La productividad con Claude AI acaba de elevar el listón, y el foco se convirtió en el cuello de botella
La productividad con Claude AI ha creado un conflicto extraño: una persona puede iniciar diez proyectos más rápido, pero terminar un proyecto significativo sigue siendo dolorosamente difícil.
El escritor y fundador de startups Rick Manelius describió ese conflicto el 26 de julio de 2026. La IA le ayudó a recuperar ideas archivadas y lanzar proyectos de prueba de concepto entre reuniones. Al poco tiempo, gestionaba unos 40 y sentía que el burnout volvía.
Su relato es personal, no un estudio controlado sobre productividad. Aun así, refleja un problema emergente para los trabajadores del conocimiento. La IA reduce el esfuerzo necesario para empezar a trabajar, pero no reduce la atención necesaria para elegir, evaluar, revisar y terminar.
Esta distinción importa a medida que las empresas pasan de los chatbots a los agentes que gestionan secuencias de trabajo más largas. Anthropic, Microsoft, OpenAI y otros compiten por eliminar más fricción de la ejecución. Las herramientas resultantes abaratan la producción, al tiempo que hacen más valiosa la dirección humana.
La nueva división ya no está entre quienes usan IA y quienes la evitan. Está entre quienes convierten el esfuerzo ahorrado en resultados terminados y quienes lo convierten en más trabajo sin terminar.
El recurso escaso en el trabajo asistido por IA está pasando de la capacidad de producción a la atención sostenida.
La paradoja de la productividad con Claude AI comienza con inicios más fáciles
Manelius planteó su experiencia en torno a una contradicción simple. La IA puede acelerar mucho las tareas individuales, pero la persona que la utiliza puede terminar más sobrecargada.
Su relato original afirma que tenía más de 100 ideas y esquemas de artículos en borrador. También mantenía una lista de unos 50 proyectos futuros. Antes, esas ideas permanecían inactivas porque el tiempo creaba una barrera natural.
Claude debilitó esa barrera. Manelius podía enviar un prompt durante una breve pausa, dejar que el modelo trabajara y volver más tarde. Proyectos que antes requerían una tarde libre podían empezar en una ventana de cinco minutos.
Este cambio hizo que experimentar pareciera casi gratis. También lo animó a iniciar más proyectos porque los primeros intentos producían resultados utilizables. Cada éxito ampliaba su percepción de lo que debía perseguir.
El resultado no fue una cartera ordenada de trabajo terminado. Fueron unos 40 prototipos activos, cada uno con decisiones, revisiones y expectativas asociadas.
Ese patrón expone una debilidad en la definición habitual de productividad. Muchas herramientas miden la producción por tareas completadas, texto generado o tiempo ahorrado. Los trabajadores del conocimiento se preocupan por resultados que superan la revisión y crean valor duradero.
Un esquema generado por IA es producción. Un argumento publicado que cambia la decisión de un cliente es un resultado. Un prototipo es producción, mientras que un producto mantenido que resuelve un problema recurrente es un resultado.
La IA reduce drásticamente el coste de la primera categoría. La segunda sigue exigiendo criterio, coordinación, pruebas y responsabilidad.
Un modelo de lenguaje puede redactar cinco conceptos de campaña antes del almuerzo. El responsable de marketing aún debe seleccionar uno, comprobar las afirmaciones, obtener aprobación y medir su efecto. Una ideación más rápida puede, por tanto, ampliar la cola de decisiones.
El mismo efecto aparece en el desarrollo de software. Un agente puede crear una rama de funcionalidad, generar pruebas y preparar documentación. Una persona aún debe decidir si la funcionalidad encaja en el producto y si su coste de mantenimiento es aceptable.
Los investigadores ya han hallado ganancias reales de productividad en entornos de trabajo más acotados. Un estudio del NBER con aproximadamente 5.000 agentes de atención al cliente encontró un aumento medio de productividad cercano al 14 %. Los trabajadores menos experimentados registraron las mayores mejoras.
Esos hallazgos sobre soporte procedían de un flujo de trabajo definido con métricas de rendimiento claras. Los agentes resolvían problemas de clientes y el sistema sugería respuestas durante esas conversaciones.
