El estudio de ActivTrak sobre la jornada laboral concluye que los usuarios de IA tienen días más largos
ActivTrak informa que los usuarios de IA tienen jornadas laborales que se extienden hasta 90 minutos más que las de quienes no la usan, lo que cuestiona la promesa de que realizar tareas más rápido se traduzca en días más cortos. El estudio de ActivTrak sobre la jornada laboral abarca a 9.140 trabajadores del conocimiento de 467 empresas y utiliza actividad digital recopilada entre el 1 de abril y el 25 de septiembre de 2026. Publicados el 29 de octubre, los resultados vinculan la adopción de IA con jornadas más largas, sin establecer que la IA haya causado la diferencia.
Esa distinción importa porque la aparente contradicción tiene varias explicaciones posibles. Los empleados con puestos exigentes podrían adoptar la IA con mayor frecuencia. Una producción más rápida podría incentivar asignaciones adicionales. Alternar el trabajo entre asistentes y aplicaciones existentes también podría consumir tiempo que las demostraciones de tareas no contemplan. Cada explicación pone en duda a los empleadores que prometen eficiencia sin medir lo que sucede durante toda la jornada laboral.
Investigaciones anteriores sobre la jornada laboral con IA ofrecen un contrapeso esencial. Un experimento aleatorizado con un asistente integrado en aplicaciones existentes detectó menos tiempo dedicado al correo electrónico y menos trabajo fuera del horario habitual. Por tanto, el conflicto emergente se da entre una promesa de productividad y resultados desiguales en el lugar de trabajo. La IA puede ahorrar tiempo en una asignación sin resolver si los empleados terminan antes, gestionan más asignaciones o asumen verificaciones y coordinación adicionales.
Lo que realmente encontró el estudio de ActivTrak sobre la jornada laboral
El hallazgo más reciente se refiere a la extensión de la jornada laboral, que no debe confundirse con trabajo continuo ni con resultados verificados.
Según el análisis de la jornada laboral de ActivTrak, los días de los usuarios de IA se extendían entre 8,4 y 9,1 horas, frente a 7,6 horas entre quienes no la usan. Los usuarios intensivos promediaron sesiones ininterrumpidas de concentración de 37,8 minutos, frente a 48,2 minutos entre los usuarios ocasionales. Los usuarios intensivos también registraron 18 minutos adicionales de actividad diaria fuera de horario.
Estas mediciones describen distintos aspectos del trabajo. Una mayor extensión no demuestra esfuerzo ininterrumpido durante todo ese intervalo. Sesiones de concentración más cortas no demuestran menor calidad. La actividad adicional por la noche no identifica si fue solicitada por un empleador, elegida por un empleado o desplazada por una mayor flexibilidad horaria.
La cifra principal también representa una comparación máxima dentro de los rangos comunicados. No debería convertirse en la afirmación de que cada empleado que adopta IA añade la misma cantidad de trabajo. Tratar una diferencia observada como una penalización universal eliminaría precisamente la variación que los empleadores deben investigar.
El momento de la publicación hace que el informe sea relevante para la planificación empresarial. Las organizaciones que evalúan inversiones en IA necesitan evidencia que vaya más allá de si los empleados han abierto un asistente. Deben entender si su uso modifica los plazos de entrega, las necesidades de personal, las tasas de error y los límites de la jornada laboral.
Consideremos la diferencia entre un borrador más rápido y una salida más temprana. Un asistente de redacción puede reducir el esfuerzo necesario para producir un documento inicial. Aun así, queda por ver qué sucede durante la aprobación, la verificación de datos, la revisión y la distribución. La asignación completada sigue siendo la unidad relevante para evaluar un beneficio en el lugar de trabajo.
El estudio no resuelve toda esa cadena. Su contribución consiste en revelar una brecha entre usar IA y tener un día más corto. Esa brecha merece investigación incluso cuando la dirección de la causalidad sigue siendo incierta.
Para los empleados, la implicación práctica es sencilla. Sentirse más rápido en tareas aisladas no contradice sentirse más ocupado en general. Esas experiencias miden cosas distintas, y la evaluación de productividad de un empleador debe dejar espacio para ambas.
Para los compradores, la publicación plantea una cuestión de adquisición. Una demostración de producto suele terminar cuando el asistente devuelve una respuesta. Un proceso empresarial termina cuando alguien acepta la responsabilidad del resultado. La distancia entre esos puntos es donde un ahorro aparente necesita verificación.
