de incentivos que rodea a la IA.

Cuando una organización despliega una herramienta de IA y mide su impacto a través del volumen de producción, la organización ha construido una máquina de intensificación. No intencionalmente. No maliciosamente. Estructuralmente. La herramienta aumenta la eficiencia por tarea. La métrica recompensa volumen. El volumen aumenta. Los empleados absorben el aumento. El ciclo continúa.

La salida de la trampa no es eliminar la herramienta. La herramienta funciona. La eficiencia por tarea es genuina. La salida es rediseñar el incentivo.

Esto requiere medir algo diferente. No el volumen de producción. El valor de la producción por unidad de esfuerzo cognitivo. Esto es más difícil de medir que el volumen — que es precisamente la razón por la que las organizaciones recurren al volumen. El volumen es fácil de contar. El esfuerzo cognitivo no. Pero la ley de Goodhart es clara: la métrica fácil, una vez convertida en objetivo, deja de medir lo que importa.

¿Cómo sería medir de forma diferente?

Significaría rastrear no cuántos informes produjo el equipo, sino cuáles llevaron a decisiones. No cuántos tickets se resolvieron, sino cuáles resoluciones se mantuvieron — cuáles no volvieron como incidencias reabiertas dentro de treinta días. No cuántos documentos se redactaron, sino cuáles documentos fueron leídos, citados y usados. La métrica se desplaza de la producción al impacto.

Significaría también rastrear la carga cognitiva directamente. No como una iniciativa de bienestar — como una variable operacional. La investigación de Workday encontró que casi nueve de cada diez empresas habían actualizado menos de la mitad de sus puestos para reflejar las capacidades de IA. Solo el 37 por ciento de los usuarios intensivos de IA recibieron formación adicional. Las organizaciones están desplegando herramientas sin rediseñar los puestos que esas herramientas cambian. El perfil de demanda del puesto ha cambiado — más juicio, menos rutina — pero la descripción del puesto, las métricas de desempeño y el volumen de producción esperado no han cambiado.

El puesto es nuevo. El incentivo es antiguo. La brecha entre ambos es la trampa de la intensificación.

La metáfora de la cinta de correr

Vuelvo siempre a la imagen de una cinta de correr — no porque sea ingeniosa, sino porque es precisa.

Una cinta de correr aumenta tu velocidad sin cambiar tu ubicación. Corres más rápido. Tu frecuencia cardíaca sube. Tus músculos trabajan más. Sudas. Y al final, estás exactamente en el mismo sitio donde empezaste.

El trabajo aumentado por IA, bajo la estructura de incentivos actual, es una cinta de correr. La velocidad por tarea aumenta. El volumen aumenta. El esfuerzo cognitivo aumenta. Y los resultados — medidos a nivel organizacional — no mejoran proporcionalmente. Los datos de PwC son inequívocos: el 56 por ciento de los CEOs no reporta beneficio financiero. La cinta de correr funciona. El edificio no se mueve.

La cinta de correr no está averiada. Funciona exactamente como fue diseñada. El problema es que nadie preguntó si una cinta de correr era la máquina correcta para el objetivo. Si el objetivo es avanzar — crear más valor, no más volumen — se necesita una máquina diferente. Una máquina que recompense impacto, no rendimiento. Una máquina que mida la calidad de las decisiones, no la cantidad de producciones.

La cinta de correr mide pasos. El destino requiere dirección.

Lo que las organizaciones pueden hacer

Desconfío de las listas prescriptivas. Reducen problemas complejos a elementos de acción, y los elementos de acción sin contexto son la ley de Goodhart esperando suceder — la lista se convierte en el objetivo, el objetivo deja de ser útil. Pero hay intervenciones estructurales que cambian el paisaje de incentivos en lugar de simplemente añadir tareas.

Redefinir para qué sirven los ahorros de tiempo de la IA. Si la IA ahorra a un equipo ocho horas semanales, esas ocho horas deben ser explícitamente asignadas — y la asignación no debe ser por defecto “más del mismo trabajo.” Las opciones incluyen: tiempo de pensamiento profundo (bloques no programados y no monitorizados para resolución de problemas complejos), desarrollo de competencias (aprendizaje que no es directamente productivo pero construye capacidad futura), recuperación (descanso cognitivo que reduce la carga acumulada y previene el burnout que el modelo de Karasek predice). La asignación es una decisión de diseño. Si la organización no la toma, el sistema la tomará por ella — y el sistema recurre por defecto a más volumen.

Separar la métrica de volumen de la métrica de desempeño. El volumen es una medida de actividad. Dice lo que ocurrió. No dice cuánto valió. Las métricas de desempeño deben rastrear resultados: decisiones tomadas, problemas resueltos, calidad mantenida, errores evitados. Estos son más difíciles de contar. Esa dificultad es el objetivo. Las métricas fáciles producen la ley de Goodhart. Las métricas difíciles producen información.

Rediseñar puestos para reflejar el trabajo aumentado por IA. Si la IA se encarga de la rutina, el puesto es ahora un puesto de juicio. Los puestos de juicio requieren competencias diferentes, formación diferente, perfiles cognitivos diferentes y patrones de descanso diferentes. Un puesto que era 60 por ciento rutina y 40 por ciento juicio es ahora 20 por ciento rutina y 80 por ciento juicio. Las expectativas de desempeño, la formación y los objetivos de carga de trabajo deben reflejar ese cambio. Casi nunca lo hacen.

Hacer visible la carga cognitiva. No como una iniciativa de bienestar en el portal de RR.HH. Como un dashboard operacional junto a las métricas de volumen. Cuando los líderes pueden ver que el volumen subió y la carga cognitiva subió, la conversación cambia. La intensificación se hace visible. Y los problemas visibles son más fáciles de abordar que los invisibles.

La integración

Esta es la tensión que quiero mantener sin colapsar.

Las herramientas de IA son genuinamente eficientes. Reducen el tiempo y el esfuerzo necesarios para tareas específicas. La mejora por tarea es medible y real. Ranganathan y Ye no descubrieron que la IA falla en su función prevista. Descubrieron que tiene éxito — y el éxito, en el contexto de incentivos basados en volumen, produce una paradoja que perjudica a las personas que hacen el trabajo.

La herramienta no es la trampa. El incentivo es la trampa. La herramienta es una cinta de correr. Si te hace avanzar o te mantiene corriendo en el sitio depende enteramente del sistema en el que se encuentra.

Las organizaciones que despliegan IA sin rediseñar sus estructuras de incentivos obtendrán intensificación. No porque la IA sea defectuosa, sino porque el diseño organizacional está optimizado para una métrica que la IA hace fácil de inflar. La métrica sube. Los humanos dentro de la métrica se cansan más. Los resultados, al nivel que importa — retornos financieros, desempeño sostenible, bienestar de los empleados — no mejoran.

Las organizaciones que rediseñan el incentivo — que miden impacto en lugar de volumen, que asignan el tiempo ahorrado deliberadamente, que reconocen el cambio cognitivo del trabajo rutinario al trabajo de juicio — obtendrán algo diferente. No necesariamente más producción. Posiblemente menos producción, en volumen. Pero mejores decisiones. Menos errores. Ritmo sostenible. Y herramientas que la gente usa porque las herramientas mejoran su trabajo, no porque las herramientas lo aumentan.

La trampa de la intensificación no es un problema de tecnología. Es un problema de diseño de incentivos disfrazado de problema tecnológico. La tecnología hizo lo que se le pidió. La pregunta es qué le pidió la organización — y si alguien se acordó de preguntar a las personas que hacen el trabajo si “más, más rápido” era la respuesta correcta.

La cinta de correr funciona. La pregunta no es si hay que bajarse. Es si hay que cambiar el destino.