IA generativa y productividad: novatos 34% más productivos

Los experimentos controlados sobre IA generativa y productividad llegan a una conclusión consistente: la IA acelera las tareas que están dentro de lo que hace bien, la ganancia es mayor para quien tiene menos experiencia y el resultado empeora cuando la tarea sale de esa frontera. En el estudio más citado, con 5.179 agentes de soporte de una empresa de software, el asistente de IA aumentó en 14% los casos resueltos por hora en promedio, y los agentes novatos y de menor desempeño resolvieron 34% más casos por hora, mientras los más experimentados casi no ganaron (Brynjolfsson, Li y Raymond, NBER, 2023). Con 758 consultores de BCG, quienes usaron IA terminaron 12,2% más tareas y trabajaron 25,1% más rápido en las tareas dentro de la frontera, y en una tarea elegida para quedar fuera de ella tuvieron 19% menos probabilidad de llegar a la respuesta correcta (Dell’Acqua y colegas, 2026). Para el liderazgo comercial, la lectura práctica se resume en tres decisiones: dónde usarla, quién revisa y cómo formar al equipo para reconocer la línea.

En las clases de liderazgo, veo que estos números circulan sin el contexto que los explica. El “55% más rápido” llega a la reunión de dirección sin el dato de que la muestra eran 95 programadores freelance haciendo una única tarea estandarizada. En este texto vuelvo a los artículos originales, muestro qué midió cada experimento y qué quedó fuera, y traduzco el resultado para ventas, marketing y atención al cliente. Cómo medir el retorno de un proyecto de IA en tu empresa es tema de ROI de IA; aquí el foco es lo que la investigación ya probó y lo que todavía no.

¿Qué midieron los experimentos sobre IA generativa y productividad?

La mayor parte de los números sobre IA en el trabajo viene de encuestas de opinión, en las que la persona dice cuánto tiempo cree que ahorró. Los estudios de esta lista sortean quién recibe la herramienta, o aprovechan una implementación escalonada, y comparan el desempeño medido de quien la usó con el de quien no la usó. Ese diseño permite hablar de causa, dentro de los límites de la tarea y de la muestra de cada uno. Incluí también un estudio danés con datos administrativos, que pregunta si la ganancia en la tarea aparece en el salario y en las horas trabajadas.

Fuente	Año	Muestra y método	Hallazgo principal
Brynjolfsson, Li y Raymond, NBER; versión publicada en el Quarterly Journal of Economics	2023 y 2025	5.179 agentes de soporte (5.172 en la versión publicada), implementación escalonada de un asistente de IA, 3 millones de conversaciones	Casos resueltos por hora suben 14% (15% en la versión publicada); 34% entre los menos calificados y menos experimentados
Noy y Zhang, Science	2023	453 profesionales con título universitario, experimento en línea prerregistrado, tareas de redacción de su propia ocupación	El tiempo cae 40% y la calidad sube 18%; la distancia entre trabajadores disminuye
Dell’Acqua y colegas, Harvard Business School y BCG; versión publicada en Organization Science	2023 y 2026	758 consultores, experimento prerregistrado con tres grupos (sin IA, con GPT-4, con GPT-4 y orientación sobre prompts)	Dentro de la frontera, 12,2% más tareas y 25,1% más velocidad; fuera de ella, 19% menos probabilidad de acertar
Peng y colegas, Microsoft Research, GitHub y MIT	2023	95 programadores freelance, sorteados entre usar o no un asistente de código	El grupo con IA terminó la tarea 55,8% más rápido
Becker y colegas, METR	2025	16 desarrolladores experimentados, 246 tareas reales en proyectos de código abierto que conocían desde hacía cinco años en promedio	Con IA, las tareas tomaron 19% más tiempo, contra la expectativa de los participantes
Humlum y Vestergaard, NBER	2025, revisado en 2026	Encuestas a 25 mil trabajadores de 7 mil lugares de trabajo en Dinamarca, vinculadas a registros administrativos	Efecto nulo en salario y horas registradas dos años después del lanzamiento de ChatGPT, descartando efectos mayores a 2%

Atención al cliente: ¿qué midió el estudio de Brynjolfsson, Li y Raymond?

