La encuesta de IA de monday.com revela el coste de gestión de una producción más rápida
La encuesta de IA de monday.com concluye que el 53% de los altos directivos tiene más dificultades para evaluar las contribuciones originales de los empleados tras adoptar IA. El hallazgo introduce un problema de gestión en la promesa de productividad: producir trabajo terminado y comprender la aportación de una persona son tareas distintas.
Publicada el 21 de octubre, la investigación realizada por Nielsen encuestó a 1.701 directores y altos directivos de siete países. Sus conclusiones sugieren que los empleadores afrontan un problema de medición más difícil a medida que el trabajo asistido por IA se vuelve habitual. Un entregable pulido ofrece menos evidencia sobre el criterio que lo sustenta.
Esa tensión convive con pruebas de que la IA puede mejorar el rendimiento en contextos concretos. Una investigación de Erik Brynjolfsson, Danielle Li y Lindsey Raymond encontró mejoras medibles en atención al cliente. La pregunta para los empleadores es si esas ganancias se mantienen durante todo el recorrido, desde la producción individual hasta el trabajo revisado y utilizable.
La encuesta de IA de monday.com somete la evaluación a presión
Según los hallazgos de gestión de IA de la empresa, el 47% de los encuestados dedica más tiempo a revisar y orientar el trabajo de sus equipos. Mientras tanto, el 78% ha modificado su enfoque de evaluación de empleados desde que adoptó IA.
Estos hallazgos describen presiones relacionadas, aunque no establecen que los mismos encuestados hayan experimentado todos los problemas. Tampoco miden cuánto tiempo adicional dedican los directivos a las revisiones. La distinción importa al traducir las dificultades para evaluar a los empleados en afirmaciones sobre el rendimiento empresarial.
El cambio inmediato es una conexión más débil entre un entregable terminado y la contribución individual que aparentemente representa.
Antes de la asistencia de IA, la calidad de presentación podía aportar cierta evidencia de capacidad de redacción, preparación o familiaridad con un tema. Nunca ofrecía un panorama completo. Los compañeros, las plantillas, los editores y los materiales existentes siempre han influido en el trabajo producido.
La IA hace esa inferencia más compleja porque puede proporcionar gran parte de la presentación visible. Una explicación clara puede reflejar comprensión profunda, edición eficaz o la aceptación de una respuesta generada. El documento final por sí solo no puede distinguir de forma fiable entre esas posibilidades.
Para los directivos, la pregunta resultante va más allá de si un empleado usó IA. Necesitan entender si el empleado seleccionó pruebas apropiadas, detectó errores y tomó decisiones defendibles. Esas contribuciones pueden permanecer invisibles en el texto final.
La investigación también complica una narrativa simple de resistencia. En la misma encuesta, el 94% expresó entusiasmo por mejorar el trabajo con IA. El entusiasmo y la dificultad coexisten, lo que sugiere que el problema se refiere a la implementación y la evaluación, más que a un rechazo directo.
El hallazgo principal recibió atención a través de la cobertura de TechCrunch sobre las dificultades para evaluar a los empleados. El informe principal ofrece una base más útil para interpretarlo: son altos directivos describiendo sus experiencias.
Es una evidencia significativa sobre la fricción en la gestión. No es una comparación controlada entre organizaciones que usan IA y organizaciones que la evitan. Tampoco establece que los empleadores hayan perdido más tiempo del que los empleados han ahorrado.
Por tanto, la encuesta de IA de monday.com identifica un punto de presión, en lugar de zanjar el debate sobre la productividad. Las organizaciones que adoptan IA necesitan formas de evaluar la contribución sin asumir que la fluidez demuestra experiencia. De lo contrario, la aparente mejora del resultado deja sin resolver quién merece el reconocimiento.
Esto cambia la conversación sobre gestión. La pregunta útil pasa a ser si los empleadores pueden reconocer el trabajo eficaz asistido por IA al tiempo que preservan estándares significativos de competencia. Esto exige mirar más allá de lo convincente que parece un entregable cuando llega a la bandeja de entrada de alguien.
