Advertencia de Rick Manelius sobre la productividad con IA: el enfoque y la capacidad de ejecución superan a una mayor producción

Rick Manelius convirtió la velocidad de la IA en alrededor de 40 proyectos activos de prueba de concepto, y después descubrió que una ejecución más rápida había creado un nuevo problema de agotamiento. Su ensayo del 26 de julio replantea el argumento de Rick Manelius sobre la productividad con IA en torno a un conflicto directo. La IA generativa puede reducir el trabajo dentro de una tarea, pero también alentar a las personas a iniciar más trabajo del que pueden terminar de forma responsable.

Esta distinción importa porque la mayoría de los programas de IA en el lugar de trabajo todavía miden la actividad. Cuentan prompts, documentos generados, tickets completados, minutos ahorrados y pasos automatizados. Estas cifras pueden revelar ganancias útiles de eficiencia, pero dicen poco sobre si un proyecto importante alcanzó un resultado duradero.

Manelius propone otro par de ventajas: enfoque y capacidad de ejecución. La IA facilita la creación de borradores, prototipos, planes y opciones. La capacidad humana escasa consiste en decidir qué opción merece atención sostenida y luego llevarla a través de las costosas etapas finales.

El adversario no es otro modelo de IA. Es la mentalidad de expansión que rodea la adopción de la IA, donde cada hora ahorrada se convierte en permiso para abrir otro proyecto. La promesa es una mayor capacidad. La realidad emergente suele ser un campo más amplio de trabajo sin terminar, más cambios de contexto y menos claridad sobre qué merece atención.

El auge de la productividad con IA creó más asuntos pendientes

El cambio inmediato no es que la IA se haya vuelto más rápida. Es que la creación barata hizo que la contención fuera más valiosa.

En su ensayo sobre enfoque y capacidad de ejecución, Manelius describe un patrón familiar para los trabajadores del conocimiento ambiciosos. Antes de la IA generativa, las ideas permanecían en una lista de «algún día» porque producir una primera versión creíble requería demasiado tiempo. La IA redujo ese costo inicial.

Manelius tenía más de 100 títulos y esquemas de artículos en borrador, junto con unos 50 proyectos potenciales. Cuando Claude pudo trabajar durante breves intervalos entre reuniones, algunas ideas abandonadas se volvieron viables. Los primeros resultados lo animaron a lanzar todavía más experimentos.

Al principio, el enfoque pareció exitoso. Un prompt de cinco minutos podía iniciar una investigación, generar texto, estructurar un producto o hacer avanzar un prototipo. Cada éxito hacía que el siguiente proyecto pareciera asequible.

Ese cálculo omitía el costo de hacerse cargo. Un prototipo necesita revisión, corrección, posicionamiento, mantenimiento y una decisión sobre su futuro. El borrador de un artículo necesita verificación de hechos, revisión estructural, edición y distribución. Un experimento pequeño puede crear una gran cadena de obligaciones posteriores.

Manelius terminó contando alrededor de 40 proyectos de prueba de concepto en curso. Describe cada uno como un asunto pendiente, es decir, un compromiso sin resolver que aún exige atención. La IA había reducido el esfuerzo necesario para comenzar, mientras lo dejaba a él responsable de todo lo que venía después.

Sus multiplicadores de productividad reportados, que van de dos a cien veces, son estimaciones personales y no mediciones probadas de forma independiente. El multiplicador exacto es menos importante que la asimetría que hay detrás. La IA puede comprimir un paso aislado de producción sin comprimir en la misma medida el juicio, la coordinación, la rendición de cuentas o el cuidado.

Aquí es donde el debate sobre la productividad con IA a menudo pierde contacto con el trabajo real. Generar un entregable plausible no equivale a completar la responsabilidad subyacente. Un borrador puede parecer terminado mientras las preguntas sobre precisión, audiencia, propiedad y consecuencias siguen sin responderse.

Pensemos en un gerente de producto que utiliza IA para convertir notas de entrevistas en diez conceptos de funcionalidades. El paso de generación toma minutos. El gerente aún debe comparar evidencias, comprender los segmentos de clientes, poner a prueba supuestos, coordinarse con ingeniería, descartar ideas débiles y defender la prioridad final.

