En resumen. La mayor parte de la formación en IA todavía consiste en aprender herramientas: qué modelo, qué prompt, qué función. La investigación apunta a otro lugar. En un experimento de campo con 758 consultores de Boston Consulting Group, GPT-4 aumentó el número de tareas completadas en un 12,2 % y la calidad en más de un 40 % en las tareas que el modelo resolvía bien, pero en una tarea justo fuera de sus capacidades, los consultores que lo usaban tuvieron 19 puntos porcentuales menos de probabilidad de llegar a la respuesta correcta. En un estudio aleatorizado con desarrolladores experimentados de código abierto, el acceso a la IA hizo que las tareas tardaran un 19 % más, mientras los desarrolladores creían que les había hecho un 20 % más rápidos. En la encuesta de McKinsey sobre adopción de IA, el rediseño de los flujos de trabajo fue el atributo más asociado al impacto en los resultados de entre los 25 analizados. El hilo común: el resultado depende menos de la herramienta que de las decisiones que la rodean. Qué tareas se asignan al modelo, dónde revisa una persona, qué se reutiliza. Eso es una habilidad en sí misma, y se puede aprender. Esta guía presenta la evidencia y te ofrece un lienzo de seis partes para diseñar tus propios flujos de trabajo con IA.
¿Cuál es la diferencia entre una habilidad y un flujo de trabajo?
Una habilidad con herramientas es saber manejar algo: escribir un buen prompt, usar una función, elegir un modelo. Un flujo de trabajo es la secuencia de pasos que convierte una entrada en un resultado, incluido quién (o qué) realiza cada paso, en qué orden y dónde se revisa el resultado.
Las habilidades con herramientas son necesarias, pero se deprecian rápido. El modelo que dominaste el año pasado ya ha sido sustituido, y los trucos de prompt que funcionaban con él quizá no se trasladen. El diseño de flujos de trabajo se parece más a una capacidad de gestión: se traslada de una herramienta a otra porque trata de cómo se reparte el trabajo, no de qué botón se pulsa. En nuestro marco de decisión sobre qué herramientas de IA vale la pena aprender a fondo, defendimos que conviene profundizar en muy pocas herramientas. Este artículo es la otra mitad de ese argumento: en qué profundizar en su lugar.
La evidencia: la misma herramienta, resultados muy distintos
La evidencia más sólida procede de estudios en los que todos tenían acceso a la misma IA y, aun así, el resultado variaba mucho según cómo estuviera estructurado el trabajo.
Tabla 1. La misma IA, resultados diferentes: lo que encontraron los estudios controlados
| Estudio | Quién y qué | Resultado con IA | Qué marcó la diferencia |
|---|---|---|---|
| Dell’Acqua et al. (2023), documento de trabajo de Harvard Business School | 758 consultores de BCG, GPT-4, tareas de consultoría realistas | Dentro de las capacidades del modelo: 12,2 % más tareas, 25,1 % más rápido, más de un 40 % más de calidad. Fuera de ellas: 19 puntos porcentuales menos de probabilidad de acertar | Si la tarea quedaba dentro o fuera de la “frontera irregular” de lo que el modelo hace bien |
| Becker et al. (2025), METR, arXiv | 16 desarrolladores experimentados de código abierto, 246 tareas en sus propios repositorios | Las tareas tardaron un 19 % más con IA permitida; los desarrolladores preveían una aceleración del 24 % y después creyeron haber logrado un 20 % | Bases de código maduras y conocidas y altos estándares de calidad, donde revisar y corregir el resultado de la IA costaba más de lo que ahorraba |
| Brynjolfsson, Li y Raymond (2023), documento de trabajo del NBER | 5.179 agentes de atención al cliente, asistente de IA | Un 14 % más de incidencias resueltas por hora de media; un 34 % para trabajadores novatos y poco cualificados; impacto mínimo para los más experimentados | Quién la usaba: la IA extendió las prácticas de los mejores a los agentes más nuevos |
| Noy y Zhang (2023), Science | 453 profesionales, ChatGPT, tareas de redacción | El tiempo bajó un 40 %, la calidad subió un 18 % | La estructura de la tarea: el borrador inicial se redujo, la edición creció |
| Dell’Acqua et al. (2025), documento de trabajo del NBER | 776 profesionales de Procter & Gamble, desarrollo de producto | Las personas con IA igualaron el rendimiento de los equipos sin IA | La IA asumió parte de lo que normalmente aporta un compañero de equipo |
Dos detalles de estos estudios importan más que las cifras principales.
