Seis minutos
Ocho y diez de un martes, antes de que llegue nadie. La gerenta de operaciones de una distribuidora de insumos médicos —doscientas cuarenta personas, depósito y administración en Córdoba— abre el informe que pidió el viernes: por qué el margen del canal farmacias cayó cuatro puntos en el semestre.
Catorce páginas. Media carilla de resumen ejecutivo, subtítulos en negrita, tres tablas, un gráfico. Está bien escrito. Está mejor escrito que lo que solía llegarle de esa misma persona.
A los seis minutos deja de leer. No hay una recomendación: hay cuatro "posibles líneas de acción" que son las cuatro que cualquiera nombraría sin abrir el sistema. No hay un solo número que ella no tuviera ya el viernes. Y hay dos afirmaciones sobre un competidor que no sabe de dónde salieron, que no puede verificar antes de las diez, y que si son ciertas cambian la decisión.
Son las ocho y dieciséis. La reunión donde tiene que llevar esa decisión es a las diez.
Y ahora tiene dos problemas, no uno. El primero es el informe. El segundo es Julián, que lo entregó a horario, que no hizo nada que ella pueda señalar con el dedo, y que hasta el viernes era la persona en la que más confiaba para esto.
(La escena es una reconstrucción compuesta. De acá en adelante, todo lo que lleva número está medido y tiene fuente.)
Eso tiene nombre desde septiembre de 2025, y el nombre no es nuestro. Un equipo de BetterUp Labs y del laboratorio de medios sociales de Stanford lo publicó en Harvard Business Review y lo llamó workslop: en el original, "contenido de trabajo generado con inteligencia artificial que se hace pasar por buen trabajo, pero no tiene la sustancia necesaria para hacer avanzar la tarea". En criollo: el trabajo que parece trabajo.
El 40% de los encuestados dijo haber recibido al menos uno en el último mes.
De dónde sale ese 40%, porque importa: de una encuesta en línea a 1.150 empleados de tiempo completo de Estados Unidos, donde cada uno describe lo que le pasa a sí mismo. No es un experimento, y la publica una empresa que vende desarrollo de liderazgo. Eso no lo invalida: lo ubica. Sirve para saber que el fenómeno existe y tiene tamaño; no para calcular cuánto le cuesta a usted.
El trabajo no termina cuando se entrega
Hay una cuenta que hace todo el mundo y que parece imposible de discutir: si cada persona se ahorra dos horas por semana, la empresa se ahorra dos horas por persona por semana. Multiplique por la dotación y ahí está el caso de negocio.
La cuenta falla en un solo lugar: supone que el trabajo termina cuando se entrega. No termina. Sigue, en otro escritorio, y ahí es más caro, porque verificar algo que está bien escrito lleva más tiempo del que antes llevaba descartar algo que estaba mal escrito. Eso último no lo mide ningún estudio, y lo decimos como lo que es: lo que vemos adentro de las empresas. A eso lo llamamos, en 32sur, la transferencia aguas abajo: el trabajo de pensar no se elimina, cambia de dueño.
El que lo recibe no tiene cómo anticiparlo. En la primera parte de esta serie contamos un experimento con cientos de consultores de una firma global que resolvieron tareas reales, algunos con inteligencia artificial y otros sin ella. En una de esas tareas, elegida por caer fuera de lo que la herramienta hace bien, los que la usaron acertaron menos. Y sus entregas fueron puntuadas como más coherentes y mejor argumentadas que las del grupo que trabajó sin ella. El error no venía envuelto en un texto peor. Allá eso era un problema para el que decide. Acá es el problema del que recibe: la señal que su cabeza usa para estimar si algo merece su tiempo —está bien escrito, está ordenado, tiene estructura— dejó de predecir lo que quiere saber.
Por eso el costo no se paga al detectarlo. Se paga antes, buscándolo. Los que ya recibieron uno calculan que, de todo el trabajo escrito que les llega, algo más de uno de cada siete es de esa clase. Y declaran haber tardado una hora y cincuenta y seis minutos en resolver el último episodio: leerlo, entender que no servía, separar lo verificable de lo que no lo era, y rehacer la parte que hacía falta.
Una encuesta donde la gente cuenta cuánto le hicieron perder no prueba nada a escala de empresa. Por eso lo que sigue no se apoya en lo que la gente dice. Se apoya en lo que quedó registrado.