Los directivos deben decidir adónde va el tiempo ahorrado
Una tarea más corta genera capacidad disponible; las decisiones de gestión determinan si esa capacidad se convierte en alivio, producción adicional u otra obligación.
La presión inmediata recae sobre los directivos que aprueban despliegues de IA y los empleados de quienes se espera que demuestren su valor. Los compradores necesitan pruebas de que la inversión mejora el rendimiento empresarial. Los trabajadores necesitan claridad sobre si una ejecución más rápida modifica sus responsabilidades, plazos o disponibilidad.
Estos intereses pueden alinearse. Un empleado podría preferir eliminar la redacción rutinaria para concentrarse en trabajo que requiere criterio. Un empleador podría valorar más ese cambio que reducir las horas programadas. El problema comienza cuando cada parte presupone un destino distinto para el mismo tiempo ahorrado.
Una semana laboral más corta es un resultado específico. Requiere que el trabajo encaje en menos horas programadas, con una calidad aceptable y una demanda manejable. Una mejora de productividad por sí sola no garantiza ese acuerdo. En cambio, las organizaciones pueden destinar la capacidad adicional a un atraso de trabajo existente.
Esa elección no es automáticamente irrazonable. El trabajo pendiente puede incluir proyectos útiles, solicitudes de clientes o mantenimiento descuidado. Sin embargo, los líderes deben describir el resultado con precisión. Entregar más trabajo dentro del mismo horario difiere de reducir el horario, y extender la jornada crea un resultado completamente distinto.
El debate de ActivTrak sobre la carga de trabajo con IA hace que esta distinción sea más difícil de evitar. Los empleadores no pueden evaluar el beneficio para los empleados únicamente a través del volumen de material generado. Un aumento de borradores puede ayudar al autor y, al mismo tiempo, incrementar las exigencias sobre editores, revisores o colegas responsables de la implementación.
Un equipo de producto hipotético ilustra el problema. Un directivo usa IA para preparar una propuesta más rápido y añade más alternativas antes de compartirla. El equipo entonces evalúa más opciones, comprueba más supuestos y debate más cambios posibles. La tarea inicial se vuelve más barata, mientras que el proceso de decisión se amplía.
Nada en ese ejemplo exige que el asistente funcione mal. Todos los borradores podrían ser útiles. La carga adicional surge de una ambición ampliada y de una capacidad de revisión limitada. Una producción más rápida modifica lo que parece factible antes de que la organización cambie lo que puede aprobar de forma responsable.
Por tanto, los directivos se enfrentan a un problema que va más allá de la habilidad para formular instrucciones. Alguien debe decidir qué trabajo adicional merece atención y qué trabajo debe seguir sin hacerse. Sin esa decisión, un asistente puede ampliar la oferta de propuestas más rápido de lo que los colegas pueden evaluarlas.
La misma cuestión se aplica a la gestión del conocimiento. Organizar información existente puede abordar una carga distinta de la que supone generar más material. Una base de conocimiento personal se refiere a cómo se conserva y recupera la información. Ninguna de estas funciones debería atribuirse el mérito de reducir las horas de trabajo sin evidencia de que el proceso global haya mejorado.
Por tanto, la pregunta de gestión relevante es concreta: ¿qué dejó de consumir tiempo de los empleados después del despliegue? Si nada desapareció, los líderes deberían identificar el valor adicional que justifica la nueva actividad. De lo contrario, la adopción se convierte en una expectativa añadida a una agenda ya completa.
Las tareas más rápidas pueden ampliar el trabajo que las rodea
La capacidad de la IA para facilitar el trabajo también puede aumentar la cantidad de trabajo que los empleados intentan realizar.
La investigación de UC Berkeley Haas ofrece una explicación fundamentada de esa posibilidad. Xingqi Maggie Ye y Aruna Ranganathan realizaron un estudio etnográfico de ocho meses, basado en observación del lugar de trabajo y entrevistas, en una empresa tecnológica con 200 empleados. Ye también realizó más de 40 entrevistas en distintos grupos funcionales.
Su investigación sobre la intensificación del trabajo identificó responsabilidades más amplias, trabajo que invadía pausas anteriores y más tareas simultáneas. Los empleados a veces mantenían procesos de IA en ejecución mientras atendían otras obligaciones. La investigación describe cómo se expandió el trabajo, en lugar de estimar un efecto universal entre empleadores.
