En julio de 2023, dos doctorandos del MIT, Shakked Noy y Whitney Zhang, publicaron en la revista Science un experimento con 453 profesionales universitarios — personas de marketing, consultoría, recursos humanos y captación de fondos. La mitad escribió documentos de trabajo, como una carta de presentación o un correo corporativo, sin ningún apoyo; la otra mitad, con acceso a un modelo de IA. Evaluadores que no sabían quién había usado qué juzgaron el resultado: quienes contaron con IA tardaron 40% menos tiempo y entregaron un texto 18% mejor.
Ese número se volvió munición para cualquier presentación sobre IA en el trabajo. El problema es lo que suele venir después: la empresa lee "40% menos tiempo" y asume que la misma ganancia se repite en cualquier tarea, para cualquier persona. No se repite. Dos años después del estudio del MIT, otra investigación midió lo contrario — profesionales volviéndose más lentos con IA, no más rápidos. Los dos estudios tienen razón. Lo que cambia es el tipo de tarea.
Entender dónde aparece la ganancia — y dónde desaparece — es lo que separa una adopción de IA que devuelve tiempo de verdad de una que solo traslada el trabajo hacia después, en forma de revisión y corrección.
Cuando la ganancia es real y medible
El estudio del MIT ya daba una pista: la ganancia no vino de que la IA escribiera mejor que la persona. Vino de reorganizar el trabajo — menos tiempo generando el primer borrador, más tiempo generando ideas y editando lo que ya existía. Y la ganancia no fue pareja: quienes partían con un desempeño más débil mejoraron más que quienes ya eran buenos, lo que redujo la diferencia entre los dos grupos.
El mismo patrón apareció, con números aún más claros, en un estudio publicado por el NBER (la Oficina Nacional de Investigación Económica de Estados Unidos) con Erik Brynjolfsson, Danielle Li y Lindsey Raymond. Ellos siguieron a 5.179 agentes de soporte al cliente de una empresa de software antes y después de la llegada de un asistente de IA que sugería respuestas en tiempo real durante la conversación — el agente seguía decidiendo; la herramienta solo sugería.
La ganancia promedio de productividad fue de 13,8%. Pero el promedio esconde la historia real: los agentes novatos y de desempeño más bajo mejoraron 35%; los más experimentados y mejor evaluados tuvieron un efecto cercano a cero, en algunos casos levemente negativo. Un agente con apenas dos meses en la empresa, usando la herramienta, rendía al nivel de un colega con seis meses de experiencia sin ella. La explicación de los investigadores: la IA estaba, en la práctica, difundiendo la forma de trabajar de quienes ya sabían hacerlo bien hacia quienes todavía estaban aprendiendo.
El hilo común entre los dos estudios: la ganancia se concentra en tareas que ya tienen un patrón a seguir — un borrador parecido a otro que funcionó, una respuesta de soporte que sigue un guion conocido, un resumen, una comparación, una clasificación. Es trabajo donde "qué hacer" ya está mapeado; la IA acelera la ejecución.
Cuando la ganancia desaparece — o se vuelve pérdida
En julio de 2025, la organización de investigación METR publicó un resultado que contradice la intuición de cualquiera que haya usado un asistente de IA para programar. Dieciséis desarrolladores experimentados — con un promedio de cinco años trabajando en los propios proyectos, que conocían a fondo — completaron 246 tareas reales de corrección y mantenimiento de código, asignados al azar a usar o no usar herramientas de IA en cada tarea.
El resultado: con IA, los desarrolladores tardaron 19% más en terminar la misma tarea. Antes del estudio, esperaban ser 24% más rápidos. Después de vivir la lentitud en la práctica, siguieron creyendo que habían sido 20% más rápidos — la percepción no coincidió con el cronómetro en ninguno de los dos extremos.
La explicación no es que el modelo de IA "empeorara" para quien ya es bueno. Es que, en un proyecto grande y maduro, el conocimiento que hace rápida a una persona experimentada no está escrito en ningún lugar que la IA pueda consultar: son decisiones de arquitectura tomadas años atrás, convenciones internas del equipo, motivos de por qué un fragmento de código es como es. La IA sugería algo plausible; el desarrollador tenía que revisarlo, entender por qué no encajaba y corregirlo — y esa revisión consumió más tiempo del que el texto ya redactado ahorró.
