No salió mal la tecnología, sino el reparto de trabajo. Porque delegar las tareas repetitivas a una máquina no elimina la carga cognitiva: la desplaza. Lo que antes hacía un analista ahora lo hace la IA en segundos: buscar datos, estructurarlos o escribir un primer borrador. Pero alguien tiene que leer todo lo que produce para verificarlo, corregirlo y decidir qué sirve y qué no. En otras palabras, alguien tiene que emitir un juicio.
Y juzgar es lo más caro en consumo de energía que hace el cerebro humano. Ahora el empleado tiene que hacerlo continuamente. Lo llaman AI Brain Fry. Investigadores del Boston Consulting Group y de la Universidad de California en Riverside lo documentaron en enero de 2026 tras entrevistar a 1.488 trabajadores de distintas industrias en Estados Unidos: la fatiga mental producida por usar o supervisar herramientas de IA más allá de la capacidad cognitiva propia. No es burnout, aunque comparte síntomas. Es algo más específico: un zumbido permanente, dificultad para concentrarse, decisiones más lentas y más errores. En los casos más graves, puede empujar a querer dejar el trabajo.
Los trabajadores con alta supervisión de IA consumen un 14% más de esfuerzo mental y acumulan un 12% más de fatiga. Quienes declaran haber sufrido brain fry cometen un 39% más de errores graves. Los sectores más afectados: marketing, con un 26% de trabajadores afectados, seguido de recursos humanos, operaciones y desarrollo de software.
La tarea desaparece. El juicio, no.
Son las cinco de la tarde. Sobre la pantalla, doce conversaciones abiertas con la IA: informes resumidos, borradores aprobados, tres opciones evaluadas para un proveedor. El analista ha tomado decisiones sobre todo ello. No reconstruiría con certeza el razonamiento detrás de la mitad. Ha estado trabajando desde las nueve. Y está más agotado que cualquier día en que hizo el trabajo él solo.
Lo que explica esa paradoja no es la cantidad de trabajo. Es qué parte del trabajo ha realizado.
Durante décadas, la carga cognitiva del trabajo de oficina estaba repartida a lo largo de un proceso: buscar información, organizarla, producir un primer borrador, revisarlo y decidir. Cada paso consumía atención, pero cada paso preparaba el siguiente. El trabajador que llegaba al final había construido criterio sobre lo que tenía que decidir.
La IA comprime ese proceso a segundos. Y ahí está la trampa. Decidir si el output sirve, detectar lo que falta, juzgar si el argumento es sólido: eso sigue siendo responsabilidad humana. El trabajador ya no construye el material. Solo lo evalúa. Y evaluar algo que no has construido es, cognitivamente, más exigente que construirlo tú mismo.
Los trabajadores que más delegan en la IA muestran menor implicación cognitiva y se fatigan igualmente, a pesar de haber producido menos pensamiento propio. No se cansan de pensar. Se cansan de verificar.
Más opciones, menos decisiones
Hay un segundo mecanismo, menos obvio. La IA no solo acelera la producción: multiplica las posibilidades. Antes, preparar tres versiones de una campaña llevaba días y era una decisión consciente. Ahora lleva minutos y parece gratis. El resultado es que se preparan diez. Y alguien tiene que elegir entre diez.
El mismo estudio del BCG cuantificó este efecto. Cuando un trabajador pasa de usar una herramienta a dos simultáneamente, la productividad sube con claridad. Al incorporar una tercera, vuelve a subir, aunque menos. A partir de la cuarta, cae. El punto de inflexión no está en la complejidad de las herramientas sino en el número: tres es el límite antes de que gestionar las herramientas consuma más atención que el trabajo que se quería hacer.
Recuperar el foco tras una interrupción requiere una media de 23 minutos. Las herramientas de IA integradas en el flujo de trabajo, siempre presentes y siempre sugiriendo, generan una corriente de micro-interrupciones casi continua. No se trata de distracciones grandes. Se trata de docenas de pequeños secuestros de atención que, acumulados a lo largo del día, erosionan la capacidad de concentración sostenida.
¿Es el problema la herramienta o el usuario?
Investigadores como Andrew Ng llevan años contraargumentando que los problemas de adopción de IA son fundamentalmente problemas de gestión del cambio: las organizaciones que invierten en formación y rediseño de flujos obtienen ganancias reales de productividad. Bajo esta lectura, el agotamiento cognitivo de hoy es una fase de transición y no una condición permanente. Los trabajadores aprenderán a delegar mejor. Los modelos requerirán menos supervisión. El sistema se ajustará. Es un argumento sólido. Y es parcialmente correcto.