Primero, los consultores que recibieron una breve introducción a la ingeniería de prompts además de la herramienta completaron alrededor del 93 % de las tareas, frente a alrededor del 91 % de quienes solo recibieron la herramienta y alrededor del 82 % del grupo de control. La formación en la herramienta ayudó, pero solo de forma marginal. Las grandes diferencias vinieron de a qué tarea se aplicaba la herramienta.
Segundo, en el estudio de redacción, el 68 % de los participantes que tenían ChatGPT entregaron su primer resultado sin editarlo. Eso no lo decidió la herramienta. Lo decidió el flujo de trabajo o, más exactamente, la ausencia de uno.
Por qué las ganancias se estancan a escala de toda la economía
Si la IA hace que las tareas individuales sean mucho más rápidas, ¿por qué las ganancias medidas en el conjunto de la fuerza laboral son pequeñas? Dos grandes estudios dan una respuesta coherente.
Tabla 2. Ahorro de tiempo con IA a escala del mercado laboral (datos verificados)
| Fuente | Alcance | Hallazgo |
|---|---|---|
| Bick, Blandin y Deming (2025), documento de trabajo del NBER | Encuesta representativa a nivel nacional en EE. UU. | Los usuarios ahorran el 5,4 % de sus horas de trabajo; sobre el total de trabajadores, equivale al 1,4 % del total de horas trabajadas. Entre el 1 % y el 5 % de todas las horas de trabajo cuentan con asistencia de IA generativa |
| Humlum y Vestergaard (revisión de 2026), documento de trabajo del NBER | 25.000 trabajadores en 7.000 centros de trabajo daneses, 11 ocupaciones expuestas | Los usuarios ahorran alrededor del 3 % de sus horas de trabajo; los efectos sobre ingresos y horas son lo bastante pequeños como para descartar cambios superiores al 2 %; los empleadores “absorben la IA mediante la reorganización de tareas” |
| McKinsey, The State of AI (marzo de 2025) | 1.491 encuestados, global | De 25 atributos analizados, el rediseño de flujos de trabajo tuvo el mayor efecto en la capacidad de ver un impacto de la IA en el EBIT; el 21 % de las organizaciones había rediseñado a fondo al menos algunos flujos de trabajo |
| McKinsey, The State of AI in 2025 (noviembre de 2025) | 1.993 encuestados, global | El 55 % de las organizaciones de alto rendimiento en IA había rediseñado a fondo flujos de trabajo concretos, frente al 20 % de las demás organizaciones |
| Microsoft Work Trend Index (abril de 2025) | 31.000 trabajadores en 31 mercados | El 38 % de los directivos espera que sus equipos estén rediseñando procesos de negocio con IA en un plazo de cinco años |
El patrón es claro. Cuando la IA se introduce en un flujo de trabajo existente, ahorra un pequeño porcentaje de tiempo, y ese tiempo a menudo se destina a otras tareas: en los datos daneses, la mayoría de los usuarios dice que reasigna el tiempo que ahorra. Cuando se rediseña el flujo de trabajo, las ganancias aparecen en los resultados. Una advertencia sobre las cifras de McKinsey: son correlaciones de encuesta autodeclaradas, y el modelo de los investigadores explica solo una quinta parte de la variación en el impacto declarado. El rediseño está asociado al impacto, lo que no equivale a demostrar que lo cause. Los estudios controlados de la Tabla 1 son los que hacen plausible esa dirección.
En qué consiste realmente el diseño de flujos de trabajo
El estudio de consultoría ofrece la imagen más clara de lo que hacen de forma distinta los usuarios hábiles de IA. Los investigadores observaron dos patrones diferenciados entre los usuarios con éxito:
- Centauros: repartían el trabajo, “dividiendo y delegando sus actividades de creación de soluciones en la IA o en sí mismos”. Mantenían una línea clara entre las tareas humanas y las de la máquina.
- Cíborgs: se integraban por completo, “integrando completamente su flujo de tareas con la IA e interactuando continuamente con la tecnología”.
Los autores lo describen como un análisis preliminar y no comprobaron qué patrón rinde mejor. La lección no es “sé un centauro” ni “sé un cíborg”. Es que los usuarios con éxito tomaron una decisión deliberada sobre el reparto del trabajo, en lugar de pedir a la herramienta que lo hiciera todo o nada.