Los directivos heredan trabajo que las métricas de producción no detectan
Las personas sometidas a presión inmediata son los directivos responsables tanto de la entrega como del desarrollo de los empleados. Deben aceptar asistencia útil mientras deciden si sus equipos pueden explicar y defender el trabajo resultante. Estas responsabilidades se solapan, pero no son intercambiables.
Un directivo puede aprobar un documento correcto sin aprender mucho sobre la capacidad subyacente de su autor. Eso puede ser suficiente para una comunicación rutinaria. Es menos suficiente cuando el mismo documento informa decisiones de promoción, asignación de personal o preparación para una tarea más exigente.
Una producción más rápida crea valor empresarial solo cuando el trabajo resultante sigue siendo económico de revisar y fiable de utilizar.
Consideremos una nota ilustrativa de planificación de producto. Un empleado utiliza IA para organizar observaciones de clientes en una recomendación sobre qué funcionalidad merece atención. La nota está redactada con claridad y presenta un argumento ordenado.
El directivo todavía debe establecer si las observaciones respaldan la recomendación. ¿Se conservaron las solicitudes contradictorias de los clientes? ¿El empleado distinguió la evidencia directa de la interpretación? ¿El borrador convirtió discretamente una suposición en un hecho aparente?
Estas son preguntas hipotéticas, no resultados documentados de la encuesta. Muestran por qué la calidad de presentación no puede soportar toda la carga de la evaluación. Una nota legible puede reducir el esfuerzo de comunicación mientras deja la decisión subyacente igual de difícil.
El empleado podría haber completado la tarea más rápido y haber demostrado un criterio excelente en todo momento. Como alternativa, el directivo podría necesitar reconstruir el análisis porque falta la evidencia de respaldo. La misma superficie pulida puede ocultar procesos de trabajo muy distintos.
Esto hace que las métricas de producción definidas de forma estrecha sean menos informativas. Contar documentos terminados recompensa la producción sin establecer si los compañeros pueden actuar basándose en ellos. Medir el tiempo de redacción excluye lo que ocurra durante la aclaración, corrección, aprobación e implementación.
La unidad económica que importa es el flujo de trabajo completado. Un borrador contribuye a ese flujo, pero también lo hacen las personas que lo validan y resuelven sus consecuencias. Trasladar esfuerzo entre esos participantes no elimina automáticamente el esfuerzo.
El desarrollo de los empleados añade otra complicación. Los directivos necesitan saber si una persona puede reconocer cuándo una respuesta es débil, incompleta o inapropiada. Un entregable exitoso ofrece evidencia limitada si el empleado no puede explicar las decisiones que le dieron forma.
Eso no significa que los empleados deban realizar todas las tareas sin asistencia. El trabajo ya depende de herramientas y colaboración. El problema de evaluación consiste en identificar qué formas de criterio siguen siendo esenciales cuando la asistencia gestiona una mayor parte de la ejecución visible.
Para un responsable de ingeniería, eso podría implicar entender por qué un cambio propuesto encaja en un sistema existente. Para un responsable de ventas, podría implicar comprobar si una recomendación refleja las limitaciones reales del cliente. La evidencia relevante varía según el puesto.
La presión también alcanza a los empleados cuya contribución más sólida consiste en rechazar malas sugerencias. Su trabajo puede desaparecer de la vista cuando una evaluación enfatiza únicamente el artefacto final. Evitar un error suele dejar menos evidencia visible que generar otra página.
Estas son implicaciones analíticas de los hallazgos, más que resultados adicionales de la encuesta. Explican por qué las organizaciones no pueden resolver las dificultades de evaluación de empleados simplemente exigiendo un mayor uso de IA. La adopción y la competencia responden a preguntas distintas.
En consecuencia, los directivos afrontan una difícil decisión de asignación. Necesitan suficiente visibilidad para evaluar el criterio sin convertir cada tarea en una auditoría detallada. Si la evaluación se vuelve excesivamente gravosa, el proceso consume la eficiencia que se suponía que la asistencia debía crear.