Lo que no resuelve es la asimetría de fondo. El email multiplicó el volumen de comunicación, pero no alteró quién tenía que entender qué. La IA sí lo hace. Al automatizar la construcción del briefing, el análisis, el primer borrador, retira al trabajador del proceso que le permitía desarrollar criterio. No es que deba adaptarse a hacer más cosas: es que la herramienta está eliminando el andamiaje con el que se construía la competencia.
Hay una señal empírica que apunta en esa dirección, aunque no la prueba. Los trabajadores con experiencia se benefician de la IA significativamente más que los novatos. La brecha se explica por el criterio previo: el experto sabe evaluar el output porque ya hizo el trabajo de base. El novato no tiene ese suelo. Estos datos miden rendimiento, no aprendizaje (una variable distinta que requeriría estudios longitudinales que aún no existen en cantidad suficiente), pero la fotografía dice algo: la IA es más útil para quien ya sabe, y menos para quien está aprendiendo.
Aquí es donde conviene separar lo que el estudio del BCG mide y lo que no. La fatiga cognitiva aguda (el brain fry) está documentada, es medible y puede ser transitoria: las organizaciones que rediseñen bien sus flujos probablemente la reducirán. Pero hay una segunda hipótesis, más especulativa y difícil de descartar, que los datos actuales no terminan de descartar: que la delegación sostenida en la IA no solo agote el juicio en el corto plazo, sino que lo atrofie en el largo. Son problemas distintos, con evidencias de distinto peso. El primero ya está ocurriendo. El segundo está por ver. Todavía es pronto.
Nos convertimos en la herramienta de nuestra herramienta
Cualquiera que haya pasado una tarde aprobando outputs de IA sin saber del todo si eran buenos o simplemente plausibles, sin poder señalar qué fallaba exactamente, ha experimentado una versión cotidiana de lo que los psicólogos cognitivos llevan décadas documentando en entornos de alto riesgo.
Lo llaman sesgo de automatización: la tendencia humana a aceptar el output de un sistema automatizado sin escrutinio crítico, especialmente cuando ese sistema ha demostrado ser fiable. Se observó primero en pilotos de aviación que ignoraban su propio juicio ante el piloto automático. Luego en radiólogos que dejaban de ver lo que el algoritmo no señalaba. Cuanto más competente parece la máquina, más se inhibe la verificación humana.
La IA generativa lo lleva al escritorio de cualquier oficina. Sus outputs son fluidos, coherentes y confiados. No producen la sensación de incertidumbre que activaría la revisión crítica. Un error en una hoja de cálculo se ve. Un argumento plausible pero equivocado en un texto bien escrito no activa ninguna alarma cognitiva. El trabajador que revisa cincuenta outputs al día no puede mantener el nivel de escepticismo necesario para cada uno. Y gradualmente deja de intentarlo.
El resultado no es solo que se cometan más errores. Es que el trabajador deja de ser el autor de su propio criterio: valida lo que la máquina produce, ajusta lo que sugiere, elige entre las opciones que presenta. En ningún momento del proceso ha generado una idea que no estuviera ya en el output. John Herrman, columnista de New York Magazine, lo resumió en una frase: trabajar con IA se parece cada vez más a gestionar un equipo. El trabajador ya no ejecuta: supervisa. Y supervisar es exactamente el tipo de trabajo para el que nadie formó a la mayoría de las personas que hoy usan estas herramientas.
Hay además una distinción que el propio estudio del BCG establece. Cuando la IA elimina tareas repetitivas, el burnout baja: más tiempo para tareas creativas, más conexión con los equipos, más motivación. Pero la fatiga cognitiva aguda no sigue el mismo patrón. La IA puede aliviar uno mientras intensifica el otro, al mismo tiempo, en el mismo trabajador.
Durante años, la promesa de la tecnología fue que nos liberaría del trabajo mecánico para dedicarnos al trabajo que requería pensamiento. La automatización haría las tareas repetitivas. Nosotros haríamos el resto.
Pero ese reparto tiene un coste que nadie había calculado bien. El pensamiento no se conserva en el vacío. Se construye haciendo precisamente las tareas que ahora delegamos. Y cuando dejamos de hacerlas, no nos liberamos de ellas.
Las perdemos.