Es el mismo patrón que apareció, a menor escala, en el estudio de soporte: cuanto más depende una tarea del juicio sobre un contexto que solo existe en la cabeza de quien ya es bueno en eso — y nunca se escribió en ningún lugar que la IA pueda leer —, menor la ganancia, al punto de volverse pérdida.
El riesgo es concreto para empresas brasileñas y latinoamericanas que están adoptando IA a toda velocidad, sin organizar antes el conocimiento interno. La ganancia aparece rápido en las tareas más simples — y crea la expectativa, dentro de la empresa, de que va a aparecer en todo. Incluso en las decisiones que solo quien lleva años trabajando ahí sabe tomar, y que nunca se escribieron en ningún lugar.
Lo que tiene que existir en la práctica
La división entre los dos grupos de resultados apunta directo a lo que una empresa necesita construir antes de esperar la ganancia estilo MIT en lugar de la pérdida estilo METR.
Conocimiento aprobado con fuentes, no conocimiento que solo vive en la cabeza de alguien. El motivo por el que los desarrolladores experimentados se volvieron más lentos fue la ausencia de un lugar donde las decisiones y convenciones del proyecto estuvieran documentadas y accesibles para la IA. Cuando el material que hace rápido a un experto está escrito, revisado y es citable, la IA deja de "adivinar" y pasa a consultar.
Reutilización del pedido y del agente que ya funcionó. En el estudio del NBER, la ganancia vino de difundir el patrón de quien ya era bueno en el trabajo hacia quien todavía estaba aprendiendo. Eso solo se sostiene si el guion que funcionó se guarda y queda disponible para que otra persona lo use — no reinventado en cada conversación.
Costo y ganancia visibles por área, no por "uso de IA" en general. Un promedio de 13,8% esconde 35% de ganancia en un grupo y casi nada en el otro. Sin medir por tipo de tarea y por equipo, la empresa no sabe dónde vale la pena invertir tiempo de capacitación y dónde el problema es otro.
Aprobación humana proporcional al riesgo de la tarea. En trabajo que exige juicio — y no solo la ejecución de un patrón conocido — mantener una etapa de revisión antes de que cualquier decisión avance es lo que evita que una sugerencia plausible, pero errada, se convierta en una pérdida disfrazada de productividad.
Así fue diseñada Skyller: conocimiento de la empresa con fuente citable, pedidos y agentes que el equipo puede reutilizar, y consumo visible por área — para que la ganancia que la empresa mida se parezca más a la del MIT que a la del METR.
El efecto compuesto de un buen comienzo
Cuando el patrón que funciona queda documentado y reutilizable, la ganancia no se detiene en la primera persona que lo descubrió. Un guion de respuesta que un agente sénior perfeccionó durante meses, una vez guardado y liberado para el equipo, acelera a todos los que llegan después — es exactamente el mecanismo detrás del salto de 35% que dieron los agentes novatos en el estudio del NBER.
Lo inverso también es cierto, y es la parte que suele pasar desapercibida: si cada persona usa IA en su cuenta personal, sin nada documentado ni compartido, la empresa paga el costo de que cada quien reaprenda solo lo que otra persona ya había descubierto — reproduciendo, en menor escala, la misma lentitud que sintieron los desarrolladores del estudio de METR frente a un contexto que la IA no tenía forma de conocer.
Una hoja de ruta para empezar
Antes de medir "cuánto ayudó la IA" como un número único, vale la pena separar el trabajo en dos grupos y tratar cada uno de forma distinta:
- Enumere las tareas que ya tienen un patrón claro — redactar un correo, resumir un documento, clasificar una solicitud, responder una pregunta recurrente. Son las más parecidas a los estudios del MIT y del NBER, y donde la ganancia tiende a aparecer rápido.
- Separe las tareas que dependen del juicio sobre contexto no documentado — decisiones que solo tienen sentido para quien conoce la historia del proyecto o del cliente. En ellas, trate el resultado de la IA como un borrador a revisar, no como una respuesta lista.
- Documente lo que ya funciona antes de pedirle al equipo que use más IA. Sin esto, cada persona repite sola el trabajo de descubrir el camino correcto.
- Mida por área y por tipo de tarea, no por el uso general. Un promedio cómodo puede estar escondiendo a todo un equipo sin ninguna ganancia.