Las ganancias de productividad dependen de dónde recaiga el trabajo
Hay evidencia creíble de que la asistencia de IA puede mejorar el rendimiento en el trabajo. La versión más sólida del argumento de productividad no depende de que todos los empleados se vuelvan más rápidos. Depende de mejoras medibles en tareas concretas, bajo condiciones concretas.
El estudio sobre atención al cliente de Brynjolfsson, Li y Raymond examinó a 5.172 agentes y halló un aumento medio del 15% en incidencias resueltas por hora. Los beneficios variaron entre trabajadores, y los empleados con menos experiencia obtuvieron mayores ganancias.
Los investigadores también informaron de diferencias en calidad y aprendizaje. Estos hallazgos importan porque van más allá de si los participantes disfrutaban usando una herramienta. Examinan un resultado operativo con una conexión reconocible con el trabajo.
La asistencia de IA y la fricción de gestión pueden coexistir porque describen partes distintas del proceso de producción.
Un asistente de soporte que ayuda a un empleado a resolver el problema de un cliente opera dentro de un flujo de trabajo relativamente específico. Un asistente general de redacción utilizado para preparar un documento interno de estrategia se enfrenta a expectativas diferentes. La evidencia necesaria para evaluar el éxito también es distinta.
La comparación no implica que el trabajo de soporte sea simple. Muestra por qué una afirmación sobre productividad necesita una tarea y un resultado definidos. “Más resoluciones útiles por hora” transmite información que “más contenido asistido por IA” no transmite.
Un resultado contrastante provino de METR, la organización de evaluación de IA. Su experimento sobre productividad de desarrolladores involucró a 16 desarrolladores experimentados que completaron 246 tareas en proyectos de código abierto que conocían bien. El acceso a herramientas de IA de principios de 2025 aumentó el tiempo de finalización en un 19%.
Sin embargo, los participantes creían que la IA les había hecho más rápidos. Esa brecha ilustra un problema de medición: un flujo de trabajo puede parecer más fácil o más productivo sin generar el ahorro de tiempo esperado. La asistencia percibida y la aceleración medida requieren evidencia separada.
El resultado tiene límites claros. Se refería a desarrolladores, repositorios, tareas y herramientas concretos durante un periodo específico. No establece que los asistentes de programación actuales ralenticen a todos los desarrolladores, ni que las ganancias comunicadas en otros contextos sean imaginarias.
Posteriormente, METR subrayó esas limitaciones. En su actualización sobre medición de productividad de febrero de 2026, la organización señaló que los efectos de selección hacían poco fiables sus estimaciones más recientes. Algunos desarrolladores no querían participar bajo condiciones que exigían trabajar sin IA.
La actualización también describió dificultades para medir el tiempo cuando los desarrolladores utilizaban varios agentes simultáneamente. METR consideró probable que las herramientas más recientes fueran más útiles de lo que sugerían sus estimaciones anteriores. Advirtió que los datos disponibles ofrecían evidencia débil sobre la magnitud de esa mejora.
En conjunto, estos estudios respaldan una conclusión prudente. Los efectos de la IA dependen del contexto, la experiencia del trabajador, la selección de tareas y la definición de éxito. Ni el entusiasmo ni un resultado negativo aislado resuelven la cuestión más amplia.
La comparación de productos sigue la misma lógica. ChatGPT y Claude pueden ayudar a crear texto, mientras que los asistentes de programación operan dentro de flujos de trabajo de desarrollo de software. Una plataforma de gestión del trabajo como monday.com aborda la coordinación en torno a tareas y equipos.
Esas categorías se superponen, pero no responden preguntas idénticas. Un asistente puede mejorar un borrador sin establecer quién verificó sus afirmaciones. Un sistema de coordinación puede registrar actividad sin determinar si esa actividad produjo una decisión sólida.