La distinción importa para interpretar el estudio de ActivTrak sobre la jornada laboral. La observación del lugar de trabajo puede revelar mecanismos que las mediciones de actividad no pueden explicar por sí solas. No demuestra que esos mecanismos hayan causado las diferencias en otro conjunto de datos. Sin embargo, identifica explicaciones que vale la pena probar.
Una posibilidad es que reducir la dificultad de iniciar un trabajo cambie el punto de finalización. Una asignación que antes parecía poco práctica puede pasar a merecer el intento. Un trabajador que puede explorar rápidamente una idea se enfrenta a una nueva decisión sobre si continuar, perfeccionarla y compartirla.
Eso crea una experiencia distinta de simplemente recibir una tarea adicional de un directivo. El esfuerzo adicional puede comenzar con curiosidad o satisfacción. Un empleado podría valorar la posibilidad de intentar trabajos fuera de su anterior rango de habilidades. Por tanto, el disfrute y la expansión de la carga de trabajo pueden ocurrir al mismo tiempo.
La visión general de la investigación de Aruna Ranganathan subraya esta distinción entre producción medible y experiencia vivida de los empleados. Su trabajo examina la autonomía, las exigencias cognitivas, la pericia, las relaciones y el bienestar, entre otras consecuencias de la IA en el trabajo. Estas dimensiones ayudan a explicar por qué una medida favorable de resultados no puede resolver todas las preguntas sobre un despliegue.
La preocupación analítica es la acumulación. Un pequeño experimento opcional se convierte en un entregable útil. Los entregables útiles influyen en las expectativas. Las expectativas, a su vez, determinan lo que solicitan los colegas y lo que los empleados sienten la responsabilidad de mantener. El ahorro original puede desaparecer sin una decisión formal de ampliar el rol de nadie.
El trabajo en paralelo introduce otra versión de ese problema. Iniciar un asistente no elimina la responsabilidad de comprobar su resultado. Si varios procesos terminan mientras un trabajador se ocupa de otra asignación, sus resultados crean una cola que requiere atención.
La carga resultante depende de lo que exijan esos resultados. El material rutinario podría requerir poca revisión. Una recomendación importante podría exigir comprobación de fuentes, consulta y revisión. Contar las respuestas completadas por el asistente trataría esas situaciones como similares pese a sus distintas exigencias humanas.
Por tanto, la inversión es plausible sin asumir que la IA haya fallado en su tarea inmediata. Una mejor asistencia puede ampliar el abanico de trabajo que las personas emprenden. Que eso se convierta en un beneficio depende de los límites de carga de trabajo, la capacidad de revisión y el valor de los resultados adicionales.
Los asistentes integrados ofrecen un punto de referencia diferente
La evidencia de que algunos usuarios de IA trabajan más horas no elimina la evidencia experimental de que otros despliegues ahorran tiempo a los empleados.
Un estudio de Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica y Christopher T. Stanton ofrece una comparación importante. Su experimento aleatorizado en el lugar de trabajo involucró a 7.137 trabajadores del conocimiento de 66 empresas. La selección aleatoria determinó el acceso a un asistente de IA generativa integrado en aplicaciones utilizadas para el correo electrónico, las reuniones y la redacción.
En la segunda mitad del experimento de seis meses, los usuarios participantes dedicaron dos horas menos al correo electrónico cada semana y redujeron el trabajo fuera del horario habitual. Los investigadores no detectaron cambios en la cantidad ni en la composición de las tareas derivados del acceso individual. Estos hallazgos plantean un resultado posible distinto de las jornadas más largas reportadas en datos observacionales.
La comparación refuerza la necesidad de hacer afirmaciones cuidadosas. No establece que los asistentes integrados siempre acorten la jornada ni que los asistentes independientes siempre la alarguen. Las diferencias entre muestras, métodos, aplicaciones y entornos de trabajo impiden esa simplificación.
Sí establece que “la IA hace que los empleados trabajen más tiempo” es una conclusión demasiado amplia para considerarla universal. El acceso puede reducir el tiempo dedicado a actividades concretas en determinadas condiciones. Una asociación observada en otro contexto no puede invalidar ese resultado experimental.
La distinción entre productos también merece atención, sin convertirla en una competencia entre proveedores. ChatGPT, Claude y Microsoft Copilot no deben tratarse como implementaciones laborales intercambiables. La ubicación de un asistente dentro de un proceso, el contexto disponible y la revisión requerida afectan a lo que los empleados deben hacer en torno a sus resultados.
