Doxa 2595

¿Cuánto tiempo dedican sus empleados a supervisar bots?

Por Rebecca Hinds y Paul Leonardi

Inteligencia artificial y aprendizaje automático

Harvard Business Review

#Doxa #Automatización #Supervisión #Bots #Empleados #Tiempo #Eficiencia #Productividad #InteligenciaArtificial #RPA #Tecnología

Resumen. La IA promete reducir la carga de trabajo y mejorar el rendimiento organizacional, pero sus beneficios a menudo conllevan un coste oculto: el "cuidado de bots", el trabajo que realizan los empleados para que la IA sea útil, desde proporcionar contexto y verificar los resultados hasta corregir errores. Las investigaciones demuestran que los trabajadores dedican casi un día a la semana a estas tareas. Para aprovechar al máximo el potencial de la IA, los líderes deben tener en cuenta este trabajo, integrar el contexto organizacional en los sistemas de IA y medir la calidad y la experiencia del empleado junto con la eficiencia y la productividad.

Benjamin es consultor y asesora a agencias gubernamentales sobre alianzas tecnológicas. Contrató un servicio de gestión de agendas con inteligencia artificial, esperando que le permitiera ahorrar tiempo. Durante la entrevista, nos contó cómo imaginaba una agenda organizada, menos interrupciones y el fin de la agotadora tarea de programar reuniones. En cambio, se encontró con un segundo trabajo: gestionar al agente que había contratado para administrar su agenda.

El agente de IA trabajaba con rapidez y seguridad, programando las reuniones de Benjamin en segundos. Lo que le faltaba era el contexto invisible detrás del calendario de Benjamin. Programó una llamada con un cliente durante el bloque de dos horas que Benjamin reserva cada semana para prepararse para esa reunión. Nada en el calendario indicaba que esas horas estuvieran prohibidas; Benjamin simplemente lo sabía. Programó reuniones consecutivas en extremos opuestos de la ciudad sin tiempo de desplazamiento porque no tenía idea de la distancia entre ellas. Sincronizó rápidamente con un nuevo empleado y excluyó al gerente del nuevo empleado, quien esperaba estar presente. E invitó a un alto funcionario de la agencia a "tomarse 15 minutos" usando el mismo registro informal y de tuteado que usaba con los antiguos compañeros de universidad de Benjamin porque nadie le había enseñado que algunas relaciones requieren más tacto que otras.

Al agente de IA le bastaban segundos para reservar cada reunión, mientras que a Benjamin le llevaba mucho más tiempo solucionar el problema: reconstruir manualmente su agenda, llamar al gerente para explicarle el error, resolver la doble reserva en otra zona de la ciudad y disculparse con el funcionario de la agencia.

La paradoja de la productividad

Hemos dedicado más de una década a estudiar las cargas ocultas de la tecnología digital: la sobrecarga de colaboración, el constante cambio entre aplicaciones y el agotamiento digital provocado por la forma en que las herramientas digitales alteran nuestros recursos cognitivos y emocionales. La IA prometía aliviar algunas de estas cargas. Sin embargo, en la mayoría de las más de 100 organizaciones que hemos estudiado, las está empeorando. La semana de Benjamin es solo un ejemplo de un patrón mucho más amplio descubierto por una encuesta que realizamos con nuestros colegas para el estudio Work AI Index del Glean Work AI Institute.

Para parte de ese estudio, el equipo encuestó a 6000 trabajadores a tiempo completo en Estados Unidos, Reino Unido y Australia que realizan la mayor parte de su trabajo en una computadora o con herramientas digitales. El 75 % de estos trabajadores digitales —por ejemplo, ingenieros de software, analistas financieros y especialistas en marketing de productos— afirmaron ser más productivos con la IA; esta automatizó un promedio de 11 horas de su trabajo semanal. Sin embargo, solo el 13 % indicó que su organización había experimentado una mejora significativa en el rendimiento gracias a ella.

A uno de los principales culpables lo llamamos "supervisión de bots" : el trabajo humano invisible, no registrado y no remunerado de hacer que la IA sea utilizable. Los trabajadores informan que dedican 6,4 horas semanales a la supervisión de bots (casi una jornada laboral completa) y el 37 % de su tiempo total de IA a ello, un poco más que el 36 % que dedican a usar la IA para producir trabajo. La supervisión de bots no es una actividad aislada, sino un conjunto de tareas. Estas incluyen alimentar el contexto de la IA (2,3 horas por semana); identificar y corregir errores, sesgos o comportamientos inesperados en la IA (2,2 horas por semana); y revisar los resultados de la IA para asegurarse de que hacen lo que se supone que deben hacer antes de ser utilizados (1,7 horas por semana).

El coste oculto de la IA no se limita al tiempo. También incluye el desgaste mental que supone comprobar, corregir y estabilizar constantemente un sistema antes de poder utilizar su funcionamiento.

Es inevitable, e incluso saludable, que algunos bots trabajen en tareas rutinarias. Pero la mayoría de las tareas que reportan los trabajadores son tediosas y monótonas: reescribir la misma instrucción cuatro veces, copiar y pegar el contenido entre herramientas, alternar entre herramientas que no se comunican entre sí y solucionar los errores que la IA ha cometido sin darse cuenta.