Los datos de McKinsey de 2025 señalan la misma habilidad a nivel organizativo: una de las prácticas que más distinguían a las organizaciones de alto rendimiento era contar con procesos definidos sobre cuándo y cómo los resultados del modelo necesitan validación humana. Esa es una decisión de flujo de trabajo, no una función de la herramienta. Lo tratamos en detalle en supervisión humana por diseño.
El lienzo de diseño de flujos de trabajo
El lienzo siguiente traduce la investigación en seis decisiones de diseño que puedes tomar para cualquier trabajo recurrente. Es un marco editorial de CEOtudent, no el resultado de un único estudio; cada elemento está vinculado a la evidencia que lo motiva.
Tabla 3. El lienzo de diseño de flujos de trabajo: seis decisiones (marco editorial de CEOtudent)
| # | Decisión | Pregunta que responder | Por qué importa (evidencia) |
|---|---|---|---|
| 1 | Descomponer | ¿Qué pasos diferenciados contiene este trabajo? | Las ganancias dependen de la tarea; el estudio de redacción vio caer el tiempo de borrador mientras crecía la edición (Noy y Zhang) |
| 2 | Mapear la frontera | Para cada paso, ¿el modelo es fiable, poco fiable o no está probado? | Dentro de la frontera, grandes ganancias; fuera de ella, 19 puntos menos de respuestas correctas (Dell’Acqua 2023) |
| 3 | Elegir el traspaso | ¿Dividir el trabajo (centauro) o intercalarlo de forma continua (cíborg)? | Ambos patrones aparecieron entre los usuarios con éxito (Dell’Acqua 2023) |
| 4 | Situar los puntos de control | ¿Dónde verifica una persona y con qué criterio? | Los procesos de validación definidos distinguen a las organizaciones de alto rendimiento en IA (McKinsey 2025) |
| 5 | Medir con honestidad | ¿Cómo sabrás si de verdad es más rápido o mejor? | Los desarrolladores se sentían un 20 % más rápidos mientras eran un 19 % más lentos (METR 2025) |
| 6 | Capturar y reutilizar | ¿Qué prompt, plantilla o lista de verificación conviene guardar para la próxima vez? | Los pequeños ahorros individuales solo se acumulan cuando se incorporan al proceso (Humlum y Vestergaard) |
Un ejemplo práctico: un informe semanal de mercado
Supongamos que redactas cada semana un informe de una página para tu equipo sobre las novedades de tu mercado.
- Descomponer. Reunir fuentes, extraer los datos clave, comprobar los datos, interpretar qué significan para el equipo, redactar, editar.
- Mapear la frontera. Resumir documentos largos está claramente dentro de las capacidades de los modelos actuales. Juzgar qué importa para tu equipo concreto queda fuera. La exactitud factual de los resúmenes es poco fiable, así que hay que comprobarla.
- Elegir el traspaso. Al estilo centauro: el modelo resume cada fuente; tú eliges las tres novedades que importan y redactas la interpretación.
- Situar los puntos de control. Cada cifra del borrador final se contrasta con su fuente antes de enviarlo. Esto no es negociable, porque una cifra errónea cuesta más confianza que el tiempo ahorrado.
- Medir con honestidad. Registra el tiempo real durante cuatro semanas antes y cuatro semanas después. Pregunta a dos lectores si el informe se ha vuelto más útil.
- Capturar y reutilizar. Guarda el prompt de resumen y la lista de verificación de datos en un único documento que abras cada semana.
Fíjate en que solo el paso 2 exigía saber algo sobre la herramienta. Los otros cinco tratan del trabajo.
Habilidad con herramientas vs. habilidad de flujo de trabajo: qué construir
Tabla 4. Dónde invertir tu tiempo de aprendizaje (marco editorial de CEOtudent)
| Habilidad con herramientas | Habilidad de flujo de trabajo | |
|---|---|---|
| Qué es | Manejar bien un modelo o una aplicación concretos | Decidir cómo se reparte el trabajo entre tú, la IA y otras personas |
| Vida útil | Corta: las herramientas y las interfaces cambian cada pocos meses | Larga: se traslada a nuevas herramientas |
| Cómo se aprende | Tutoriales, documentación, práctica con la herramienta | Mapear tu propio trabajo, experimentar, medir resultados |
| Evidencia de rendimiento | Pequeña en el estudio de consultoría (alrededor del 93 % frente al 91 % de tareas completadas con formación) | Grande: la diferencia entre los resultados dentro y fuera de la frontera |
| Señal para los empleadores | “Sé usar la herramienta X” | “Rediseñé el proceso Y y ahora lleva Z” |
Esto no es un argumento contra aprender herramientas. No puedes mapear la frontera (decisión 2) sin experiencia práctica. Es un argumento sobre la proporción. Una hora dedicada a rediseñar un flujo de trabajo recurrente suele enseñarte más sobre la herramienta que una hora de tutoriales, porque te obliga a descubrir dónde falla.