Un ingeniero de software enfrenta el mismo patrón. Un asistente puede generar varias implementaciones rápidamente, pero cada una introduce exigencias de revisión y mantenimiento. Más código puede significar más pruebas, dependencias, exposición de seguridad y decisiones arquitectónicas.

El resultado es una cola que se expande más rápido que la atención humana. Empezar se vuelve casi libre de fricción, por lo que detenerse parece irracional. Sin embargo, cada elemento nuevo compite con los compromisos existentes por el mismo calendario y los mismos recursos cognitivos.

El antiguo cuello de botella solía ser la producción. El nuevo cuello de botella es el cierre.

Esto no hace que la IA generativa sea ineficaz. Significa que las ganancias de eficiencia deben medirse a lo largo de un flujo de trabajo completo. Si una herramienta ahorra una hora durante la redacción, pero crea varias horas de revisión y coordinación, la ganancia local exagera el beneficio final.

Por tanto, una medida útil de productividad pregunta si el trabajo alcanzó un punto final significativo. ¿Se tomó la decisión, se adoptó el producto, se ayudó al cliente o se confió en el artículo? Los recuentos de producción no pueden responder por sí solos a esas preguntas.

La productividad con IA de Rick Manelius se encuentra con la jornada laboral infinita

La IA puede aumentar la capacidad para realizar tareas sin ampliar la capacidad humana para elegir, cambiar de contexto, recuperarse y seguir siendo responsable.

La evidencia ya respalda la afirmación más acotada de que la IA generativa mejora el rendimiento en determinadas tareas. Un estudio de campo del NBER siguió a 5.179 agentes de atención al cliente después de introducir un asistente de IA. El acceso a la herramienta aumentó en promedio un 14 por ciento los casos resueltos por hora.

Las ganancias fueron desiguales. Los trabajadores principiantes y de menor cualificación mejoraron un 34 por ciento, mientras que los empleados experimentados y altamente cualificados registraron efectos mínimos. El estudio de campo sobre el lugar de trabajo sugiere que la IA puede distribuir prácticas aprendidas de empleados con mejor desempeño, ayudando a los trabajadores nuevos a avanzar más rápido.

Un experimento independiente con 758 consultores halló beneficios sustanciales cuando las tareas se situaban dentro del límite de capacidad de la IA. Los participantes con GPT-4 completaron más subtareas, trabajaron alrededor de un 25 por ciento más rápido y produjeron trabajos que los evaluadores calificaron mejor.

Sin embargo, el rendimiento empeoró en una tarea fuera de ese límite. Los investigadores llamaron a este límite desigual la frontera tecnológica irregular, lo que significa que la competencia de la IA puede variar considerablemente entre tareas que parecen tener una dificultad similar. El experimento con consultores determinó que el juicio humano seguía siendo esencial para reconocer qué trabajo quedaba fuera de la zona fiable.

Estos estudios validan ganancias reales, pero ninguno afirma que los trabajadores deban multiplicar sus compromisos. Completar más rápido una interacción de soporte delimitada es distinto de asumir simultáneamente docenas de proyectos inciertos. Lo segundo introduce costos de priorización y cambio de contexto que una referencia de tarea única no capta.

Las condiciones laborales ya dificultan absorber esos costos. Microsoft analizó actividad agregada de Microsoft 365 e informó que los usuarios con muchas interrupciones recibían una notificación de reunión, correo electrónico o chat cada dos minutos durante el horario central. Su estimación diaria más amplia alcanzó las 275 interrupciones.

El mismo análisis reveló que el 60 por ciento de las reuniones no estaban programadas o eran ad hoc. Los chats enviados fuera del horario estándar habían aumentado un 15 por ciento interanual, mientras que las reuniones que comenzaban después de las 20:00 habían crecido un 16 por ciento. Microsoft denomina a este patrón la jornada laboral infinita.

Las mediciones reflejan la base de clientes de Microsoft y definiciones específicas de telemetría. No deben tratarse como un retrato universal de todos los empleados. Aun así, describen el entorno en el que muchos trabajadores del conocimiento ahora agregan tareas generadas por IA.