El trabajo del conocimiento abierto tiene menos límites. Un fundador, diseñador, investigador o responsable de producto siempre puede generar otra propuesta. Ningún punto de detención natural le indica cuándo su cartera de trabajo está llena.
Por tanto, la productividad con Claude AI crea dos fuerzas opuestas. Reduce el tiempo de ejecución de ciertas tareas, mientras aumenta la cantidad de tareas que parecen viables.
La segunda fuerza es fácil de pasar por alto porque cada nuevo proyecto parece pequeño en el momento en que comienza. Su futuro coste de coordinación permanece oculto.
La IA no se limita a despejar una lista de tareas pendientes. Puede generar una lista más grande más rápido de lo que una persona puede cerrarla.
El tiempo ahorrado se convierte rápidamente en trabajo nuevo
Las herramientas de productividad rara vez han devuelto a los trabajadores todo el tiempo que ahorran. Las organizaciones suelen absorber las ganancias de eficiencia elevando las expectativas, aumentando el volumen o acortando los plazos.
La IA generativa hace especialmente visible este efecto rebote. Un trabajador que redacta un informe más rápido rara vez recupera el resto del día. El tiempo ahorrado suele convertirse en otro informe, otro análisis u otra reunión.
Los datos laborales de Microsoft muestran por qué esas incorporaciones importan. Su estudio de 2025 utilizó actividad agregada de Microsoft 365 y una encuesta a 31.000 trabajadores del conocimiento en 31 mercados.
El informe sobre la jornada laboral infinita encontró que el empleado medio recibía más de 100 correos electrónicos y 150 mensajes de Teams al día. Casi un tercio de los trabajadores encuestados afirmó no poder seguir el ritmo.
Estas cifras son anteriores al ensayo de Manelius, pero describen el entorno que lo rodea. Los trabajadores del conocimiento ya gestionaban canales de comunicación saturados antes de que la IA facilitara la producción.
Las herramientas pueden ayudar a resumir esos canales. También pueden generar más mensajes, documentos, notas de reuniones, tickets y solicitudes para que los colegas procesen.
Esta es la presión central sobre los trabajadores del conocimiento. La IA amplía lo que una persona puede iniciar sin ampliar las horas disponibles para revisarlo.
Los directivos afrontan un problema relacionado. Cuando cada empleado puede producir más propuestas, la organización necesita más priorización. De lo contrario, el liderazgo se convierte en una capa de enrutamiento para producción asistida por máquinas.
Los equipos pueden interpretar una mayor actividad como evidencia de adopción. Podrían rastrear prompts enviados, agentes creados, documentos generados u horas supuestamente ahorradas. Esas señales dicen poco sobre si los clientes recibieron mejores resultados.
El peligro es una nueva forma de trabajo inútil. La IA gestiona suficiente ejecución como para que los proyectos opcionales parezcan baratos, pero los humanos heredan sus preguntas abiertas y obligaciones a largo plazo.
Un panel generado todavía necesita un responsable. Un informe automatizado todavía necesita un lector que sepa cuándo sus conclusiones son erróneas. Un prototipo todavía necesita que alguien decida si debe existir.
Cada esfuerzo activo también impone un coste de cambio. El trabajador debe recordar su estado, localizar el material relevante, entender la siguiente decisión y recuperar la intención original.
Esa recuperación se vuelve más difícil cuando la información está dispersa entre sesiones de chat, documentos, correos electrónicos y archivos locales. Una base de conocimiento personal bien mantenida puede reducir la fricción de recuperación. No puede decidir qué proyectos merecen atención.
Por eso la experiencia de Manelius va más allá de la disciplina individual. Refleja un desajuste entre herramientas diseñadas para una producción más rápida y lugares de trabajo que carecen de límites firmes.
Si la dirección trata cada hora ahorrada como capacidad recién disponible, los trabajadores no reciben ningún dividendo de productividad. Simplemente operan con una agenda más densa.