El CEO y el estudiante en el diseño de flujos de trabajo
El lado CEO de CEOtudent es la responsabilidad sobre el resultado. Un CEO no se pregunta si un sistema nuevo es impresionante; se pregunta si cambia el resultado, el coste o el riesgo. Tratar tu propio trabajo como un conjunto de procesos cuyo rediseño es responsabilidad tuya es el mismo movimiento a escala personal. También es lo que los empleadores recompensan cada vez más: en nuestro análisis de los nuevos puestos de trabajo de 2026, los roles que más crecen se definen por los resultados que la IA ayuda a producir, no por las herramientas.
El lado estudiante es el hábito experimental. El diseño de flujos de trabajo no es un plan único, sino un ciclo: diseñar, ejecutar, medir, ajustar. Los desarrolladores del estudio de METR son una advertencia en este sentido. Su sensación de ser más rápidos era errónea, y la sostenían con seguridad. La única protección es medir. Si quieres un punto de partida estructurado, la auditoría del flujo de trabajo te guía para mapear y puntuar tu trabajo actual, y el flujo de trabajo de IA en cinco capas muestra cómo encajan las piezas en una jornada de trabajo. Para aprender un nuevo ámbito de la misma manera, consulta cómo construir un plan de estudios personal con IA.
Preguntas frecuentes
¿Sigue valiendo la pena aprender ingeniería de prompts?
En parte, sí. En el estudio de consultoría, una breve introducción a la ingeniería de prompts mejoró ligeramente los resultados. Pero las ganancias fueron pequeñas en comparación con la diferencia entre tareas dentro y fuera de las capacidades del modelo. Aprende lo suficiente para probar el modelo en tus propias tareas e invierte el resto en el diseño de flujos de trabajo.
¿Qué es la “frontera irregular”?
Es el término de los investigadores para el límite desigual de lo que la IA hace bien. Tareas que a una persona le parecen igual de difíciles pueden caer a lados distintos de ese límite. La única forma fiable de encontrar el límite en tu trabajo es probar el modelo en tus tareas reales y comprobar los resultados.
¿Por qué los desarrolladores fueron más lentos con IA?
Los investigadores de METR estudiaron a desarrolladores experimentados que trabajaban en proyectos grandes y maduros que conocían bien, con altos estándares de calidad. En ese contexto, revisar y corregir el resultado de la IA llevó más tiempo del que ahorró. El resultado es específico de ese contexto, pero la lección de que sentirse más rápido no es lo mismo que serlo se aplica en todas partes.
¿Cómo empiezo a diseñar mis propios flujos de trabajo con IA?
Elige una tarea recurrente que te lleve al menos una hora a la semana. Recorre las seis decisiones del lienzo, mide el tiempo antes y después durante cuatro semanas y quédate con la versión que de verdad sea mejor.
¿Necesito saber programar?
No. La mayor parte del lienzo trata de repartir y revisar el trabajo. Las herramientas de automatización pueden ayudar más adelante, pero las decisiones de diseño van primero.
Fuentes
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Documento de trabajo de Harvard Business School 24-013.
- Becker, J., Rush, N., Barnes, E., Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089.
- Brynjolfsson, E., Li, D., Raymond, L. R. (2023). Generative AI at Work. Documento de trabajo del NBER 31161.
- Noy, S., Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
- Dell’Acqua, F. et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. Documento de trabajo del NBER 33641.
- Bick, A., Blandin, A., Deming, D. J. (2025). The Rapid Adoption of Generative AI. Documento de trabajo del NBER 32966.
- Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Documento de trabajo del NBER 33777 (revisado en marzo de 2026).
- McKinsey & Company (2025). The state of AI: How organizations are rewiring to capture value (marzo de 2025); The state of AI in 2025: Agents, innovation, and transformation (noviembre de 2025).
- Microsoft (2025). 2025 Work Trend Index: The Year the Frontier Firm Is Born. 23 de abril de 2025.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