Los autores siguieron a agentes de soporte por chat de una empresa de la Fortune 500 que vende software de procesos de negocio. La herramienta leía la conversación en tiempo real y sugería respuestas, y el agente seguía siendo responsable del diálogo, libre para ignorar la sugerencia. Como la empresa liberó el asistente para grupos distintos en fechas distintas, los investigadores compararon a quienes ya tenían la herramienta con quienes todavía no. La medida principal fue casos resueltos por hora, que combina tiempo de atención, conversaciones simultáneas y tasa de resolución.

El promedio de 14% esconde la distribución que más importa. Los agentes del quinto de menor desempeño antes de la IA resolvieron 34% más casos por hora, y los del quinto de mayor desempeño no ganaron productividad y tuvieron una caída pequeña, con significancia estadística, en la tasa de resolución y en la satisfacción del cliente. Los agentes con dos meses en la empresa y acceso al asistente rindieron igual que colegas sin IA con más de seis meses. Las solicitudes de clientes para hablar con un supervisor cayeron casi 25%, y la rotación de los agentes nuevos disminuyó. En los períodos en que el sistema estuvo caído, quienes habían usado el asistente por más tiempo siguieron por encima de su propia línea de base, señal de que la herramienta llevó las prácticas de los mejores a los novatos. La versión publicada en 2025, con 5.172 agentes, registra una ganancia promedio de 15% y describe, para los más experimentados, una pequeña ganancia de velocidad con una pequeña pérdida de calidad.

Tareas de redacción: ¿qué encontraron Noy y Zhang en Science?

Shakked Noy y Whitney Zhang, del MIT, pidieron a profesionales de marketing, redactores de proyectos, consultores, analistas de datos, profesionales de RR. HH. y gerentes dos tareas de redacción típicas de su ocupación, como un comunicado de prensa, un informe corto y un correo delicado. Cada tarea duraba de 20 a 30 minutos, con un bono por calidad y evaluación ciega por profesionales experimentados del mismo campo, y la mitad de los participantes recibió acceso a ChatGPT antes de la segunda tarea. El tiempo promedio cayó 40%, la calidad subió 18%, y quienes peor lo hicieron en la primera tarea fueron los que más ganaron.

Un detalle de la versión preliminar publicada por los autores importa para la gestión. En ella, 68% de los participantes con acceso a la herramienta dijeron haber entregado el primer texto de ChatGPT sin editar, y los textos finales no tuvieron mejor nota que la respuesta bruta de la herramienta. Los autores señalan como limitación central que las tareas eran cortas, autocontenidas y sin el conocimiento de contexto que exige el trabajo real. Para una operación comercial, la pregunta pasa a ser cuánto del trabajo de tu equipo se parece a un correo de 25 minutos sin historial del cliente.

Consultores de BCG: ¿qué es la frontera tecnológica irregular?

El estudio de Fabrizio Dell’Acqua y colegas, hecho con Boston Consulting Group y difundido como working paper de Harvard Business School en 2023, acuñó la expresión “frontera tecnológica irregular”. La IA mejora el desempeño en algunas tareas y lo empeora en otras de dificultad parecida, dentro del mismo flujo de trabajo, y quien mira desde afuera no puede prever de qué lado está cada tarea. En las 18 tareas dentro de la frontera, de creación de producto a análisis, quienes usaron IA terminaron 12,2% más tareas, trabajaron 25,1% más rápido y entregaron mayor calidad. En la tarea fuera de la frontera, en la que el consultor cruzaba planillas de desempeño con entrevistas a ejecutivos para encontrar la causa del problema de la empresa, quienes usaron IA tuvieron 19% menos probabilidad de llegar a la solución correcta.