Por tanto, el conflicto principal sigue siendo las promesas de productividad frente al trabajo necesario para hacerlas realidad. Las marcas competidoras aportan contexto, pero cambiar de asistente no resuelve automáticamente estándares de evaluación ambiguos. El empleador sigue teniendo que definir qué se considera un buen trabajo.
Esa es la interpretación útil de la encuesta sobre IA de monday.com. Dirige la atención hacia las condiciones organizativas que rodean la asistencia. Las próximas ganancias de productividad dependen en parte de que esas condiciones faciliten reconocer y aprobar resultados útiles.
Un documento pulido puede ocultar el juicio en cualquiera de los dos sentidos
La preocupación más evidente es que el acabado generado por IA haga que un trabajo débil parezca mejor. Una posibilidad igualmente importante opera en sentido contrario. Un empleado puede ejercer un juicio excelente y recibir menos reconocimiento porque la redacción visible parece asistida por una máquina.
Eso crea un problema de equidad antes de que entre en juego cualquier calificación automatizada del desempeño. Si los gerentes consideran sospechoso un lenguaje pulido, los empleados capaces pueden perder reconocimiento. Si lo tratan como prueba de competencia, un razonamiento débil puede recibir una aprobación inmerecida.
Una evaluación justa necesita evidencia de responsabilidad y juicio sin obligar a los empleados a demostrar que trabajaron sin ayuda.
Un resumen de investigación ilustrativo muestra el dilema. Un empleado reúne material original, identifica hallazgos contradictorios, descarta afirmaciones sin respaldo y utiliza IA para mejorar la organización. El texto final revela poco sobre las decisiones difíciles que hicieron fiable el resumen.
Otro empleado podría presentar un texto igual de fluido tras comprobar poco de su evidencia de apoyo. Los documentos podrían parecer comparables durante una revisión rápida. Su fiabilidad, y la competencia demostrada por los empleados, diferirían sustancialmente.
La respuesta no puede basarse por completo en detectar lenguaje generado. Incluso una identificación correcta establecería la asistencia, no la calidad de las decisiones del empleado. Saber que la IA intervino en un documento no explica si el autor la utilizó de forma responsable.
Tampoco un registro de prompts resuelve automáticamente el problema. Puede mostrar qué pidió alguien que hiciera un sistema. No puede, por sí solo, determinar si la persona reconoció una respuesta defectuosa o seleccionó evidencia adecuada.
Aquí resulta útil la distinción entre atribución y responsabilidad. La atribución se refiere a qué persona o sistema aportó una contribución concreta. La responsabilidad se refiere a quién asume el resultado y debe explicar las decisiones que hay detrás.
Los empleadores necesitan ambos conceptos, pero el nivel de detalle debe ajustarse a la tarea. Un anuncio interno rutinario no requiere el mismo escrutinio que una recomendación que afecta a la dotación de personal. Tratar todos los documentos como igualmente relevantes crea trabajo de revisión innecesario.
Los estándares de desempeño también necesitan consistencia. Un empleado no debería recibir elogios por usar IA en una tarea y ser penalizado por una asistencia equivalente en otra sin explicación. Las expectativas incoherentes dificultan la evaluación incluso cuando el trabajo subyacente es bueno.
La gestión del conocimiento cobra relevancia porque la evidencia suele existir fuera del entregable final. Las decisiones, el material fuente y los debates anteriores pueden ayudar a explicar por qué una recomendación adoptó una forma concreta. Su valor proviene de hacer recuperable el razonamiento.
Una base de conocimiento con capacidad de búsqueda ofrece un contexto útil sobre cómo organizar ese material de apoyo. No sustituye la evaluación de los gerentes. El acceso a los registros solo ayuda cuando los revisores entienden qué evidencia importa.
El desafío organizativo consiste en mantener ese contexto sin crear un proceso de vigilancia indiscriminada. Registrar cada interacción genera más material que revisar. Un registro más acotado de fuentes, decisiones y aprobaciones relevantes puede ser más pertinente para la cuestión de evaluación.
Este es un juicio analítico, no una intervención probada por la investigación de Nielsen. La encuesta no determina qué enfoque de documentación funciona mejor. Los empleadores necesitarían su propia evidencia antes de afirmar que una política concreta redujo los costes de revisión.