La productividad con IA se convierte entonces en una escalera de expectativas. El plazo de entrega excepcional de ayer se convierte en el nivel de servicio estándar de mañana.
El efecto también puede distorsionar la planificación. Los líderes pueden estimar el trabajo a partir del tiempo de generación, ignorando la verificación, la integración y el mantenimiento. Un borrador producido en minutos aún puede requerir días de esfuerzo organizativo.
El tiempo ahorrado por la IA sigue siendo teórico hasta que una persona u organización decide qué dejará de hacerse.
El foco y la ejecución hasta el final superan a la expansión horizontal
Manelius propone una corrección directa: utilizar la IA para profundizar en menos proyectos importantes, en lugar de expandirse horizontalmente hacia más de ellos.
La expansión horizontal significa convertir la reducción de los costes de las tareas en una cartera más amplia. Un escritor inicia más borradores. Un desarrollador abre más repositorios. Un directivo lanza más experimentos internos.
El progreso vertical utiliza esa misma capacidad de otra manera. Financia una investigación mejor, pruebas adicionales, una edición más sólida y una entrega más completa.
Esta distinción convierte el foco en una decisión operativa, no en un eslogan motivacional. El foco determina qué posibles resultados nunca entran en la cola.
La ejecución hasta el final comienza después de esa elección. Abarca el trabajo menos emocionante entre un primer borrador plausible y un resultado en el que otras personas pueden confiar.
Manelius ilustra la diferencia con un artículo que decidió no publicar de inmediato. Consideró que el borrador era adecuado, pero creía que la idea requería dos o tres revisiones más.
Esa decisión va contra los incentivos creados por la IA generativa. El modelo hace que otro borrador sea barato, mientras que una revisión cuidadosa sigue consumiendo tiempo humano concentrado.
La IA puede ayudar con la edición, pero no puede definir por completo el estándar. El autor debe decidir si el argumento es verdadero, original, claro y merece la atención del lector.
El mismo patrón se mantiene en el trabajo de producto. La IA puede generar historias de usuario, textos de interfaz y código. La ejecución hasta el final exige observar el uso real, resolver casos extremos y eliminar funcionalidades que distraen del trabajo principal.
Para los investigadores, la última milla incluye verificar las fuentes y la evidencia contraria. Para los equipos de ventas, implica comprender al comprador en lugar de producir más contactos. Para los ejecutivos, implica tomar una decisión y respaldarla cuando cambian las condiciones.
Por tanto, el uso de mayor valor de la IA puede ser multiplicar la profundidad. El trabajador aplica el tiempo ahorrado a las partes de un proyecto que antes recibían muy poca atención.
Este enfoque cambia cómo debería medirse la productividad con Claude AI. La pregunta relevante no es cuántos resultados ayudó a crear Claude. Es si el trabajo seleccionado alcanzó un estándar más alto o un destino más valioso.
Una revisión semanal puede revelar la diferencia. Si el trabajo asistido por IA produce más proyectos activos pero cae la tasa de finalización, el sistema ha aumentado el movimiento en lugar del progreso.
Los límites de cartera ofrecen una respuesta más sólida que la determinación personal. Un equipo puede restringir el número de experimentos activos y exigir que uno se cierre antes de comenzar otro.
También importan los criterios claros de finalización. “Explorar la incorporación de clientes” invita a una actividad indefinida. “Identificar los tres mayores fallos de incorporación y probar una corrección” crea una línea de meta.
Los sistemas de conocimiento pueden respaldar esta disciplina al preservar decisiones y conectar evidencias. Una memoria de trabajo consultable ayuda a los trabajadores a retomar proyectos importantes sin reconstruir el contexto.
Aun así, la recuperación no puede sustituir al rechazo. El usuario debe rechazar oportunidades de bajo valor incluso cuando un asistente de IA las hace fáciles.
Esa es la nueva habilidad incómoda. Antes de la IA generativa, la capacidad de producción limitada rechazaba muchas ideas automáticamente. Ahora las personas deben rechazarlas deliberadamente.
El enfoque es la capacidad de dejar sin hacer un trabajo técnicamente viable, mientras que la ejecución convierte una posibilidad elegida en valor duradero.
