Una promesa poderosa. Y la evidencia más reciente sugiere que, al menos como se está ejecutando hoy en la mayoría de las organizaciones, es falsa.
No porque la IA no funcione. Sino porque cuando algo funciona y hace el trabajo más fácil y rápido, no hacemos menos. Hacemos más.
En febrero de 2026, Harvard Business Review publicó uno de los estudios más rigurosos realizados hasta la fecha sobre el impacto real de la IA en el trabajo cotidiano. Las investigadoras Aruna Ranganathan, profesora asociada de la Haas School of Business de UC Berkeley, y Xingqi Maggie Ye, investigadora del mismo programa, pasaron ocho meses —de abril a diciembre de 2025— dentro de una empresa tecnológica estadounidense de 200 personas, observando en persona dos días por semana, rastreando canales internos de actividad laboral y realizando más de 40 entrevistas en equipos de ingeniería, producto, diseño, investigación y operaciones.
La empresa proporcionó acceso a herramientas de IA generativa. Nadie estaba obligado a usarlas.
Lo que encontraron contradice directamente el relato dominante: los empleados trabajaron a un ritmo más rápido, asumieron un mayor alcance de tareas y extendieron el trabajo a más horas del día, frecuentemente sin que nadie se los pidiera.
El 83% de los trabajadores reportó que la IA aumentó su carga de trabajo. El 62% de los asociados y el 61% de los trabajadores de nivel inicial reportaron burnout. Solo el 38% de los líderes de nivel C sintió la misma presión.
En otras palabras: quienes están haciendo el trabajo real están absorbiendo la intensidad. Quienes toman las decisiones sobre la adopción de IA, en su mayoría, no.
¿Cómo la IA expande el trabajo sin que nadie lo decida?
El hallazgo más importante del estudio no es el número, sino el mecanismo que lo explica. Las investigadoras identificaron tres patrones interrelacionados que transforman la eficiencia en intensidad:
Expansión de tareas. Cuando la IA hace más fácil cruzar las fronteras tradicionales del rol, las personas lo hacen. Gerentes de producto comenzaron a escribir código. Investigadores asumieron trabajo de ingeniería. Roles que antes tenían límites claros se difuminaron a medida que los colaboradores manejaron tareas que antes estaban fuera de su ámbito. La IA hizo que ese cambio pareciera viable. Lo que en teoría suena a enriquecimiento del trabajo, en la práctica se convierte en más responsabilidades sin más tiempo ni más reconocimiento.
Trabajo multihilo simultáneo. La IA introdujo un nuevo ritmo en el que los trabajadores gestionaban varios hilos activos a la vez: escribir código manualmente mientras la IA generaba una versión alternativa, ejecutar múltiples agentes en paralelo, o retomar tareas largamente postergadas porque la IA podía «manejarlas» en segundo plano. Los colaboradores describieron una sensación de «siempre hacer malabares, incluso cuando el trabajo se sentía productivo».
Workload creep. Es quizás el patrón más insidioso: el tiempo que la IA ahorró fue inmediatamente rellenado con más trabajo, no recuperado para el descanso o el pensamiento profundo. Los colaboradores se sentían más productivos, pero no menos ocupados. Frecuentemente, más ocupados. Al principio, esto se ve como productividad. Con el tiempo, se convierte en la nueva línea base de velocidad y capacidad de respuesta. Y esa nueva línea base no cede.
AI Brain Fry: cuando la IA fríe el cerebro
Un mes después del estudio de Berkeley, en marzo de 2026, Harvard Business Review publicó una segunda investigación que amplió el diagnóstico con un término que ya está entrando al vocabulario de la gestión del talento: AI brain fry
El estudio fue realizado por el BCG Henderson Institute con 1.488 trabajadores de distintos roles e industrias —uno de los análisis empíricos de factores humanos en la adopción de IA más grandes realizados hasta la fecha. Los participantes describieron una sensación de «zumbido» o niebla mental, con dificultad para concentrarse, toma de decisiones más lenta y dolores de cabeza. Los investigadores denominaron este fenómeno «AI brain fry», definido como la fatiga mental derivada del uso excesivo o la supervisión de herramientas de IA más allá de la capacidad cognitiva de la persona.
