{"id":326526,"date":"2026-10-15T05:11:55","date_gmt":"2026-10-15T02:11:55","guid":{"rendered":"https:\/\/ceotudent.com\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia"},"modified":"2026-10-15T05:11:55","modified_gmt":"2026-10-15T02:11:55","slug":"el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia","title":{"rendered":"El impuesto de verificaci\u00f3n: cu\u00e1nto tiempo cuesta de verdad revisar los resultados de la IA (y c\u00f3mo reducirlo)"},"content":{"rendered":"<p><strong>En resumen.<\/strong> El tiempo que te ahorra la IA es una cifra bruta. El impuesto de verificaci\u00f3n es lo que devuelves: revisar, corregir y rehacer los resultados, el coste esperado de los errores que se te escapan y la limpieza que otros hacen sobre lo que entregas. Las grandes encuestas sit\u00faan el ahorro declarado en el 5,4 % de las horas de trabajo de los usuarios en Estados Unidos y en el 2,8 % en Dinamarca, y ninguna informa por separado del tiempo de verificaci\u00f3n como un coste. All\u00ed donde el trabajo se midi\u00f3 directamente, el impuesto pod\u00eda anular la ganancia: en el ensayo aleatorizado de METR de 2025, desarrolladores experimentados cre\u00edan que la IA hab\u00eda reducido su tiempo por tarea en un 20 %, pero sus tareas duraron un 19 % m\u00e1s, y el 9 % de su tiempo se fue en revisar y limpiar los resultados de la IA. Una encuesta del proveedor Workday afirma que casi el 40 % del ahorro de tiempo con IA se pierde en retrabajo. La jugada del CEO: presupuestar la verificaci\u00f3n como un coste real, escalonarla seg\u00fan lo que est\u00e1 en juego, la detectabilidad y la reversibilidad, y prescindir de la IA all\u00ed donde la prueba del punto de equilibrio sale negativa. La jugada del estudiante: registrar qu\u00e9 errores comete cada herramienta en tu trabajo, para que el impuesto baje con el tiempo.<\/p>\n<p>Este texto trata de la econom\u00eda de la verificaci\u00f3n, no de su oficio. Para el oficio, consulta <a href=\"\/es\/la-habilidad-de-evaluacion-juzgar-resultados-de-ia\">la habilidad de evaluaci\u00f3n<\/a>. Para saber d\u00f3nde van los puntos de control cuando un agente ejecuta un trabajo de varios pasos, consulta <a href=\"\/es\/supervision-humana-por-diseno-puntos-de-control-agentes-ia\">la supervisi\u00f3n humana por dise\u00f1o<\/a>. Y para entender por qu\u00e9 las ganancias individuales llegan tan pocas veces a los resultados de la empresa, consulta <a href=\"\/es\/paradoja-de-productividad-de-la-ia-ganancias-individuales-resultados-empresa\">la paradoja de productividad de la IA<\/a>.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFQue-es-el-impuesto-de-verificacion-y-por-que-es-tan-facil-pasarlo-por-alto\" >\u00bfQu\u00e9 es el impuesto de verificaci\u00f3n y por qu\u00e9 es tan f\u00e1cil pasarlo por alto?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFQue-ocurre-cuando-se-ponen-los-estudios-uno-al-lado-del-otro\" >\u00bfQu\u00e9 ocurre cuando se ponen los estudios uno al lado del otro?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFQuien-paga-realmente-el-impuesto-de-verificacion\" >\u00bfQui\u00e9n paga realmente el impuesto de verificaci\u00f3n?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFPor-que-saltarse-la-verificacion-no-hace-desaparecer-el-impuesto\" >\u00bfPor qu\u00e9 saltarse la verificaci\u00f3n no hace desaparecer el impuesto?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFCuanta-verificacion-merece-cada-tarea-Un-marco-editorial-de-CEOtudent\" >\u00bfCu\u00e1nta verificaci\u00f3n merece cada tarea? Un marco editorial de CEOtudent<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFComo-se-reduce-el-impuesto-de-verificacion\" >\u00bfC\u00f3mo se reduce el impuesto de verificaci\u00f3n?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#%C2%BFQue-significa-esto-para-el-CEO-y-para-el-estudiante\" >\u00bfQu\u00e9 significa esto para el CEO y para el estudiante?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#La-comprobacion-del-presupuesto-de-verificacion-siete-preguntas-antes-de-pasar-trabajo-a-la-IA\" >La comprobaci\u00f3n del presupuesto de verificaci\u00f3n: siete preguntas antes de pasar trabajo a la IA<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#Lo-que-esto-no-significa\" >Lo que esto no significa<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#Preguntas-frecuentes\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/ceotudent.com\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\/#Fuentes\" >Fuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"qu-es-el-impuesto-de-verificacin-y-por-qu-es-tan-fcil-pasarlo-por-alto\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-es-el-impuesto-de-verificacion-y-por-que-es-tan-facil-pasarlo-por-alto\"><\/span>\u00bfQu\u00e9 es el impuesto de verificaci\u00f3n y por qu\u00e9 es tan f\u00e1cil pasarlo por alto?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Toda tarea asistida por IA tiene dos libros de cuentas. El visible registra el tiempo de redacci\u00f3n que no dedicaste. El oculto registra cuatro costes que la mayor\u00eda de las cifras de tiempo ahorrado dejan fuera:<\/p>\n<ol>\n<li><strong>Tiempo de revisi\u00f3n.<\/strong> Leer el resultado, compararlo con las fuentes, ejecutar el c\u00f3digo, comprobar las cifras.<\/li>\n<li><strong>Tiempo de correcci\u00f3n y de rehacer.<\/strong> Arreglar lo que est\u00e1 mal, volver a escribir el prompt o abandonar la versi\u00f3n de la IA y hacer el trabajo a mano.<\/li>\n<li><strong>Coste del error residual.<\/strong> El coste esperado de los errores que sobreviven a tu revisi\u00f3n y salen a la luz m\u00e1s tarde, cuando es m\u00e1s caro corregirlos.<\/li>\n<li><strong>Impuesto exportado.<\/strong> El tiempo que colegas, revisores o clientes dedican a reparar lo que t\u00fa les pasaste.