La misma cautela se aplica a la evaluación asistida por IA. Un sistema puede organizar los comentarios en un lenguaje legible mientras deja incompleta la evaluación subyacente. Una mejor redacción no aporta observaciones faltantes ni resuelve relatos contradictorios sobre el desempeño de un empleado.
En última instancia, un documento pulido puede ocultar tanto dependencia como pericia. La tarea de gestión es distinguir esas posibilidades mediante evidencia conectada con el trabajo. De lo contrario, el proceso de evaluación corre el riesgo de premiar las apariencias mientras pasa por alto las decisiones que hacen útil la asistencia.
La encuesta identifica fricción, no un veredicto sobre productividad
La encuesta sobre IA de monday.com merece atención porque identifica un problema organizativo específico. Sus hallazgos no justifican declarar que la IA ha fracasado en el trabajo. Tampoco establecen que toda dificultad reportada sea un ajuste temporal.
La investigación fue encargada por una empresa que vende software de gestión del trabajo. Ese contexto comercial debería seguir siendo visible al interpretar las soluciones propuestas por la compañía. Un hallazgo sobre problemas de coordinación no valida de forma independiente una plataforma diseñada para abordarlos.
La evidencia respalda la preocupación por las cargas de evaluación y revisión, mientras deja sin resolver su efecto económico neto.
La dificultad autodeclarada es relevante porque las experiencias de los gerentes pueden influir en la adopción y en las relaciones con los empleados. Sin embargo, difiere del uso observado del tiempo o del desempeño evaluado de forma independiente. Las medidas responden preguntas relacionadas sin volverse intercambiables.
La población encuestada también importa. Los directores y gerentes sénior no sustituyen directamente a cada supervisor de primera línea o colaborador individual. Su perspectiva ilumina la experiencia del liderazgo sin describir por completo cómo los empleados viven los mismos arreglos.
Una muestra multinacional amplía el alcance de la investigación, pero no garantiza condiciones idénticas entre lugares de trabajo. Los puestos, las prácticas de gestión y las etapas de adopción difieren. Los hallazgos agregados pueden ocultar variaciones importantes para un empleador que decide cómo responder.
La causalidad sigue siendo otra limitación. Una persona encuestada puede asociar una mayor dificultad de evaluación con la adopción de IA sin aislar la IA de otros cambios. Las cargas de trabajo crecientes, los objetivos modificados o los equipos reorganizados también podrían afectar la experiencia.
Estas limitaciones no eliminan el problema reportado. Definen lo que una evidencia más sólida tendría que establecer. El siguiente paso de investigación debería conectar la fricción reportada con el trabajo observado, en lugar de asumir que esa conexión ya está medida.
Una interpretación es que los empleadores están pagando un coste de ajuste mientras rediseñan sus procesos. Otra es que la generación barata crea una demanda duradera de juicio costoso. Los hallazgos actuales no pueden determinar qué explicación predomina.
La primera interpretación ganaría apoyo si las cargas de revisión disminuyeran a medida que los equipos adquieren más experiencia. La segunda lo ganaría si una mayor generación siguiera desbordando la capacidad de aprobación pese a la formación y a expectativas más claras. Ambas requieren observación a lo largo del tiempo.
También existe una posible interpretación positiva de la revisión adicional. Los gerentes podrían dedicar más tiempo a comprobar el trabajo porque los empleados ahora intentan tareas más valiosas. En ese caso, un mayor esfuerzo de revisión podría acompañar un aumento útil de la ambición.
Como alternativa, la revisión adicional podría consistir principalmente en corregir errores evitables o recuperar contexto faltante. Eso indicaría un esfuerzo desplazado, más que una ganancia directa de productividad. Una medida de tiempo por sí sola seguiría necesitando una medida de calidad junto a ella.
La conclusión defendible es más acotada que la amplia promesa del titular. La IA modifica la información que los gerentes pueden inferir de un artefacto terminado. Los empleadores necesitan mejor evidencia sobre las consecuencias antes de tratar una mayor producción como prueba de un mejor desempeño.