A medida que aumentan los costos de los tokens (las tarifas que se pagan para que la IA procese las indicaciones, recupere el contexto y genere resultados), también aumentan los riesgos asociados a la gestión de bots. Cada vez que los empleados sobrecargan un modelo con contexto, repiten una tarea o derivan el trabajo a un modelo más costoso solo para obtener algo útil, las organizaciones pagan dos veces: una por la potencia de procesamiento adicional consumida y otra por el trabajo manual necesario para guiar la herramienta hacia un resultado útil.

Tres errores de cálculo de los líderes

Lo que parece ser un problema de productividad individual es en realidad un problema de diseño organizacional, que se deriva de tres errores de cálculo que cometen los líderes.

Subestimar la cantidad de gestión que requiere la IA

Los líderes a menudo no ven ni tienen en cuenta el trabajo humano necesario para que la IA sea útil, que implica proporcionar el contexto que falta, verificar la precisión, corregir respuestas parcialmente correctas y suavizar las cosas cuando la herramienta interpreta erróneamente la relación, lo que está en juego o el tono.

Para abordar este problema, comience por auditar cuánto tiempo dedican los trabajadores a supervisar bots. Luego, pregúntese: ¿Esta supervisión genera valor o es una señal de que la herramienta no está lista para el trabajo?

También puedes reducir la supervisión innecesaria integrando la IA directamente en el flujo de trabajo. Cada herramienta de IA independiente crea una interfaz adicional que los empleados deben aprender a usar, iniciar sesión, activar y desactivar, y proporcionar contexto. En Reddit, por ejemplo, los líderes integraron la IA directamente en las herramientas que los empleados ya utilizaban (correo electrónico, colas de soporte y otras plataformas donde ya se realizaba el trabajo) en lugar de crear una interfaz de IA separada que los empleados tuvieran que recordar visitar.

Finalmente, las organizaciones deben dejar claro, mediante políticas y prácticas diarias, que los humanos siguen siendo responsables de las decisiones tomadas con la ayuda de la IA. Nuestra investigación revela que cuanto más autónomo opera un sistema, menor es la responsabilidad que recae sobre los humanos.

Confundir el acceso a los datos con el contexto utilizable.

Para que la IA sea útil en un entorno organizacional, necesita un contexto específico de la organización, como qué versión de la presentación es la más actualizada, qué significa "pipeline" para el departamento de ventas en comparación con el de marketing, y cómo se cierra realmente un trato en contraposición a cómo lo describe la wiki. Protocolos como el Protocolo de Contexto de Modelo (MCP), un estándar de código abierto para conectar aplicaciones de IA con sistemas externos, pueden extraer datos de diferentes sistemas, pero a menudo carecen de esta capa interpretativa, en parte porque gran parte de ella nunca se documentó formalmente. Los empleados terminan completando las lagunas por sí mismos: pegando el contexto faltante, restaurando los matices que se perdieron y repitiendo la misma instrucción hasta que el resultado finalmente parezca escrito por alguien que trabaja allí.

El 53 % de los encuestados en el estudio Work AI Index afirmó que la información crucial que necesitaban para realizar su trabajo no estaba disponible a través de sus sistemas de IA. El costo va más allá de los resultados deficientes. Los trabajadores en organizaciones con escaso contexto tienen casi tres veces más probabilidades que los trabajadores en entornos con abundante contexto de sentirse agotados por la IA (50 % frente al 18 %).

Las organizaciones deberían considerar el contexto como infraestructura, no como algo que los empleados introduzcan manualmente en las herramientas de IA. Es útil que los desarrolladores de IA trabajen en colaboración con expertos en la materia que sepan dónde falla el proceso oficial y cómo se ve un buen desempeño en la práctica. Conscientes de esto, empresas de IA como OpenAI y Anthropic están asignando ingenieros de despliegue avanzado (FDE) a sus clientes para ayudarles a personalizar sus modelos de IA. Sin embargo, hemos visto organizaciones que se suman a la tendencia de los FDE y aún así tienen dificultades porque lo tratan como un problema de despliegue técnico: conectar los datos, mapear el flujo de trabajo e integrar la IA. En la práctica, el desafío más difícil es organizativo, no solo técnico: rediseñar roles, traspasos y derechos de decisión para que las personas y los sistemas puedan trabajar juntos de manera efectiva.

Las organizaciones también deben invertir en una capa de contexto, una infraestructura que registre cómo se realiza el trabajo, no solo lo que está escrito. Esto incluye qué versión de un documento es confiable, qué gerente aprueba algo antes de su lanzamiento, quién asumió la autoridad después de que el responsable original se fue y quién conoce la diferencia entre lo que establecen las directrices de precios y lo que aprobará el departamento de cumplimiento. Nuestra investigación muestra que este metaconocimiento es fundamental para el funcionamiento de las organizaciones, pero está ausente en la mayoría de las herramientas porque suele ser implícito —es decir, reside en las personas y las relaciones— en lugar de estar claramente documentado y codificado.

