Tesis de productividad con IA de Rick Manelius: el foco supera a hacerlo todo

Rick Manelius publicó una advertencia sobre la productividad con IA el 26 de julio, después de que su lista de proyectos alcanzara alrededor de 40 pruebas de concepto activas. La IA había acelerado las tareas individuales, pero su carga de trabajo se sentía más fragmentada. En lugar de convertir el tiempo ahorrado en un respiro, lo había transformado en más compromisos.

La tesis de Rick Manelius sobre productividad con IA cuestiona la promesa más tentadora que rodea a la IA generativa. Una ejecución más rápida no crea automáticamente foco, trabajo terminado ni una jornada más corta. Puede simplemente reducir el coste de empezar algo nuevo.

Esta distinción importa porque los asistentes de IA ahora hacen que sea inusualmente fácil iniciar borradores, prototipos, investigaciones y experimentos. Claude, ChatGPT, Copilot y los agentes de programación pueden producir avances visibles en minutos. El trabajo humano más difícil comienza después de ese primer resultado, cuando alguien debe elegir, verificar, revisar, coordinar y terminar.

Manelius sostiene que la respuesta valiosa es vertical, no horizontal. Los trabajadores del conocimiento deberían usar la IA para profundizar en menos proyectos importantes, no dispersar su atención entre cada idea que de pronto resulta asequible. Su relato personal no es una investigación controlada, pero identifica un problema de productividad que los datos del entorno laboral empiezan a revelar.

Un fundador convirtió el tiempo ahorrado en 40 proyectos abiertos

El cambio inmediato no fue un nuevo modelo ni el lanzamiento de un producto. Fue un relato público sobre cómo la eficiencia de la IA produce más trabajo sin terminar.

Manelius es un fundador recurrente de startups que describió tener más de 100 títulos y esquemas de artículos. También tenía unos 50 proyectos potenciales esperando tiempo disponible. La IA generativa parecía eliminar la restricción que había mantenido muchas de esas ideas inactivas.

Empezó a asignar tareas a Claude durante pausas de cinco minutos entre reuniones. El asistente podía seguir produciendo material mientras él pasaba a la siguiente llamada. Los primeros experimentos funcionaron lo bastante bien como para fomentar una mayor expansión.

Ese éxito se convirtió en el problema. Los borradores y prototipos más rápidos elevaron sus expectativas sobre cuántos proyectos podía sostener. Finalmente se encontró responsable de alrededor de 40 pruebas de concepto, cada una de las cuales requería decisiones y atención adicionales.

En su relato original, Manelius describe cada proyecto como otro ciclo abierto. Un ciclo abierto es un compromiso sin resolver que sigue compitiendo por la atención mental. La IA redujo el trabajo necesario para abrir estos ciclos sin eliminar el coste humano de cerrarlos.

Esta es una distinción significativa para los trabajadores del conocimiento. La IA generativa suele comprimir la primera fase del trabajo, incluido idear, redactar, resumir o montar un prototipo. No necesariamente comprime todas las fases posteriores al mismo ritmo.

Un artículo generado sigue necesitando revisión factual, criterio estructural, edición y publicación. Un prototipo de software sigue necesitando pruebas, revisión de seguridad, mantenimiento y soporte a usuarios. Un memorando de investigación sigue necesitando evaluación de fuentes y una decisión de alguien responsable.

Por tanto, la IA cambia la economía de la iniciación antes que la economía de la responsabilidad. Empezar se vuelve barato, mientras que llevar algo a término sigue siendo caro. Cuando el número de inicios aumenta más rápido que la capacidad de finalización, el usuario acumula obligaciones en lugar de libertad.

Manelius resumió su corrección como hacer menos, pero mejor. Pospuuso otro artículo porque creía que necesitaba varias revisiones adicionales. Esa elección ilustra la afirmación más profunda detrás de su publicación.