<\/li>\n<\/ol>\n<p>La medici\u00f3n est\u00e1ndar no est\u00e1 hecha para ver estos costes. Una estimaci\u00f3n muy utilizada en Estados Unidos, de Alexander Bick, Adam Blandin y David Deming, pregunta a los usuarios, en palabras de los autores, &ldquo;cu\u00e1ntas horas adicionales habr\u00edan necesitado para completar la misma cantidad de trabajo la semana anterior si no hubieran tenido acceso a la IA generativa&rdquo;. Esa \u00fanica conjetura contrafactual mezcla la redacci\u00f3n ahorrada con la verificaci\u00f3n invertida y no puede incluir errores a\u00fan no descubiertos. Su respuesta, el 5,4 % de las horas de trabajo de los usuarios, o 2,2 horas a la semana sobre una jornada semanal de 40 horas, es bruta por construcci\u00f3n.<\/p>\n<p>La percepci\u00f3n agranda la brecha. En el ensayo de METR, la distancia entre lo que los desarrolladores cre\u00edan despu\u00e9s (un 20 % menos de tiempo) y lo que se midi\u00f3 (un 19 % m\u00e1s de tiempo) fue de 39 puntos porcentuales. Una encuesta de Microsoft Research a 319 trabajadores del conocimiento, presentada en CHI 2025, hall\u00f3 que &ldquo;una mayor confianza en la IA generativa se asocia con menos pensamiento cr\u00edtico&rdquo;. Quienes tienen m\u00e1s probabilidades de revisar poco son quienes m\u00e1s conf\u00edan en la herramienta.<\/p>\n<h2 id=\"qu-ocurre-cuando-se-ponen-los-estudios-uno-al-lado-del-otro\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-ocurre-cuando-se-ponen-los-estudios-uno-al-lado-del-otro\"><\/span>\u00bfQu\u00e9 ocurre cuando se ponen los estudios uno al lado del otro?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El libro de cuentas del impuesto de verificaci\u00f3n que sigue dedica una fila a cada estudio y separa la ganancia bruta, lo que el estudio informa sobre verificaci\u00f3n o retrabajo y el resultado neto. Las cifras son las publicadas. Cuando un estudio no informa de nada, la celda lo indica; los \u00fanicos c\u00e1lculos son aquellos en los que un solo estudio aporta todos los datos.<\/p>\n<table>\n<thead>\n<tr>\n<th>Estudio y dise\u00f1o<\/th>\n<th>Tarea<\/th>\n<th>Ganancia bruta, seg\u00fan lo publicado<\/th>\n<th>Coste de verificaci\u00f3n o retrabajo, seg\u00fan lo publicado<\/th>\n<th>Resultado neto, seg\u00fan lo publicado<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Noy y Zhang, Science, 2023. Experimento en l\u00ednea preregistrado, 453 profesionales con estudios universitarios<\/td>\n<td>Redacci\u00f3n profesional de nivel intermedio<\/td>\n<td>Tiempo empleado un 40 % menor, calidad del resultado un 18 % mayor<\/td>\n<td>Versi\u00f3n del documento de trabajo de 2023: la proporci\u00f3n del tiempo de la tarea dedicada a editar se multiplic\u00f3 por m\u00e1s de dos desde alrededor del 25 %; el 68 % de los participantes tratados entreg\u00f3 el primer resultado de ChatGPT sin editarlo<\/td>\n<td>Gran ahorro neto, logrado con muy poca verificaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Brynjolfsson, Li y Raymond, Quarterly Journal of Economics, 2025. Despliegue escalonado, 5.172 agentes<\/td>\n<td>Atenci\u00f3n al cliente<\/td>\n<td>Incidencias resueltas por hora: un 15 % m\u00e1s de media<\/td>\n<td>No se informa por separado<\/td>\n<td>Positivo de media; los agentes m\u00e1s experimentados y m\u00e1s cualificados registraron &ldquo;peque\u00f1as ganancias de velocidad y peque\u00f1os descensos de calidad&rdquo;<\/td>\n<\/tr>\n<tr>\n<td>Dell&rsquo;Acqua et al., Organization Science, 2026. Experimento preregistrado con Boston Consulting Group, 758 trabajadores del conocimiento<\/td>\n<td>18 tareas de conocimiento realistas dentro de la frontera de la IA, una tarea de gesti\u00f3n fuera de ella<\/td>\n<td>Dentro de la frontera: un 12,2 % m\u00e1s de tareas completadas, un 25,1 % m\u00e1s r\u00e1pido<\/td>\n<td>Fuera de la frontera: un 19 % menos de probabilidades de dar con soluciones correctas<\/td>\n<td>El impuesto se pag\u00f3 en respuestas err\u00f3neas, no en minutos<\/td>\n<\/tr>\n<tr>\n<td>METR (Becker, Rush, Barnes, Rein), preprint, 2025. Ensayo aleatorizado, 16 desarrolladores, 246 tareas<\/td>\n<td>Incidencias reales en repositorios de c\u00f3digo abierto maduros que los desarrolladores conoc\u00edan bien<\/td>\n<td>Previsi\u00f3n: un 24 % menos de tiempo. Creencia tras el estudio: un 20 % menos de tiempo<\/td>\n<td>Alrededor del 9 % del tiempo en las incidencias con IA permitida se dedic\u00f3 a revisar o limpiar resultados de la IA (44 incidencias con grabaciones de pantalla etiquetadas), un 4 % a esperar generaciones; se acept\u00f3 menos del 44 % de las generaciones<\/td>\n<td>Las tareas duraron un 19 % m\u00e1s (intervalo de confianza de +2 % a +39 %)<\/td>\n<\/tr>\n<tr>\n<td>Nota de investigaci\u00f3n de METR, febrero de 2026. Mismo dise\u00f1o, herramientas de finales de 2025, 10 desarrolladores que repet\u00edan y 47 nuevos<\/td>\n<td>Desarrollo de c\u00f3digo abierto<\/td>\n<td>No se informa<\/td>\n<td>No se informa<\/td>\n<td>Desarrolladores que repet\u00edan: -18 % de tiempo (intervalo de -38 % a +9 %); nuevos desarrolladores: -4 % (intervalo de -15 % a +9 %). METR califica la se\u00f1al de poco fiable por efectos de selecci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Tai-Seale et al., JAMA Network Open, 2024. Estudio aleatorizado de mejora de la calidad con lista de espera, 52 m\u00e9dicos m\u00e1s 70 controles<\/td>\n<td>Responder a mensajes de pacientes con borradores de IA<\/td>\n<td>La hip\u00f3tesis era menos tiempo de lectura y de respuesta<\/td>\n<td>Tiempo de lectura de mensajes +21,8 % (IC del 95 %: 5,2 % a 41,0 %)<\/td>\n<td>Tiempo de respuesta -5,9 % (no significativo, P = 0,33); respuestas un 17,9 % m\u00e1s largas<\/td>\n<\/tr>\n<tr>\n<td>Garcia et al., JAMA Network Open, 2024. Estudio de mejora de la calidad de un solo grupo durante cinco semanas, 162 profesionales cl\u00ednicos<\/td>\n<td>Borradores de respuesta de IA a mensajes de la bandeja de entrada de pacientes<\/td>\n<td>Borradores usados en el 20 % de las respuestas (utilizaci\u00f3n media)<\/td>\n<td>Sin cambios en el tiempo de lectura, redacci\u00f3n o respuesta<\/td>\n<td>Sin ahorro de tiempo; bajaron las puntuaciones de carga de trabajo y de agotamiento laboral<\/td>\n<\/tr>\n<tr>\n<td>Humlum y Vestergaard, documento de trabajo del Becker Friedman Institute, 2025. Encuesta a unos 25.000 trabajadores vinculada a registros daneses<\/td>\n<td>11 ocupaciones muy expuestas a los chatbots de IA<\/td>\n<td>Ahorro de tiempo del 2,8 % de las horas de trabajo de los usuarios<\/td>\n<td>Nuevas cargas de trabajo para el 12 % de los usuarios incluso sin iniciativas del empleador (estimaci\u00f3n del ap\u00e9ndice); el 59 % de las nuevas tareas relacionadas con la IA son de implantaci\u00f3n y supervisi\u00f3n, incluida la revisi\u00f3n de calidad<\/td>\n<td>Efectos nulos precisos sobre ingresos y horas registradas, que descartan efectos superiores al 2 %<\/td>\n<\/tr>\n<tr>\n<td>Bick, Blandin y Deming, documento de trabajo del NBER, 2025. Encuesta representativa a escala nacional en Estados Unidos<\/td>\n<td>Todo el trabajo<\/td>\n<td>5,4 % de las horas de trabajo de los usuarios (2,2 horas a la semana sobre una jornada semanal de 40 horas)<\/td>\n<td>No se pregunt\u00f3 por separado<\/td>\n<td>1,4 % de las horas de todos los trabajadores, incluidos los no usuarios<\/td>\n<\/tr>\n<tr>\n<td>Workday, encuesta de empresa a 3.200 empleados a tiempo completo realizada por Hanover Research en noviembre de 2025 y publicada en enero de 2026 (comercial)<\/td>\n<td>Usuarios activos de IA en organizaciones con ingresos de m\u00e1s de $100M<\/td>\n<td>El 85 % afirma ahorrar entre una y siete horas a la semana<\/td>\n<td>&ldquo;Casi el 40 %&rdquo; del ahorro de tiempo con IA se pierde en retrabajo<\/td>\n<td>Solo el 14 % &ldquo;obtiene de forma sistem\u00e1tica resultados netos claros y positivos&rdquo;; se conserva alrededor del 60 % del ahorro (c\u00e1lculo de CEOtudent a partir de la cifra del 40 %)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>An\u00e1lisis de CEOtudent de las diez fuentes nombradas en las filas. Cifras seg\u00fan lo publicado; &ldquo;no se informa&rdquo; cuando una fuente no da ninguna cifra. Las cifras de edici\u00f3n de Noy y Zhang proceden del documento de trabajo de los autores de marzo de 2023, que precedi\u00f3 a la versi\u00f3n de Science e informaba de 444 participantes; el resumen de Science no informa del desglose del tiempo. Las cifras de Dell&rsquo;Acqua et al. y de Brynjolfsson et al. proceden de los res\u00famenes publicados. El informe completo de Workday est\u00e1 tras un formulario de registro y no se abri\u00f3, por lo que no se pudo comprobar su m\u00e9todo para la cifra del 40 %.<\/em><\/p>\n<p>Del libro de cuentas se desprenden tres lecturas.<\/p>\n<p><strong>El impuesto es menor donde la verificaci\u00f3n es barata o se omite, y mayor donde la persona ya conoce la respuesta.<\/strong> En el documento de trabajo de Noy y Zhang, en tareas que el grupo de control terminaba en unos 27 minutos, la mayor\u00eda de los participantes tratados entreg\u00f3 el primer resultado tal cual. El ahorro fue grande y apenas se compr\u00f3 verificaci\u00f3n. METR es el caso opuesto: repositorios con una media de 1.100.000 l\u00edneas de c\u00f3digo, listones de calidad muy altos y el hallazgo de que &ldquo;los desarrolladores se ralentizaron m\u00e1s en las incidencias con las que estaban m\u00e1s familiarizados&rdquo;. Un desarrollador &ldquo;perdi\u00f3 al menos una hora intentando primero [resolver una incidencia concreta] con IA&rdquo; antes de revertirlo todo. Cuando tu propio juicio es r\u00e1pido y tu exigencia es alta, revisar el borrador de la IA sale caro.<\/p>\n<p><strong>El tiempo es solo una de las monedas.<\/strong> Fuera de la frontera, los participantes de Dell&rsquo;Acqua pagaron en correcci\u00f3n, no en minutos. Los agentes de soporte m\u00e1s cualificados pagaron un peque\u00f1o coste de calidad. Los borradores de los m\u00e9dicos alargaron el tiempo de lectura sin acortar el de respuesta. Un libro de cuentas que solo registra minutos subestima el impuesto justo donde m\u00e1s importa.<\/p>\n<p><strong>El impuesto se est\u00e1 moviendo, y medirlo es cada vez m\u00e1s dif\u00edcil.<\/strong> La nota de METR de febrero de 2026 informa de una ronda posterior en la que la estimaci\u00f3n puntual para los desarrolladores que repet\u00edan mostraba que las tareas con IA permitida llevaban menos tiempo. Tambi\u00e9n califica sus nuevos datos de evidencia muy d\u00e9bil: m\u00e1s desarrolladores rehusaron participar porque no quer\u00edan trabajar sin IA, y entre el 30 y el 50 % dijeron que se guardaron algunas tareas que no quer\u00edan hacer sin ella. Trata la ralentizaci\u00f3n de 2025 como una medici\u00f3n fechada de las herramientas de principios de 2025, y la mejora como alentadora pero no demostrada.<\/p>\n<h2 id=\"quin-paga-realmente-el-impuesto-de-verificacin\"><span class=\"ez-toc-section\" id=\"%C2%BFQuien-paga-realmente-el-impuesto-de-verificacion\"><\/span>\u00bfQui\u00e9n paga realmente el impuesto de verificaci\u00f3n?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Una cifra de tiempo ahorrado la declara la persona que us\u00f3 la herramienta. Gran parte del impuesto recae en otro lugar: en la atenci\u00f3n, en el colega que recibe el resultado, en el dise\u00f1o de los puestos y en los sistemas que ese resultado alimenta.<\/p>\n<table>\n<thead>\n<tr>\n<th>Qui\u00e9n paga<\/th>\n<th>Hallazgo, seg\u00fan lo publicado<\/th>\n<th>Fuente<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>La atenci\u00f3n del usuario<\/td>\n<td>La IA generativa &ldquo;desplaza la naturaleza del pensamiento cr\u00edtico hacia la verificaci\u00f3n de la informaci\u00f3n, la integraci\u00f3n de respuestas y la custodia de la tarea&rdquo;; 114 de 319 trabajadores verificaron contrastando con fuentes externas, y 56 de 319 declararon m\u00e1s esfuerzo en la b\u00fasqueda de informaci\u00f3n porque &ldquo;la respuesta de la IA puede ser err\u00f3nea y necesita verificaci\u00f3n&rdquo;<\/td>\n<td>Lee et al., CHI 2025 (Microsoft Research y Carnegie Mellon)<\/td>\n<\/tr>\n<tr>\n<td>El tiempo del usuario<\/td>\n<td>El 66 % de los desarrolladores menciona &ldquo;soluciones de IA que casi aciertan, pero no del todo&rdquo; como motivo de frustraci\u00f3n; el 45,2 % dice que depurar c\u00f3digo generado por IA lleva m\u00e1s tiempo<\/td>\n<td>Stack Overflow Developer Survey 2025 (encuesta de empresa, comercial)<\/td>\n<\/tr>\n<tr>\n<td>La carga de revisi\u00f3n del usuario<\/td>\n<td>El 77 % de quienes usan IA a diario revisa el trabajo generado por IA &ldquo;con el mismo cuidado que el trabajo hecho por personas, si no m\u00e1s&rdquo;<\/td>\n<td>Nota de prensa de Workday, enero de 2026 (comercial)<\/td>\n<\/tr>\n<tr>\n<td>El colega que recibe el trabajo<\/td>\n<td>El 40 % de los trabajadores de oficina estadounidenses recibi\u00f3 &ldquo;workslop&rdquo; en el \u00faltimo mes; cada incidente tarda unas 2 horas en resolverse; coste estimado de $186 por empleado al mes<\/td>\n<td>BetterUp Labs con el Stanford Social Media Lab, encuesta a 1.150 trabajadores, septiembre de 2025 (comercial)<\/td>\n<\/tr>\n<tr>\n<td>El dise\u00f1o de los puestos en la organizaci\u00f3n<\/td>\n<td>El 59 % de las nuevas tareas relacionadas con la IA tienen que ver con la &ldquo;implantaci\u00f3n y supervisi\u00f3n de la IA&rdquo;; el 5 % de los no usuarios declara nuevas cargas de trabajo derivadas de los chatbots de IA<\/td>\n<td>Humlum y Vestergaard, 2025<\/td>\n<\/tr>\n<tr>\n<td>El sistema de entrega<\/td>\n<td>Por cada aumento del 25 % en la adopci\u00f3n de IA: una reducci\u00f3n estimada del 7,2 % en la estabilidad de la entrega y del 1,5 % en el rendimiento (2024). En 2025, la adopci\u00f3n de la IA &ldquo;ahora mejora el rendimiento de la entrega de software&rdquo; pero &ldquo;sigue aumentando la inestabilidad de la entrega&rdquo;<\/td>\n<td>Informes DORA de Google, 2024 y 2025 (investigaci\u00f3n de Google)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Cifras seg\u00fan lo publicado en cada fuente. Las proporciones 114 de 319 (35,7 %) y 56 de 319 (17,6 %) son c\u00e1lculos de CEOtudent a partir de los recuentos de Lee et al. Las encuestas comerciales se basan en autodeclaraciones y no todos sus m\u00e9todos completos est\u00e1n publicados.<\/em><\/p>\n<p>Para quien dirige personas, el patr\u00f3n es lo importante. Un resultado de IA hecho con poco esfuerzo traslada el coste al destinatario, que nunca aparece en la cifra de tiempo ahorrado del remitente. Un equipo puede informar de un ahorro creciente gracias a la IA mientras el tiempo total por entregable se mantiene igual, porque el impuesto ha pasado de la columna del autor a la del revisor. Los datos de DORA muestran la misma forma a escala de sistema: m\u00e1s rendimiento, menos estabilidad.<\/p>\n<h2 id=\"por-qu-saltarse-la-verificacin-no-hace-desaparecer-el-impuesto\"><span class=\"ez-toc-section\" id=\"%C2%BFPor-que-saltarse-la-verificacion-no-hace-desaparecer-el-impuesto\"><\/span>\u00bfPor qu\u00e9 saltarse la verificaci\u00f3n no hace desaparecer el impuesto?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La forma obvia de reducir el impuesto es verificar menos. La investigaci\u00f3n sobre el sesgo de automatizaci\u00f3n indica que esto convierte un coste de tiempo visible en un coste de error invisible.<\/p>\n<p>La revisi\u00f3n de 2010 de Raja Parasuraman y Dietrich Manzey en Human Factors concluy\u00f3 que el sesgo de automatizaci\u00f3n &ldquo;lleva a cometer errores tanto de omisi\u00f3n como de comisi\u00f3n cuando las ayudas a la decisi\u00f3n son imperfectas&rdquo; y &ldquo;se da tanto en participantes novatos como en expertos&rdquo;. La complacencia, constataron, aparece &ldquo;en condiciones de carga de m\u00faltiples tareas&rdquo;, lo que describe la mayor parte del trabajo del conocimiento. Una revisi\u00f3n sistem\u00e1tica de 2012 de Kate Goddard y sus colegas, que incluy\u00f3 74 de los 13.821 art\u00edculos examinados, sit\u00faa la carga de trabajo, la complejidad de la tarea y la presi\u00f3n de tiempo entre los factores que empujan a las personas hacia la dependencia excesiva.<\/p>\n<p>La decisi\u00f3n de verificar tambi\u00e9n es en parte econ\u00f3mica. Helena Vasconcelos y sus colegas realizaron cinco experimentos con 731 participantes y sostienen que &ldquo;las personas eligen estrat\u00e9gicamente si implicarse o no con una explicaci\u00f3n de la IA&rdquo;, sopesando el esfuerzo de verificar frente a simplemente darle la raz\u00f3n. Cuando subi\u00f3 la recompensa por acertar, la dependencia excesiva baj\u00f3. Lee y sus colegas vieron la misma l\u00f3gica en acci\u00f3n: 44 de 319 trabajadores alegaron falta de tiempo como motivo para no pensar de forma cr\u00edtica sobre los resultados de la IA, y 55 de 319 lo omitieron porque la tarea parec\u00eda trivial.<\/p>\n<p>Por tanto, revisar poco no reduce el impuesto de verificaci\u00f3n. Lo aplaza, traslad\u00e1ndolo de un coste visible en tu agenda a una probabilidad invisible hasta que el error sale a la luz. Por eso el marco que sigue pone un precio expl\u00edcito a los errores residuales.<\/p>\n<h2 id=\"cunta-verificacin-merece-cada-tarea-un-marco-editorial-de-ceotudent\"><span class=\"ez-toc-section\" id=\"%C2%BFCuanta-verificacion-merece-cada-tarea-Un-marco-editorial-de-CEOtudent\"><\/span>\u00bfCu\u00e1nta verificaci\u00f3n merece cada tarea? Un marco editorial de CEOtudent<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El marco tiene dos partes: una prueba de punto de equilibrio para saber si merece la pena usar IA en una tarea, y un protocolo por niveles para decidir cu\u00e1nta verificaci\u00f3n comprar cuando s\u00ed merece la pena. Est\u00e1 construido a partir de la evidencia anterior, no medido.<\/p>\n<p><strong>La prueba del punto de equilibrio.<\/strong> Para cualquier tarea que est\u00e9s a punto de pasar a la IA, estima:<\/p>\n<p>Tiempo neto ahorrado = (tiempo para hacerlo t\u00fa mismo &#8211; tiempo para escribir el prompt y generar) &#8211; tiempo de verificaci\u00f3n &#8211; tiempo de correcci\u00f3n &#8211; (probabilidad de que el resultado contenga un error relevante x probabilidad de que tu verificaci\u00f3n no lo detecte x coste si se cuela)<\/p>\n<p>Si el resultado es negativo, haz la tarea t\u00fa mismo o redis\u00e9\u00f1ala para que la verificaci\u00f3n salga m\u00e1s barata. El \u00faltimo t\u00e9rmino es el que casi todo el mundo deja fuera: peque\u00f1o cuando los errores son baratos o visibles, dominante cuando un solo error no detectado sale caro.<\/p>\n<p><strong>El protocolo por niveles.<\/strong> Punt\u00faa la tarea de 1 a 3 en cada una de las tres dimensiones y suma las puntuaciones.<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimensi\u00f3n<\/th>\n<th>Puntuaci\u00f3n 1<\/th>\n<th>Puntuaci\u00f3n 2<\/th>\n<th>Puntuaci\u00f3n 3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Lo que est\u00e1 en juego: \u00bfcu\u00e1nto cuesta una respuesta err\u00f3nea?<\/td>\n<td>Borrador o nota privada<\/td>\n<td>Decisi\u00f3n interna o trabajo compartido del equipo<\/td>\n<td>Externo, financiero, legal, de seguridad o reputacional<\/td>\n<\/tr>\n<tr>\n<td>Detectabilidad: \u00bfhasta qu\u00e9 punto son visibles los errores en una lectura normal?<\/td>\n<td>Visibles al leer (tono, estructura, sinsentidos evidentes)<\/td>\n<td>Requieren comprobar la fuente (hechos, cifras, nombres, fechas)<\/td>\n<td>Silenciosos (l\u00f3gica sutil, c\u00f3digo que se ejecuta pero es err\u00f3neo, citas veros\u00edmiles)<\/td>\n<\/tr>\n<tr>\n<td>Reversibilidad: \u00bfcu\u00e1nto cuesta deshacerlo?<\/td>\n<td>Se deshace sin esfuerzo<\/td>\n<td>Costoso de deshacer<\/td>\n<td>Irreversible una vez enviado, registrado, fusionado o publicado<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<table>\n<thead>\n<tr>\n<th>Puntuaci\u00f3n total<\/th>\n<th>Nivel<\/th>\n<th>M\u00e9todo de verificaci\u00f3n<\/th>\n<th>Tareas t\u00edpicas<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>3-4<\/td>\n<td>Nivel 1: lectura r\u00e1pida<\/td>\n<td>Una lectura para ver si tiene sentido. Sin comprobar fuentes.<\/td>\n<td>Listas de lluvia de ideas, esquemas de primera pasada, reformular tu propio texto<\/td>\n<\/tr>\n<tr>\n<td>5-6<\/td>\n<td>Nivel 2: comprobaci\u00f3n puntual<\/td>\n<td>Comprueba cada cifra, nombre, fecha y cita textual; toma una muestra del resto de las afirmaciones; ejecuta el c\u00f3digo una vez contra un caso conocido.<\/td>\n<td>Res\u00famenes internos de material que t\u00fa aportaste, actas de reuniones, correos rutinarios<\/td>\n<\/tr>\n<tr>\n<td>7-8<\/td>\n<td>Nivel 3: revisi\u00f3n completa<\/td>\n<td>L\u00ednea por l\u00ednea frente a las fuentes; abre cada fuente citada; pruebas para cualquier c\u00f3digo.<\/td>\n<td>Documentos para clientes, memorandos de decisi\u00f3n, c\u00f3digo que llega a producci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>9<\/td>\n<td>Nivel 4: rec\u00e1lculo independiente o segunda fuente<\/td>\n<td>Reconstruye t\u00fa mismo las cifras clave a partir de los datos primarios, u obt\u00e9n una segunda respuesta independiente y concilia ambas. Nunca aceptes el resumen que hace la propia IA de sus fuentes.<\/td>\n<td>Todo lo que se registre o publique, o sea contractual o financiero<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Marco editorial de CEOtudent. Los l\u00edmites entre niveles y los m\u00e9todos de verificaci\u00f3n son criterio editorial basado en las fuentes citadas en este art\u00edculo, no umbrales medidos.<\/em><\/p>\n<p>Dos referencias de tasa de error muestran por qu\u00e9 existe el nivel superior. En una evaluaci\u00f3n preregistrada de Stanford, las herramientas de investigaci\u00f3n jur\u00eddica basadas en recuperaci\u00f3n alucinaron cada una &ldquo;entre el 17 % y el 33 % de las veces&rdquo;, contando las respuestas que &ldquo;afirman falsamente que una fuente respalda una afirmaci\u00f3n&rdquo;. Matthew Dahl y sus colegas hallaron que los modelos de uso general alucinaban entre el 58 y el 88 % de las veces en preguntas verificables sobre casos de tribunales federales. Las tasas corresponden a sistemas de 2023 y 2024, pero el principio se mantiene: en algunos \u00e1mbitos, una cita es lo que hay que comprobar, no la prueba de que se comprob\u00f3. La <a href=\"\/es\/por-que-la-ia-alucina-mecanica-errores-modelo-detectarlos-pronto\">mec\u00e1nica de por qu\u00e9 los modelos cometen estos errores<\/a> muestra d\u00f3nde mirar.<\/p>\n<p><strong>Un ejemplo pr\u00e1ctico.<\/strong> Las cifras siguientes son inventadas a t\u00edtulo ilustrativo y no proceden de ning\u00fan estudio. Un informe de mercado lleva 120 minutos a mano. Con IA, escribir el prompt y generar lleva 10 minutos. Supongamos que uno de cada cinco borradores contiene un error relevante.<\/p>\n<table>\n<thead>\n<tr>\n<th>Escenario<\/th>\n<th>Verificaci\u00f3n<\/th>\n<th>Correcci\u00f3n<\/th>\n<th>Probabilidad de que la verificaci\u00f3n no detecte el error<\/th>\n<th>Coste si se cuela un error<\/th>\n<th>Coste esperado de los errores no detectados<\/th>\n<th>Minutos netos ahorrados<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>A. Informe interno, comprobaci\u00f3n puntual de nivel 2<\/td>\n<td>20 min<\/td>\n<td>10 min<\/td>\n<td>40 %<\/td>\n<td>240 min (4 horas de limpieza interna)<\/td>\n<td>19,2 min<\/td>\n<td>+60,8<\/td>\n<\/tr>\n<tr>\n<td>B. El mismo borrador enviado a un cliente, todav\u00eda con comprobaci\u00f3n puntual<\/td>\n<td>20 min<\/td>\n<td>10 min<\/td>\n<td>40 %<\/td>\n<td>2.400 min (40 horas de retrabajo y de reparaci\u00f3n de la relaci\u00f3n)<\/td>\n<td>192 min<\/td>\n<td>-112<\/td>\n<\/tr>\n<tr>\n<td>C. Informe para un cliente, rec\u00e1lculo independiente de nivel 4<\/td>\n<td>60 min<\/td>\n<td>15 min<\/td>\n<td>5 %<\/td>\n<td>2.400 min<\/td>\n<td>24 min<\/td>\n<td>+11<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>C\u00e1lculo ilustrativo de CEOtudent con datos supuestos; v\u00e9ase la f\u00f3rmula anterior. Cada valor puede recalcularse a partir de la fila.<\/em><\/p>\n<p>El mismo borrador vale una hora dentro del equipo y cuesta casi dos horas cuando llega a un cliente con la misma verificaci\u00f3n ligera. Una verificaci\u00f3n m\u00e1s exhaustiva lo rescata, pero por poco: en el escenario C, el punto de equilibrio est\u00e1 en 71 minutos de verificaci\u00f3n. Si un rec\u00e1lculo como es debido lleva m\u00e1s tiempo, redacta el informe t\u00fa mismo y usa la IA solo donde los errores sean visibles.<\/p>\n<h2 id=\"cmo-se-reduce-el-impuesto-de-verificacin\"><span class=\"ez-toc-section\" id=\"%C2%BFComo-se-reduce-el-impuesto-de-verificacion\"><\/span>\u00bfC\u00f3mo se reduce el impuesto de verificaci\u00f3n?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Cada medida abarata una verificaci\u00f3n o aumenta la probabilidad de que detecte algo, y cada una est\u00e1 ligada a la evidencia o etiquetada como criterio editorial.<\/p>\n<ol>\n<li><strong>Haz visibles los errores antes de leer.<\/strong> Pide un resultado afirmaci\u00f3n por afirmaci\u00f3n, con la fuente y el pasaje que la respalda junto a cada afirmaci\u00f3n. Vasconcelos y sus colegas hallaron que &ldquo;las explicaciones que hacen m\u00e1s evidente el error de la IA reducen m\u00e1s la dependencia excesiva&rdquo;. Una fuente citada sigue sin ser una fuente comprobada: \u00e1brela.<\/li>\n<li><strong>Comprueba primero las partes m\u00e1s propensas a errores.<\/strong> Cifras, nombres, fechas, citas textuales y referencias concentran el mayor riesgo por palabra. Dahl y sus colegas hallaron que los modelos &ldquo;funcionan mejor con casos m\u00e1s recientes, m\u00e1s destacados y de jurisdicciones jur\u00eddicas m\u00e1s prominentes&rdquo;, lo que dirige la verificaci\u00f3n hacia los elementos poco conocidos, y que &ldquo;les cuesta predecir sus propias alucinaciones&rdquo;, as\u00ed que preguntarle al modelo d\u00f3nde se equivoca no es un sustituto v\u00e1lido.<\/li>\n<li><strong>Lleva un registro personal de errores por tipo de tarea.<\/strong> Un breve registro de lo que cada herramienta hizo mal, y en qu\u00e9 tarea, convierte una desconfianza vaga en una lista de comprobaci\u00f3n espec\u00edfica y permite que una tarea baje de nivel cuando se lo haya ganado; el m\u00e9todo est\u00e1 en <a href=\"\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\">c\u00f3mo aprender de los errores de la IA<\/a>. Que esto reduzca el tiempo de verificaci\u00f3n es criterio editorial, no un efecto medido.<\/li>\n<li><strong>Decide lo que est\u00e1 en juego antes de leer.<\/strong> En los experimentos de Vasconcelos, la dependencia excesiva baj\u00f3 a medida que sub\u00eda la recompensa por acertar, y la revisi\u00f3n de Goddard cuenta la responsabilidad del usuario entre los factores que mitigan el sesgo de automatizaci\u00f3n. Asigna un responsable a cada entregable asistido por IA y punt\u00faa su nivel antes de abrir el borrador.<\/li>\n<li><strong>No exportes el impuesto.<\/strong> Todo lo que sea de nivel 2 o superior pasa su verificaci\u00f3n antes de salir de tus manos. De lo contrario, el coste recae en un colega, como describe la encuesta de BetterUp, y desaparece de tu libro de cuentas, pero no del libro del equipo.<\/li>\n<li><strong>Deja de usar IA donde la prueba sale negativa.<\/strong> Los desarrolladores de METR se ralentizaron m\u00e1s en las incidencias que mejor conoc\u00edan, y los m\u00e9dicos del estudio de Tai-Seale leyeron durante m\u00e1s tiempo sin responder m\u00e1s r\u00e1pido. Donde tu juicio es r\u00e1pido y tu exigencia alta, hacerlo t\u00fa mismo puede salir m\u00e1s barato; d\u00f3nde est\u00e1 esa l\u00ednea es criterio editorial hasta que tu registro diga lo contrario.<\/li>\n<\/ol>\n<h2 id=\"qu-significa-esto-para-el-ceo-y-para-el-estudiante\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-significa-esto-para-el-CEO-y-para-el-estudiante\"><\/span>\u00bfQu\u00e9 significa esto para el CEO y para el estudiante?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>El lado del CEO<\/strong> es presupuestar. Un consejero delegado no acepta un ahorro de costes sin preguntar cu\u00e1nto cost\u00f3 lograrlo. Estima el impuesto por tipo de tarea, registra el tiempo de verificaci\u00f3n durante dos semanas y comp\u00e1ralo con lo que ahorr\u00f3 la IA. La encuesta de Workday sugiere que la brecha puede ser amplia: el 85 % de los encuestados afirm\u00f3 ahorrar entre una y siete horas a la semana, pero solo el 14 % obten\u00eda de forma sistem\u00e1tica resultados netos claros y positivos. Humlum y Vestergaard hallaron que el 80 % de los usuarios de chatbots redirige el tiempo ahorrado a otras tareas de su puesto, de modo que el ahorro se reasigna sin que nadie registre si sobrevivi\u00f3 a la verificaci\u00f3n. Un CEO tambi\u00e9n decide d\u00f3nde no competir: los tipos de tarea que no superan la prueba del punto de equilibrio siguen en manos humanas.<\/p>\n<p><strong>El lado del estudiante<\/strong> es aprender los patrones de fallo de la herramienta hasta que verificar salga m\u00e1s barato. METR no observ\u00f3 un efecto de aprendizaje claro durante las primeras 30 a 50 horas de uso de la herramienta, y s\u00ed una aceleraci\u00f3n positiva en el \u00fanico desarrollador con m\u00e1s de 50 horas, un resultado que los autores consideran de baja potencia estad\u00edstica. La curva de aprendizaje puede ser m\u00e1s larga de lo que se suele esperar, lo que aboga por un registro deliberado de errores en lugar de esperar a que la familiaridad haga el trabajo. Vuelve a probar tras las grandes actualizaciones de los modelos: las estimaciones puntuales de METR pasaron de la ralentizaci\u00f3n a la aceleraci\u00f3n entre principios y finales de 2025.<\/p>\n<h2 id=\"la-comprobacin-del-presupuesto-de-verificacin-siete-preguntas-antes-de-pasar-trabajo-a-la-ia\"><span class=\"ez-toc-section\" id=\"La-comprobacion-del-presupuesto-de-verificacion-siete-preguntas-antes-de-pasar-trabajo-a-la-IA\"><\/span>La comprobaci\u00f3n del presupuesto de verificaci\u00f3n: siete preguntas antes de pasar trabajo a la IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dos o m\u00e1s respuestas &ldquo;no&rdquo; significan que la tarea debe redise\u00f1arse, verificarse en un nivel superior o hacerse sin IA.<\/p>\n<ol>\n<li>\u00bfSabes aproximadamente cu\u00e1nto tiempo te lleva esta tarea a mano?<\/li>\n<li>\u00bfHas puntuado lo que est\u00e1 en juego, la detectabilidad y la reversibilidad, y has elegido un nivel?<\/li>\n<li>\u00bfLlegar\u00e1 el resultado en un formato que puedas comprobar r\u00e1pido, con las fuentes junto a las afirmaciones?<\/li>\n<li>\u00bfSabes qu\u00e9 partes de este tipo de resultado suele hacer mal una herramienta?<\/li>\n<li>\u00bfEs el tiempo de verificaci\u00f3n de ese nivel claramente menor que el tiempo que ahorra la IA?<\/li>\n<li>Si se cuela un error, \u00bfpuedes decir qui\u00e9n lo paga y aproximadamente cu\u00e1nto?<\/li>\n<li>\u00bfRegistrar\u00e1s lo que encontr\u00f3 la verificaci\u00f3n, para que la pr\u00f3xima pueda ser m\u00e1s ligera?<\/li>\n<\/ol>\n<h2 id=\"lo-que-esto-no-significa\"><span class=\"ez-toc-section\" id=\"Lo-que-esto-no-significa\"><\/span>Lo que esto no significa<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>No significa que la IA no ahorre tiempo.<\/strong> El libro de cuentas incluye ganancias grandes y bien medidas en redacci\u00f3n, atenci\u00f3n al cliente y tareas de conocimiento dentro de la frontera. El impuesto es el precio de esas ganancias, no una prueba en su contra.<\/p>\n<p><strong>No significa que verificar sea un desperdicio.<\/strong> Pagada en el nivel adecuado, la verificaci\u00f3n es lo que permite conservar el ahorro con seguridad.<\/p>\n<p><strong>No zanja cu\u00e1n grande es hoy el impuesto.<\/strong> La mayor\u00eda de los estudios con medici\u00f3n directa usaron herramientas de 2023 a 2025 en tareas concretas, METR advierte que su \u00faltima estimaci\u00f3n es poco fiable, y las encuestas comerciales se basan en autodeclaraciones con m\u00e9todos que no se han publicado del todo. Este art\u00edculo es informaci\u00f3n general sobre investigaci\u00f3n en el \u00e1mbito laboral, no asesoramiento jur\u00eddico, m\u00e9dico ni financiero; los estudios cl\u00ednicos y jur\u00eddicos se citan solo por lo que midieron sobre el tiempo y las tasas de error.<\/p>\n<h2 id=\"preguntas-frecuentes\"><span class=\"ez-toc-section\" id=\"Preguntas-frecuentes\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfQu\u00e9 es el impuesto de verificaci\u00f3n?<\/strong><br \/>\nEl tiempo dedicado a revisar, corregir y rehacer los resultados de la IA, m\u00e1s el coste esperado de los errores que se cuelan y la limpieza que otros hacen sobre el trabajo que les pasas. La mayor\u00eda de las cifras de tiempo ahorrado informan del ahorro antes de descontar este impuesto.<\/p>\n<p><strong>\u00bfQu\u00e9 tama\u00f1o tiene el impuesto de verificaci\u00f3n en la pr\u00e1ctica?<\/strong><br \/>\nDepende de la tarea. En el experimento de redacci\u00f3n fue peque\u00f1o, porque la mayor\u00eda de los participantes entregaron el primer resultado sin editar. En el ensayo de METR de 2025 super\u00f3 a la ganancia, con un 9 % del tiempo dedicado a revisar y limpiar resultados de la IA. La encuesta del proveedor Workday cifra el retrabajo en casi el 40 % del tiempo ahorrado.<\/p>\n<p><strong>\u00bfEs mejor verificar todo lo que produce la IA?<\/strong><br \/>\nNo. Una revisi\u00f3n completa de un trabajo de poco riesgo y f\u00e1cilmente reversible malgasta el ahorro. Punt\u00faa lo que est\u00e1 en juego, la detectabilidad y la reversibilidad, y ajusta la verificaci\u00f3n al nivel.<\/p>\n<p><strong>\u00bfPor qu\u00e9 la gente sobrestima el tiempo que le ahorra la IA?<\/strong><br \/>\nLas autodeclaraciones miden un ahorro percibido, y quien m\u00e1s conf\u00eda en una herramienta menos la verifica. Los desarrolladores de METR cre\u00edan que la IA hab\u00eda reducido su tiempo por tarea en un 20 % cuando en realidad sus tareas duraron un 19 % m\u00e1s.<\/p>\n<p><strong>\u00bfBaja el impuesto de verificaci\u00f3n a medida que mejoran los modelos?<\/strong><br \/>\nProbablemente, pero la evidencia es escasa. La ronda posterior de METR apuntaba a aceleraciones, aunque advert\u00eda que los efectos de selecci\u00f3n hacen que la estimaci\u00f3n sea poco fiable. Tu propio registro de errores es la mejor medida de si el impuesto est\u00e1 bajando en tu trabajo.<\/p>\n<p><strong>\u00bfQui\u00e9n debe pagar la verificaci\u00f3n en un equipo?<\/strong><br \/>\nEl autor, antes de la entrega. Cuando se pasa un resultado sin verificar, paga el destinatario, y la cifra de tiempo ahorrado del autor exagera la ganancia real del equipo.<\/p>\n<h2 id=\"fuentes\"><span class=\"ez-toc-section\" id=\"Fuentes\"><\/span>Fuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li>Becker, J., Rush, N., Barnes, B., Rein, D. (METR). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv 2507.09089, versi\u00f3n 2, julio de 2025. Preprint.<\/li>\n<li>Becker, J., Rush, N., Cunningham, T., Rein, D., Mahamud, K. (METR). We are Changing our Developer Productivity Experiment Design. Nota de investigaci\u00f3n de METR, 24 de febrero de 2026.<\/li>\n<li>Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654), 187-192, 2023 (solo el resumen, v\u00eda PubMed).<\/li>\n<li>Noy, S., Zhang, W. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Documento de trabajo del MIT, 2 de marzo de 2023, sin revisi\u00f3n por pares.<\/li>\n<li>Brynjolfsson, E., Li, D., Raymond, L. Generative AI at Work. Quarterly Journal of Economics 140(2), 889-942, 2025 (solo el resumen).<\/li>\n<li>Dell&rsquo;Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2), 2026 (solo el resumen).<\/li>\n<li>Humlum, A., Vestergaard, E. Large Language Models, Small Labor Market Effects. Becker Friedman Institute Working Paper 2025-56, actualizado en septiembre de 2025.<\/li>\n<li>Bick, A., Blandin, A., Deming, D. J. The Rapid Adoption of Generative AI. NBER Working Paper 32966, revisado en febrero de 2025.<\/li>\n<li>Tai-Seale, M., et al. AI-Generated Draft Replies Integrated Into Health Records and Physicians&rsquo; Electronic Communication. JAMA Network Open 7(4), e246565, 2024.<\/li>\n<li>Garcia, P., Ma, S. P., et al. Artificial Intelligence-Generated Draft Replies to Patient Inbox Messages. JAMA Network Open 7(3), e243201, 2024.<\/li>\n<li>Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., Wilson, N. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025, Microsoft Research.<\/li>\n<li>Vasconcelos, H., J\u00f6rke, M., Grunde-McLaughlin, M., Gerstenberg, T., Bernstein, M. S., Krishna, R. Explanations Can Reduce Overreliance on AI Systems During Decision-Making. Proceedings of the ACM on Human-Computer Interaction 7(CSCW1), art\u00edculo 129, 2023.<\/li>\n<li>Parasuraman, R., Manzey, D. H. Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors 52(3), 381-410, 2010 (solo el resumen).<\/li>\n<li>Goddard, K., Roudsari, A., Wyatt, J. C. Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association 19(1), 121-127, 2012 (solo el resumen).<\/li>\n<li>Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., Ho, D. E. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. arXiv 2405.20362, 2024. Preprint.<\/li>\n<li>Dahl, M., Magesh, V., Suzgun, M., Ho, D. E. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. Journal of Legal Analysis 16(1), 64-93, 2024.<\/li>\n<li>DORA (Google Cloud). Accelerate State of DevOps Report 2024. Investigaci\u00f3n de Google.<\/li>\n<li>DORA (Google Cloud). State of AI-assisted Software Development 2025. Investigaci\u00f3n de Google.<\/li>\n<li>Stack Overflow. 2025 Developer Survey, secci\u00f3n de IA. Encuesta de empresa (comercial).<\/li>\n<li>Workday. New Workday Research: Companies Are Leaving AI Gains on the Table. Nota de prensa, 14 de enero de 2026, sobre el informe de la encuesta Beyond Productivity: Measuring the Real Value of AI. Datos declarados por la empresa (comercial); no se abri\u00f3 el informe completo.<\/li>\n<li>BetterUp Labs y Stanford Social Media Lab. Workslop: The Hidden Cost of AI-Generated Busywork. Encuesta a 1.150 trabajadores de oficina estadounidenses, septiembre de 2025. Datos declarados por la empresa (comercial).<\/li>\n<\/ol>\n<p><em>An\u00e1lisis de CEOtudent en este art\u00edculo: el libro de cuentas del impuesto de verificaci\u00f3n (primera tabla) y la tabla de qui\u00e9n paga (segunda tabla) son recopilaciones de CEOtudent de cifras seg\u00fan lo publicado; las proporciones del 35,7 % y del 17,6 %, la brecha de percepci\u00f3n de 39 puntos y la proporci\u00f3n conservada del 60 % son c\u00e1lculos de CEOtudent a partir de fuentes \u00fanicas (la cifra semanal de 2,2 horas la publican Bick y sus colegas y se volvi\u00f3 a comprobar); la prueba del punto de equilibrio, el protocolo por niveles y la comprobaci\u00f3n de siete preguntas son marcos editoriales de CEOtudent, y el ejemplo pr\u00e1ctico usa datos supuestos e ilustrativos. Se dejaron fuera deliberadamente: las cifras de 2024 del Upwork Research Institute sobre el aumento de la carga de trabajo atribuido a la IA (la p\u00e1gina primaria devolvi\u00f3 un error de acceso y no se abri\u00f3 por otros medios); la cifra en minutos por incidente de workslop que circula a partir de los art\u00edculos de Harvard Business Review, que no se abrieron (la p\u00e1gina de BetterUp que s\u00ed se abri\u00f3 indica &ldquo;2 hrs&rdquo;); y el porcentaje de mejora de la calidad muy citado del documento de trabajo de Dell&rsquo;Acqua, porque el resumen publicado que se abri\u00f3 aqu\u00ed solo dice &ldquo;mejor\u00f3 significativamente la calidad&rdquo;.<\/em><\/p>\n<hr>\n<p><em>Este contenido fue recopilado con el apoyo de la IA tras una investigaci\u00f3n exhaustiva, y luego redactado y preparado para su publicaci\u00f3n por el equipo editorial de CEOtudent.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Las grandes encuestas sit\u00faan el ahorro de tiempo con IA declarado por los propios usuarios entre el 2,8 % y el 5,4 % de sus horas de trabajo, y ninguna informa por separado, como un coste, del tiempo dedicado a revisar y corregir los resultados. En un ensayo aleatorizado, desarrolladores experimentados cre\u00edan que la IA hab\u00eda reducido su tiempo por tarea en un 20 %, cuando en realidad hizo que las tareas duraran un 19 % m\u00e1s. Este an\u00e1lisis de CEOtudent pone diez estudios uno al lado del otro y los convierte en un protocolo de verificaci\u00f3n por niveles de riesgo con una prueba de punto de equilibrio.<\/p>\n","protected":false},"author":1,"featured_media":326527,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-326526","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/326526","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/comments?post=326526"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/326526\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media\/326527"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media?parent=326526"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/categories?post=326526"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/tags?post=326526"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}