El mismo entregable, el mismo recorrido, antes y ahora:
El país donde se pudo mirar sin preguntar
Antes de ir a Dinamarca, la foto local. En la encuesta que el centro de políticas públicas de la Di Tella hizo con Fundar sobre pymes argentinas, el 91,2% de las que adoptaron inteligencia artificial dice que no redujo personal. Nadie se fue, y los que la usan dicen que les ahorra tiempo. Queda una pregunta: ¿adónde fue ese tiempo?
Dinamarca es uno de los pocos lugares del mundo donde se puede contestar sin preguntar. Los ingresos y las horas trabajadas de cada persona están registrados. Dos investigadores encuestaron a alrededor de veinticinco mil trabajadores de siete mil lugares de trabajo, en once ocupaciones elegidas por ser de las más expuestas a la herramienta —contadores, abogados, periodistas, gente de soporte técnico, docentes—, en dos rondas: una a fines de 2023 y otra a fines de 2024. Después cruzaron las respuestas contra esos registros. No les preguntaron cuánto habían ganado. Lo miraron.
Los dos resultados conviene leerlos de a uno.
El primero es lo que la gente reporta: alrededor de 3% de ahorro de tiempo. Es un ahorro real y es chico: poco más de una hora en una semana de cuarenta.
El segundo es lo que muestran los registros: nada. Ni en los ingresos ni en las horas, ni a nivel de la persona ni a nivel del lugar de trabajo.
Acá está la frase que hace toda la diferencia: no es que no se haya podido medir. Se midió, y la medición es lo bastante fina como para descartar cualquier efecto mayor al 2% a dos años del lanzamiento de ChatGPT. Dicho sin estadística: si esas horas ahorradas se hubieran convertido en más ingresos o en menos horas, esta medición lo habría encontrado. Lo buscó y no estaba. Un cero medido con precisión no es lo mismo que un cero por falta de datos: el primero es un hallazgo, el segundo es una limitación.
Tres cosas sobre esta medición. La primera: es un working paper, un borrador que todavía no pasó por revisión de pares, y en esta serie esa etiqueta se pone siempre. Lo que le da peso es de dónde salen los datos. La segunda es incómoda para nosotros: el mismo trabajo circuló en 2025 con otro título y otras cifras, y acá se cita la versión de marzo de 2026, que es la vigente. Y la tercera: Dinamarca no es la Argentina, y la diferencia juega para los dos lados —allá la versión corporativa de la herramienta llegó antes y las horas están registradas; acá ninguna de las dos cosas.
Qué cambia esto para usted, en una oración: si el ahorro que su gente siente no aparece en las horas ni en la facturación, no es que su gente mienta. Es que el tiempo se convirtió en otra cosa antes de llegar al resultado.
Lo que la gente reporta y lo que quedó registrado, uno al lado del otro:
Las tareas que no estaban antes
El mismo estudio pregunta qué hicieron los usuarios con el tiempo que sí se ahorraron, y la respuesta cierra el círculo: más de ocho de cada diez lo reasignaron a otras tareas del trabajo. Menos de uno de cada diez lo usó para tomarse un descanso. El tiempo no se evaporó ni se convirtió en margen. Se quedó adentro de la jornada, haciendo otra cosa.
Qué cosa, es lo interesante. Los investigadores les pidieron que describieran con sus palabras las tareas nuevas que aparecieron, y después las clasificaron. La categoría individual más frecuente no es producir con la herramienta: es acomodarla adentro del trabajo —decidir para qué sirve, escribir cómo se usa, empalmarla con lo que ya estaba—, y explica una de cada cuatro tareas nuevas. Otro tercio largo es controlarla: corregir lo que la máquina escribió para que sea exacto y claro, y responder por que no se lleve puesta una norma o un compromiso con un cliente. Entre las dos, seis de cada diez tareas nuevas no consisten en producir: consisten en habilitar y revisar.
Y hay un dato que ordena todo lo anterior. Donde el empleador no hizo nada, cerca del 8% de los usuarios declara tareas nuevas por causa de la herramienta; donde el empleador la impulsa, pasa a más del doble. Cuanto más en serio se adopta, más trabajo nuevo aparece. Y no se queda entre los usuarios: el 4% de los que nunca la usaron también reporta carga nueva, y entre los docentes que nunca la abrieron es uno de cada diez. El trabajo nuevo aparece en el escritorio de alguien que nunca abrió el programa.