El nuevo cuello de botella ya no consiste siempre en producir una primera versión plausible. Consiste en decidir qué versión merece atención sostenida. Esa decisión no puede delegarse con seguridad cuando están en juego prioridades, reputación o consecuencias a largo plazo.

Esto hace que la historia sea más grande que la lista de proyectos abarrotada de un fundador. El mismo patrón puede aparecer cuando un empleado redacta diez propuestas, un gerente inicia cinco análisis o un desarrollador genera varias aplicaciones. Cada artefacto crea potencial trabajo de seguimiento, aunque producirlo haya requerido un esfuerzo casi nulo.

La producción de IA no es lo mismo que valor completado. El valor aparece cuando el resultado supera la verificación, llega a su usuario previsto y produce un resultado útil. Una carpeta creciente de borradores plausibles puede representar inventario en lugar de progreso.

Manelius ofrece un nombre claro para la alternativa: foco y capacidad de llevar las tareas a término. El foco limita qué compromisos entran en el sistema. La capacidad de llevar las tareas a término aporta el criterio y el esfuerzo sostenido necesarios para llevar los compromisos elegidos hasta la meta.

La advertencia de Rick Manelius sobre productividad con IA encaja en una jornada laboral infinita

La IA llegó a entornos laborales que ya recompensan la capacidad de respuesta, la actividad visible y la expansión constante de proyectos.

La telemetría laboral de Microsoft ofrece una visión útil de ese entorno. Su análisis afirma que los empleados que reciben muchos mensajes pueden sufrir interrupciones cada dos minutos durante las horas centrales de trabajo. El cálculo equivale a 275 reuniones, correos electrónicos o chats a lo largo de una jornada completa para los usuarios más interrumpidos.

El mismo análisis de la jornada laboral halló que los chats fuera de horario habían aumentado un 15 por ciento interanual. También informó de una media de 58 mensajes recibidos antes o después del horario estándar. Las reuniones que comienzan después de las 20:00 habían aumentado un 16 por ciento.

Esas mediciones no demuestran que la IA haya causado el trabajo fragmentado. Muestran que la IA está entrando en un sistema de atención que ya estaba bajo presión. Una producción de contenidos más rápida puede incorporar más mensajes, reuniones, revisiones y decisiones a ese sistema.

El incentivo organizativo también es sencillo. Cuando una tarea requiere menos tiempo, una empresa rara vez trata cada minuto ahorrado como ocio protegido. Los gerentes pueden elevar las expectativas de producción, los trabajadores pueden asumir más voluntariamente y los competidores pueden entregar más rápido.

Un documento de trabajo de 2025 examinó registros de uso del tiempo hasta 2023 y llegó a una conclusión relacionada. Una mayor exposición ocupacional a la IA se asoció con jornadas laborales más largas y menos ocio. Los autores sostuvieron que la IA con frecuencia complementa el trabajo humano, haciendo que el tiempo de trabajo adicional sea más valioso desde el punto de vista económico.

Esa investigación sobre jornadas laborales extendidas no establece lo que experimentará cada usuario actual de IA generativa. Su horizonte temporal incluye formas más amplias de IA, mientras las prácticas laborales continúan cambiando. Aun así, cuestiona la suposición de que la tecnología que ahorra trabajo entrega automáticamente ese tiempo ahorrado a los trabajadores.

La presión recae con especial fuerza sobre los trabajadores del conocimiento porque su trabajo carece de un punto natural de finalización. Un turno de almacén termina, pero un documento de estrategia siempre puede ganar otro escenario. Un producto siempre puede recibir otro experimento, y una bandeja de entrada siempre puede generar otra respuesta.

La IA generativa amplía este trabajo opcional. Puede proponer más campañas, ideas de productos, análisis, preguntas para entrevistas o variaciones de diseño de las que una persona podría desarrollar manualmente. Cada opción puede parecer valiosa cuando se considera de forma aislada.

La sobrecarga surge a nivel de cartera. Una persona podría completar cada tarea asistida por IA más rápido mientras hace avanzar demasiadas tareas a la vez. La eficiencia local produce entonces congestión en todo el sistema.

