En resumen: Cuando pasas de una tarea a otra, un trozo de tu atención se queda en la primera. La psicóloga Sophie Leroy lo llamó residuo de atención en 2009, y su investigación halló que es peor cuando la tarea que acabas de dejar estaba inacabada o hecha bajo presión de tiempo: justo el estado en que te deja una indicación a medio hacer o una ventana que “aún está generando”. La era de la IA agrava esto por una razón estructural sencilla: la IA devuelve el trabajo en segundos, así que una sola hora contiene ahora muchos más relevos entre instruir a una máquina y colaborar con personas que cualquier hora previa a la IA, y cada relevo deja residuo. Los costes verificados son altos: en un estudio de campo, el trabajo interrumpido se retomaba en promedio solo tras unos 25 minutos (Mark, Gonzalez y Harris, 2005), cada cambio entre tareas cuesta en laboratorio alrededor de 0,6 a 1,1 segundos (Rubinstein, Meyer y Evans, 2001) y los trabajadores del conocimiento ya alternan entre aplicaciones unas 1.200 veces al día (HBR, 2022), todo antes de añadir la IA, que el 75% de los trabajadores del conocimiento ya usa en el trabajo (Microsoft y LinkedIn, 2024). Este artículo convierte esos hallazgos en un Libro de cambios humano-IA original y una autoevaluación puntuable. La jugada: presupuesta tus cambios como un CEO asigna capital escaso y mantente lo bastante estudiante para aprender dónde fuga tu propio residuo más rápido.
Te sientas a escribir algo difícil. Le pasas un trozo a una IA – “redacta la introducción” – y mientras genera, saltas a Slack, contestas a un colega, ojeas el correo y luego vuelves a juzgar la salida de la IA. Todo el bucle tomó noventa segundos y se sintió eficiente. No lo era. Dejaste al menos tres tareas a medio abrir, cambiaste de modo cognitivo cuatro veces y volviste a la escritura cargando el residuo de todas. El borrador en pantalla está bien; tu capacidad de evaluarlo, no. Este es el impuesto silencioso de trabajar con máquinas, y casi nadie lo presupuesta.
La ciencia tras ese impuesto tiene nombre y un origen claro. En 2009, la psicóloga organizacional Sophie Leroy publicó un artículo con un título que suena a suspiro: “¿Por qué es tan difícil hacer mi trabajo?” Su respuesta fue el residuo de atención: el hallazgo de que cuando pasas de la Tarea A a la Tarea B, parte de tu atención queda cognitivamente atrapada en la Tarea A, y ese residuo persistente degrada de forma medible tu rendimiento en la Tarea B. El efecto es, de forma crucial, más fuerte cuando la Tarea A estaba inacabada o se hizo bajo presión de tiempo. La era de la IA no inventó el residuo de atención. Industrializó las condiciones que lo producen.
Qué es realmente el residuo de atención (y qué halló de verdad la investigación)
La afirmación central de Leroy es acotada y bien fundamentada: no puedes llevar tu atención del todo a una tarea nueva mientras una parte sigue procesando la vieja. En sus experimentos, las personas interrumpidas a mitad de tarea – sobre todo cuando esperaban tener que terminar luego bajo presión de tiempo – llevaron el residuo a la tarea siguiente y rindieron peor en ella que quienes llegaron a un punto de parada natural. El residuo no es un defecto de carácter ni un fallo de voluntad. Es una propiedad normal de cómo la atención transita entre objetivos.
Un estudio posterior afinó la lección práctica. En 2018, Leroy y Theresa Glomb (Organization Science) mostraron que un breve “plan de reanudación” – tomarse un momento para anotar dónde estás y qué harás a continuación antes de cambiar – reducía notablemente el residuo de atención y protegía el rendimiento en la tarea interruptora. Ese único hallazgo es la palanca más accionable de todo este artículo, y volveremos a él.
El residuo de atención es un coste concreto dentro de una familia mayor y bien documentada de costes de cambio. Antes de construir ningún marco, aquí está la verdad de base verificada: cada cifra remonta a la fuente nombrada.