El estudio no dice sobre quién caen esas tareas. Su empresa sí: en una de doscientas personas, revisar, empalmar y responder no se reparte entre doscientos. Cae en los mismos tres o cuatro que ya firmaban todo.
Y el terreno argentino tiene las dos condiciones para que eso se concentre: entre las pymes que ya adoptaron inteligencia artificial, el 95,5% no incorporó ningún perfil especializado, y en el 44,4% cada área y cada persona adopta por su cuenta, sin coordinación central. No falta herramienta. Falta que alguien haya diseñado el paso siguiente.
Cuatro casos corrientes, con el nombre de quien paga cada mitad:
| Qué se hizo con la herramienta | Qué tarea se acortó, y a quién | Qué tarea apareció, y a quién | Qué pasa si nadie la cuenta |
|---|---|---|---|
| Respuesta a un reclamo de cliente | Redactarla — el representante de atención | Verificar que la norma citada y la compensación ofrecida sean las que corresponden — quien firma | El tiempo de quien firma no está en ningún tablero, y quien firma ya era el cuello de botella |
| Informe de análisis para una decisión | Armarlo y escribirlo — el analista | Chequear las afirmaciones sobre las que se apoya la recomendación — quien decide | Se decide igual, sin saber cuáles de esas afirmaciones se verificaron |
| Resumen de una reunión | Tomar nota — quien la escribió | Comparar el resumen contra lo que efectivamente se acordó — los que estuvieron | Los acuerdos quedan escritos como los entendió una máquina, y nadie vuelve a leerlos hasta que hay conflicto |
| Una planilla o una consulta de datos | Escribirla — el analista | Revisar que la fórmula haga lo que dice que hace — quien la usa después | El error viaja hacia adelante y aparece cuando ya se decidió con él |
En las cuatro filas el tiempo se ahorró arriba y el trabajo nuevo apareció abajo, en la única persona que ya no tenía margen: es la transferencia aguas abajo, fila por fila. Esquema 32sur; las cuatro filas son ejemplos, no mediciones. Las categorías de trabajo nuevo que ilustran son las que Humlum y Vestergaard (revisión de 2026) obtuvieron al clasificar las tareas nuevas descritas por los propios trabajadores: integrar la herramienta al trabajo es la categoría individual más frecuente, con el 26% de todas las tareas nuevas, y la revisión de calidad más ética y cumplimiento suman otro 35%.
El costo que no está en ningún tablero
Vuelva a la oficina de Córdoba. La gerenta ya resolvió el informe. Lo que no resolvió es a quién le vuelve a pedir algo el mes que viene.
Eso también está medido, y es la parte de la encuesta que más le habla a un director. De los que recibieron uno de estos entregables, el 42% pasó a considerar menos confiable a quien se lo mandó. El 32% preferiría no volver a trabajar con esa persona.
La dirección importa tanto como el tamaño. La mayor parte circula entre pares, pero casi uno de cada cinco de estos episodios va de alguien hacia su jefe. Sube: llega al lugar donde se decide quién asciende, y llega sin que nadie lo nombre.
Esto ya lo vimos, con otro traje. Cuando escribimos sobre lo que pasa cuando una medida se vuelve el objetivo apareció una trampa con nombre técnico —surrogación—: producir la apariencia del entregable en lugar del entregable. Un tablero en verde con el negocio hundiéndose es eso. El informe de catorce páginas es lo mismo, con una diferencia grande: hasta hace tres años, producir la apariencia costaba casi tanto como producir la cosa. Ahora no cuesta nada.
Tres cifras que miden tres cosas distintas, y la distancia entre ellas es el tema. Las dos primeras salen de lo que la gente dice de sí misma; la tercera cruza lo que la gente dice contra lo que quedó registrado. Esa distancia no es un defecto de las mediciones: es el tema de esta nota.
La salida parece obvia: si no se sabe qué se hizo con máquina y qué no, que cada uno lo aclare. Esa salida tiene un costo medido, y no lo paga la empresa: lo paga, desigual, la gente que usa la herramienta.
El impuesto que ningún plan de adopción tiene previsto
El experimento se lee como un truco de cartas. A 1.026 ingenieros se les pidió que evaluaran código. El código era el mismo. Lo único que cambiaba era una etiqueta: si el autor había declarado o no haber usado inteligencia artificial para escribirlo.