La causa no es usar IA. Es supervisarla. Los roles que requieren monitoreo sostenido de sistemas de IA demandan mayor esfuerzo mental y producen niveles más altos de fatiga y sobrecarga de información. Los empleados que reportaron que las herramientas de IA aumentaron su carga de trabajo también reportaron mayor tensión cognitiva.
Esto tiene una implicancia directa para cómo se diseña el trabajo con IA: hay una diferencia fundamental entre que la IA haga el trabajo y que la IA requiera supervisión constante. El estudio del BCG encontró que reemplazar tareas repetitivas con IA —en lugar de agregar supervisión de IA— reduce los puntajes de burnout en un 15%. El principio de diseño es claro: la IA debería hacer el trabajo, no crear más trabajo.
El estudio también identificó que el número de herramientas de IA usadas simultáneamente importa. Usar un conjunto pequeño de herramientas de IA se alineó con ganancias de productividad. Agregar más herramientas redujo esas ganancias. Más tecnología no es necesariamente mejor tecnología.
La paradoja de Jevons: cuando la eficiencia produce más consumo, no menos
Hay un concepto de economía del siglo XIX que explica con precisión lo que está ocurriendo. La paradoja de Jevons, formulada por el economista William Stanley Jevons en 1865, observó que cuando la eficiencia tecnológica aumenta, el consumo del recurso que esa tecnología usa también aumenta, no disminuye. Las máquinas de vapor más eficientes no redujeron el consumo de carbón: lo dispararon, porque hicieron que el carbón fuera más rentable de quemar.
Lo mismo está pasando con la IA y el trabajo humano. La productividad subió. Los outputs aumentaron. Las tareas se completaron más rápido. Pero el trabajo no se redujo. Se expandió. Las personas no tomaron el tiempo ahorrado y se fueron a casa temprano. Lo llenaron. Tomaron más. Se movieron más rápido. Estiraron su capacidad. Difuminaron la línea entre «terminado» y «podría estar mejor». La IA no creó holgura. Creó intensidad.
Y lo más revelador del estudio de Berkeley: nadie les pidió trabajar más. La empresa ofreció las herramientas. Los empleados voluntariamente expandieron sus propias cargas de trabajo.
Esto no es un problema de malos empleadores. Es un problema de diseño del trabajo y cultura organizacional.
El contexto que lo hace más urgente: el burnout ya venía de antes
La IA no está llegando a una fuerza laboral descansada y preparada para absorber más intensidad. Está llegando a una fuerza laboral que ya estaba al límite.
En 2025, el burnout alcanzó su nivel más alto en siete años. La fatiga cognitiva y la tensión mental han superado al volumen de trabajo como los principales predictores del agotamiento, según el Informe de Inteligencia de Fuerza Laboral de Deloitte 2025. El cerebro, no el calendario, se ha convertido en el nuevo cuello de botella.
El índice de tendencias laborales de Microsoft 2025 reportó un aumento del 42% en indicadores de sobrecarga digital. Y el informe State of the Global Workplace de Gallup 2025 encontró que el bienestar y el compromiso de los empleados ya estaban bajo presión significativa, especialmente entre los managers.
En este contexto, la IA puede aliviar la presión o amplificarla, dependiendo de cómo se rediseñe el trabajo a su alrededor. No hay un resultado predeterminado. Hay decisiones organizacionales que determinan cuál de los dos ocurre.
Una brecha preocupante: quién siente la carga y quién no en la empre
El dato del estudio de Berkeley que más debería preocupar a los líderes de RRHH no es el porcentaje de burnout. Es la asimetría.
El 62% de los asociados y el 61% de los trabajadores de nivel inicial reportaron burnout. Solo el 38% de los líderes de nivel C sintió la misma presión.
Quienes deciden sobre la adopción de IA en las organizaciones —y quienes comunican sus beneficios— son en su mayoría quienes menos sienten su costo. Eso crea un punto ciego sistémico: la narrativa corporativa sobre la IA se construye desde la experiencia de quienes la ven funcionar bien desde arriba, mientras la experiencia de quienes la viven desde abajo —con más carga, más expectativas y menos recuperación— no llega con la misma fuerza a las decisiones.