Los sistemas generativos pueden convertirse en otra fuente de interrupción incluso cuando eliminan trabajo manual. Cada respuesta generada requiere evaluación. Cada ejecución de un agente produce un resultado, una excepción o una pregunta. Cada experimento barato crea otra posible dirección.

El costo cognitivo aumenta porque las personas no cambian entre proyectos complejos sin fricción. La American Psychological Association resume investigaciones que muestran que cambiar de tarea ralentiza el rendimiento y aumenta los errores. La mente debe cambiar de objetivos, activar reglas diferentes y reconstruir el estado del trabajo interrumpido.

Estos costos de cambio de contexto aumentan a medida que las tareas se vuelven más complejas o desconocidas. Esto resulta especialmente relevante para los proyectos paralelos asistidos por IA, en los que una persona puede alternar entre programación, investigación de mercado, redacción, diseño y descubrimiento de clientes en una hora.

El problema no son solo los segundos perdidos. Los cambios frecuentes alteran la textura del trabajo. Las personas dedican más tiempo a recuperar el contexto, comprobar el estado y decidir qué retomar. Dedican menos tiempo a seguir una línea de razonamiento hasta que se vuelva coherente.

Un sistema personal de conocimiento puede reducir parte del trabajo de reconstrucción al preservar fuentes, decisiones y contexto de proyecto. Un segundo cerebro con IA con capacidad de búsqueda ayuda a las personas a recuperar lo que sabían. No puede decidir qué compromiso debe recibir la siguiente hora sin interrupciones.

Esa decisión sigue siendo humana. La IA puede aumentar el número de movimientos disponibles, pero la atención todavía determina qué movimiento se vuelve relevante.

El verdadero superpoder de la IA es el progreso vertical

El mejor uso de una generación más rápida es profundizar el trabajo importante, no ampliar la cartera de trabajo sin terminar.

Manelius describe la elección como productividad horizontal frente a productividad vertical. La productividad horizontal utiliza el tiempo ahorrado para iniciar más proyectos. La productividad vertical lo utiliza para avanzar más dentro del mismo proyecto.

La distinción es más útil que un simple debate sobre si la IA ahorra tiempo. Ambas estrategias pueden producir resultados visibles. Solo la estrategia vertical reserva capacidad suficiente para la selección, revisión, verificación y finalización.

Esto importa porque las primeras etapas del trabajo del conocimiento se han vuelto inusualmente baratas. Un modelo puede generar diez titulares, tres conceptos de producto, un resumen de reunión y un borrador de estrategia antes de que una persona haya examinado el primer resultado. La abundancia parece progreso porque los artefactos son concretos.

Sin embargo, el valor suele concentrarse cerca del final. Una recomendación creíble surge después de eliminar las opciones débiles. Una funcionalidad fiable surge después de probar los casos límite. Un artículo sólido surge después de verificar las afirmaciones y de que el argumento resista la revisión.

Manelius ilustra esto con un artículo que consideraba de calidad B o B menos. En lugar de publicarlo rápidamente, se detuvo y asignó otras dos o tres revisiones concentradas. Esa decisión redujo la producción inmediata al tiempo que elevaba el estándar que pretendía alcanzar.

Relaciona la decisión con la diferencia entre un eclipse solar parcial y uno total. Pasar de una cobertura del 99 por ciento a la totalidad parece una mejora de un solo punto, pero la experiencia del observador cambia de forma drástica. Sostiene que los productos y obras creativas más apreciados suelen lograr su impacto mediante un incremento final equivalente.

La analogía es subjetiva y no significa que cada tarea merezca perfección. Un correo electrónico interno rutinario no debería consumir la misma atención que una recomendación médica o el lanzamiento de un producto. La lección operativa es ajustar el esfuerzo de finalización a las consecuencias.

La IA cambia esa asignación de dos maneras. Primero, puede eliminar pasos de producción de bajo valor de proyectos seleccionados. Segundo, puede inundar al trabajador con alternativas plausibles que compiten por el tiempo ahorrado.

