Hay un estudio que conviene tener presente antes de dar nada por sentado. En 2025, METR siguió a 16 desarrolladores experimentados que resolvían incidencias reales en proyectos que conocían muy bien. Cuando podían usar herramientas de IA, tardaron un 19 % más en resolverlas. Esperaban que la IA los acelerara un 24 % y, incluso después de terminar, seguían creyendo que los había acelerado un 20 %. Se sentían más rápidos y eran más lentos.
Eso no significa que la IA no sirva: otros estudios encuentran mejoras claras. Significa que «va más rápido» y «me parece que va más rápido» son cosas distintas, y que el resultado depende de quién la usa, para qué tarea y con qué criterio. Si vas a formar a tu equipo, merece la pena saber qué se ha medido de verdad y qué no.
Qué dicen los datos
Escritura de oficina: más rápido y mejor, en un experimento
En un experimento en línea con 453 profesionales con estudios universitarios (marketing, redacción de subvenciones, consultoría, análisis de datos, recursos humanos y dirección), cada persona hizo dos tareas de escritura propias de su ocupación. Según MIT News (2023), que resume el estudio de Noy y Zhang publicado en Science, tener acceso a ChatGPT redujo el tiempo para completar las tareas en un 40 % y elevó la calidad del resultado en un 18 %.
Atención al cliente: mejora media, y mucho mayor para quien empieza
Con datos de 5.179 agentes de atención al cliente, la introducción escalonada de un asistente basado en IA generativa aumentó la productividad (incidencias resueltas por hora) un 14 % de media, y un 34 % en los trabajadores noveles o menos cualificados. En los más experimentados y cualificados, el impacto fue mínimo (Brynjolfsson, Li y Raymond, Quarterly Journal of Economics, 2025).
Desarrollo de software: más lento con tareas muy conocidas
Es el estudio de METR (2025) con el que abríamos: 16 personas, proyectos propios, un 19 % más de tiempo. Eran desarrolladores muy expertos en sus propios repositorios y con herramientas de principios de 2025, de modo que no se puede extrapolar a cualquier puesto ni a cualquier momento. Además, en febrero de 2026 la propia METR explicó que había cambiado el diseño de su experimento porque cada vez más desarrolladores no querían trabajar sin IA, lo que sesga a la baja la estimación; sus estimaciones de finales de 2025 apuntaban a una aceleración, pero METR las considera evidencia muy débil.
Pequeños empresarios: el efecto medio no se distinguió de cero
En un experimento de campo con empresarios de Kenia a quienes se asignó al azar un asistente de negocio basado en GPT-4 por WhatsApp, no se pudo rechazar que el efecto medio fuera nulo. Por subgrupos, según la Harvard Kennedy School (2023), los que ya rendían bien antes de empezar mejoraron algo más de un 15 %, mientras que los que rendían peor empeoraron en torno a un 8 %.
Pensamiento crítico: confiar mucho en la IA se asocia con revisar menos
En una encuesta a 319 trabajadores del conocimiento (Microsoft Research, 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.
La organización pesa más que la actitud individual
En el Work Trend Index 2026 de Microsoft (20.000 trabajadores que usan IA, 10 mercados), los factores organizativos (cultura, apoyo de los jefes y prácticas de talento) explican más del doble del impacto declarado que los factores individuales como la actitud y el comportamiento: 67 % frente a 32 %.
Cómo leerlos (y qué no dicen)
Ningún estudio de esta lista dice que la IA mejore todo para todos. Mira qué mide cada uno:
| Estudio | Qué midió | Qué no permite concluir |
|---|---|---|
| Noy y Zhang (2023) | Dos tareas de escritura en un experimento en línea | Que ese efecto se mantenga en el trabajo diario durante meses |
| Brynjolfsson, Li y Raymond (2025) | Un asistente concreto en un puesto concreto | Que valga igual para otros puestos u otras herramientas |
| METR (2025) | Tiempo en tareas reales de código, con 16 expertos | Que le ocurra lo mismo a otros perfiles o con herramientas posteriores |
| Harvard Kennedy School (2023) | Resultados de pequeños negocios en un país | Que se repita en una pyme española; el efecto medio no se distinguió de cero |
| Microsoft Research (2025) | Percepciones de 319 personas | Causalidad ni calidad objetiva del trabajo |
| Microsoft (2026) | Un índice construido con lo que declaran los usuarios | Productividad medida; además la encuesta es de una empresa que vende IA |
Hay cuatro cautelas que aplican a casi todos:
- Tarea concreta. Escribir un informe no es lo mismo que atender una reclamación o programar. Un buen resultado en una tarea no se traslada solo a otra.
- Percepción frente a medición. El estudio de METR es el ejemplo más claro: lo que se cree y lo que se mide pueden ir en direcciones opuestas.
- Quién se beneficia. En el estudio de atención al cliente ganaba sobre todo quien tenía menos experiencia; en el de Kenia, quien ya rendía bien. No hay una regla universal, así que no des por hecho a quién le va a servir más.
- Quién paga el estudio. Una encuesta de una empresa que vende herramientas de IA no es automáticamente falsa, pero merece lectura crítica.
Qué hacer con esto: conclusiones para formar a tu equipo
Forma por tareas, no por herramientas. El dato de la escritura invita a empezar por tareas de texto de tu día a día (correos, propuestas, resúmenes). Pero define con cada persona qué tarea concreta va a probar y cómo sabrá si ha mejorado.
Enseña a revisar, no solo a pedir. La asociación entre confiar demasiado y revisar menos es una advertencia: un curso que solo enseña a «sacar más texto» deja a tu equipo peor preparado. Conviene practicar a detectar errores, datos inventados y respuestas que suenan bien y no encajan. Si quieres profundizar, tenemos un artículo sobre cómo evitar las alucinaciones de la IA.
Mide tú, en tu empresa, y con una tarea real. No hace falta un experimento académico. Elige una tarea frecuente, anota cuánto se tarda hoy y cuántas correcciones necesita, prueba con IA durante unas semanas y compara con el mismo criterio. El caso de METR ilustra por qué: si solo preguntas «¿te ha ido más rápido?», puedes obtener una respuesta cómoda y equivocada. En cómo medir el impacto de la formación en IA tienes una guía.
Apoya especialmente a quien empieza, y vigila a quien ya domina. Los datos de atención al cliente sugieren que los perfiles con menos experiencia pueden ganar más; los de METR, que un experto trabajando en un terreno que domina puede tardar más con la herramienta, aunque él crea lo contrario. Son dos casos distintos y ambos necesitan seguimiento.
Cuida el entorno, no solo al individuo. Si es cierto que la cultura, el apoyo de los jefes y las prácticas de talento pesan más que la actitud personal (con las cautelas que hemos visto sobre esa encuesta), formar a una persona suelta y devolverla a un equipo sin tiempo ni criterios compartidos rinde poco. Mejor formar a equipos enteros y fijar unas reglas comunes; en formación en IA para empresas explicamos cómo lo planteamos.
Decide con una persona al mando. Los estudios dan pistas, no órdenes. La decisión final sobre qué automatizar y qué revisar a mano es del responsable de cada área.
Fuentes
- MIT News, sobre el estudio de Noy y Zhang en Science (2023): Study finds ChatGPT boosts worker productivity for some writing tasks
- NBER / Quarterly Journal of Economics, Brynjolfsson, Li y Raymond (2025): Generative AI at Work
- 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
- Microsoft, Work Trend Index (2026): 2026 Work Trend Index report: Agents, human agency, and opportunity
Conclusión
Los estudios coinciden en algo más sutil que «la IA mejora la productividad»: los resultados dependen de la tarea, de la persona y del entorno, y lo que creemos que ocurre no siempre coincide con lo que se mide. Por eso la formación útil enseña a elegir tareas, a revisar con criterio y a medir en tu propio trabajo, no a confiar a ciegas.
En MG Solutions formamos a equipos de empresa en IA, por puesto y con casos reales de tu negocio, y también implantamos agentes de IA a medida. Si quieres partir de tareas reales de tu equipo, empieza por nuestra formación en IA para empresas.
Si quieres ver cómo encajaría en tu caso, escríbenos y lo hablamos.