Esta brecha no es solo un problema de bienestar. Es un problema de calidad de las decisiones organizacionales. El workload creep puede verse como productividad al principio, y luego convertirse gradualmente en la nueva línea base de velocidad y capacidad de respuesta. Con el tiempo, esa intensidad puede contribuir al burnout, la tensión cognitiva y la fatiga en la toma de decisiones, lo que debilita el juicio y la calidad de las decisiones.
Lo que propone la investigación: una «práctica de IA»
La solución que surge de los estudios de Berkeley, BCG y Deloitte no es usar menos IA. Es usarla de manera más intencional y estructurada.
El concepto central que proponen las investigadoras Ranganathan y Ye es construir una «práctica de IA»: un conjunto de normas y estándares organizacionales alrededor del uso de la IA que incluya pausas intencionales, secuenciación del trabajo y más anclaje humano en los procesos. Piensa en pausas estructuradas antes de decisiones importantes, en secuenciar el trabajo para reducir el cambio de contexto, y en proteger tiempo para la conexión humana real.
El BCG añade tres principios de diseño basados en sus datos:
A nivel individual: ninguna persona debería estar monitoreando más de tres flujos de trabajo de IA simultáneamente. La productividad alcanza su pico con ese número de herramientas; agregar más la erosiona. Estructurar el día en bloques de trabajo enfocado —90 minutos de ciclos con pausas reales entre ellos— es más efectivo que la disponibilidad continua.
A nivel de equipo: establecer normas claras sobre cuándo usar IA, cuándo detenerse y cómo preservar la recuperación. Breves «pausas de decisión» antes de elecciones de alto impacto protegen la calidad del juicio humano en el momento que más importa.
A nivel organizacional: el sistema de medición importa. Si los indicadores de desempeño premian el volumen de output —cuántos documentos generados, cuántas tareas completadas, cuántos agentes de IA activos— la organización está incentivando la intensidad en lugar de la efectividad. Rediseñar qué se mide es rediseñar qué se valora.
El desafío urgente para RRHH
Si hay una función organizacional que debería estar al frente de esta conversación, es Recursos Humanos. No solo porque la evidencia apunta directamente al bienestar de las personas, sino porque las consecuencias de ignorarla tienen un costo medible en rotación, calidad de trabajo y capacidad de decisión organizacional.
Cuatro acciones concretas que RRHH puede —y debe— liderar:
- Incluir el burnout tecnológico en las mediciones de bienestar. Las encuestas de clima y las métricas de engagement actuales no están diseñadas para capturar la fatiga cognitiva específica que genera la supervisión de IA. Agregar preguntas sobre carga de trabajo con herramientas digitales, calidad del descanso cognitivo y sensación de control sobre la propia carga es el primer paso para hacer visible lo que hoy es invisible.
- Diseñar la adopción de IA con criterio de bienestar, no solo de productividad. Antes de implementar una nueva herramienta de IA, hacer la pregunta que casi nadie hace: ¿esto va a hacer el trabajo, o va a crear más trabajo de supervisión? La distinción es la diferencia entre una implementación que libera y una que agota.
- Formar a los managers en detección temprana de intensidad insostenible. Los managers son la primera línea de defensa contra el burnout tecnológico, y también los más vulnerables a no verlo porque ellos mismos lo están experimentando menos. Equiparlos con señales concretas de alerta —ritmo de trabajo, disponibilidad fuera de horario, calidad de las decisiones del equipo— es construir capacidad de respuesta antes de que el problema se vuelva crónico.
- Proteger el tiempo de trabajo profundo como política, no como consejo. El trabajo de alta calidad —el que requiere concentración sostenida, pensamiento creativo y juicio complejo— no ocurre en fragmentos de atención dividida entre herramientas de IA. Las organizaciones que protegen bloques de tiempo sin interrupciones no solo cuidan el bienestar: cuidan la calidad de su output más valioso.
La promesa que aún no se cumple
La IA tiene el potencial de reducir la carga de trabajo. La evidencia de los mejores estudios disponibles muestra que ese potencial existe, pero no se realiza de manera automática. Se realiza cuando las organizaciones toman decisiones conscientes sobre cómo diseñar el trabajo alrededor de la tecnología, no solo cómo adoptar la tecnología dentro del trabajo existente.
