Sí, puede, y hay números que lo muestran. En un experimento de BCG de 2023 con 758 consultores, quienes usaron GPT-4 para una tarea de negocio situada fuera de las capacidades de la herramienta rindieron un 23 % peor que quienes la resolvieron sin ella. No significa que la IA empeore el trabajo en general: significa que, en ciertas tareas, puede restar en lugar de sumar.
Si diriges una pyme y quieres competir con empresas que tienen más gente, la tentación es dar por hecho que la IA acelera todo. Este artículo recoge los casos medidos en los que no fue así (consultores, programadores y pequeños empresarios), explica qué te dicen y qué no te dicen, y termina con una regla práctica para decidir dónde usarla.
¿Qué casos midieron un resultado peor con IA?
Hay cuatro resultados que conviene conocer, cada uno con su propia población y su propio año:
- Consultores junior, BCG (2023). En un experimento con 758 consultores de una consultora global, la tarea consistía en identificar la causa raíz de los problemas de una empresa a partir de datos de desempeño y entrevistas con directivos. BCG la sitúa fuera de la «frontera» de capacidades de la IA. Quienes usaron GPT-4 rindieron un 23 % peor que quienes la hicieron sin él.
- Los avisados, en el mismo experimento de BCG. A una parte de los participantes de esa tarea se les informó de los riesgos: se les mostró un ejemplo de fallo de razonamiento y se les advirtió de que no dependieran en exceso de la herramienta. De media, les fue considerablemente peor que a quienes usaron GPT-4 sin esa formación breve. Los autores plantean la sobreconfianza como posible explicación; es una hipótesis suya, no un resultado demostrado, y el artículo no cuantifica aquí la diferencia.
- Desarrolladores expertos, METR (2025). En un estudio con 16 desarrolladores experimentados de grandes repositorios de código abierto, tardaron un 19 % más en resolver incidencias reales cuando podían usar herramientas de IA. Esperaban que la IA los acelerara un 24 % y, incluso después, seguían creyendo que los había acelerado un 20 %.
- Pequeños empresarios de Kenia, Harvard Kennedy School (2023). A un grupo de empresarios kenianos se les asignó al azar un asistente de negocio basado en GPT-4 por WhatsApp. El efecto medio no se pudo distinguir de cero. Por subgrupos, quienes ya rendían bien antes de empezar mejoraron algo más de un 15 %, mientras que los que rendían peor empeoraron en torno a un 8 %.
¿Por qué la IA puede restar en lugar de sumar?
Los estudios miden resultados, no causas, pero señalan en una dirección parecida. Con las debidas cautelas, hay tres pistas.
La primera es que cada herramienta tiene un terreno en el que funciona bien y otro en el que no. La tarea de BCG que salió mal estaba, según la propia consultora, fuera de ese terreno. Es una lectura razonable, no una causa demostrada: el problema parece estar menos en la herramienta en abstracto que en aplicarla a una tarea que quedaba fuera de lo que hace bien.
La segunda es que la percepción puede ir por delante de la realidad. Los desarrolladores de METR esperaban que la IA los acelerara un 24 % y, después de tardar un 19 % más, seguían creyendo que los había acelerado un 20 %. Si el equipo «nota» que va más rápido, eso no prueba que lo esté haciendo.
La tercera es que la confianza puede relajar el criterio. En una encuesta de Microsoft Research a 319 trabajadores del conocimiento (CHI 2025), una mayor confianza en la IA generativa se asoció con menos pensamiento crítico, mientras que una mayor autoconfianza del propio trabajador se asoció con más. Son percepciones autodeclaradas: muestran una asociación, no una causa, y no miden la calidad real del trabajo.
Una lectura prudente de las tres pistas: el riesgo no está en usar IA, sino en dejar de revisar lo que produce.
Cómo leer estos casos sin pasarte de listo
Estos resultados son útiles precisamente porque son incómodos, pero tienen límites claros:
- Son estudios concretos. BCG es una sola firma, con un solo modelo (GPT-4) y un solo año (2023); los modelos actuales pueden comportarse distinto. El estudio de METR es de 16 personas muy expertas en sus propios repositorios, con herramientas de principios de 2025.
- El propio METR lo matizó. El 24 de febrero de 2026 explicó que cambiaba el diseño de su experimento porque cada vez más desarrolladores no querían trabajar sin IA, ni siquiera cobrando por ello, y eso sesga a la baja la estimación. En su estudio de finales de 2025 las estimaciones apuntaban a una aceleración con IA, pero METR las considera evidencia muy débil. Conclusión honesta: ni el resultado de 2025 ni las estimaciones posteriores son una sentencia.
- En Kenia, el efecto medio no se distinguió de cero. Las cifras de ganadores y perdedores salen de un análisis por subgrupos, y el resumen consultado no indica cuántos empresarios participaron.
- No demuestran que formar sea malo. La formación de BCG era breve y específica de una tarea; no sirve para decir que formar empeora el rendimiento.
- No son tu empresa. Ni consultores junior de una consultora global ni programadores de código abierto trabajan como tu equipo. Te dicen que el resultado depende de la tarea, de la persona y de la revisión, no qué te pasará a ti.
Para una visión más amplia de lo que dicen los estudios de productividad y de cuánto fiarse de ellos, puedes leer IA y productividad: qué dicen los estudios y cuánto fiarse.
¿Qué regla puede seguir un gerente?
La regla es sencilla: prueba la tarea concreta antes de generalizar. Que una herramienta funcione muy bien redactando un correo no dice nada sobre si funciona bien analizando un problema complicado de tu negocio. Cada tarea se prueba por separado, con tus datos, y la decisión de qué se queda la toma una persona. Un orden razonable:
- Elige una tarea cuyo resultado sea fácil de comprobar, como responder consultas frecuentes o preparar un presupuesto tipo.
- Haz un piloto pequeño, con dos o tres personas y durante un tiempo limitado, comparando con cómo se hacía antes.
- Mide el tiempo total, incluida la revisión, y cuenta los errores que detecta una persona. No te quedes con la sensación del equipo.
- Decide tarea por tarea si se queda como está, si se queda con revisión obligatoria o si vuelve a manos de una persona.
- Repite la prueba cuando cambie la herramienta o la tarea.
Las decisiones sobre personas (contratar, evaluar) y el asesoramiento legal, fiscal o financiero no se delegan en un programa: la IA prepara y organiza, y decide un profesional. Para montar la medición, tienes cómo medir el impacto real de la IA en la productividad. Y para entender qué parte del trabajo no se multiplica, lo que la IA no multiplica: límites de apalancarse para crecer.
Y si te preguntas qué papel juega la organización en que la IA funcione o no, tienes los datos en cultura de empresa o actitud personal: qué explica el éxito de la IA.
Fuentes
- Boston Consulting Group (2023): How People Can Create—and Destroy—Value with Generative AI
- METR (2025): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
- METR (2026): We are Changing our Developer Productivity Experiment Design
- Harvard Kennedy School, Center for International Development (2023): The Uneven Impact of Generative AI on Entrepreneurial Performance
- Microsoft Research, CHI 2025 (2025): The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers
Conclusión
Hay casos medidos en los que la IA empeoró el resultado o alargó el trabajo. Los estudios no prueban la causa, pero en ellos asoman tres pistas: una tarea fuera de lo que la herramienta hace bien, una percepción de mejora que no coincidía con lo medido y una confianza alta en la herramienta. Eso no es un argumento contra la IA, sino a favor de probarla tarea a tarea, con números propios y con una persona que revisa.
En MG Solutions construimos agentes de IA específicos para cada empresa, adaptados a tu forma de trabajar y a tus herramientas, y formamos a tu equipo para sacarles partido. Empezamos por tareas acotadas, donde se puede comprobar el resultado, antes de ampliar.
Puedes ver el planteamiento en cómo apalancarte en IA.
Si quieres ver cómo encajaría en tu caso, escríbenos y lo hablamos.