El 10× no está donde crees: qué dice la evidencia sobre la IA en tareas cotidianas

Resumen

La afirmación de que la inteligencia artificial generativa permite hacer ciertas tareas «diez veces más rápido» circula sin apenas cuantificación. Este artículo revisa ocho estudios —seis de ellos experimentos controlados aleatorizados— publicados entre 2022 y 2026, con muestras que van de 16 a más de 5.000 participantes. La evidencia sostiene aceleraciones sustanciales y replicadas en tareas acotadas: entre el 26% y el 56% de reducción de tiempo según el dominio, y hasta órdenes de magnitud en subtareas muy concretas. Pero la misma evidencia muestra dos límites duros. Primero, la ganancia se concentra en los trabajadores con menos experiencia y casi desaparece —o se invierte— en los expertos. Segundo, la aceleración de una subtarea no se propaga al proceso completo: la ley de Amdahl acota matemáticamente la mejora total, y un experimento de 2025 encontró desarrolladores experimentados un 19% más lentos con IA mientras creían haber ido un 20% más rápido. La conclusión no es que la IA no funcione, sino que su efecto es una reasignación del esfuerzo, no una multiplicación de la capacidad.

---

1. Introducción: una pregunta mal planteada

La discusión pública sobre la IA y el trabajo suele formularse en términos de capacidad: qué puede hacer una máquina que un humano no pueda. Es una pregunta interesante, pero para casi cualquier decisión práctica es la pregunta equivocada.

Redactar la primera versión de un contrato, escribir la documentación de un módulo, transcribir una reunión, normalizar un archivo de inventario con tres mil filas, traducir una propuesta comercial, generar cincuenta casos de prueba: un profesional competente puede hacer todo eso. No hay ninguna barrera de capacidad. Lo que hay es un coste de tiempo y de atención, y ese coste es sustituible.

La hipótesis que este artículo examina es, por tanto, más modesta y más comprobable:

Formulada así, la afirmación deja de ser retórica y pasa a ser medible. Y se ha medido.

---

2. Marco conceptual

2.1 La unidad de análisis es la tarea, no el oficio

El marco que hoy domina la economía laboral descompone cada ocupación en un conjunto de tareas y asigna la tecnología a las tareas, no a los puestos^[1]. Bajo este enfoque, la pregunta «¿la IA sustituye a un abogado?» carece de contenido empírico; la pregunta con contenido es qué proporción de las tareas de un abogado es automatizable, y qué ocurre con el tiempo liberado.

Esto importa porque una ocupación puede tener el 30% de sus tareas fuertemente aceleradas y aun así mostrar una ganancia de productividad agregada modesta. Es exactamente lo que observan los experimentos, y la razón es aritmética.

2.2 El techo teórico: la ley de Amdahl

La ley de Amdahl, formulada en 1967 para el paralelismo en computación^[2], se aplica sin modificación a cualquier proceso descomponible en partes. Si una fracción p del tiempo total se acelera un factor s, la mejora del conjunto es:

S = 1 / ((1 − p) + p / s)

Supongamos el caso favorable que motiva este artículo: una subtarea que ocupa el 30% del tiempo de un proceso y que la IA acelera diez veces.

S = 1 / ((1 − 0,30) + 0,30 / 10)
S = 1 / (0,70 + 0,03)
S = 1,37

La subtarea va diez veces más rápido y el proceso completo mejora un 37%. Peor aún: si la aceleración fuese infinita —si esa parte del trabajo desapareciera por completo— el techo sería 1/0,70 = 1,43, es decir, un 43%. Ninguna mejora en el 30% del proceso puede superar ese límite.

Esta es la razón por la que «10×» y «37%» pueden ser ciertos a la vez y describir el mismo fenómeno. Toda la discusión posterior es una nota al pie de esta ecuación.

---

3. Evidencia empírica

Siete estudios de campo publicados entre 2022 y 2026 —seis ensayos controlados aleatorizados y uno de despliegue escalonado— permiten cuantificar el efecto en dominios distintos.

3.1 Redacción profesional

Noy y Zhang asignaron aleatoriamente a 453 profesionales con formación universitaria tareas de escritura realistas —notas de prensa, informes breves, correos delicados— con y sin acceso a un asistente generativo^[3]. El grupo tratado redujo el tiempo un 40% y aumentó la calidad evaluada por jueces ciegos un 18%. El resultado es importante porque descarta la objeción más obvia: la velocidad no se compró degradando el producto.