Hoy, la mayoría de las organizaciones está haciendo lo segundo. Y el resultado es predecible: más velocidad, más output, más expectativas y más personas al límite de lo que pueden sostener.
La buena noticia —y la hay— es que esto no es irreversible. La respuesta para resolver el AI brain fry no es eliminar la IA en el trabajo, sino pensar críticamente sobre cómo se está implementando.
RRHH tiene la información, el mandato y la posición para liderar esa conversación. La pregunta es si va a esperar a que el problema sea visible en los datos de rotación, o va a actuar antes de que el workload creep se convierta en la nueva normalidad.
El costo oculto: el impacto medioambiental de usar IA
Hay una dimensión del uso de IA que casi nunca aparece en los debates sobre productividad y bienestar, sin embargo es parte del mismo sistema de costos ocultos: el impacto ambiental.
Cada vez que usas una herramienta de IA generativa —ChatGPT, Copilot, Claude— hay un centro de datos en algún lugar del mundo que consume energía para procesar tu consulta. Una búsqueda en ChatGPT consume aproximadamente cinco veces más electricidad que una búsqueda web convencional, según estimaciones del MIT. Entrenar un modelo como GPT-3 generó cerca de 552 toneladas de CO₂ —equivalente a lo que emite un automóvil conduciendo más de dos millones de kilómetros.
Y el problema no es solo la formación de los modelos. Es su uso masivo y continuo. La inferencia —es decir, el uso diario de los modelos— representa hoy entre el 60% y el 70% del consumo energético total de la industria de IA, superando ya al costo de entrenarlos. Los centros de datos que sustentan la IA podrían consumir hasta 945 terawatt-horas de electricidad para 2030 —ligeramente más que el consumo energético total de Japón— según proyecciones de la Agencia Internacional de Energía.
Para 2026, los centros de datos de IA generaron aproximadamente 105 millones de toneladas métricas de CO₂, superando la huella de carbono de la industria de la aviación. Y el 60% del aumento en demanda eléctrica de estos centros se cubrirá quemando combustibles fósiles, según análisis de Goldman Sachs.
Pero hay una pregunta que pocas veces nos hacemos: ¿vale la pena usar IA para redactar un correo?
No es una pregunta retórica. La investigación del MIT Technology Review apunta a algo que los usuarios individuales raramente consideran: la facilidad de uso de las interfaces de IA y la falta de información sobre el impacto ambiental de cada acción hace que no pensemos en el costo de lo que hacemos. Usar IA para resumir un documento largo, automatizar un proceso repetitivo o analizar datos complejos tiene una relación costo-beneficio razonable. Usarla para escribir un correo de tres líneas que podrías redactar en 30 segundos, no tanto.
Esto no es un llamado a dejar de usar IA. Es un llamado a usarla con criterio. El mismo criterio que este artículo propone para gestionar la carga cognitiva aplica también para la huella ambiental: más tecnología no es necesariamente mejor tecnología, y el uso inconsciente tiene costos que se acumulan a escala.
Las organizaciones que están integrando criterios de sostenibilidad en sus políticas de uso de IA —definiendo qué tareas justifican el uso de herramientas intensivas en energía y cuáles no— están construyendo una madurez de adopción que va más allá de la eficiencia inmediata. Y ese es, también, un indicador de liderazgo responsable.
El burnout en Chile: una realidad que precede a la IA
Antes de que la IA intensificara el trabajo, el burnout ya era una crisis en desarrollo en Chile y Latinoamérica. Y entender ese contexto es fundamental para comprender por qué la adopción de IA sin diseño consciente es especialmente riesgosa en nuestra región.
Según el estudio Burnout Laboral 2025 de Buk, realizado con más de 5.700 colaboradores en Chile, México, Colombia y Perú, el 46% de los trabajadores encuestados reportó haber experimentado burnout al menos una vez durante 2024. En Chile específicamente, el 12% experimenta burnout de forma frecuente y crónica. Las mujeres lo reportan en mayor proporción (15% vs. 12% en hombres), reflejando la persistencia de la doble carga laboral y doméstica. Y la Generación Z es la más afectada a nivel regional, con una edad promedio de peak burnout que ha descendido a los 25 años.