Una producción más rápida no elimina la frontera irregular
El argumento a favor de un trabajo más profundo no implica que la IA deba reservarse para tareas menores. La investigación muestra que la IA generativa puede mejorar tanto la velocidad como la calidad dentro de límites de tarea adecuados.
Un experimento de campo con 758 profesionales de Boston Consulting Group examinó trabajos de análisis, redacción, creatividad y persuasión. Los participantes que usaron GPT-4 completaron ciertas tareas más rápido y obtuvieron puntuaciones de calidad más altas.
El experimento con consultores también arrojó una advertencia importante. El rendimiento de la IA siguió una frontera tecnológica irregular, lo que significa que tareas de apariencia similar podían situarse en lados opuestos de la competencia real del modelo.
En las tareas dentro de esa frontera, los consultores que usaron IA completaron más de un 12 por ciento más de tareas. Trabajaron más de un 25 por ciento más rápido y produjeron resultados valorados más de un 40 por ciento por encima.
En una tarea fuera de la frontera, los usuarios de IA rindieron peor. La fluidez de la herramienta podía llevar a las personas a conclusiones incorrectas.
Ese hallazgo complica la idea de que una mayor automatización siempre libera atención. A veces, la IA desplaza el esfuerzo de la producción a la supervisión. El trabajador debe detectar cuándo la confianza supera a la corrección.
A medida que los agentes asumen flujos de trabajo más largos, esa carga de supervisión cambia de forma. Una frase débil es fácil de detectar. Una suposición errónea oculta dentro de un proceso de investigación de varios pasos es más difícil de encontrar.
El usuario puede ahorrar tiempo en cada acción visible, pero dedicar más atención a evaluar la cadena completa. Si varios agentes se ejecutan simultáneamente, el número de decisiones de revisión vuelve a crecer.
La investigación económica de Anthropic muestra que los patrones de uso todavía oscilan entre la delegación y la colaboración. Su análisis de enero de 2026 determinó que la ampliación volvió a ser más común que la automatización en Claude.ai.
Los datos de interacción distinguen la automatización de la ampliación. La automatización delega la finalización de tareas, mientras que la ampliación mantiene al usuario implicado mediante aprendizaje, validación e iteración.
Ningún patrón es universalmente mejor. Una transformación repetitiva con comprobaciones claras puede ser adecuada para la automatización. Una decisión estratégica con evidencia incierta se beneficia de la participación humana activa.
Aquí es donde la ejecución se diferencia del perfeccionismo. El perfeccionismo prolonga el trabajo sin una regla racional para detenerse. La ejecución dirige la revisión hacia los puntos de fallo que importan.
Una respuesta de soporte puede necesitar precisión, empatía y cumplimiento de políticas. Un memorando de investigación puede requerir fuentes fiables y una declaración explícita de incertidumbre. Un lanzamiento de producto puede necesitar comprobaciones de seguridad y procedimientos de reversión.
Esos estándares definen cuándo el esfuerzo adicional cambia el resultado. Protegen a los trabajadores del pulido interminable y, al mismo tiempo, evitan una finalización prematura.
La visión escéptica merece énfasis. Manelius estima que la IA hizo algunas tareas entre dos y 100 veces más eficientes, pero su ensayo no ofrece una medición controlada para ese rango.
La cifra funciona como descripción de una experiencia personal, no como referencia general de productividad. Diferentes tareas, herramientas y usuarios producirán resultados muy distintos.
Incluso las mejoras verificadas de velocidad no demuestran una menor carga de trabajo ni un mayor bienestar. Una empresa puede traducir una ejecución más rápida en cuotas más altas. Un trabajador autónomo puede traducirla en más compromisos.
El agotamiento también tiene múltiples causas. La carga de trabajo importa, pero también el control, la equidad, el reconocimiento, la comunidad y la alineación con los valores personales. La IA no puede resolver esas condiciones mediante una redacción más rápida.
La afirmación práctica debe mantenerse acotada. La IA puede reducir el esfuerzo en tareas seleccionadas. Que reduzca el trabajo total depende de los límites que rodeen esas ganancias.