Lo que la investigación respalda con solidez (verificado)
| Hallazgo | Lo que muestra la investigación | Fuente (año) |
|---|---|---|
| El residuo de atención es real | Cambiar de tarea deja parte de tu atención “atrapada” en la tarea previa y baja el rendimiento en la siguiente; peor cuando la previa estaba inacabada o bajo presión de tiempo | Sophie Leroy, Organizational Behavior and Human Decision Processes (2009) |
| Puedes reducir el residuo | Un breve “plan de reanudación” (anotar dónde estás y qué sigue, antes de cambiar) reduce notablemente el residuo y protege el rendimiento | Leroy & Glomb, Organization Science (2018) |
| La recuperación es lenta | En un estudio de campo con 24 trabajadores del conocimiento (más de 700 horas de observación), el trabajo interrumpido se retomaba en promedio solo a los 25 minutos y 26 segundos (desviación típica 54 min 48 s), tras pasar por 2,26 otras esferas de trabajo de media; el 77,2% del trabajo interrumpido se retomaba el mismo día. Es la demora hasta retomar la tarea, no el tiempo de reconcentración | Mark, Gonzalez & Harris, No Task Left Behind?, CHI (2005) |
| La atención se fragmenta rápido | La duración media de atención en una pantalla cayó hace poco a unos 47 segundos (mediana 40 s), frente a unos 2,5 minutos en 2004 | Gloria Mark, Attention Span (2023) |
| Cambiar es el impuesto | En cuatro experimentos (12 a 36 estudiantes cada uno), alternar entre dos tareas costó de media 614 a 1.096 ms por cambio (975, 653, 614 y 1.096 ms), más con reglas complejas. El “hasta el 40% del tiempo productivo” tan citado no aparece en el artículo; es un comentario atribuido a David Meyer en una página de resumen de la APA (20 de marzo de 2006) | Rubinstein, Meyer & Evans, J. Exp. Psychology: HPP 27(4) (2001) |
| El ir y venir ya es constante | Los trabajadores del conocimiento alternan entre aplicaciones y ventanas unas 1.200 veces al día, gastando casi cuatro horas a la semana (~9% del tiempo laboral) en reorientarse | Estudio de Harvard Business Review sobre 137 usuarios en 20 equipos (2022) |
| Ahora la IA está en el bucle | El 75% de los trabajadores del conocimiento usa IA generativa en el trabajo y el 78% lleva sus propias herramientas (“BYOAI”) | Microsoft & LinkedIn, Work Trend Index (2024) |
Lee la tabla como una frase: la atención humana ya estaba fragmentada y era cara de recargar antes de la IA, y la IA no elimina un cambio, añade un nuevo socio al que cambiar.
Por qué trabajar con IA carga especialmente de residuo
Es tentador suponer que la IA reduce los cambios, ya que hace parte de tu trabajo. En la práctica, cambia la estructura de tu día de tres formas que encajan directamente con los disparadores de residuo de Leroy.
1. La IA multiplica el número de cambios por hora. Todo el atractivo de la IA es la velocidad: devuelve un borrador, un resumen o una respuesta en segundos. Pero las devoluciones rápidas significan más oportunidades de cambiar. Donde una tarea previa a la IA podía correr veinte minutos sin interrupción, su versión asistida por IA se vuelve: indica, espera, evalúa, vuelve a indicar, espera, evalúa – una docena de microrrelevos en la misma ventana. Más relevos es simplemente más residuo, porque el residuo se paga por cambio, no por hora.
2. La IA deja las tareas justo en el estado “inacabado” que ama el residuo. Leroy halló que el residuo es peor cuando dejas una tarea incompleta. Una indicación que aún está generando es el ideal platónico de la tarea inacabada: la empezaste, no puedes terminarla todavía y cambias a otra cosa para llenar la espera. Al volver, retomas un bucle abierto: la condición de residuo más alta que existe.
