El problema no es solo usar IA, sino cómo se usa: supervisar varios agentes y apilar más de tres herramientas dispara la fatiga mental, empeora la calidad de las decisiones y aumenta la intención de abandonar la empresa.
Durante meses, el discurso dominante sobre inteligencia artificial en la empresa ha repetido una promesa casi automática: más IA equivale a más productividad, más velocidad y menos trabajo ingrato. Pero un nuevo artículo publicado en Harvard Business Review introduce una advertencia mucho más incómoda y bastante menos complaciente con esa narrativa. Bajo el título “When Using AI Leads to ‘Brain Fry’”, Julie Bedard, Matthew Kropp, Megan Hsu, Olivia T. Karaman, Jason Hawes y Gabriella Rosen Kellerman presentan un estudio con 1.488 trabajadores a tiempo completo en Estados Unidos, de grandes empresas y sectores diversos, que intenta medir algo que muchas organizaciones todavía no están mirando bien: el coste cognitivo de trabajar con herramientas y agentes de IA de forma intensiva.
El hallazgo que probablemente se llevará los titulares es el concepto de “AI brain fry”, que los autores definen como una fatiga mental derivada del uso excesivo o de la supervisión de herramientas de IA más allá de la propia capacidad cognitiva. No se trata exactamente de burnout clásico, ni de agotamiento emocional acumulado, sino de una forma más aguda de saturación mental: niebla cognitiva, dificultad para concentrarse, lentitud para decidir, dolor de cabeza y una sensación de ruido mental constante. Según el estudio, el 14% de los trabajadores que usan IA en el trabajo afirma haber experimentado este fenómeno.
Ese porcentaje, por sí solo, ya sería relevante. Pero lo verdaderamente importante del artículo es que vincula esa fatiga con consecuencias operativas y empresariales bastante concretas. Entre los usuarios de IA que reportan “brain fry”, los autores observan un 33% más de fatiga decisoria, un 11% más de errores menores y un 39% más de errores mayores en comparación con quienes usan IA sin experimentar ese agotamiento cognitivo. Además, la intención activa de dejar la empresa sube del 25% al 34% entre quienes sufren esta fatiga, una diferencia que los autores presentan como un aumento del 39% en la intención de marcha entre los usuarios intensivos de IA.
El dato obliga a matizar bastante el triunfalismo corporativo actual. Porque la cuestión ya no es solo si la IA ahorra tiempo o genera más código, más texto o más análisis. La cuestión es si ciertas formas de integración de la IA están desplazando trabajo manual a costa de multiplicar la carga de supervisión, de contexto y de coordinación sobre los empleados. El artículo de HBR es especialmente útil en ese punto porque no plantea una crítica general a la IA. De hecho, sus conclusiones son más incómodas precisamente porque son más matizadas: la IA puede reducir el burnout cuando elimina tareas repetitivas, pero puede elevar la fatiga mental cuando obliga a vigilar demasiadas herramientas, revisar demasiadas salidas o gestionar demasiados agentes al mismo tiempo.
Los autores explican que una de las variables más asociadas a ese agotamiento es el grado de supervisión directa que exigen las herramientas de IA. En su muestra, los trabajadores que declararon que su trabajo con IA requería altos niveles de supervisión gastaban un 14% más de esfuerzo mental, mostraban un 12% más de fatiga mental y sufrían un 19% más de sobrecarga informativa que quienes operaban con menor supervisión. A eso se suma otro factor clave: cuando la presencia de la IA aumenta la carga total de trabajo en vez de reducirla, la presión cognitiva se intensifica todavía más. La interpretación es bastante directa: si la IA no sustituye tareas, sino que añade capas de revisión, validación, seguimiento y responsabilidad, el trabajador acaba gestionando más resultados, más interfaces y más decisiones en el mismo tiempo.
Hay otro resultado especialmente sugerente: la relación entre el número de herramientas de IA usadas simultáneamente y la productividad percibida. Según el estudio, pasar de una a dos herramientas se asocia con un incremento significativo de productividad; añadir una tercera sigue mejorando el rendimiento, aunque a menor ritmo; pero a partir de tres herramientas, la productividad percibida empieza a caer. Es uno de los puntos más interesantes del trabajo porque cuestiona frontalmente la lógica de “más IA, mejor” que domina muchas implementaciones actuales. El mensaje no es que haya que usar poca IA, sino que existe un umbral a partir del cual la multiplicación de sistemas deja de ayudar y empieza a saturar.