El modelo puede acelerar la ejecución, pero los humanos siguen siendo responsables de seleccionar las tareas, verificarlas y asumir las consecuencias de equivocarse.
Los trabajadores bajo presión son quienes pueden hacerlo todo
Las primeras conversaciones sobre la IA en el lugar de trabajo se centraban en el acceso. Los trabajadores que aprendían a formular prompts o adoptaban asistentes de programación parecían tener más probabilidades de superar a quienes no lo hacían.
Esa brecha sigue siendo relevante, pero se está volviendo menos distintiva. Las funciones de IA aparecen ahora dentro de aplicaciones comunes de productividad, herramientas de desarrollo y plataformas de comunicación.
La brecha emergente se refiere a la orquestación. Dos personas pueden usar el mismo modelo y obtener resultados muy diferentes porque una controla el alcance mientras la otra multiplica sus obligaciones.
Los trabajadores del conocimiento con grandes ambiciones afrontan el mayor riesgo. Tienen muchas ideas, suficiente habilidad para evaluar resultados iniciales y suficiente autonomía para iniciar proyectos sin aprobación formal.
La IA elimina la fricción que antes obligaba a esos trabajadores a esperar. También debilita una señal útil: si una idea no valía varias horas de preparación, quizá no merecía un lugar en la cartera de proyectos.
Los fundadores ahora pueden validar varios conceptos en paralelo. Los gerentes de producto pueden generar propuestas detalladas para cada solicitud de cliente. Los ingenieros pueden crear implementaciones experimentales antes de decidir qué problema merece atención.
Estas capacidades suenan beneficiosas porque lo son. El riesgo aparece cuando la experimentación no tiene una regla de salida.
Una prueba de concepto genera información, pero también crea apego. Una vez que un trabajador ve un borrador o prototipo funcional, abandonarlo se siente como desperdiciar trabajo ya realizado.
La IA hace que sea más barato caer en esa trampa psicológica. La primera versión llega rápido, mientras que las decisiones costosas aparecen después.
Las organizaciones pueden agravar el problema al celebrar la producción visible. Un gran flujo de demostraciones y documentos crea una apariencia de impulso. Cancelar discretamente proyectos débiles puede parecer menos impresionante, incluso cuando protege al equipo.
Por ello, los líderes necesitan nuevas evidencias de madurez en IA. Las tasas de cierre de proyectos, los resultados para los clientes, las tasas de error y la carga de mantenimiento revelan más que el número de artefactos generados.
También deben proteger el tiempo de juicio. Microsoft informó en 2023 que el 68 por ciento de los trabajadores carecía de suficiente concentración ininterrumpida durante la jornada. La adopción de IA no puede reparar esa condición mientras los calendarios y las expectativas de comunicación permanezcan sin cambios.
La presión también alcanza a especialistas experimentados. Los estudios de productividad suelen mostrar mayores ganancias para los trabajadores menos experimentados porque la IA puede distribuir patrones aprendidos de profesionales más sólidos.
Los trabajadores sénior podrían entonces dedicar más tiempo a revisar el trabajo asistido por máquinas de otras personas. Su tiempo personal de generación disminuye, pero su carga organizativa de verificación aumenta.
Ese cambio puede hacer que la experiencia sea menos visible y, al mismo tiempo, más necesaria. El experto detecta errores sutiles, define la calidad y decide cuándo no debe utilizarse la respuesta del modelo.
Los equipos deberían reconocer este trabajo explícitamente. De lo contrario, la IA parece crear resultados sin esfuerzo mientras los empleados sénior absorben silenciosamente su riesgo.
Los trabajadores individuales necesitan un método de contabilidad similar. Todo proyecto asistido por IA debería incluir un coste estimado de revisión, mantenimiento y oportunidad.
Un prototipo de diez minutos no es un compromiso de diez minutos. Si requiere decisiones futuras, comunicación con las partes interesadas o actualizaciones recurrentes, su coste real comienza después de la generación.