La publicación de BCG sobre el experimento agrega detalles que llevo al aula. En la tarea de diagnóstico, el desempeño de quienes usaron GPT-4 fue 23% peor, porque muchos participantes aceptaron la respuesta equivocada de la herramienta. En la tarea creativa, los participantes con menor competencia inicial mejoraron 43%, y los de mayor competencia ganaron 17% allí y perdieron 17% en el diagnóstico. El grupo que recibió cerca de 30 minutos de orientación sobre el uso de GPT-4 y sus límites rindió en promedio peor en el diagnóstico que quienes no la recibieron, y los autores sospechan de exceso de confianza. El resultado más uniforme de la IA también redujo en 41% la diversidad de ideas del grupo.

Programación: ¿el asistente de código acelera o atrasa?

En el experimento de Sida Peng y colegas, 95 programadores contratados en una plataforma de freelancers tuvieron que escribir un servidor HTTP en JavaScript lo más rápido posible. Los 45 sorteados para usar el asistente de código terminaron en 71 minutos en promedio, contra 161 minutos de los 50 del grupo de control, una reducción de 55,8% con intervalo de confianza de 21% a 89%. Los programadores con menos experiencia tendieron a ganar más, con un coeficiente en el límite de la significancia convencional.

El estudio de METR, de 2025, midió otra situación: 16 desarrolladores experimentados trabajaron en 246 tareas reales de proyectos de código abierto maduros, y cada tarea se sorteó para permitir o prohibir herramientas de IA. Antes de empezar, esperaban una reducción de 24% en el tiempo; al final, estimaron una reducción de 20%; el tiempo medido subió 19%. En febrero de 2026, METR publicó una actualización con 57 desarrolladores y más de 800 tareas, en la que la estimación pasó a indicar ahorro de tiempo, con un intervalo de confianza que incluye el cero, y el instituto calificó la señal como poco confiable porque muchos desarrolladores se negaron a trabajar sin IA. De este par de estudios, llevo a la operación comercial la distancia entre lo que las personas sienten y lo que mide el cronómetro.

¿Quién gana más y dónde la IA empeora el resultado?

El patrón se repite en cuatro de los cinco estudios de tareas: la ganancia se concentra en quien está empezando o por debajo del promedio, y la pérdida aparece entre los más experimentados o en las tareas que exigen contexto y juicio.

Estudio	Tarea	Quién ganó más	Dónde la IA empeoró o no ayudó
Brynjolfsson, Li y Raymond	Soporte por chat de software	Agentes novatos y de menor desempeño: +34% de casos resueltos por hora	Agentes de mayor desempeño: sin ganancia y pequeña caída en resolución y satisfacción
Noy y Zhang	Textos de 20 a 30 minutos de su propia ocupación	Participantes con peor nota en la primera tarea	Las tareas largas o con contexto de la empresa quedaron fuera del estudio
Dell’Acqua y colegas	Creación de producto y diagnóstico de negocio	Consultores con menor competencia inicial: +43% en la tarea creativa	Diagnóstico fuera de la frontera: 19% menos probabilidad de acertar
Peng y colegas	Servidor HTTP en JavaScript, tarea estandarizada	Programadores con menos experiencia, con evidencia débil	Tasa de finalización sin diferencia estadística
Becker y colegas (METR)	Tareas reales en proyectos que el desarrollador domina	Ningún grupo en el estudio de 2025	Los desarrolladores experimentados tardaron 19% más

Lo que estos datos no dicen

Los estudios miden tareas, y tu empresa contrata personas que hacen decenas de tareas por semana. Una ganancia de 40% en un correo de 25 minutos no se convierte en 40% más de capacidad del equipo, porque el vendedor también conduce reuniones, negocia y actualiza el CRM. En el estudio danés de Humlum y Vestergaard, en 11 ocupaciones expuestas a la IA, incluidas atención al cliente y marketing, los autores no encontraron efecto en el salario ni en las horas registradas hasta fines de 2024, y 85% de los usuarios dijo haber reasignado el tiempo ahorrado a otras tareas. El efecto sobre el empleo es tema de IA y empleos.