Esta es una comparación de decisiones de implementación, no una afirmación sobre qué marca ofrece el mejor rendimiento. La evidencia citada no respalda una clasificación entre esos productos. Los compradores deben evaluar la versión, configuración y proceso específicos que pretenden utilizar.
Un flujo de trabajo hipotético de redacción hace tangible la diferencia. Si un asistente devuelve material dentro del documento que se está editando, el trabajador puede evaluarlo junto al texto circundante. Si el material llega a otro lugar, el trabajador debe trasladarlo, reconciliar el contexto y verificar que el documento final siga reflejando las fuentes previstas.
Ninguna de las dos disposiciones garantiza el éxito. El ejemplo identifica pasos adicionales que una demostración de tareas podría excluir. Una evaluación justa debe contabilizar esos pasos dondequiera que se produzcan.
El mismo razonamiento se aplica a los asistentes que recuperan conocimiento interno. La generación de respuestas es solo una parte del encargo cuando los empleados deben confirmar qué documento es el autoritativo. Una respuesta segura puede seguir exigiendo una comprobación considerable si el contexto que la respalda no está claro.
Para los compradores empresariales, la cuestión competitiva pasa a ser si una implementación elimina trabajo a lo largo de todo el proceso completado. Una generación más cómoda es útil, pero su valor depende de lo que sucede después. La evidencia experimental da a los compradores motivos para buscar ahorros medibles, al tiempo que se resisten a promesas generalizadas sobre semanas más cortas.
Las jornadas más largas aún no establecen una relación de causa y efecto
El estudio de ActivTrak sobre la jornada laboral identifica un patrón que merece investigación, aunque deja sin resolver explicaciones importantes.
El problema más evidente es la selección. Los empleados no necesariamente adoptan la IA al azar. Quienes gestionan encargos complejos o cargas de trabajo más elevadas podrían tener mayores razones para buscar asistencia. Sus jornadas más largas podrían preceder en parte a su uso de la IA.
Las diferencias entre funciones complican aún más la interpretación. Un puesto centrado en la redacción, la coordinación o la programación crea oportunidades distintas para utilizar un asistente. Comparar trabajadores de esas funciones puede mezclar el efecto de la IA con las exigencias del propio trabajo.
La causalidad inversa es otra posibilidad. Una fecha límite próxima podría llevar a los empleados a trabajar más tiempo y utilizar IA con mayor frecuencia. En esa situación, la carga de trabajo ayuda a explicar ambas observaciones. El asistente podría reducir parte del esfuerzo incluso mientras sus usuarios siguen registrando jornadas más largas.
Estas son explicaciones que deben ponerse a prueba, no interpretaciones establecidas de esta muestra. Muestran por qué una correlación no puede responder por sí sola a la cuestión causal. La publicación pública no presenta un diseño aleatorizado que resuelva esas alternativas.
La medición plantea otra limitación. La actividad digital revela aspectos de cómo las personas interactúan con las aplicaciones. No establece directamente el valor de sus decisiones, la calidad de su colaboración ni su nivel de agotamiento.
Una jornada más larga puede acompañar a un resultado valioso, a retrabajo evitable, a horarios flexibles o a una combinación de esas condiciones. Distinguirlas exige información más allá de la duración en sí misma. La experiencia de los empleados y los resultados aceptados deben considerarse junto con las medidas de actividad.
Los hallazgos anteriores también deben separarse cuidadosamente de la publicación más reciente. El análisis anual del lugar de trabajo de ActivTrak incluyó un subconjunto de 10.584 usuarios comparados antes y después de adoptar la IA. Informó aumentos en categorías de trabajo medidas, entre ellas el correo electrónico y la mensajería. Se trata de un análisis distinto de la comparación de octubre, y su muestra no debe combinarse con la más reciente.
Esta separación evita una impresión inflada de certeza. Varios hallazgos pueden apuntar hacia una mayor actividad mientras miden poblaciones y períodos diferentes. La coincidencia en la dirección no identifica automáticamente una causa compartida.
La posición comercial de ActivTrak también merece consideración. La empresa vende analítica de fuerza laboral, por lo que tiene interés en cómo las empresas miden el trabajo. Eso no invalida los hallazgos. Hace especialmente útiles las definiciones transparentes, la replicación independiente y el acceso a detalles metodológicos.
La conclusión más sólida es más acotada que el titular más dramático. La adopción de IA no demuestra de forma fiable un alivio para los empleados. Los hallazgos de ActivTrak sobre la carga de trabajo con IA justifican una investigación adicional, mientras que la evidencia experimental muestra que los ahorros de tiempo siguen siendo alcanzables.
