En 2023, dos doctorandos de economía del MIT hicieron una prueba simple. Dieron acceso a ChatGPT a 453 profesionales de nivel medio —de marketing, captación de fondos, consultoría, análisis de datos, recursos humanos y gestión— y les pidieron completar dos tareas de escritura ligadas a su propio trabajo. La mitad usó la herramienta; la otra mitad, no.
El resultado, publicado en la revista Science por Shakked Noy y Whitney Zhang, fue claro: quienes tenían acceso a la IA terminaron la tarea 40% más rápido, y el texto final recibió calificaciones de calidad 18% más altas. Quien peor le iba sin ayuda fue quien más ganó: el efecto redujo la diferencia entre los profesionales más y menos experimentados, no solo el promedio general.
La explicación más útil para quien decide sobre IA en la empresa no es "la IA escribe mejor". Es otra: saca a la persona de la página en blanco. Revisar un párrafo que ya existe es un trabajo distinto —y más barato— que producir la primera versión desde cero. Pero esa ventaja depende de una condición que rara vez aparece en el titular: revisar tiene que seguir siendo barato cuando aumenta el volumen de borradores.
El borrador listo cambia el problema
El efecto que midieron Noy y Zhang tiene nombre en la literatura del comportamiento: partir de algo que ya existe cuesta menos esfuerzo cognitivo que crear desde la nada. La persona deja de decidir "qué escribir" y pasa a decidir "qué está mal aquí" —una tarea más acotada, más rápida de terminar.
Por eso el efecto fue más fuerte en quienes tenían menos práctica con ese tipo de texto. Un analista junior sin referencia de cómo abrir un informe se traba en la primera frase; con un borrador en pantalla, ya sabe qué hacer: cortar lo que sobra, ajustar el tono, completar lo que falta.
El problema es que este razonamiento se detiene en el borrador. No dice nada sobre lo que ocurre después —cuando la persona necesita confirmar si lo que está en pantalla es cierto, si los números cierran, si una afirmación sobre un proceso interno es la versión vigente o una desactualizada. Ese paso tiene un nombre poco atractivo y una consecuencia muy práctica: cuando es caro, la ventaja del borrador desaparece.
Cuando revisar cuesta más de lo que debería
En 2025, METR —organización que mide el efecto real de las herramientas de IA en tareas de programación— probó justamente esta segunda mitad de la ecuación. Dieciséis programadores experimentados, cada uno trabajando en proyectos de código abierto que ya conocían bien, recibieron tareas reales sorteadas entre "con IA permitida" y "sin IA". En total, 246 tareas, cada una de unas dos horas en promedio.
El resultado invirtió la expectativa: los programadores tardaron 19% más usando IA que sin ella. Antes del estudio, esperaban ser 24% más rápidos. Después de terminar —ya habiendo vivido la lentitud real— seguían creyendo que habían sido 20% más rápidos. La velocidad percibida y la velocidad medida apuntaron en direcciones opuestas, y nadie en el estudio lo notó por sí solo.
La encuesta "State of Code", de la empresa de calidad de código Sonar, con 1.149 desarrolladores en 2026, muestra el mecanismo detrás de ese resultado. 96% de los encuestados no confía plenamente en que el código generado por IA sea correcto. Aun así, solo 48% dice que siempre lo revisa antes de aprobarlo. Y 61% coincide con la frase "la IA frecuentemente produce código que parece correcto, pero no es confiable" —exactamente el tipo de error más difícil de detectar en una revisión rápida, porque no parece un error.
61% de los desarrolladores coincide en que la IA "frecuentemente produce código que parece correcto, pero no es confiable".
El dato más revelador del informe es otro: 38% dice que revisar código de IA exige más esfuerzo que revisar el código de un colega humano. Solo 27% dice lo contrario. Esto no es sobre que la IA escriba peor código: es sobre la falta de contexto. Cuando un colega escribe algo, sabes quién es, qué suele entender bien y dónde suele fallar. Con una respuesta de IA sin origen visible, cada revisión empieza de cero.
Lo que tiene que existir en la práctica
La salida no es revisar menos, ni revisar más: es hacer que revisar sea más barato. Eso depende de mecanismos concretos, no de la buena voluntad del equipo:
Conocimiento aprobado con fuentes. Cuando una respuesta puede citar de dónde salió —qué documento, qué versión, aprobado por quién— revisar deja de ser "reconstruir desde cero" y pasa a ser "confirmar la fuente". Es la diferencia entre investigar una afirmación suelta y confirmar una referencia.
Revisión y aprobación en dos pasos para lo crítico. No todo contenido necesita el mismo nivel de escrutinio antes de convertirse en conocimiento oficial de la IA —pero lo crítico (política, proceso, un número que sale hacia afuera) debe pasar por quien lo redacta y, por separado, por quien lo aprueba, con excepciones registradas.
Un registro de auditoría de quién decidió qué. Cuando una respuesta genera dudas, la pregunta no puede ser "¿quién se acuerda de explicar esto?". Tiene que existir un registro de cuándo entró ese contenido, quién lo aprobó y qué cambió desde entonces.
Acceso según el rol de cada persona. Cuanto más acotado sea lo que cada persona y cada agente pueden ver, menor es el universo de cosas que alguien necesita revisar "por si acaso".
Reutilización de lo que ya fue revisado. Una plantilla de respuesta que ya pasó por aprobación una vez no debería exigir la misma revisión completa a la siguiente persona que la use: debería heredar la confianza de quien ya la verificó.
Así fue diseñada Skyller: respuestas que pueden citar la fuente utilizada, aprobación en dos pasos para lo crítico, y un registro de quién decidió qué —para que revisar sea confirmar, no reconstruir.
De la ventaja individual a la ganancia del equipo
Cuando revisar es barato, el efecto del borrador listo deja de ser individual y se vuelve colectivo. La persona que descubrió la forma correcta de responder una duda recurrente de un proveedor no tiene que guardársela solo para sí misma: la plantilla puede ser reutilizada por cualquier persona autorizada, sin que cada una tenga que rehacer la misma revisión.
Ahí es donde cambia la cuenta: una empresa no necesita reinventar cada proceso. Un entorno que ya viene con más de 170 modelos de políticas y procesos listos ahorra justamente la primera revisión —la más cara, porque no existe nada listo contra qué comparar.
Lo contrario también es cierto, y es lo que muestran los números de METR y Sonar: sin ese tipo de estructura, cada persona revisa a su manera, sin saber si el colega de al lado ya resolvió el mismo problema ayer. El tiempo que debería haberse ganado al escribir se gasta de nuevo, individualmente, al revisar.
Una guía para empezar
Antes de comprar otra herramienta de generación de texto o código, vale la pena medir dónde está pesando la revisión:
- Mide cuánto tiempo ya dedica el equipo a revisar lo que produce la IA. Si nadie sabe responder, es señal de que nadie lo está midiendo —y lo que no se mide tiende a crecer sin ser notado.
- Pregunta de dónde salió la última respuesta crítica que alguien usó. Si la respuesta es "no sé, solo parecía correcta", el problema no es la IA: es la falta de un origen rastreable.
- Separa, para lo crítico, a quien redacta de quien aprueba. Dos personas en roles distintos detectan más errores que una sola revisando su propio borrador dos veces.
- Elige un proceso que se repite cada mes y resuélvelo una sola vez. Una vez aprobado, debe quedar disponible para quien lo necesite después, sin repetir la revisión completa.
- Trata el registro de quién aprobó qué como parte del proceso, no como un extra. Es lo que convierte una duda en una auditoría de minutos, en lugar de una investigación de días.