Medir las cosas equivocadas

Demasiadas organizaciones se aferran a lo que un ejecutivo de una empresa Fortune 100 con el que hablamos denominó «métricas de vanidad»: cifras fáciles de cuantificar como clics, tokens consumidos y licencias implementadas. Una empresa presentó ante la junta directiva el consumo de tokens de Copilot como prueba de su progreso en la adopción de la IA, mientras que en privado se quejaba de que los empleados la utilizaban para tareas triviales. Una vez que la actividad visible se convierte en el objetivo, los trabajadores optimizan para dicha actividad. Un ingeniero nos contó que empezó a formular preguntas a la IA que él mismo podría haber respondido más rápido, solo para inflar sus cifras de uso.

La Ley de Goodhart (cuando una medida se convierte en un objetivo, deja de ser una buena medida) sigue vigente en la adopción de la IA. Para contrarrestarla, es necesario comenzar a medir en múltiples dimensiones, incluida la calidad. En nuestra encuesta, el 83 % de los trabajadores afirmó que la IA mejoró su trabajo cuando su organización realiza un seguimiento de la calidad junto con la productividad, frente al 68 % cuando solo se realiza un seguimiento de la productividad. Una organización que estudiamos evalúa la IA en tres ejes (eficiencia, calidad y experiencia del empleado) para evitar aprobar una mejora de la eficiencia que agote a los empleados o degrade la experiencia del cliente.

Las organizaciones también deberían desarrollar métricas sobre los costos de la gestión de bots, como la frecuencia con la que los resultados requieren revisión humana, la cantidad de intentos necesarios para obtener un resultado útil y el tiempo que los empleados dedican a verificar respuestas o a actualizar el contexto entre herramientas. Por ejemplo, la empresa de automatización de flujos de trabajo Zapier realiza un seguimiento de la satisfacción con los resultados y la proporción de tareas completadas por IA frente a las realizadas por humanos, es decir, «el porcentaje de tareas, mensajes o acciones de proyectos completadas de forma autónoma por agentes de IA en comparación con los usuarios humanos».

Los empleados también necesitan suficiente seguridad psicológica para reportar fallas de IA. Si los líderes exageran el número de tokens y las rachas de inicio de sesión, no deberían sorprenderse cuando los empleados dejen de reportar resultados deficientes. En una empresa mediana con la que colaboramos, los empleados habían estado asumiendo discretamente el costo de flujos de trabajo de IA defectuosos durante meses porque temían que compartir sus inquietudes sobre el hecho de que la IA realmente les añadía tiempo y esfuerzo a su trabajo los hiciera parecer poco comprometidos con las ambiciones de IA de su organización. Finalmente, la dirección incorporó una revisión sin culpabilización del retrabajo impulsado por IA a las reuniones de equipo y comenzó a reconocer a los empleados que podían demostrar, con evidencia, que una tarea no debía automatizarse. Solo entonces los líderes se dieron cuenta de cuánto trabajo de corrección se había estado realizando desde el principio.

El verdadero trabajo de la IA

Finalmente, Benjamin descubrió cómo usar su agente de IA: haciendo el trabajo que la herramienta no podía. Anotó lo que esta no podía saber, como las horas de preparación restringidas, los tiempos de desplazamiento entre reuniones y los contactos que necesitaban más atención. Supervisó personalmente las reuniones más importantes. Y dejó de considerar la corrección de los errores de la herramienta como un fallo personal y, en cambio, la integró en su flujo de trabajo.

Al final, el agente sí le ahorró tiempo a Benjamin. Pero para lograrlo, Benjamin tuvo que invertir parte de ese tiempo gestionándolo estratégicamente.

La automatización de tareas no debería suponer una carga para los empleados. Todo comienza con la dirección decidiendo qué tareas debe realizar la IA, observando sus errores y corrigiendo el proceso para evitar que se produzcan fallos. Actualmente, en demasiadas organizaciones, este trabajo carece de responsable, presupuesto y rendición de cuentas.

Las herramientas seguirán mejorando. Que esto se traduzca en un rendimiento organizacional real depende, como siempre, de las personas que dirigen las organizaciones que las implementan.

Lea más sobre IA y aprendizaje automático o temas relacionados: Gestión del desempeño de los empleados, IA generativa, Indicadores de desempeño y Automatización.

Rebecca Hinds es la directora del Instituto de IA para el Trabajo en Glean. Anteriormente fundó el Laboratorio de Innovación Laboral en Asana y es autora del próximo libro, Your Best Meeting Ever: 7 Principles for Designing Meetings That Get Things Done (Simon & Schuster, 2026).

Paul Leonardi es profesor titular de Gestión Tecnológica en la Universidad de California, Santa Bárbara, y asesora a empresas sobre cómo utilizar los datos de las redes sociales y las nuevas tecnologías para mejorar el rendimiento y el bienestar de los empleados. Es autor del libro « Agotamiento digital: Reglas sencillas para recuperar tu vida». @pleonardi1