Sobre la calidad del código no hubo diferencia: los evaluadores lo puntuaron igual. Lo que cambió fue la nota que le pusieron a la persona. Cuando el autor era varón y declaraba el uso, su calificación de competencia bajó 6%. Cuando era mujer, bajó 13%.
Un dato más, y es el más incómodo. Los evaluadores más severos fueron los ingenieros que no usan la herramienta, y su castigo a las ingenieras que sí la usaban fue un 26% mayor que el que aplicaron a sus colegas varones. Es el patrón que arrojó la medición; nadie le atribuye una intención a nadie.
Es otro borrador sin revisión de pares, y lo que lo hace difícil de discutir es el diseño: código idéntico, grupos sorteados, hipótesis escritas antes de empezar.
El correlato de campo es lo que le importa a quien firma un presupuesto. Los mismos autores siguieron durante un año el rastro digital de 28.698 ingenieros de software de una empresa tecnológica grande, desde el lanzamiento interno de una herramienta para programar con inteligencia artificial. A los doce meses, con incentivos de la empresa para que se usara, la usaba el 41%. Entre las ingenieras, el 31%. No faltaban licencias ni capacitación: las dos cosas estaban.
De ahí sale la consecuencia de gestión, y es una sola. Si declarar el uso cuesta, la gente no lo declara. Si no lo declara, la empresa no sabe por dónde entró la herramienta ni en qué tareas. Y un flujo que no se sabe cómo funciona no se puede rediseñar.
El mismo código, evaluado tres veces:
Y no es una sola empresa
Que una empresa pague la herramienta y la adopción igual se estanque no es la peculiaridad de esa empresa, y tampoco hay un promedio del que copiarse. La encuesta de tendencias empresariales del Censo de Estados Unidos pregunta si la empresa usó inteligencia artificial en alguna función en las dos semanas previas: en el sector de Información la declara el 39,7% de las empresas; en Comercio minorista, el 14%. Mismo país, mismo mes, casi tres veces de diferencia.
Si adentro de un solo país la brecha es de ese tamaño, el promedio de "el mercado" no describe la empresa de nadie, y eso incluye la de usted. No hay una cifra de afuera que le diga por dónde va: el único diagnóstico que sirve es el del flujo propio.
Qué es un trabajo terminado
Nada de lo anterior se arregla con una política de uso de inteligencia artificial. La ficha que sigue no prohíbe nada y no le pide a nadie que declare cómo hizo su trabajo: la sección anterior explica por qué eso tiene un costo medido y desigual.
Lo que hace es mover la definición de "terminado" del formato al contenido. Hoy un entregable se considera terminado cuando parece terminado: tiene las secciones, el largo y el tono que se esperaban. Ése es el criterio que una máquina satisface gratis.
El mismo hallazgo, escrito dos veces. Ninguno de los dos textos que siguen salió de una medición: los escribimos nosotros, sobre la empresa de la escena, para que se vea la diferencia de tamaño.
Versión A. "El análisis del canal farmacias revela una combinación de factores que impactan en la rentabilidad. Se destacan la evolución del mix de productos, una presión competitiva creciente y ciertos aspectos vinculados a la política comercial vigente. Se recomienda profundizar el análisis de cada uno de estos ejes, involucrando a las áreas correspondientes, a fin de definir un plan de acción integral."
Versión B. "El margen del canal cayó cuatro puntos. Tres de esos cuatro vienen de una sola cosa: el producto que más creció es el que menos deja, y creció porque en marzo le bajamos el precio para retener a dos clientes. Uno de esos dos compra la mitad de lo que compraba. Si el precio vuelve al de febrero, se pierde ese cliente y se recuperan tres puntos. La decisión es ésa."
La versión A no está mal escrita: está bien escrita. Lo que no tiene es una sola afirmación que se pueda verificar ni una sola decisión que se pueda tomar después de leerla. La versión B tiene cuatro afirmaciones, y las cuatro se chequean en el sistema en diez minutos. La diferencia entre las dos no es de calidad de redacción. Es de si alguien miró.
Cuatro movimientos alcanzan, y cada uno tiene un dueño nombrado.
El pedido dice qué decisión habilita. Lo escribe quien pide, antes de pedir, y ocupa media línea. Sin una decisión nombrada, lo que se encargó son páginas.