Esta es la inversión central del argumento de Rick Manelius sobre productividad con IA. La IA elimina fricción al crear cosas, pero cierta fricción protegía antes la atención. Un comienzo difícil obligaba a las personas a decidir si una idea merecía la inversión.

Esa barrera protectora está desapareciendo. Cualquiera puede crear un resumen de proyecto respetable antes del desayuno. Un desarrollador puede producir una base de código desconocida durante una tarde, mientras un especialista en marketing puede generar semanas de variaciones de campaña en una sesión.

Los resultados crean demanda posterior. Alguien debe seleccionar la mejor campaña, comprender el código generado, reconciliar contradicciones y decidir si el nuevo proyecto respalda un objetivo real. Estas tareas dependen del contexto y de la responsabilidad.

Las empresas pueden agravar el problema si miden la adopción de IA mediante la actividad. El recuento de prompts, los documentos generados y los asistentes desplegados son fáciles de seguir. Menos prioridades completadas, resultados más rápidos para los clientes o una mejor calidad de decisión requieren una medición más cuidadosa.

Un trabajador que genera 20 borradores puede parecer más ocupado que alguien que selecciona una idea sólida y la completa. La segunda persona puede crear más valor, pero su proceso produce menos actividad visible de IA.

La cultura resultante puede convertir cada hora ahorrada en una nueva exigencia. Los empleados experimentan entonces la IA como un mandato de aceleración, en lugar de como una fuente de autonomía. La máquina se vuelve más rápida, mientras el ser humano sigue siendo responsable de cada consecuencia.

Empezar a trabajar se volvió barato, pero terminar sigue teniendo un coste humano

La IA generativa ha comprimido más la producción que la selección, la verificación, la coordinación y la responsabilidad.

Los investigadores han documentado ganancias reales de productividad en tareas delimitadas. Un estudio influyente examinó a 5.179 agentes de atención al cliente que usaban un asistente de IA generativa. El acceso aumentó en promedio un 14 por ciento los casos resueltos por hora.

Las ganancias fueron desiguales. Los trabajadores novatos y con menores habilidades mejoraron un 34 por ciento, mientras que los empleados experimentados vieron beneficios mínimos. El estudio sobre agentes de soporte sugiere que la IA puede distribuir patrones aprendidos de colegas con mejor desempeño.

Ese resultado respalda el argumento a favor de la asistencia con IA. También revela por qué importa la definición de la tarea. El trabajo de atención al cliente ofrece casos medibles, flujos de trabajo establecidos y una condición clara de finalización.

Muchos proyectos de trabajo del conocimiento no ofrecen esos límites. Un fundador que decide si un concepto merece una empresa no puede optimizar según los casos resueltos por hora. Un editor que decide si un argumento está listo no puede basarse solo en la velocidad de redacción.

La investigación sobre programación cuenta una historia similar, con matices. Tres experimentos de campo en los que participaron 4.867 desarrolladores de software hallaron un aumento del 26,08 por ciento en las tareas completadas entre los trabajadores con un asistente de programación con IA. Los desarrolladores menos experimentados mostraron una mayor adopción y ganancias más grandes.

Incluso en ese caso, las tareas de desarrollo completadas no eliminan los costes de integración. El código generado debe encajar con la arquitectura existente, los requisitos de seguridad y las prácticas de mantenimiento. La creación más rápida de funcionalidades puede aumentar la demanda de revisión en otras partes de la organización.

Los agentes de IA también tienen dificultades a medida que el trabajo se vuelve simultáneo e interconectado. Investigadores de Microsoft informaron de que los principales agentes de uso de computadoras lograron una tasa de finalización del 16,7 por ciento en un entorno de tarea única. Su tasa cayó al 8,7 por ciento bajo cargas multitarea.