El artículo arranca, de hecho, con una escena muy expresiva. Cita el lanzamiento de Gas Town, una plataforma de código abierto presentada por Steve Yegge el 1 de enero de 2026 para orquestar enjambres de agentes de Claude Code de forma simultánea. La experiencia impresionó a algunos usuarios por su velocidad, pero también generó una sensación de estrés: uno de ellos escribió que estaba ocurriendo demasiado a la vez como para comprenderlo razonablemente. Esa imagen sirve como metáfora de un problema más amplio: el salto desde herramientas de ayuda puntuales hacia sistemas multiagente que producen, iteran, se coordinan y exigen vigilancia constante puede convertir el trabajo en una gestión permanente de flujos, más que en la resolución real del problema.
Ahí está una de las intuiciones más valiosas del estudio. Los autores separan claramente dos fenómenos que a menudo se confunden. El burnout es un estado de estrés laboral crónico, más relacionado con agotamiento emocional, sentimientos negativos hacia el trabajo y sensación de ineficacia. La fatiga mental aguda, en cambio, tiene que ver con atención, memoria de trabajo y control ejecutivo llevados más allá de su capacidad. Esa distinción importa mucho porque una empresa puede reducir el agotamiento emocional automatizando tareas pesadas y, al mismo tiempo, aumentar la saturación cognitiva si obliga a sus empleados a vigilar agentes, cotejar resultados y reencuadrar constantemente problemas generados por la propia IA.
El propio estudio ofrece ejemplos cualitativos muy potentes. Un director de ingeniería describe la sensación de ir saltando entre una herramienta que le ayudaba a ponderar decisiones técnicas y otra que le devolvía borradores y resúmenes, hasta que su mente empezó a sentirse “abarrotada”, como si tuviera una docena de pestañas abiertas luchando por la atención. Una directora financiera relató que, tras ir y venir con la IA reformulando ideas, sintetizando datos y organizando materiales, llegó a un punto en el que ya no podía ni entender si lo que había creado tenía sentido y tuvo que dejarlo para el día siguiente. Los autores resumen ese estado con dos palabras que se repiten mucho entre los participantes: “fog” y “buzzing”, niebla y zumbido mental.
Otro aspecto interesante es cómo varía este fenómeno según el tipo de función. En el extremo bajo, solo el 6% de quienes trabajan en roles legales dijo haber experimentado “brain fry”. En el alto, el 26% de quienes trabajan en marketing lo reportó. Después de marketing, las áreas con mayor prevalencia fueron people operations, operaciones, ingeniería, finanzas e IT. Esto no significa que haya profesiones inmunes y otras condenadas, pero sí sugiere que los entornos donde la IA se usa para multiplicar borradores, variantes, análisis y procesos paralelos pueden ser más propensos a esa sobrecarga.
La parte más útil del estudio, con todo, quizá sea la que desmonta la lectura simplista de que la IA daña siempre el bienestar laboral. Los autores encontraron que cuando la IA se usa para reducir de forma sustancial el tiempo dedicado a tareas rutinarias o repetitivas, los niveles de burnout bajan un 15% respecto a quienes no la usan así. Además, esos trabajadores reportan más compromiso, más motivación, emociones más positivas hacia la IA y mayor conexión social con sus compañeros, probablemente porque disponen de más tiempo para actividades creativas o relacionales. Es decir, la IA puede liberar trabajo y hacer más llevadero el empleo, pero solo cuando se usa para quitar carga repetitiva, no para añadir una capa extra de orquestación encima del trabajo existente.
Ese matiz es crucial para las empresas que ahora mismo están rediseñando puestos, métricas y flujos alrededor de agentes de IA. El estudio sugiere que no basta con introducir herramientas: hay que rediseñar la arquitectura del trabajo. En el plano de los managers, por ejemplo, los empleados cuyos responsables se toman tiempo para responder preguntas sobre IA muestran un 15% menos de fatiga mental que quienes no reciben ese apoyo. En cambio, cuando los managers esperan que cada persona “ya se apañe sola” con la IA, las puntuaciones de fatiga suben un 5%. Los autores hablan incluso de una especie de “AI orphan tax”, un impuesto cognitivo por dejar al empleado solo ante la complejidad.
En el plano del equipo también aparecen señales claras. Cuando los trabajadores perciben presión del grupo para usar IA, la fatiga mental aumenta. Lo mismo ocurre cuando hay mucha variación en el uso de IA dentro del equipo, probablemente porque eso añade incertidumbre, desigualdad de prácticas y comparación constante. En cambio, cuando los equipos tienen una integración organizada de la IA en sus procesos, la carga mental baja de forma significativa. La conclusión es bastante contundente: la IA funciona mejor como capacidad colectiva bien integrada que como carrera individual por demostrar quién usa más herramientas o más agentes.