Las muestras tienen perfiles específicos. Los programadores del estudio de 2023 eran freelancers, en su mayoría de 25 a 34 años y de India y Pakistán, y los autores trabajan para la empresa que desarrolla la herramienta probada. Los consultores de BCG son una población seleccionada, y los agentes de soporte trabajaban en un único proveedor de software, con una herramienta entrenada en las conversaciones de los mejores agentes de esa empresa. Ninguno de los estudios midió vendedores B2B en negociación, y cualquier número sobre “productividad de vendedores con IA” necesita la misma revisión de muestra y método.

Las herramientas también cambiaron. Los experimentos de 2023 usaron modelos hoy desactualizados, y la frontera se movió, como sugiere la actualización de METR. La lección del estudio de BCG sigue vigente con modelos mejores: la línea es irregular e invisible, y cambia de lugar. Por último, casi todas las ganancias se midieron en velocidad y en notas de evaluadores en el corto plazo, y los efectos sobre el aprendizaje, la diversidad de enfoques y los ingresos de la empresa siguen poco estudiados.

¿Qué significan estos estudios para ventas, marketing y atención al cliente?

Ventas: ramp-up más corto y riesgo en el diagnóstico

El resultado más útil para ventas viene de la atención al cliente: dos meses con IA equivalieron a seis meses de experiencia. Para un gerente que contrata vendedores, esto apunta al onboarding de vendedores, en el que el asistente puede llevar las buenas prácticas de los mejores, siempre que alguien las haya registrado en el playbook y en el CRM. La alerta viene del estudio de BCG: la tarea fuera de la frontera, cruzar números con entrevistas para encontrar la causa del problema, se parece al diagnóstico de una venta consultiva. Un vendedor junior que le pide a la IA la lectura del dolor del cliente puede recibir una respuesta convincente y equivocada, y tiene menos repertorio para notarlo.

Marketing: velocidad de producción y pérdida de variedad

Los estudios de redacción y de creación de producto describen bien el trabajo de contenido, y la ganancia de tiempo en piezas cortas tiene respaldo experimental. La reducción de 41% en la diversidad de ideas medida por BCG pide atención de quien cuida el posicionamiento y las campañas por segmento, porque un equipo entero pidiendo al mismo modelo la misma tarea produce piezas parecidas entre sí y a las del competidor que usa la misma herramienta. Recomiendo reservar la etapa de idea y ángulo para el equipo y usar la IA en la producción y en las variaciones.

Atención al cliente: la evidencia más fuerte, con atención a los mejores

La atención al cliente tiene la evidencia más fuerte de la lista, con una muestra grande, un entorno real y medidas de productividad y de calidad. El mismo estudio muestra que el asistente puede estorbar a los agentes más calificados, y el liderazgo necesita seguir la resolución y la satisfacción de ese grupo por separado, además del promedio. Los usos que ya funcionan en la clasificación y en la respuesta están en IA en la atención al cliente.

Para RR. HH. y T&D: la formación que piden estos estudios

En el estudio de BCG, 30 minutos de orientación sobre prompts no protegieron a los consultores en la tarea fuera de la frontera y, en promedio, empeoraron el resultado. La formación que sugieren los datos enseña a reconocer la frontera en las tareas del propio equipo, a contrastar la respuesta con la fuente y a decidir cuándo no usar la herramienta. El estudio danés apunta en la misma dirección desde la adopción: en los lugares de trabajo que combinaban incentivo al uso, herramienta corporativa y capacitación, 93% de los trabajadores ya había usado chatbots en el trabajo, 28% los usaba a diario y 19% decía ahorrar más de una hora por día. Da prioridad a los novatos, que ganan más y tienen menos repertorio para detectar el error.