La evaluación de agentes del equipo utilizó entornos de múltiples horizontes, que prueban trabajo interdependiente en distintos marcos temporales. El descenso refleja un problema familiar para los responsables de proyectos humanos: el progreso requiere más que completar acciones aisladas.

El trabajo real implica dependencias. Una propuesta de ventas depende de un posicionamiento aprobado, datos actuales del cliente y lenguaje jurídico. El lanzamiento de un producto depende de código probado, documentación, preparación del soporte y una fecha de lanzamiento coordinada.

La IA puede acelerar partes de esa cadena. No puede hacer que todas las dependencias desaparezcan. Si una persona inicia más cadenas de las que la organización puede sostener, el flujo general puede ralentizarse incluso mientras las tareas individuales se vuelven más rápidas.

Por eso la culminación merece el mismo estatus que el enfoque. El enfoque selecciona la cadena que importa. La culminación gestiona las dependencias hasta que el resultado llega a un cliente, colega, lector o responsable de tomar decisiones real.

La etapa final suele concentrar un esfuerzo desproporcionado. Un borrador que parece terminado en un 90 por ciento aún puede contener afirmaciones sin respaldo, transiciones débiles o decisiones poco claras. Un prototipo puede parecer funcional y, aun así, carecer de la fiabilidad necesaria para producción.

Manelius utilizó la diferencia visual entre un eclipse parcial y uno total para describir esta brecha. La metáfora no debe convertirse en una fórmula universal de calidad. Algunas tareas realmente requieren una respuesta rápida y suficiente, en lugar de un pulido exhaustivo.

Sin embargo, la metáfora encaja en trabajos donde la confianza y la coherencia importan. Una migración de clientes casi terminada todavía puede fracasar. Un memorando ejecutivo mayormente preciso aún puede provocar una mala decisión. Una aplicación casi segura sigue siendo insegura.

La IA facilita confundir la completitud visible con la preparación operativa. Un texto fluido parece terminado, incluso cuando sus fuentes siguen siendo inciertas. Las interfaces generadas parecen funcionales, incluso cuando sus casos límite no se han probado.

Por tanto, los trabajadores del conocimiento necesitan una definición más estricta de «terminado». Un proyecto no está completo cuando el modelo deja de generar. Está completo cuando alguien verifica el resultado, resuelve las dependencias críticas y lo entrega a su destino previsto.

Un sistema personal de conocimiento puede respaldar ese proceso al conservar el contexto y reducir las búsquedas repetidas. Por ejemplo, una base de conocimiento personal puede mantener conectadas las decisiones, las fuentes y el historial del proyecto. No puede decidir qué proyecto merece prioridad.

Ese límite importa. Una mejor recuperación de información puede reducir la fricción de coordinación, pero debe servir a una cartera limitada. De lo contrario, una mejor organización simplemente ayuda a una persona a mantener una colección más grande de compromisos sin terminar.

El enfoque y la culminación superan a la productividad horizontal con IA

El recurso escaso está pasando de la capacidad de producción a la capacidad de dirigir y sostener la atención.

Los sistemas tradicionales de productividad suelen asumir que el trabajo llega desde fuera. Ayudan a los usuarios a registrar obligaciones, ordenarlas y ejecutarlas con eficiencia. La IA generativa altera ese modelo porque la herramienta puede crear trabajo nuevo con la misma rapidez con la que ayuda a completar el trabajo existente.

Pida ideas de crecimiento a un asistente y podrá devolver docenas. Solicite oportunidades de funcionalidades y podrá producir una hoja de ruta. Pida líneas de investigación y podrá generar suficientes preguntas para ocupar a un equipo.

Ahora el usuario necesita una política de admisión para el trabajo. Cada proyecto nuevo debería competir por una atención limitada antes de que la IA reciba permiso para ampliarlo. Sin ese filtro, la generación de ideas se convierte en una fuente automatizada de expansión del alcance.