Las personas más capaces de usar ampliamente la IA necesitan los límites más firmes, porque la capacidad amplía las opciones más rápido de lo que la atención amplía la capacidad.
Tres señales mostrarán si la IA devuelve tiempo
La próxima fase de la productividad con Claude AI no se decidirá solo por las puntuaciones de benchmarks. La determinará cómo las herramientas, los equipos y los trabajadores gestionen la creciente brecha entre iniciar y terminar.
La primera señal es el diseño de producto. Las plataformas de agentes admiten cada vez más tareas de larga duración, ejecución paralela y conexiones con datos del lugar de trabajo.
Habrá que observar si los proveedores incorporan controles de cartera más sólidos junto con esas capacidades. Los controles útiles mostrarían compromisos activos, aprobaciones requeridas, trabajo estancado y el coste de mantener resultados creados por agentes.
Si las herramientas solo facilitan iniciar más procesos, la experiencia de Manelius se extenderá. Si ayudan a los usuarios a cerrar, consolidar y rechazar trabajo, la IA puede respaldar la ejecución.
La segunda señal es la medición dentro de las organizaciones. Los líderes seguirán informando del tiempo ahorrado, las tasas de adopción y la producción generada porque esos números son fáciles de recopilar.
Entre las medidas más reveladoras se encuentran los resultados empresariales completados, las tasas de corrección, el tiempo de ciclo tras la revisión y el número de proyectos activos por empleado. Estas métricas muestran si la IA reduce el trabajo o lo redistribuye.
Una empresa que genera el doble de borradores pero tarda más en aprobarlos ha desplazado su cuello de botella. No lo ha resuelto.
La tercera señal es la política de carga de trabajo. Los empleadores deben decidir si la eficiencia de la IA pertenece por completo a la organización o, en parte, al trabajador.
Si cada hora ahorrada se convierte en una cuota más alta, los empleados experimentarán la IA como compresión. Cabrá más producción en la misma jornada, mientras la recuperación y la concentración seguirán siendo escasas.
Si los equipos eliminan informes de bajo valor, reducen la carga de reuniones y crean tiempo protegido para la revisión, la eficiencia puede mejorar la calidad del trabajo. Eso reforzaría la afirmación de Manelius de que el enfoque y la ejecución son la nueva ventaja.
Estas señales también ofrecen una prueba práctica para los usuarios individuales. Registra si tu número de proyectos activos aumenta tras adoptar agentes. Después compara esa cifra con tu tasa de finalización y la calidad del trabajo terminado.
Si el trabajo activo aumenta mientras la finalización disminuye, detén los nuevos comienzos. Selecciona los pocos proyectos con valor claro, define qué significa terminarlos y usa la IA para llevar esos proyectos más lejos.
Esa elección no es resistencia a la tecnología. Es una forma más exigente de adopción, porque mide la herramienta frente a resultados en lugar de actividad.
La productividad con Claude AI puede eliminar horas de redacción, programación, búsqueda y formato. No puede proteger esas horas de otra idea, solicitud, notificación o compromiso autoimpuesto.
La ventaja humana consiste cada vez menos en producir todos los artefactos posibles. Reside en elegir qué merece atención sostenida, detectar cuándo el trabajo es incorrecto y llevar el proyecto adecuado hasta la línea de meta.
La IA ofrece más movimientos posibles, mientras que el enfoque selecciona el movimiento y la ejecución hace que cuente.
Revisa tu lista actual de proyectos antes de abrir otra sesión de agentes. ¿Qué esfuerzo merece una investigación más profunda, otra prueba o una revisión cuidadosa? Elige ese proyecto y define el resultado que lo daría por terminado. Después deja que la IA reduzca el trabajo mecánico sin permitirle ampliar el alcance. La pregunta central ya no es si Claude puede ayudarte a producir más. La evidencia ya muestra que la IA mejora la velocidad y la calidad en tareas adecuadas. La pregunta más difícil es si esas ganancias crean algo terminado, fiable y útil. Si no lo hacen, el cuello de botella nunca fue la velocidad de escritura. Fue la decisión de enfocarse y la disciplina de ejecutar.