Qué hace el liderazgo con estos números

1. Mapea tareas, no cargos. Haz la lista de las tareas recurrentes de cada área y marca cuáles se parecen a las que midieron los estudios, como texto corto y primer borrador, y cuáles exigen diagnóstico con datos y contexto de la cuenta.
2. Prueba la frontera antes de liberar. Usa la rutina del recuadro de arriba en cada tarea candidata, con casos reales de tu operación, y registra el resultado junto con el modelo usado.
3. Define la revisión según el nivel de experiencia. El novato gana más y se equivoca sin notarlo; el experimentado gana menos y puede perder calidad al seguir la sugerencia. Escribe quién revisa a cada perfil, con qué muestreo, y ponlo en tu política de uso de IA.
4. Sigue la calidad por grupo. Separa los indicadores de resolución, conversión o satisfacción de los profesionales más experimentados, el grupo en el que la IA empeoró la calidad en la atención al cliente.
5. Mide el tiempo con datos del sistema. Los desarrolladores de METR creían en una ganancia de 20% mientras perdían 19%; compara el antes y el después con las fechas del CRM y del help desk.
6. Decide el destino del tiempo liberado. Sin decisión, el tiempo se diluye en otras tareas, como registró el estudio danés; define si se convierte en más cuentas por persona, más reuniones con clientes o una contratación postergada.

Los experimentos muestran una ganancia real y desigual, y quienes la capturan son los equipos que saben dónde la herramienta acierta y dónde se equivoca con seguridad. Ese es el trabajo del entrenamiento in company de IA aplicada, construido sobre los procesos y los datos de la empresa, con grupos de liderazgo y de operación de ventas, marketing y atención al cliente. Entrega la biblioteca de prompts por área, probada contra la frontera de cada tarea, y la arquitectura de agentes, con lo que cada agente lee, lo que ejecuta solo y quién aprueba el resto.

Preguntas frecuentes

¿Cuánto aumenta la productividad la IA generativa?

En los experimentos controlados más citados, la ganancia fue de 14% en casos resueltos por hora en atención al cliente a 55,8% de reducción de tiempo en una tarea estandarizada de programación, con 40% menos tiempo en tareas de redacción y 25,1% más velocidad en tareas de consultoría. Estos números valen para tareas específicas, y un estudio con desarrolladores experimentados en proyectos reales midió el efecto contrario, con 19% más tiempo.

¿Quién gana más productividad con IA en el trabajo?

En cuatro de los cinco experimentos de tareas, los profesionales con menos experiencia o con desempeño inicial más bajo ganaron más. En atención al cliente, los novatos y los de menor desempeño resolvieron 34% más casos por hora; entre los consultores de BCG, los de menor competencia inicial mejoraron 43% en la tarea creativa. Los más experimentados ganaron poco y, en algunos casos, perdieron calidad.

¿Qué es la frontera tecnológica irregular?

Es la expresión creada por investigadores de Harvard y de BCG para describir cómo la IA mejora el desempeño en algunas tareas y lo empeora en otras de dificultad parecida, dentro del mismo trabajo. En el experimento, los consultores que usaron IA en una tarea de diagnóstico fuera de esa frontera tuvieron 19% menos probabilidad de llegar a la respuesta correcta.

¿Estos estudios valen para equipos de ventas B2B?

Ninguno de los experimentos midió vendedores B2B en negociación, y la extrapolación pide cuidado. Los estudios de atención y de redacción se acercan a tareas de preventa, seguimiento y contenido, y el estudio de BCG alerta sobre el diagnóstico, que es el centro de la venta consultiva. Prueba tu propia tarea con casos reales antes de asumir una ganancia medida en otro contexto.

¿Cómo preparo a mi equipo para usar IA sin empeorar el resultado?

Entrena al equipo para reconocer la frontera en sus propias tareas, contrastar la respuesta con la fuente y decidir cuándo no usar la herramienta, además de escribir buenos pedidos. Prioriza a los profesionales más nuevos y define quién revisa el trabajo de cada perfil. En el experimento de BCG, una orientación corta sobre prompts no protegió a los consultores y empeoró el resultado en la tarea de diagnóstico.

¿Por qué la ganancia de los experimentos no aparece en el resultado de la empresa?

El experimento mide una tarea aislada, y el tiempo ahorrado solo se convierte en resultado cuando el liderazgo decide cómo usarlo. En un estudio con 25 mil trabajadores en Dinamarca, los autores no encontraron efecto en el salario ni en las horas dos años después de ChatGPT, y 85% de los usuarios dijo haber reasignado el tiempo a otras tareas.