Esta es la estrategia de productividad vertical dentro de la tesis de productividad con IA de Rick Manelius. El usuario elige un pequeño número de resultados significativos y luego aplica la IA repetidamente dentro de esos límites. La herramienta profundiza la ejecución en lugar de ampliar la cartera activa.

Para un product manager, eso podría significar usar IA para sintetizar entrevistas, cuestionar una hipótesis, redactar una especificación y preparar una decisión. Las cuatro tareas sirven a una misma pregunta de producto.

La alternativa horizontal generaría especificaciones para varias funcionalidades no relacionadas porque ahora cada una parece asequible. Ese enfoque crea más revisiones con partes interesadas, dependencias, métricas y obligaciones de mantenimiento.

Para un escritor, el uso vertical podría combinar investigación, comparación de fuentes, crítica estructural y edición en torno a un artículo. El uso horizontal podría producir varios borradores superficiales que compiten por el mismo tiempo de publicación y energía editorial.

Para un ingeniero, el uso vertical podría incluir depuración, generación de pruebas, documentación y revisión de código para una versión definida. El uso horizontal podría crear varios servicios experimentales sin un responsable claro ni un plan de retirada.

El enfoque no significa rechazar la exploración. Significa separar la exploración del compromiso. Un experimento de bajo coste puede responder una pregunta definida, pero su resultado debería desencadenar una decisión deliberada de continuar, pausar o detenerse.

Ese punto de decisión evita que los prototipos se conviertan en obligaciones permanentes de fondo. También contrarresta el atractivo psicológico del progreso visible. El resultado generado parece productivo porque crea algo concreto, incluso cuando no hace avanzar el objetivo principal.

La culminación requiere atención protegida después de esa decisión. La IA puede ayudar a preparar el trabajo, pero los humanos aún necesitan periodos ininterrumpidos para ejercer juicio. Alternar constantemente entre proyectos debilita el contexto necesario para detectar errores sutiles y compensaciones.

Los datos de Microsoft sobre interrupciones hacen que ese requisito parezca difícil. Sin embargo, la IA puede ayudar a defender el enfoque cuando procesa material rutinario dentro de un flujo de trabajo elegido. La misma tecnología que crea más opciones puede resumir actualizaciones, recuperar decisiones previas o preparar un informe con límites definidos.

La diferencia radica en quién controla la cola. Si cada mensaje, idea y sugerencia generada se convierte en una tarea, la IA acelera la fragmentación. Si una prioridad clara controla lo que procesa el asistente, la IA puede reducir el ruido que rodea a ese resultado.

La combinación de conocimiento, que reúne información de varias fuentes relevantes, resulta útil en esas condiciones. Un sistema como knowledge blending puede reunir contexto disperso en una sola respuesta. El usuario aún debe definir la decisión que esa respuesta debe respaldar.

Las organizaciones necesitan la misma disciplina a mayor escala. Los líderes deberían identificar qué flujos de trabajo merecen aceleración antes de distribuir agentes por todos los departamentos. También deberían decidir a qué se destinará el tiempo ahorrado.

Si una empresa espera que todo el tiempo ahorrado se convierta en más producción, los empleados empezarán racionalmente más trabajo. Si protege parte de la capacidad para revisión y recuperación, las ganancias de la IA pueden mejorar tanto la calidad como la sostenibilidad.

Las métricas deberían reforzar la finalización. Los equipos pueden seguir la antigüedad del trabajo en curso, el número de proyectos activos, los resultados completados para clientes, las tasas de revisión y los prototipos abandonados. Estas señales revelan si la IA está mejorando el flujo o aumentando el inventario.

Un menor número de proyectos no indica necesariamente una menor ambición. Puede indicar que un equipo ha concentrado sus recursos donde la finalización importa. La prueba práctica es si menos compromisos producen resultados más sólidos.

La afirmación sobre el agotamiento necesita más que la experiencia de un fundador

Manelius identifica un mecanismo creíble, pero su relato no demuestra que el uso de IA cause agotamiento.