3.2 Programación

El estudio de GitHub sobre Copilot midió una tarea cerrada —implementar un servidor HTTP en JavaScript— y encontró una reducción del 55,8% en el tiempo de finalización^[4]. Es la cifra más citada del campo y también la más malinterpretada: se trata de una tarea de laboratorio, autocontenida, sin código heredado, sin revisión por pares y sin ambigüedad de requisitos.

Cuando la misma pregunta se lleva al trabajo real, el efecto se reduce pero sobrevive. Cui y coautores agregaron tres experimentos de campo en Microsoft, Accenture y una empresa del Fortune 100, con 4.867 desarrolladores, y midieron un aumento del 26,1% en tareas completadas^[5]. La distancia entre el 56% del laboratorio y el 26% del campo es, precisamente, la ley de Amdahl operando sobre un proceso con reuniones, revisiones, despliegues y esperas.

3.3 Consultoría estratégica

El experimento con 758 consultores del Boston Consulting Group es el más rico metodológicamente^[6]. En tareas dentro de la capacidad del modelo, el grupo tratado completó un 12,2% más de tareas, un 25,1% más rápido y con una calidad superior en más de un 40%. Pero los autores diseñaron además un conjunto de tareas deliberadamente situadas fuera de esa capacidad, y ahí los consultores con IA fueron 19 puntos porcentuales menos propensos a producir una respuesta correcta que los que trabajaban sin ella.

De ese contraste nace el concepto de jagged frontier: la frontera de lo que el modelo hace bien no es una línea ordenada por dificultad percibida, sino un borde irregular e invisible desde fuera. Tareas que a un humano le parecen equivalentes caen a lados opuestos.

3.4 Atención al cliente

Brynjolfsson, Li y Raymond siguieron durante un año a 5.179 agentes de soporte con despliegue escalonado de un asistente^[7]. Es el único trabajo de esta tabla que no asigna el tratamiento al azar: aprovecha el orden de implantación como cuasi-experimento, lo que lo hace algo menos concluyente que los demás y, a cambio, mucho más grande y más largo. El efecto medio fue un aumento del 14% en incidencias resueltas por hora. La distribución de ese efecto es lo relevante: 34% para los agentes novatos y prácticamente nulo para los más experimentados.

3.5 Un patrón transversal, con una excepción

Cuatro de los estudios coinciden en que la ganancia se concentra en el extremo inferior de la distribución de habilidad. La interpretación habitual es que el modelo codifica una aproximación a las buenas prácticas del dominio, y quien ya las domina no tiene nada que recibir.

Conviene señalar una excepción documentada. Otis y coautores, trabajando con 640 empresarios kenianos, encontraron el patrón invertido: los de mejor desempeño previo mejoraron algo más de un 15%, y los de peor desempeño empeoraron un 8%^[8]. El efecto medio del tratamiento no fue estadísticamente significativo: la media ocultaba dos poblaciones moviéndose en direcciones opuestas. La explicación propuesta es que aprovechar un consejo genérico exige criterio para filtrarlo, y ese criterio correlaciona con la competencia previa. La lección metodológica es que «la IA nivela el terreno» no es una ley general sino un resultado dependiente del dominio y del diseño de la tarea.

---

4. Evidencia en contra

Una revisión que solo acumulase resultados favorables sería propaganda. Hay al menos tres hallazgos que tensionan la narrativa.

4.1 Desarrolladores expertos, un 19% más lentos

En 2025, METR ejecutó un ensayo controlado con 16 desarrolladores de código abierto experimentados sobre 246 tareas reales en repositorios que ellos mismos mantenían desde hacía años^[9]. El resultado contradice todo lo anterior: con herramientas de IA tardaron un 19% más.

El detalle que hace este estudio memorable es la brecha perceptiva. Antes de empezar, los participantes preveían una aceleración del 24%. Después de terminar —habiendo ido más lentos— seguían estimando que habían ido un 20% más rápido.

La muestra es pequeña y el contexto muy específico: repositorios grandes, con convenciones tácitas, mantenidos por sus autores. Es probablemente el peor escenario posible para un asistente, y sus propios autores advierten contra generalizarlo. Pero delimita con precisión dónde deja de funcionar el efecto.