3. La IA fuerza un cambio de modo cognitivo, no solo un cambio de tarea. Esta es la parte que la mayoría pasa por alto. Trabajar con IA no es una actividad; son dos, opuestas. Generar con IA es rápido, fluido y acrítico: estás en un registro permisivo y productivo. Evaluar la salida de la IA exige la postura contraria: escéptica, lenta, en busca del error. Saltar muchas veces por hora entre el modo “crear” y el modo “crítico” es un cambio más profundo que pasar entre dos tareas similares, y lleva un residuo más pesado. Y encima se suma el cambio de registro social que señala el título: instruir a una máquina es transaccional, colaborar con un colega es relacional, y rebotar entre ambos deja su propio residuo.
Nada de esto significa que la IA sea mala para la concentración. Bien usada, es palanca. Significa que la IA cambia dónde vive el coste: el trabajo se acelera, pero la superficie de cambio se agranda, y es en esa superficie donde se acumula el residuo de atención. Un CEO diría que la economía unitaria cambió, y una estructura de costes modificada no se gestiona con los viejos hábitos.
El Libro de cambios humano-IA
Aquí está el marco original en el centro de este artículo. Un libro lista dónde se gasta un recurso para que veas las fugas. El Libro de cambios humano-IA nombra los cinco tipos de cambio que dominan un día asistido por IA, asigna a cada uno por qué genera residuo (con el mecanismo de Leroy) y da la palanca CEO+Estudiante para recuperarlo.
Esto es un marco analítico, no un estudio medido: no afirma una cifra precisa de “este cambio cuesta X minutos”, porque no existe tal conjunto de datos por cambio para el trabajo humano-IA. Es una ayuda a la decisión construida sobre la investigación verificada de costes de cambio anterior. Úsalo como un libro de cuentas doméstico: para encontrar la línea que sangra.
El Libro de cambios humano-IA (marco CEOtudent, 2026)
| Tipo de cambio | Qué pasa realmente | Por qué deja residuo (mecanismo de Leroy) | La palanca CEO+Estudiante |
|---|---|---|---|
| 1. Delegar y derivar | Entregas una tarea a la IA y llenas la espera saltando al correo, el chat o un feed | Dejas la tarea original inacabada y abres un segundo bucle: la condición de residuo máxima | Espera dentro de la tarea. Quédate en el mismo problema mientras genera (esboza la sección siguiente) o agrupa indicaciones para que las esperas se solapen en vez de multiplicarse |
| 2. Salto generar-a-crítico | Cambias del modo fluido “crear con IA” al modo escéptico “evaluar la salida” | Un cambio de registro profundo; el residuo del modo creación contamina el juicio del modo crítico, así que escrutas poco | Separa las pasadas. Genera primero varias salidas, luego cambia una sola vez a un bloque de evaluación dedicado con una lista de control, no salto por salida |
| 3. Remolino de re-indicación | Iterar con la IA en muchos intercambios pequeños y parciales que nunca llegan a “terminado” | Cada intercambio parcial es una tarea inacabada; el bucle nunca se cierra, así que el residuo se acumula | Define “terminado” antes de indicar. Escribe primero los criterios de aceptación; para cuando se cumplan en vez de empujar sin fin |
| 4. Salto de herramientas | Rebotar entre varias herramientas de IA y pestañas del navegador dentro de un mismo trabajo | Impuesto clásico del ir y venir (el problema de ~1.200/día) más coste de reorientación en cada salto | Estandariza tu pila. Una herramienta por tarea; cierra toda pestaña salvo la activa durante el trabajo profundo |
| 5. Cambio de registro humano-máquina | Alternar entre colaborar con personas e instruir a la IA | Un cambio de lo social a lo transaccional; el residuo relacional se filtra al trabajo con la máquina y viceversa | Agrupa por registro. Reúne la colaboración humana en unas ventanas y el trabajo de IA en otras, para cambiar de registro unas pocas veces al día, no constantemente |
Tres cosas saltan a la vista una vez el libro está sobre la mesa. Primero, Delegar y derivar (línea 1) suele ser la mayor fuga individual, porque el tiempo de espera “gratis” parece una bonificación y en realidad es el momento en que abres tu bucle más caro. Segundo, el salto generar-a-crítico (línea 2) es el más peligroso, no el más frecuente: ahí el residuo daña en silencio tu juicio sobre la salida de la IA, precisamente la contribución humana que la IA no puede sustituir. Tercero, el remolino de re-indicación (línea 3) es el más fácil de cortar, porque la mayor parte desaparece en cuanto decides de antemano cómo es “lo bastante bueno”.