La Organización Mundial de la Salud define el agotamiento como un fenómeno ocupacional derivado del estrés crónico en el lugar de trabajo que no se ha gestionado con éxito. Sus tres dimensiones incluyen agotamiento, mayor distancia o cinismo y menor eficacia profesional.

Esa definición de agotamiento se aplica específicamente al trabajo. Manelius habló tanto de la actividad de una startup como de proyectos personales paralelos. Su experiencia puede parecerse al agotamiento sin coincidir con todos los elementos de la definición ocupacional.

Sus estimaciones de eficiencia también exigen cautela. Escribió que la IA puede hacer algunas tareas entre dos y 100 veces más rápidas. Esas cifras describen un rango amplio, no un resultado medido de su cartera de proyectos.

Las ganancias fiables varían considerablemente según la tarea, el trabajador, el modelo y el umbral de calidad. Un primer borrador puede llegar mucho más rápido, mientras que la verificación puede eliminar parte de ese ahorro. Algunas tareas complejas siguen fuera de las capacidades fiables de un modelo.

La evidencia también muestra que la IA puede reducir el trabajo en lugar de ampliarlo. Un experimento de campo aleatorizado en 66 empresas y con 7.137 trabajadores del conocimiento examinó una herramienta de IA integrada con el correo electrónico, las reuniones y la escritura.

Entre los trabajadores del grupo tratado que utilizaron la herramienta, los participantes dedicaron dos horas menos al correo electrónico cada semana durante la segunda mitad del experimento. También redujeron el trabajo fuera del horario habitual. Los investigadores no detectaron cambios más amplios en la cantidad ni en la composición de las tareas.

Estos resultados debilitan cualquier afirmación de que la IA generativa crea inevitablemente sobrecarga. Sugieren que las herramientas integradas pueden devolver tiempo cuando se aplican al trabajo existente. También muestran que el acceso individual a herramientas no reorganiza automáticamente las prácticas a nivel de equipo.

La variable importante puede ser qué sucede después de ahorrar tiempo. Un trabajador puede proteger ese tiempo, mientras que otro inicia tres proyectos nuevos. Un gerente puede reducir la carga administrativa, mientras que otro eleva los objetivos de producción.

La autonomía personal importa, pero el poder organizacional también. Es posible que los empleados no controlen si el tiempo ahorrado se convierte en recuperación, trabajo más profundo u otra asignación. Los mercados competitivos y los sistemas de desempeño influyen en cómo se distribuyen las ganancias de productividad.

El tipo de proyecto también modifica el riesgo. La atención al cliente ofrece trabajo recurrente con cierre. El emprendimiento, la escritura y el desarrollo de productos contienen un alcance opcional casi ilimitado. La IA puede estimular mucho más trabajo potencial en estos campos abiertos.

Hay otro contraargumento. Lanzar más experimentos puede ser racional cuando la incertidumbre es alta. Las startups suelen aprender al probar varias ideas, y la IA reduce el coste de reunir esa evidencia.

El problema no es solo el número de experimentos. Es la ausencia de reglas explícitas de parada. Un experimento debería tener una pregunta, un presupuesto limitado y una fecha de decisión. Sin esos controles, la exploración se convierte en una cartera en expansión de obligaciones vagas.

El perfeccionismo presenta un riesgo relacionado. Manelius defiende asumir el coste del último uno por ciento en proyectos importantes. Ese principio puede mejorar el trabajo con consecuencias relevantes, pero también puede retrasar la entrega cuando los usuarios se beneficiarían de una versión anterior.

El enfoque y la culminación no deberían significar pulirlo todo indefinidamente. Deberían significar seleccionar el umbral de calidad adecuado antes de comenzar el trabajo. Un análisis privado, un ensayo público, un flujo de trabajo médico y una decisión financiera requieren distintos niveles de garantía.

Por tanto, la versión más sólida del argumento es condicional. La IA puede aumentar la sobrecarga cuando los usuarios reinvierten cada ganancia de eficiencia en compromisos adicionales. Puede reducir la sobrecarga cuando limitan el trabajo en curso y protegen el tiempo recuperado.