El enfoque determina la primera decisión. ¿Qué resultado merece la escasa atención humana? El seguimiento determina la segunda. ¿Qué debe ocurrir después de la generación para que ese resultado sea confiable, adoptado y completo?

Un investigador podría usar IA para resumir artículos, comparar terminología y proponer hipótesis. El progreso vertical comienza cuando el investigador rastrea las afirmaciones hasta la evidencia primaria, identifica contradicciones y desarrolla una interpretación que resiste el escrutinio.

Un líder de ventas podría generar mensajes de contacto personalizados para cientos de cuentas. El progreso vertical implica identificar las cuentas adecuadas, validar el contexto, coordinar el seguimiento y aprender de las respuestas reales. Enviar más mensajes es actividad horizontal, salvo que mejore las conversaciones calificadas.

Un equipo de producto podría generar conceptos de interfaz de la noche a la mañana. El progreso vertical exige observar a los usuarios, elegir un diseño, abordar la accesibilidad, resolver las restricciones de ingeniería y medir el comportamiento tras el lanzamiento. La generación de imágenes por sí sola no completa la decisión de producto.

Este marco también aclara por qué el seguimiento no es sinónimo de persistencia. Continuar ciegamente con un proyecto débil desperdicia capacidad. Un seguimiento efectivo incluye la cancelación explícita cuando la evidencia ya no respalda el trabajo.

El objetivo es tener menos ciclos sin gestionar, no completar obligatoriamente cada idea. Un proyecto debería terminar mediante la entrega, la delegación, el aplazamiento deliberado o la cancelación. Dejarlo psicológicamente activo sin una decisión es el estado costoso.

Las organizaciones pueden reforzar este comportamiento mediante límites de cartera. Los equipos pueden restringir el número de experimentos activos, exigir responsables para las iniciativas generadas por IA y definir criterios de salida antes de que comience el trabajo. Estos controles convierten la abundancia de IA en un flujo de trabajo gestionado.

También desplazan la evaluación del volumen a los resultados. Un equipo podría hacer seguimiento de decisiones completadas, problemas de clientes resueltos, experimentos cerrados o mejoras adoptadas. Estas medidas hacen visible el inventario inacabado.

Para las personas, el mecanismo puede seguir siendo sencillo. Capture ideas sin activar todas. Separe una lista de posibilidades de una lista de proyectos activos. Asigne al trabajo actual una siguiente acción clara y una definición explícita de terminado.

Un sistema como remio puede respaldar este límite al mantener disponibles la evidencia del proyecto y las decisiones previas mediante knowledge blending. El sistema reduce la necesidad de recrear el contexto entre información local. El usuario aún debe decidir qué proyecto entra en el conjunto activo.

Por lo tanto, los nuevos superpoderes de la IA son administrativos antes que técnicos. Implican rechazar opciones atractivas, proteger el tiempo ininterrumpido y mantenerse en el trabajo después de que termina la emocionante fase de generación.

El enfoque y el seguimiento no resuelven por sí solos el burnout

La tesis del enfoque es útil, pero se vuelve engañosa cuando el burnout se trata únicamente como un fracaso personal de priorización.

Manelius presenta su experiencia como un problema de expansión creado por él mismo. Usó IA para reducir el trabajo requerido y luego llenó ese espacio con trabajo adicional. Reducir los proyectos activos fue una respuesta razonable a ese patrón específico.

No todos los trabajadores del conocimiento controlan su carga de trabajo de la misma manera. Los empleados pueden enfrentar reuniones obligatorias, plazos superpuestos, falta de personal, prioridades vagas y gerentes que tratan una producción más rápida como una razón para aumentar los objetivos. El enfoque personal no puede eliminar los compromisos impuestos por una organización.

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

Esa definición de burnout importa porque sitúa el problema dentro del diseño del trabajo. No clasifica el burnout como una condición médica, ni reduce la causa al número de horas trabajadas.

El indicador de empleados de Gallup en EE. UU. informó que el 27 por ciento de los trabajadores se sentían agotados muy a menudo o siempre en mayo de 2026. La cifra por sí sola no establece que la IA causara burnout. Muestra que una presión considerable persiste durante el período en que se expande la adopción de IA en el trabajo.