La jugada del CEO: presupuesta tus cambios antes de que el día los gaste por ti
Un CEO ante un recurso escaso no intenta fabricar más; decide de antemano dónde se asigna y protege los usos de mayor valor de que se los coman a mordiscos. La atención es ese recurso, y los cambios son cómo se gasta sin que nadie decida gastarlo.
La arquitectura que se deriva del libro es concreta:
- Protege uno o dos bloques profundos donde no cambies de registro en absoluto. El trabajo de mayor juicio – la evaluación que la IA no puede hacer por ti – pertenece a una ventana antes de que el ir y venir del día haya fragmentado tu atención. Paga primero tu factura de atención más importante.
- Agrupa tu trabajo de IA en sesiones definidas en vez de espolvorearlo por el día. El uso espolvoreado maximiza la superficie de cambio; el uso agrupado te deja permanecer en un registro y pagar el cambio de modo una sola vez.
- Trata “generando…” como una señal de quedarte quieto, no una invitación a marcharte. El único hábito que más residuo mata es negarte a derivar durante la espera. Si la espera es de verdad larga, agrupa varias indicaciones para que las esperas se solapen en vez de que cada una dispare un cambio nuevo.
- Estandariza la pila. Cada herramienta de IA extra es otra ventana a la que cambiar. Decide qué herramienta hace qué tarea y deja de saltar a comparar a mitad de tarea.
Fíjate en lo que falta en esta lista: esforzarse más. El residuo no se vence con disciplina, igual que no lo causa la pereza. Se vence con arquitectura: diseñando un día en el que los cambios caros simplemente no ocurran, de modo que tu atención escasa esté, por defecto, ya apuntada al trabajo que se capitaliza.
La jugada del Estudiante: haz el experimento del plan de reanudación contigo mismo
El CEO asigna; el estudiante observa y ajusta. La intervención personal más respaldada por la evidencia en todo este campo es también la más pequeña: el plan de reanudación de Leroy y Glomb. Antes de cambiar de cualquier tarea – sobre todo antes de derivar durante una espera de IA – dedica quince segundos a escribir exactamente dónde estás y qué harás a continuación. La investigación halló que esto reduce de forma fiable el residuo que llevas a la tarea siguiente. Funciona porque cierra el bucle en tu cabeza aunque la tarea esté objetivamente inacabada.
Luego estudia tu propio libro durante una semana. Fíjate en tres cosas: qué tipo de cambio de la tabla cometes más (esa es tu mayor fuga), cuándo del día tu evaluación de la salida de la IA se vuelve descuidada (ese es el salto generar-a-crítico cobrando intereses) y qué bucles de re-indicación podrías haber cerrado antes con un “terminado” claro. No persigues la cifra de otro; aprendes la forma de tu propia atención para asignarla mejor la semana que viene que la pasada. Llévalo como un CEO, apréndelo como un estudiante.
El replanteamiento más profundo es este: en una era en que la IA hace casi gratis producir salida, lo escaso y valioso es la atención no contaminada que aportas para decidir si esa salida sirve de algo. El residuo de atención es el impuesto sobre exactamente esa capacidad. Quienes más sacarán de la IA no son los que cambian a ella más rápido, sino los que protegen el juicio humano concentrado que el cambio erosiona en silencio.
La autoevaluación del residuo de atención
Puntúate de 0 a 2 por línea para un día laboral típico (0 = rara vez, 1 = a veces, 2 = a menudo). Es una herramienta de autorreflexión, no un instrumento clínico.