El entregable trae las afirmaciones que lo sostienen, con dónde mirarlas. Tres, no treinta. Las dos frases sobre el competidor que la gerenta no podía verificar antes de las diez habrían tenido que llegar con la fuente al lado.
El entregable dice qué quedó afuera. Dos líneas. La frase "se analizaron todos los factores" es el aviso de que no se analizó ninguno.
Quien recibe anota cuántos minutos tardó en verificarlo. Es el único número de la lista, y hoy no existe en ninguna empresa. Sin él, la estación que apareció entre PRODUCIR y USAR no figura en ningún tablero, y lo que no figura no se rediseña.
Instalar esto cuesta media hora con las tres o cuatro personas que reciben más trabajo escrito. No hace falta comprar nada ni escribir una política.
Los cuatro movimientos, con dueño y con una ficha empezada:
Preguntas para el lunes
Las tres primeras se contestan ahora mismo, sin abrir nada ni preguntarle a nadie.
Tres de memoria, cuatro que llevan más rato
- El último trabajo escrito que recibió y no le sirvió: ¿cuánto tardó en darse cuenta de que no le servía? No el tiempo total: el tiempo hasta darse cuenta. Ése es el costo del que nadie habla.
- ¿Se lo dijo a quien se lo mandó, o lo rehizo usted y no dijo nada? Las dos respuestas son frecuentes; sólo una deja rastro.
- Nombre a las personas que en su empresa revisan lo que sale antes de que salga. Si son las mismas tres de siempre, ya sabe adónde cayó el trabajo nuevo.
Las cuatro que siguen llevan más rato.
- Pregúnteles a esas tres personas cuántos minutos de la semana pasada se les fueron en verificar cosas que llegaron listas. Es un número que hoy no tiene nadie, ni ellos.
- Abra el último pedido de trabajo que hizo por escrito. ¿Decía qué decisión iba a habilitar cuando llegara? Si no lo decía, la mitad del problema es del pedido.
- Junte media hora a las tres o cuatro personas que reciben más trabajo escrito y elijan dos de los cuatro movimientos de la ficha para empezar. Dos, no los cuatro. Escríbanlos en un mail.
- Dentro de un mes cuente cuántos entregables volvieron y por qué. Si el número no baja, mire el pedido antes que la herramienta.
Vuelva un momento a la oficina de Córdoba. La reunión de las diez se hizo igual, con la recomendación que la gerenta armó sola en noventa minutos, que es lo que hubiera tardado si el informe no hubiera existido. Nada se cayó. Ése es el problema: no se cae nada, no hay incidente que reportar, y el costo se paga en un lugar donde no se lo mide.
Y queda Julián, que sigue sin saber que algo pasó. Lo único que recibió ese martes fue un mensaje a las ocho y dieciséis:
—Gracias, lo miro y te digo.
Nadie va a decirle nada más: es incómodo y, en rigor, entregó a horario lo que se le pidió. La próxima vez el pedido va a ser más chico, o va a ir a otra persona. Así es como una empresa pierde a alguien sin despedirlo.
Nada de esto se arregla comprando otra herramienta ni prohibiendo la que hay. Las dos partes anteriores mostraron dónde la herramienta rinde y dónde falla, y cómo se leen las cifras de la inversión. Ésta mostró que el ahorro que se siente reaparece, más caro, dos escritorios más abajo, en una estación de trabajo que nadie abrió y que no tiene dueño. Las tres apuntan al mismo lugar: el flujo donde se metió la herramienta sin cambiar nada más. De eso se ocupa la parte 4, la última, con la única palanca que la evidencia asocia a que la herramienta llegue al resultado y no sólo a la sensación.
¿Cuánto le cuesta verificar lo que llega listo?
Empiece sin nosotros: media hora, tres personas, dos casilleros. Esta nota alcanza para correr esa reunión el lunes. Si al mes los entregables siguen volviendo, el problema está en el flujo que rodea a la ficha, y rediseñar flujos con la gente que los usa todos los días es lo que hacemos en 32sur. Escríbanos contando cuál de sus entregables es el que más duele, y le decimos en la primera respuesta si hace falta que entremos o si con la media hora ya está.