Este encuadre mantiene útil la advertencia de productividad con IA de Rick Manelius sin tratar una experiencia como evidencia universal. Su historia aporta el mecanismo. Los estudios del lugar de trabajo muestran que los resultados dependen de los límites de las tareas, las decisiones de gestión y el control del trabajador.

Tres señales mostrarán si la IA favorece un trabajo mejor

La próxima etapa de la productividad con IA se juzgará por los resultados completados, las horas de trabajo y el desempeño en condiciones reales de multitarea.

La primera señal es si las organizaciones empiezan a medir el trabajo en curso en lugar del resultado generado. Los paneles de adopción actualmente facilitan celebrar los prompts, el uso de asistentes o los documentos creados. Esas métricas dicen poco sobre el valor finalizado.

Un sistema de medición más sólido conectaría el uso de IA con el tiempo de ciclo, los resultados para clientes, los defectos y el número de proyectos activos. Si esos resultados mejoran mientras el trabajo en curso se mantiene controlado, la tesis del enfoque gana respaldo.

Si las empresas informan de más material generado sin una finalización más rápida, la advertencia se refuerza. La IA estaría entonces ampliando el inventario organizacional en lugar de aumentar el rendimiento útil.

La segunda señal es si el tiempo ahorrado acorta la jornada laboral. La investigación ya apunta en direcciones opuestas. Un experimento de campo encontró menos tiempo dedicado al correo electrónico y menos trabajo fuera de horario, mientras que la investigación sobre uso del tiempo asoció la exposición a la IA con jornadas más largas.

La futura telemetría del lugar de trabajo puede aclarar qué patrón se está volviendo dominante. Los mensajes fuera del horario laboral, la actividad de fin de semana, el volumen de reuniones y el tiempo de concentración ininterrumpida ofrecen mejores indicios que la velocidad autodeclarada por sí sola.

Una disminución de la actividad fuera de horario mostraría que las organizaciones están permitiendo a los trabajadores conservar parte de las ganancias de eficiencia. Una expansión continuada sugeriría que la capacidad de la IA está siendo absorbida por expectativas crecientes.

La tercera señal es cómo se desempeñan los agentes en flujos de trabajo extensos e interconectados. Las demostraciones de tareas individuales pueden hacer que la autonomía parezca casi completa. El valor en el lugar de trabajo depende de que los agentes mantengan el contexto, gestionen dependencias y se recuperen de los errores de forma segura.

La caída reportada, del 16,7 % de finalización al 8,7 % bajo carga multitarea, ilustra la brecha actual. Un mejor rendimiento permitiría que la IA se encargara de más seguimiento, en lugar de limitarse a generar más material inicial.

Esa mejora no eliminaría el juicio humano. Cambiaría el punto del proceso en que interviene. Las personas podrían supervisar resultados y excepciones, mientras los agentes gestionan más coordinación en flujos de trabajo definidos.

Hasta que aparezca esa fiabilidad, los trabajadores del conocimiento deberían considerar cada proyecto generado por IA como una futura demanda de atención. El primer resultado es una invitación, no un resultado terminado.

La pregunta práctica ya no es si la IA puede hacerte más rápido. Claramente puede hacerlo en muchas tareas acotadas. La cuestión es si esa velocidad impulsa un resultado elegido o crea otro ciclo abierto.

Antes de pedirle a un asistente que inicie algo nuevo, identifica el compromiso que desplazará. Define qué significa terminarlo, quién es responsable de verificarlo y cuándo se detendrá el trabajo. Después, utiliza la IA para llevar más lejos ese proyecto seleccionado.

Los nuevos superpoderes de la IA no son la generación interminable ni el movimiento constante. Son la capacidad de elegir qué merece atención, preservar el contexto que lo rodea y completarlo con cuidado. ¿Qué proyecto sin terminar cerrarás antes de abrir otro?