La IA puede reducir la presión cuando se ocupa del trabajo repetitivo, mejora el acceso a la información o ayuda a una persona principiante a completar una tarea difícil. Puede aumentar la presión cuando los líderes usan el tiempo ahorrado para elevar las expectativas sin eliminar responsabilidades previas.

Este es el efecto rebote de la productividad. Cuando una unidad de trabajo se vuelve más barata, la demanda de esa actividad puede aumentar. Los empleados no reciben el tiempo ahorrado porque la organización lo convierte en un mayor rendimiento.

El mismo efecto aparece a nivel personal. Un redactor que puede crear borradores cinco veces más rápido podría planificar cinco veces más artículos. El trabajo restante, incluido el juicio, la edición, la promoción y la respuesta de la audiencia, no necesariamente se acelera al mismo ritmo.

Hay otro riesgo. “Dar seguimiento” puede convertirse en una etiqueta respetable para el exceso de trabajo. Una persona puede seguir puliendo porque los estándares no están claros, la crítica parece peligrosa o la organización recompensa el sacrificio visible. La disciplina de finalización necesita una regla de parada.

La analogía del eclipse destaca el valor del último uno por ciento, pero no se puede ignorar su costo. Manelius estima que este incremento final puede consumir entre el 50 y el 90 por ciento del tiempo total del proyecto. Es su juicio cualitativo, no una proporción medida en la industria.

Algunos resultados justifican esa inversión. El software crítico para la seguridad, la investigación con consecuencias importantes y las afirmaciones públicas necesitan una revisión rigurosa. Otras tareas ganan poco con otra ronda de pulido. El enfoque sin proporcionalidad se convierte en perfeccionismo.

El mejor marco combina límites de proyectos con estándares de calidad basados en las consecuencias. Los equipos deberían identificar qué trabajo necesita una profundidad excepcional, cuál necesita una fiabilidad adecuada y cuál debería automatizarse o abandonarse. La IA no debería aplanar esas categorías.

Los gerentes también deben eliminar trabajo, no simplemente recomendar mejores hábitos. Si un nuevo asistente acorta la preparación de informes, los líderes deberían decidir si se reduce el tiempo dedicado a informes, mejora la calidad del análisis o aumenta el volumen de informes. Permitir que las tres expectativas aumenten invita a la sobrecarga.

La claridad sobre la responsabilidad también importa. Los agentes de IA pueden realizar pasos, pero las personas siguen siendo responsables de la mayoría de los resultados laborales. Cuando el trabajo generado pasa entre varios sistemas y revisores, la responsabilidad puede volverse ambigua. La ambigüedad genera más comprobaciones, no menos.

La conclusión escéptica no es que el enfoque falle. Es que el enfoque debe existir tanto a nivel individual como organizacional. Los trabajadores pueden limitar los compromisos que se generan a sí mismos, mientras que los líderes limitan las prioridades en competencia y definen una finalización aceptable.

Sin esa segunda capa, la tesis de productividad de IA de Rick Manelius corre el riesgo de convertirse en otra exigencia impuesta a empleados agotados. Se esperaría que generaran más, priorizaran mejor, verificaran todo y protegieran su salud dentro del mismo entorno fragmentado.

Qué deberían vigilar los trabajadores del conocimiento a continuación

La próxima fase de la productividad con IA se juzgará por los resultados completados, los límites de carga de trabajo y las tasas de error, más que por el volumen generado.

La primera señal es si los empleadores empiezan a medir resultados de extremo a extremo. Los paneles actuales de adopción suelen destacar el acceso a herramientas, los usuarios activos, los prompts o el ahorro estimado de tiempo. Estas métricas muestran el despliegue, pero no si el trabajo se volvió más útil.

Un sistema de medición más sólido seguiría un resultado desde su inicio hasta su cierre. Examinaría el tiempo de finalización, la adopción, el retrabajo, las tasas de error y el impacto en el cliente. También registraría cuántas tareas nuevas entraron en la cola después de que la IA redujera un paso anterior.

Si las empresas adoptan estas medidas, el argumento del enfoque y el seguimiento gana respaldo. Los líderes verían la diferencia entre una producción más rápida de artefactos y una entrega de valor más rápida. Si el volumen de prompts sigue siendo la medida dominante, probablemente continuará la expansión horizontal.

La segunda señal es si los agentes de IA reducen las obligaciones activas o las multiplican. Los agentes pueden supervisar bandejas de entrada, preparar investigación, actualizar registros y coordinar pasos entre distintos programas. También pueden generar un flujo continuo de alertas, borradores, excepciones y acciones propuestas.

La prueba clave del producto no es cuántas tareas inicia un agente. Es con qué fiabilidad el sistema cierra flujos de trabajo delimitados con una supervisión comprensible. Los productos que exponen la responsabilidad, el estado, la evidencia y las condiciones de parada respaldarán mejor el seguimiento que los productos optimizados para una generación interminable.

Observe cómo manejan los proveedores las excepciones. Un agente útil debería saber cuándo solicitar una decisión, preservar el contexto relevante y evitar crear trabajo duplicado. Un sistema que expande silenciosamente su propio árbol de tareas puede ahorrar pulsaciones de teclado mientras aumenta la carga de supervisión.

La tercera señal es si el burnout y la fragmentación en el trabajo mejoran a medida que madura la adopción. Los datos de interrupciones de Microsoft proporcionan una referencia, mientras que las encuestas a empleados ofrecen otra. Ninguno puede demostrar causalidad por sí solo, pero su dirección pondrá a prueba la promesa de capacidad.

Si aumenta la adopción de IA mientras disminuyen la actividad fuera de horario, las interrupciones y el burnout reportado, las organizaciones tendrán evidencia de que la automatización está devolviendo tiempo a las personas. Si esos indicadores se mantienen estables o empeoran, la explicación probable es que la capacidad ahorrada se ha reinvertido en más exigencias.

Los trabajadores del conocimiento no necesitan esperar a los paneles corporativos. Pueden realizar la misma prueba a menor escala. Cuente los proyectos activos, no los archivos generados. Haga seguimiento de las decisiones completadas, no de las conversaciones con un modelo. Observe si el tiempo ahorrado se convierte en recuperación, trabajo más profundo u otra obligación.

Antes de iniciar un proyecto asistido por IA, pregunte qué significa completarlo y quién será responsable del resultado. Decida qué evidencia justificaría detenerse. Estime la revisión humana y la coordinación que seguirán siendo necesarias después de que termine el modelo.

Luego limite el conjunto activo. Las ideas pueden permanecer registradas sin convertirse en compromisos. La IA hace que conservar y revisar posibilidades sea barato, por lo que hay menos razón para activar de inmediato cada idea prometedora.

Proteger el enfoque también exige reducir los cambios de contexto. Agrupe interacciones similares con IA, mantenga el material fuente conectado a las decisiones y reserve períodos ininterrumpidos para la síntesis. La generación y la evaluación no deberían competir por la atención cada pocos minutos.

Lo más importante es emplear deliberadamente las ganancias de automatización. Algunas deberían mejorar la calidad. Otras deberían acortar la entrega. Otras deberían devolver tiempo a la persona que realiza el trabajo. Tratar cada minuto ahorrado como capacidad sin usar recrea la jornada laboral infinita bajo una interfaz más avanzada.

La advertencia de Rick Manelius resulta convincente porque llega después de que las herramientas funcionaron. El problema no fue una producción deficiente ni una automatización fallida. Fue que el éxito eliminó la fricción natural que antes limitaba cuántos proyectos podían comenzar.

Esa es la inversión central de la productividad con IA. A medida que la ejecución se vuelve abundante, la contención adquiere valor económico. El enfoque identifica los pocos resultados que vale la pena perseguir, y el seguimiento convierte comienzos baratos en trabajo terminado.

La pregunta práctica ya no es si la IA le permite hacer más. Claramente puede hacerlo en muchas tareas delimitadas. La mejor pregunta es qué dejará de iniciar, para que el trabajo que importa reciba suficiente atención para llegar a completarse.