Referencias
- Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K. y Hancock, J. T., "AI-Generated 'Workslop' Is Destroying Productivity", Harvard Business Review, 22 de septiembre de 2025 — la fuente que nombra el fenómeno. Investigación de BetterUp Labs con el Stanford Social Media Lab: encuesta en línea a 1.150 empleados de tiempo completo de Estados Unidos, septiembre de 2025. Definición textual: "AI generated work content that masquerades as good work, but lacks the substance to meaningfully advance a given task". 40% declara haber recibido al menos un episodio en el último mes; quienes lo recibieron estiman que el 15,4% de todo lo que les llega califica como tal; el tiempo declarado para resolver el último episodio es de 1 hora y 56 minutos; 42% pasó a considerar menos confiable a quien se lo mandó y 32% preferiría no volver a trabajar con esa persona; 18% de los episodios va de un reporte a su jefe. Tres precisiones que esta nota asume en el cuerpo y no en una nota al pie: es evidencia autorreportada de una encuesta en curso, no un experimento, y la publica una empresa que vende desarrollo de liderazgo; el propio artículo dice "40%" en un párrafo y usa "41%" para calcular el costo en otro, y acá se usa 40%; y la traducción de ese tiempo a un costo por persona por mes y a un costo anual para una organización de diez mil empleados no se usa en esta nota, porque es una estimación derivada del tiempo y del salario declarados por el mismo encuestado. El artículo abre además apoyándose en el 95% del informe del MIT Project NANDA, que la parte 2 de esta serie desarma. Tampoco se usa acá el porcentaje de episodios que circula entre pares, para no confundirlo con el 40% de prevalencia: en el cuerpo esa dirección se dice en palabras.
- Humlum, A. y Vestergaard, E., "Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI", University of Chicago Booth / NBER Working Paper 33777, mayo de 2025, versión revisada de marzo de 2026 — la fuente que sostiene esta nota, leída en el original. Advertencia de versión, que en esta serie corresponde hacer y que esta nota también asume en el cuerpo: el mismo trabajo circuló en 2025 bajo el título "Large Language Models, Small Labor Market Effects" y con cifras que la revisión cambió (descartaba efectos mayores al 1%, no al 2%; decía 80% donde ahora dice 85%; agrupaba las tareas nuevas de otro modo). La propia página del NBER lo aclara: "This paper was previously circulated under the title 'Large Language Models, Small Labor Market Effects'". Acá se cita la versión vigente, y todas las cifras se tomaron de ella. Dos rondas de encuesta (fines de 2023 y fines de 2024); la última reúne 25.000 trabajadores de 7.000 lugares de trabajo en once ocupaciones expuestas —contadores, especialistas de soporte al cliente, asesores financieros, profesionales de recursos humanos, soporte de sistemas, periodistas, abogados, marketing, empleados administrativos, desarrolladores de software y docentes—, vinculadas a los registros administrativos daneses de ingresos, horas y ocupación; identificación por diferencias en diferencias, con las políticas del empleador como variación cuasi-experimental. Textual del resumen: "using difference-in-differences, we estimate precise null effects on earnings and recorded hours at both the worker and workplace levels, ruling out effects larger than 2% two years after the launch of ChatGPT". El ahorro reportado es textual del cuerpo: "adopters in our sample report savings of about 3% of their work hours" — la versión anterior traía además un 2,8% en el cuerpo que la vigente ya no reporta. Los demás datos que usa esta nota están también en el cuerpo del paper: el 85% de los usuarios reasigna el tiempo ahorrado a otras tareas del trabajo y menos del 10% lo usa en pausas o descanso; entre las tareas nuevas, la integración de la herramienta al trabajo es la categoría individual más frecuente con el 26% ("the single most common new AI task category is AI Integration"), mientras que el 35% de revisión de calidad más ética y cumplimiento agrupa dos categorías y el 42% de generación de contenido agrupa tres (ideación, redacción y lectura de datos) — el 42% supera al 26% porque suma categorías, no porque compita con él, y por eso el cuerpo dice "categoría individual"; cerca del 8% de los usuarios declara tareas enteramente nuevas donde el empleador no impulsa la herramienta, y alrededor del 17% donde sí la impulsa; el 4% de los no usuarios reporta cargas nuevas, con 10% entre los docentes que nunca la usaron. Es un borrador: no pasó por revisión de pares, y esta nota lo dice en el cuerpo. Datos del estudio que esta nota no usa en el cuerpo: el 43% de las empresas fomenta explícitamente el uso, el 21% lo permite y el 6% lo prohíbe; entre las que lo fomentan, el 61% tiene una versión corporativa y el 39% capacita; donde no hay ninguna iniciativa, alrededor del 40% de los trabajadores igual usó un chatbot en el trabajo alguna vez; y donde conviven fomento, versión corporativa y capacitación, el 93% declara haberlo usado y el 28% lo usa a diario. El paper reporta además, textual, que la versión corporativa y la capacitación implementadas en aislamiento se asocian a menores beneficios declarados ("enterprise chatbots and training—when implemented in isolation—are associated with lower reported benefits"); esta nota no usa ese hallazgo porque el propio trabajo ofrece dos explicaciones alternativas para él y no elige entre ellas.