- Dejo una tarea abierta y derivo al correo/chat/feeds mientras la IA genera. (Delegar y derivar)
- Acepto o rechazo la salida de la IA en el mismo modo rápido con que la creé, sin una pasada crítica separada. (Salto generar-a-crítico)
- Sigo empujando a la IA con pequeñas re-indicaciones sin una definición clara de “terminado”. (Remolino de re-indicación)
- Trabajo una sola tarea en muchas herramientas de IA y pestañas del navegador a la vez. (Salto de herramientas)
- Reboto muchas veces por hora entre hablar con personas e instruir a la IA. (Cambio de registro)
- Cambio de tareas difíciles sin anotar dónde estaba ni qué sigue. (Sin plan de reanudación)
- A media tarde mi juicio sobre si la salida de la IA es buena empeora notablemente. (Intereses del residuo)
Leer tu puntuación. 0-4: tu superficie de cambio está bien gestionada; protégela. 5-9: el residuo lastra de verdad tu juicio; instala el hábito del plan de reanudación y agrupa tu trabajo de IA. 10-14: el cambio, no la carga de trabajo, es probablemente tu principal cuello de botella; empieza por la corrección de mayor palanca de abajo.
La corrección de mayor palanca, para casi todos, es la línea 1: deja de derivar durante las esperas de la IA. Es el cambio más frecuente, abre tu bucle más caro y cerrarlo no cuesta nada salvo la decisión de quedarte quieto.
Preguntas frecuentes
¿El residuo de atención es lo mismo que la multitarea?
No, y la distinción importa. La multitarea suele significar intentar hacer dos cosas literalmente a la vez. El residuo de atención es lo que ocurre en la transición entre tareas hechas una tras otra: la parte de tu mente que se queda en la Tarea A cuando ya pasaste a la Tarea B. Puedes evitar la multitarea clásica y aun así sangrar residuo todo el día por cambios secuenciales rápidos, que es justo lo que fomenta el trabajo asistido por IA.
¿La IA empeora de verdad la concentración o solo soy desorganizado?
Ambos encuadres pierden el punto estructural. La IA no destruye la concentración directamente; agranda la superficie de cambio – el número de relevos disponibles por hora – porque devuelve el trabajo muy rápido. Más cambios disponibles más la misma atención humana es igual a más residuo, salvo que rediseñes deliberadamente cuándo y cómo cambias. No es un problema de disciplina; es un problema de diseño de flujo de trabajo, lo cual es buena noticia, porque los flujos de trabajo se cambian más fácil que la fuerza de voluntad.
¿Cuál es el único hábito más eficaz para reducir el residuo de atención?
El “plan de reanudación” de la investigación de Leroy y Glomb de 2018: antes de cambiar de una tarea, toma quince segundos para escribir dónde estás y qué harás a continuación. En sus experimentos redujo el residuo de forma fiable, porque deja que tu mente trate una tarea inacabada como “aparcada” en vez de “abierta”. En el trabajo con IA, aplícalo el instante antes de derivar durante una espera.
¿Cuánto se tarda de verdad en reconcentrarse tras una interrupción?
Los famosos “23 minutos y 15 segundos” proceden de una entrevista de Gallup con Gloria Mark en 2006, no de un artículo revisado por pares. La cifra publicada, de un estudio de campo con 24 trabajadores del conocimiento (Mark, Gonzalez y Harris, 2005), es de 25 minutos y 26 segundos de media hasta retomar el trabajo interrumpido, tras pasar por unos dos proyectos más. Esa cifra es sobre volver al trabajo, no sobre recuperar toda la concentración, y la dispersión es amplia (desviación típica de casi 55 minutos). La implicación práctica: un cambio “rápido” de dos minutos rara vez son dos minutos una vez cuentas la recarga.
¿Entonces debería dejar de usar IA para el trabajo profundo?
No, eso tira una palanca real. La jugada es agrupar el uso de IA en vez de espolvorearlo. Usa la IA en sesiones definidas donde permanezcas en un registro, agrupa tus indicaciones para que las esperas se solapen y reserva un bloque aparte y sin prisa para evaluar su salida con una lista de control. Así usada, la IA añade capacidad sin destrozar tu atención; usada como una ventana siempre abierta que mendiga una decisión cada treinta segundos, se vuelve la mayor fuente individual de residuo de tu día.
¿Sigue siendo posible el “trabajo profundo” si mi puesto exige interacción constante con la IA?