En el ámbito organizativo, el estudio apunta en la misma dirección. Cuando la empresa comunica con claridad cuál es su estrategia de IA y ofrece formación, la situación mejora. Cuando no comunica con claridad el papel de la IA, la fatiga mental empeora. Y cuando los empleados sienten que la organización espera que, gracias a la IA, hagan más trabajo sin redefinir de manera explícita el alcance del rol, las puntuaciones de fatiga mental son un 12% más altas. Además, quienes perciben que su organización valora el equilibrio entre trabajo y vida personal registran un 28% menos de fatiga mental que los demás. La lectura de fondo es casi cultural: no solo importan las herramientas, también importan los mensajes, las normas implícitas y el clima en que se introducen.
Todo esto conecta con una deriva muy visible en el mercado actual. Muchas compañías están entrando en una fase de despliegue acelerado donde el objetivo es “meter IA a tope”, mostrar productividad y traducir esa adopción en indicadores medibles. El propio artículo menciona casos de empresas que incentivan a los empleados a construir y supervisar equipos complejos de agentes, o que utilizan métricas indirectas como el consumo de tokens o las líneas de código generadas por IA como señal de rendimiento. El riesgo es bastante evidente: si se premia la cantidad de uso en lugar del valor real creado, se incentiva una cultura de saturación, ruido y baja calidad.
Por eso una de las recomendaciones más sensatas del estudio es quizá la más difícil de aplicar en el clima actual: no apilar agentes sobre una sola persona indefinidamente. Los autores sostienen que igual que en gestión tradicional existen normas sobre el número razonable de personas a cargo de un manager, también deberían definirse límites para la supervisión humano + agente y para el número de agentes por usuario. La investigación sugiere, precisamente, que aparecen ganancias adversas de productividad tras usar tres agentes a la vez. Eso implica que el rediseño organizativo no puede dejarse al entusiasmo individual ni a la lógica de “si uno ayuda, cinco ayudarán más”.
Hay otro punto de gran calado: el perfil competencial que exige trabajar bien con IA. Los autores explican que, en su trabajo con desarrolladores, quienes están más avanzados con IA empiezan a sentirse bloqueados si no desarrollan habilidades nuevas como formulación de problemas, planificación del análisis y priorización estratégica. Es una idea muy potente porque sugiere que la alfabetización en IA ya no consiste solo en aprender prompts o manejar herramientas, sino en aprender a dirigir trabajo semiautónomo. En cierto sentido, muchos empleados empiezan a parecerse menos a operadores y más a gestores de sistemas híbridos.
La consecuencia empresarial es clara. Si la IA va a extenderse como capa de trabajo, las organizaciones necesitan medir no solo productividad, sino también carga cognitiva. El artículo advierte que la fatiga mental puede pasar desapercibida en las encuestas laborales tradicionales, mucho más centradas en burnout, satisfacción o compromiso general. Pero si la empresa no mide esta nueva fricción, corre el riesgo de perder justo al talento que más intensamente está usando la IA. Los autores lo dicen con claridad: las culturas, equipos y líderes que prioricen el “cognitive thriving” pueden esperar mejores juicios, menos errores y mayor retención del talento clave.
En el fondo, este estudio pone nombre a una contradicción que ya empieza a aparecer en muchas oficinas. La IA puede ayudarte a trabajar más rápido, pensar más en grande y automatizar partes muy ingratas del trabajo. Pero también puede convertirte en supervisor de un zoo de herramientas, outputs y agentes que reclaman atención continua. El “brain fry” no describe una resistencia cultural a la tecnología, sino un límite bastante humano: el cerebro no escala al ritmo al que escalan los sistemas que le pedimos vigilar.
La gran lección del artículo no es anti-IA. Es mucho más exigente que eso. Dice que el problema no es cuánto IA se usa, sino cómo se organiza su uso. Si la empresa la utiliza para eliminar tareas repetitivas y abrir espacio a trabajo creativo y social, puede mejorar bienestar y compromiso. Si la despliega como una capa de intensificación del trabajo, con múltiples herramientas, presión por usarlas y ambigüedad sobre la carga real, lo que obtiene no es solo más productividad: también obtiene más ruido mental, más errores y más gente mirando la puerta de salida.