Los tres factores que más lo detonan, según el mismo estudio, son la carga laboral excesiva, la falta de reconocimiento y la percepción de discriminación. Las personas con burnout tienen 10 puntos menos de capacidad para planificar y terminar tareas a tiempo, y el 40% de quienes lo sufren manifiesta intención de renunciar.
El burnout se reconoció oficialmente como «fenómeno ocupacional» en la 11ª edición de la Clasificación Internacional de Enfermedades de la OMS, y que más allá de los síntomas individuales, es un indicador de problemas sistémicos en la organización. La educación sobre el burnout es clave para proteger la salud mental, física y para fomentar un crecimiento profesional sostenible. Puedes profundizar en el tema en
En ese contexto, introducir IA en organizaciones que ya tienen colaboradores al límite —sin rediseñar el trabajo, sin gestionar la carga cognitiva, sin establecer normas de uso— no es transformación digital. Es acelerar un sistema que ya estaba sobrecargado.
Glosario de términos clave
Burnout — Agotamiento laboral crónico. Estado de fatiga física, emocional y cognitiva derivado de la exposición prolongada a situaciones de alta demanda sin recuperación suficiente. En el contexto de la IA, adquiere una dimensión específica relacionada con la sobrecarga cognitiva de gestionar múltiples herramientas y outputs.
Workload creep — Expansión silenciosa de la carga de trabajo. Fenómeno por el cual el tiempo liberado por la eficiencia tecnológica es inmediatamente ocupado con nuevas tareas, sin que nadie lo decida explícitamente. La carga no disminuye: se rellena. Con el tiempo, el nuevo nivel de carga se convierte en la expectativa estándar.
AI brain fry — Fatiga cognitiva específica por uso intensivo de IA. Término acuñado por el BCG Henderson Institute para describir el agotamiento mental derivado de supervisar, evaluar y corregir outputs de sistemas de IA de manera continua. Sus síntomas incluyen niebla mental, dificultad de concentración, toma de decisiones más lenta y dolores de cabeza.
Cognitive fatigue — Fatiga cognitiva. Deterioro del rendimiento mental después de un período prolongado de actividad cognitiva intensa. Distinta del cansancio físico, afecta específicamente la capacidad de concentración, la memoria de trabajo y la calidad de las decisiones.
Task expansion — Expansión de tareas. Fenómeno documentado en el estudio de Berkeley por el cual los colaboradores asumen responsabilidades fuera de su rol original porque la IA hace esa expansión técnicamente posible. No es una decisión organizacional: ocurre de manera orgánica y progresiva.
Workload density — Densidad de carga de trabajo. No solo cuánto trabajo hay, sino cuán comprimido está en el tiempo disponible. La IA puede aumentar la densidad sin aumentar el volumen: más tareas en el mismo período, más cambios de contexto, menos tiempo de recuperación entre actividades.
Cognitive load — Carga cognitiva. Cantidad de esfuerzo mental activo requerido para procesar información y tomar decisiones en un momento dado. La supervisión de múltiples agentes de IA simultáneamente genera una carga cognitiva alta incluso cuando las tareas individuales parecen simples.
Decision fatigue — Fatiga decisional. Deterioro de la calidad de las decisiones después de haber tomado muchas decisiones en un período corto. La IA no elimina las decisiones humanas: en muchos casos las multiplica al generar outputs que requieren evaluación y validación constante.
AI practice — Práctica de IA. Concepto propuesto por las investigadoras Ranganathan y Ye de UC Berkeley para describir el conjunto de normas, estándares y rutinas organizacionales que regulan cómo, cuándo y con qué intensidad se usa la IA en el trabajo. Su ausencia es la principal causa del workload creep.
Deep work — Trabajo profundo. Concepto desarrollado por Cal Newport para describir el estado de concentración cognitiva sin interrupciones que permite producir trabajo de alta calidad. Es el tipo de trabajo más amenazado por la fragmentación de atención que genera el uso simultáneo de múltiples herramientas de IA.
Paradoja de Jevons — Principio económico que establece que cuando la eficiencia tecnológica en el uso de un recurso aumenta, el consumo total de ese recurso también aumenta en lugar de disminuir, porque la mayor eficiencia hace más rentable su uso. Aplicada al trabajo y la IA: más eficiencia no produce menos trabajo, produce más.