Sí, pero debes redefinir el bloque. El trabajo profundo en un rol asistido por IA no son necesariamente largos tramos sin herramientas; son tramos en los que no cambias de registro: o creas, o evalúas, o colaboras, pero no saltas entre los tres cada minuto. Proteger la estabilidad de registro es la versión moderna de proteger el tiempo ininterrumpido.
Fuentes
Sophie Leroy. Why is it so hard to do my work? The challenge of attention residue when switching between work tasks (Organizational Behavior and Human Decision Processes, 2009) – introdujo el concepto de residuo de atención y mostró que cambiar de tarea deja parte de la atención en la tarea previa, bajando el rendimiento en la siguiente, con el efecto más fuerte cuando la previa estaba inacabada o bajo presión de tiempo.
Sophie Leroy & Theresa M. Glomb. Tasks Interrupted: How Anticipating Time Pressure on Resumption of an Interrupted Task Causes Attention Residue and Low Performance on Interrupting Tasks and How a Ready-to-Resume Plan Mitigates the Effects (Organization Science, 2018) – demostró a lo largo de cuatro estudios que un breve plan para reanudar una tarea interrumpida reduce notablemente el residuo de atención y protege el rendimiento en la tarea interruptora.
Gloria Mark, Daniela Gudith & Ulrich Klocke. The Cost of Interrupted Work: More Speed and Stress (Actas de CHI, 2008), University of California, Irvine – en un experimento con 48 participantes, el trabajo de correo interrumpido se completó en 20,31 y 20,60 minutos frente a 22,77 minutos sin interrupciones; el número de errores no difirió, pero el estrés autoevaluado fue mayor (9,46 y 9,13 frente a 6,92 en una escala de 1 a 20). El artículo no contiene los “23 minutos y 15 segundos” tan citados.
Gloria Mark, Victor M. Gonzalez & Justin Harris. No Task Left Behind? Examining the Nature of Fragmented Work (Actas de CHI 2005, pp. 321-330), University of California, Irvine – estudio de campo con 24 trabajadores del conocimiento observados durante más de 700 horas: el 77,2% del trabajo interrumpido se retomó el mismo día, en promedio 25 minutos y 26 segundos después (desviación típica 54 minutos 48 segundos) y tras trabajar en 2,26 otras esferas de trabajo de media. Los “23 minutos y 15 segundos” tan repetidos (36 trabajadores, 81,9% retomado el mismo día) proceden de una entrevista de Mark con el Gallup Management Journal fechada el 8 de junio de 2006, no de un artículo revisado por pares.
Gloria Mark. Attention Span: A Groundbreaking Way to Restore Balance, Happiness and Productivity (2023) e investigación asociada de la University of California, Irvine – documentando que la duración media de atención en una pantalla cayó de unos 2,5 minutos en 2004 a unos 47 segundos (mediana 40 segundos) en los últimos años.
Joshua Rubinstein, David Meyer & Jeffrey Evans. Executive Control of Cognitive Processes in Task Switching (Journal of Experimental Psychology: Human Perception and Performance, 2001, 27(4), 763-797) – cuatro experimentos en los que alternar entre tareas produjo costes medios de cambio de 975, 653, 614 y 1.096 milisegundos, mayores con reglas complejas. El artículo no contiene ninguna estimación de tiempo productivo perdido; la cifra “hasta el 40%” es un comentario atribuido a David Meyer en la página de resumen “Multitasking: Switching costs” de la American Psychological Association (20 de marzo de 2006).
Harvard Business Review. How Much Time and Energy Do We Waste Toggling Between Applications? (2022) – un estudio sobre 137 usuarios en 20 equipos de tres grandes empresas halló que los trabajadores alternaban entre aplicaciones y ventanas unas 1.200 veces al día, gastando casi cuatro horas a la semana (alrededor del 9% del tiempo laboral) en reorientarse.
Microsoft & LinkedIn. Informe anual Work Trend Index: AI at Work Is Here. Now Comes the Hard Part (2024), basado en una encuesta a 31.000 trabajadores del conocimiento en 31 mercados – informó de que el 75% de los trabajadores del conocimiento usa IA generativa en el trabajo y el 78% lleva sus propias herramientas de IA.
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:
