IA generativa y productividad laboral: qué permite afirmar la evidencia disponible

La promesa de la IA generativa en el trabajo suele expresarse en términos de tiempo: redactar antes, resumir más documentos o preparar una respuesta con menos pasos. Son resultados potencialmente útiles, pero ahorrar tiempo en una tarea no equivale automáticamente a producir más valor en el conjunto del trabajo. Para sostener esa conclusión habría que saber qué tarea se midió, con qué criterio se juzgó el resultado y qué ocurrió con el tiempo ahorrado.

Una evaluación práctica debe mirar, al menos, el volumen de trabajo completado y su calidad. También conviene contabilizar correcciones, revisión humana, errores y tareas nuevas que aparecen al incorporar la herramienta. Si una respuesta se genera más rápido pero exige una comprobación extensa, el ahorro neto puede ser menor que el tiempo bruto. Y si se obtiene más cantidad a costa de calidad o autonomía, una sola métrica no describe adecuadamente el efecto.

Del tiempo ahorrado al resultado total

El tiempo liberado solo representa una ganancia si puede destinarse a otras tareas útiles sin trasladar trabajo adicional a otra parte del proceso. Por eso, una comparación clara debe considerar el ciclo completo: desde que se inicia la tarea hasta que el resultado queda revisado y listo para usarse. Mirar únicamente el momento de generación deja fuera pasos que también consumen recursos y pueden cambiar la valoración del beneficio.

Una encuesta difundida por la Comisión Europea en octubre de 2025 informó que uno de cada tres trabajadores de la Unión Europea utilizaba herramientas de IA en el trabajo. La misma comunicación describe experiencias mayoritariamente positivas, pero también señala que las tecnologías de vigilancia y gestión mediante IA pueden aumentar el estrés y reducir la autonomía. Son indicios pertinentes para entender la adopción y la experiencia de las personas; por sí solos, no constituyen una medición de productividad.

La distinción importa porque una encuesta sobre uso o percepción responde a preguntas distintas de un experimento que compara resultados de trabajo con y sin asistencia. La primera puede ayudar a describir quién usa herramientas y cómo valora la experiencia. Para atribuir a la IA una mejora de productividad se necesita, además, una definición explícita del resultado y una comparación que permita separar el efecto de la herramienta de factores como la experiencia, la tarea o la organización del trabajo. El resumen público disponible no debe presentarse como si resolviera esas cuestiones.

La proporción de uso informa sobre la presencia de estas herramientas en el trabajo, no sobre cuánto cambia el resultado de cada tarea ni sobre el balance entre beneficios y costes. Del mismo modo, una experiencia positiva describe una valoración, pero no sustituye una medida de calidad, cantidad o tiempo total. Mantener separadas estas preguntas permite reconocer lo que aporta la encuesta sin atribuirle conclusiones que no ofrece.

La Organización Internacional del Trabajo ha publicado análisis sobre los posibles efectos de la IA generativa en la cantidad y la calidad del empleo, así como un índice refinado de exposición ocupacional. Esos trabajos son relevantes para situar el debate: ayudan a estudiar qué ocupaciones o tareas podrían verse afectadas. Exposición a una tecnología, sin embargo, no significa que una ocupación vaya a desaparecer ni que su productividad vaya a aumentar.

Esta diferencia también ayuda a leer titulares y anuncios. Un mapa de exposición puede señalar dónde una tecnología tiene posibilidades de intervenir, pero no demuestra que se use en una situación real, que funcione bien para una tarea concreta o que sus beneficios superen costes y riesgos. La OIT aborda el fenómeno desde el empleo y las tareas; no conviene convertir ese tipo de análisis en una cifra de rendimiento empresarial que la fuente no presenta.

En otras palabras, la exposición es una forma de delimitar qué conviene estudiar, no el resultado de una evaluación de desempeño. Entre la posibilidad de que una herramienta intervenga en una tarea y una mejora comprobada median cuestiones de uso, calidad y efectos sobre el trabajo que requieren análisis específicos. Así se evita tratar como equivalentes un indicador sobre ocupaciones y una medición directa de productividad.

Antes de aceptar una cifra de productividad, conviene comprobar si la publicación explica quién participó, qué trabajo realizó, cuánto duró la evaluación y cómo se valoró el resultado. También hay que preguntar si la comparación incluye tareas habituales o ejercicios acotados, y si el resultado fue juzgado por personas con criterios definidos. Sin esos datos, es difícil saber si la mejora se mantendría fuera del entorno evaluado.

Una lista breve de comprobación puede evitar confundir una demostración llamativa con evidencia generalizable:

• Resultado: ¿se mide tiempo, cantidad, calidad o una combinación? ¿Se explica cómo se puntúa la calidad?
• Comparación: ¿hay un grupo o una condición de referencia sin la herramienta?
• Coste total: ¿se cuentan revisión, corrección, formación y cambios en el flujo de trabajo?
• Alcance: ¿se especifican población, tipo de tarea y duración?
• Independencia: ¿quién financia o publica el estudio, y se pueden consultar su método y sus límites?

La evidencia citada permite decir que las herramientas de IA ya forman parte del trabajo de una parte considerable de la población encuestada en la Unión Europea y que las experiencias laborales no se reducen a una valoración uniforme: junto a impresiones positivas, la Comisión señala riesgos asociados a vigilancia y gestión. Los análisis de la OIT aportan un marco para estudiar la exposición de tareas y ocupaciones. Ninguno de esos datos, tal como se resume en las fuentes disponibles, demuestra por sí mismo una mejora general y neta de la productividad laboral.

Para una persona o un equipo que esté valorando estas herramientas, la decisión razonable es medir un caso propio y acotado: comparar tareas equivalentes, fijar de antemano qué cuenta como calidad y registrar el tiempo completo, incluida la revisión. Ese ejercicio puede orientar una decisión local, pero tampoco probaría que el resultado se aplique a otros sectores o empresas. La conclusión proporcionada es, por tanto, doble: hay evidencia de adopción y motivos para estudiar efectos laborales; la magnitud y el alcance de una ganancia de productividad requieren evaluaciones más específicas y transparentes.

Una prueba local será más informativa si se mantienen comparables las tareas y se decide antes cómo valorar el resultado. Registrar el tiempo completo permite observar tanto el trabajo con la herramienta como la revisión posterior, mientras que un criterio de calidad acordado evita juzgar el resultado solo por su rapidez. Aun así, la utilidad de esa prueba se limita al contexto observado: no establece automáticamente qué ocurriría con otras tareas, equipos o empresas.