4.2 La percepción no es una medida

El hallazgo de METR no es aislado. Ya en 2022, un estudio de usabilidad en CHI había encontrado que los programadores no completaban las tareas significativamente más rápido con un asistente de código, y sin embargo lo preferían de forma clara y declaraban sentirse más productivos^[10].

La conclusión metodológica es incómoda para cualquier equipo que evalúe herramientas: la satisfacción declarada y el rendimiento medido son variables distintas y pueden divergir en direcciones opuestas. Toda estimación de productividad basada en encuestas internas debería tratarse como una medida de satisfacción, no de tiempo.

4.3 El coste de verificación

Hay una asimetría estructural en el trabajo asistido por IA: generar una salida plausible es barato, y verificar que es correcta no lo es. Cuando la probabilidad de error es baja pero no nula, y el coste de un error no detectado es alto, revisar puede consumir más tiempo que producir desde cero.

Este es el mecanismo que mejor explica el resultado de METR. Un experto que conoce el repositorio produce código correcto en la primera pasada; introducir un generador convierte su trabajo de escribir en auditar, que es una actividad más lenta y cognitivamente más cara.

---

5. Discusión

5.1 Los resultados no se contradicen

La aparente contradicción entre «56% más rápido» y «19% más lento» se disuelve al aplicar el marco de la sección 2. Los estudios miden cosas distintas:

• Los que reportan grandes ganancias miden tareas acotadas, donde p se acerca a 1 y la ley de Amdahl casi no penaliza.
• Los que reportan ganancias moderadas miden procesos completos, donde p es pequeño y el techo teórico es bajo con independencia de lo bueno que sea el modelo.
• El que reporta pérdidas mide procesos completos ejecutados por quien ya opera cerca del óptimo, donde el coste de verificación supera al de generación.

El «10×» de la conversación popular es real y ocurre en el nivel de la subtarea. El error consiste en propagarlo aritméticamente al mes de trabajo.

5.2 La ironía de la automatización

Bainbridge describió en 1983 un patrón que se ha replicado en aviación, control industrial y medicina: automatizar las partes fáciles de una labor deja al operador humano con el residuo difícil, y simultáneamente le retira la práctica rutinaria que mantenía su competencia^[11]. El operador queda a cargo justo de lo que la máquina no supo resolver, con menos entrenamiento del que tenía antes.

Trasladado al trabajo del conocimiento: si un desarrollador júnior delega sistemáticamente la escritura de funciones sencillas, adquiere más despacio el criterio que necesitará para auditar las difíciles. El efecto es invisible a corto plazo y se paga a dos o tres años vista. La literatura sobre confianza en la automatización lleva décadas documentando además el sesgo de automatización: la tendencia a aceptar la sugerencia de un sistema sin la verificación que se aplicaría a un humano^[12].

5.3 Qué se hace con el tiempo liberado

Ningún estudio revisado mide la asignación del tiempo ahorrado, y es probablemente la variable que más importa. Una hora liberada puede ir a trabajo de mayor valor, a más volumen del mismo trabajo, o a nada en particular. La productividad agregada de la organización depende por completo de cuál de las tres, y esa decisión no es tecnológica.

---

6. Limitaciones de esta revisión

La honestidad sobre las limitaciones es parte del método:

1. Validez externa. La mayoría de los experimentos usa tareas diseñadas para ser medibles en horas. El trabajo real se extiende semanas e incluye negociación, ambigüedad y cambios de alcance.
2. Efecto de novedad. Los seguimientos rara vez superan los doce meses. No sabemos si la ganancia persiste, crece por aprendizaje o decae.
3. Ventana temporal. Los modelos se revisan más rápido de lo que se publica un artículo con revisión por pares. Un estudio de 2023 mide un sistema que ya no existe.
4. Autoselección. En los estudios de campo, quien adopta la herramienta antes suele ser distinto de quien la adopta tarde, en formas que correlacionan con el desempeño.
5. Sesgo de publicación y de financiación. Varios de estos trabajos han sido financiados o coescritos por empresas con interés directo en el resultado. Lo señalo sin descalificarlos: son, con diferencia, la mejor evidencia disponible, y sus autores publican metodología y datos.

---

7. Implicaciones prácticas

De la evidencia se derivan cuatro criterios operativos:

Mida el proceso, no la subtarea. Si va a evaluar la adopción de una herramienta, defina antes la métrica de salida —tiempo de ciclo, incidencias resueltas, propuestas entregadas— y mídala. La sensación del equipo, según los datos de la sección 4.2, no es un sustituto válido.

Estime p antes de proyectar el retorno. ¿Qué fracción real del tiempo de su equipo ocupa la parte automatizable? Si es el 20%, su techo es una mejora del 25% aunque la subtarea se vuelva instantánea.

Empiece por donde la brecha es mayor. El retorno es sistemáticamente más alto en los perfiles con menos experiencia y en las tareas donde el equipo tiene menos criterio propio.

Presupueste la verificación. La aceleración es real en la generación y nula en la revisión. Si el coste de un error es alto, el tiempo de auditoría debe entrar en la cuenta desde el principio, no descubrirse después.

---

8. Conclusión

La evidencia sostiene la tesis modesta y no la ambiciosa. La IA generativa no amplía lo que un profesional es capaz de hacer: reduce el coste de un subconjunto identificable de sus tareas, con efectos medidos entre el 26% y el 56% en dominios acotados, concentrados en quienes menos experiencia tienen y con al menos un contexto documentado donde el efecto se invierte.

Eso es mucho menos espectacular que «diez veces más rápido» y bastante más útil, porque es accionable. Un 30% de tiempo de ciclo recuperado en un proceso que se ejecuta a diario es una ventaja competitiva sólida. La diferencia entre capturarla y no capturarla no está en el modelo que se elija, sino en si alguien se molestó en medir p antes de firmar el contrato.

Referencias

1. [1]Acemoglu, D. y Autor, D. (2011). «Skills, Tasks and Technologies: Implications for Employment and Earnings». Handbook of Labor Economics, vol. 4B, pp. 1043-1171. https://doi.org/10.1016/S0169-7218(11)02410-5
2. [2]Amdahl, G. M. (1967). «Validity of the single processor approach to achieving large scale computing capabilities». AFIPS Spring Joint Computer Conference, pp. 483-485. https://doi.org/10.1145/1465482.1465560
3. [3]Noy, S. y Zhang, W. (2023). «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 381(6654), pp. 187-192. https://doi.org/10.1126/science.adh2586
4. [4]Peng, S., Kalliamvakou, E., Cihon, P. y Demirer, M. (2023). «The Impact of AI on Developer Productivity: Evidence from GitHub Copilot». arXiv:2302.06590. https://arxiv.org/abs/2302.06590
5. [5]Cui, Z. K., Demirer, M., Jaffe, S., Musolff, L., Peng, S. y Salz, T. (2026). «The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers». Management Science. https://doi.org/10.1287/mnsc.2025.00535
6. [6]Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. y Lakhani, K. (2025). «Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality». Organization Science. Publicado inicialmente como Harvard Business School Working Paper 24-013 (2023). https://doi.org/10.1287/orsc.2025.21838
7. [7]Brynjolfsson, E., Li, D. y Raymond, L. (2025). «Generative AI at Work». The Quarterly Journal of Economics, 140(2). Publicado inicialmente como NBER Working Paper 31161 (2023). https://www.nber.org/papers/w31161
8. [8]Otis, N., Clarke, R., Delecourt, S., Holtz, D. y Koning, R. (2026). «The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya». Management Science. https://doi.org/10.1287/mnsc.2024.06909
9. [9]METR (2025). «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity». https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
10. [10]Vaithilingam, P., Zhang, T. y Glassman, E. L. (2022). «Expectation vs. Experience: Evaluating the Usability of Code Generation Tools Powered by Large Language Models». CHI Conference on Human Factors in Computing Systems, Extended Abstracts. https://doi.org/10.1145/3491101.3519665
11. [11]Bainbridge, L. (1983). «Ironies of Automation». Automatica, 19(6), pp. 775-779. https://doi.org/10.1016/0005-1098(83)90046-8
12. [12]Parasuraman, R. y Riley, V. (1997). «Humans and Automation: Use, Misuse, Disuse, Abuse». Human Factors, 39(2), pp. 230-253. https://doi.org/10.1518/001872097778543886