- Gai, P. J., Hou, J. y Tu, Y., "Competence Penalty Is a Barrier to the Adoption of New Technology", SSRN 5255039; cobertura en Harvard Business Review, agosto de 2025 ("Research: The Hidden Penalty of Using AI at Work") — el castigo por competencia. Experimento preregistrado con 1.026 ingenieros evaluando el mismo código: quienes declaraban haber usado inteligencia artificial recibieron calificaciones de competencia 9% más bajas en promedio —6% los autores varones y 13% las autoras mujeres—, sin que cambiara la calidad percibida del código. Los evaluadores más severos fueron los ingenieros que no adoptaron la herramienta, y su castigo a las ingenieras usuarias fue 26% mayor que a los ingenieros usuarios. Correlato de campo, del mismo trabajo: rastro digital de 28.698 ingenieros de software de una empresa tecnológica tras el lanzamiento interno de una herramienta de IA generativa para programar; a los doce meses la usaba el 41%, con 31% entre las ingenieras y 39% entre los mayores de cuarenta. Una encuesta complementaria (n = 919) asocia el castigo anticipado con una adopción más lenta. Es un borrador alojado en SSRN: a la fecha de cierre de esta nota no figura publicado en una revista con revisión de pares. Dos correcciones respecto de coberturas secundarias que circulan: el 41% es la tasa de adopción del total de ingenieros, no la de los varones (que es 43%); y la empresa se describe en la fuente como una empresa tecnológica líder, sin ninguna posición en un ranking — esta nota no le atribuye ninguna.
- U.S. Census Bureau, Business Trends and Outlook Survey, informe de mayo de 2026 sobre uso de inteligencia artificial en empresas — la pregunta releva si la empresa usó IA en alguna función en las dos semanas previas. Cortes sectoriales: Información 39,7%, Finanzas y seguros 33,9%, Comercio minorista 14%; promedio nacional 19,8%. Los cortes por tamaño de empresa y el rango general de adopción se usaron en la parte 2 de esta serie y no se repiten acá.
- CEPE-Universidad Torcuato Di Tella (el centro de políticas públicas de su Escuela de Gobierno) y Fundar, iniciativa nadIA, con relevamiento de la Fundación Observatorio PyME y apoyo del BID, "Encuesta Nacional sobre Adopción de IA en Pequeñas y Medianas Empresas de la Argentina", abril de 2026 — 402 empresas de 10 a 249 empleados de la industria manufacturera y de software y servicios informáticos, campo entre noviembre y diciembre de 2025, muestreo estratificado en 14 estratos sectoriales. Los tres datos que usa esta nota, calculados sobre las empresas que ya usan IA: el 91,2% no redujo personal, el 95,5% no incorporó ningún perfil especializado y el 44,4% declara que distintas áreas y personas adoptan por su cuenta, sin coordinación central.
- Dell'Acqua, F. y otros, "Navigating the Jagged Technological Frontier", Organization Science, 37(2), 2026, pp. 403-423 — se cita acá por un solo motivo: en la tarea donde los grupos con inteligencia artificial acertaron menos, los evaluadores puntuaron sus entregas como más coherentes y mejor argumentadas que las del grupo sin la herramienta. Las cifras de ese hallazgo están en la parte 1 de esta serie y no se repiten en esta nota.
- Choi, J., Hecht, G. y Tayler, W. B., "Lost in Translation: The Effects of Incentive Compensation on Strategy Surrogation", The Accounting Review, 87(4), 2012 — el origen del concepto de surrogación, que este blog ya usó al escribir sobre tableros e indicadores: sustituir la cosa que importa por la medida que la representa. Acá aparece en su versión nueva, donde la apariencia del entregable la puede producir una máquina.
Todas las fuentes se leyeron en su versión primaria disponible. Última verificación: agosto de 2026.