Vigile los costes de revisión, las reglas de evaluación y los resultados del flujo de trabajo
Durante los próximos meses, las señales más útiles se referirán al esfuerzo de revisión, las prácticas de evaluación y el trabajo completado. Son más informativas que otro recuento de empleados que experimentan con IA. Conectan la adopción con la presión de gestión identificada en la investigación.
La próxima prueba es si los empleadores pueden convertir resultados asistidos en trabajo aceptado manteniendo visible la contribución.
En primer lugar, observe si las empresas y los investigadores miden el trabajo posterior al borrador. Las divulgaciones útiles incluirían el esfuerzo de corrección, los retrasos en la aprobación y la atención requerida de los revisores. Esas medidas ayudarían a distinguir el esfuerzo ahorrado del esfuerzo transferido a otra persona.
La reducción de las cargas de revisión junto con una calidad estable debilitaría la preocupación de que la IA simplemente traslada el trabajo hacia etapas anteriores. Los costes persistentes de corrección la reforzarían. La comparación importante seguiría tareas similares hasta su finalización, en lugar de detenerse cuando termina la generación.
En segundo lugar, observe cómo los empleadores modifican los criterios de desempeño. Una actualización significativa explicaría cómo evalúan la verificación, el juicio y la propiedad de los resultados asistidos por IA. Un requisito de utilizar más herramientas ofrecería menos evidencia de que se están resolviendo las dificultades de evaluación.
Estándares más claros reforzarían el argumento de que las organizaciones se están adaptando con éxito. La dependencia continuada del volumen de documentos o de la calidad de presentación dejaría intacto el problema de atribución. Los empleados necesitan entender qué merece reconocimiento antes de que los gerentes puedan evaluarlo de manera consistente.
En tercer lugar, observe resultados a nivel de flujo de trabajo con comparaciones creíbles. Una evidencia más sólida conectaría la asistencia con resultados utilizables teniendo en cuenta la calidad y la revisión. También reconocería las diferencias entre puestos en lugar de presentar una única afirmación de productividad para todos los trabajadores.
Un estudio de caso de un proveedor puede aportar detalles útiles, pero su diseño importa. Los lectores deberían buscar tareas definidas, condiciones comparables y una explicación de lo que excluye la medición. Una narrativa persuasiva sin esos elementos no puede resolver la disyuntiva.
Estas señales no dependen de un lanzamiento programado de producto en particular. Son pruebas para la próxima ronda de afirmaciones de empleadores, investigadores y empresas de software. Cada una ayudaría a establecer si el dolor de cabeza de gestión está disminuyendo o se está consolidando.
Para los trabajadores del conocimiento, la implicación inmediata se refiere a cómo se hace visible su contribución. Producir un documento claro sigue siendo útil, pero explicar su evidencia y sus decisiones puede importar tanto como eso. El trabajo más sólido hace que el resultado sea fiable sin obligar a los colegas a reconstruirlo.
Para los compradores empresariales, la implicación se refiere a qué se espera que mejore una compra. La asistencia para redactar, la coordinación y la evaluación de empleados implican requisitos distintos. Un despliegue exitoso necesita evidencia vinculada al problema que pretende resolver.
Lea la encuesta de IA de monday.com como una invitación a examinar toda esa cadena. Mire más allá de si una herramienta genera un primer borrador impresionante. Pregúntese si el destinatario puede verificarlo, utilizarlo y entender quién ejerció su criterio. Compare esas respuestas con el esfuerzo necesario antes de que la asistencia entrara en el flujo de trabajo. Cuando llegue la próxima afirmación sobre productividad, examine su punto de cierre: generación, aprobación o resultado completado. Ese límite suele determinar si la afirmación describe una conveniencia individual o valor organizacional. Para la próxima tarea asistida por IA de su equipo, ¿puede quien la revise reconocer la contribución del empleado sin repetir el trabajo subyacente?