Eso deja a los empleadores una responsabilidad práctica. Deben distinguir la producción adicional de la reducción del esfuerzo al describir los resultados. Los empleados merecen saber qué resultado pretende producir una implementación y cómo se evaluará el éxito.
Qué demostraría que la IA está devolviendo tiempo
La próxima evidencia convincente conectará el trabajo aceptado, las horas de los empleados y la calidad dentro de una misma evaluación.
Durante los próximos meses, la primera señal que conviene observar es la investigación que siga a trabajadores comparables antes y después de la implementación. Los diseños más sólidos tendrían en cuenta las diferencias entre funciones, carga de trabajo y demanda estacional. El acceso aleatorizado, cuando sea viable, ayudaría a separar el efecto del asistente de las razones por las que los empleados lo adoptan.
Si las jornadas más largas persisten en esas condiciones, se refuerza el argumento de que la implementación contribuye a ampliar el tiempo de trabajo. Si la diferencia desaparece en gran medida, la selección se convierte en una explicación más convincente. Cualquiera de los dos resultados mejoraría frente a tratar a todos los usuarios de IA como un grupo uniforme.
La segunda señal consiste en que un empleador informe qué ocurrió con la capacidad liberada. Afirmar que los empleados completaron tareas más rápido deja sin respuesta la cuestión central. La evidencia debería establecer si aumentó la producción aceptada, se acortaron los horarios, disminuyeron los atrasos o cambiaron las exigencias de revisión.
Una semana laboral programada más corta respaldaría directamente la promesa de reducir el tiempo de trabajo. Una mayor producción dentro de horas estables respaldaría un beneficio diferente. Aumentar la producción junto con jornadas más largas exigiría una explicación más clara de si mejoró la productividad por hora.
La calidad debe seguir formando parte de esa evaluación. Un borrador más rápido que necesita correcciones extensas no puede tener el mismo peso que un trabajo aceptado. Del mismo modo, una revisión adicional no elimina un beneficio cuando el resultado final mejora lo suficiente como para justificarla.
La tercera señal es evidencia que siga los cambios en el flujo de trabajo junto con los resultados de los empleados. Los compradores deberían observar si eliminar traspasos, consolidar la revisión o mejorar el acceso a las fuentes cambia las horas de trabajo. La comparación relevante es el proceso completado antes y después del rediseño.
Si esos cambios reducen el trabajo nocturno manteniendo la calidad, se refuerza el argumento a favor de una mejor implementación. Si las horas siguen ampliándose, la atención debería desplazarse hacia las expectativas de carga de trabajo y la demanda organizativa. Una interfaz más sencilla no puede determinar cuánto trabajo pide un empleador que complete su personal.
Estas señales deben aparecer juntas en informes creíbles. Las horas por sí solas dejan incierta la producción. La producción por sí sola deja incierto el esfuerzo de los empleados. El uso por sí solo dice poco sobre cualquiera de los dos.
Para los trabajadores del conocimiento, la investigación sobre la jornada laboral con IA resulta más útil cuando explica esas relaciones en lugar de emitir un veredicto universal. Una herramienta puede ser útil, agradable y estar asociada a un trabajo en expansión. Una implementación también puede generar ahorros de tiempo reales sin proporcionar una semana laboral más corta.
El estudio de ActivTrak sobre la jornada laboral pone esta distinción en primer plano. Su hallazgo cuestiona las promesas automáticas de alivio, al tiempo que deja espacio para mejores diseños y resultados diferentes. La cuestión ahora es si las organizaciones medirán dónde termina realmente el esfuerzo ahorrado.
Antes de aceptar otra afirmación sobre productividad, busque evidencia sobre el encargo completo y la jornada laboral completa. Pregunte qué trabajo desapareció, qué trabajo adicional llegó y quién verificó el resultado. Compare esas respuestas con la producción aceptada, los errores y la experiencia de los empleados. Un análisis creíble debería explicar si las personas ganaron tiempo, aportaron más valor o simplemente permanecieron disponibles durante más tiempo. También debería distinguir un experimento inicial de un cambio sostenido en las condiciones laborales. Utilice estas preguntas al evaluar la próxima implementación de un asistente o estudio sobre el lugar de trabajo. Si un empleador afirma que la IA está devolviendo tiempo, ¿qué evidencia muestra adónde fue ese tiempo?
