Productividad paliativa: cuando la IA te hace sentir productivo sin serlo

Productividad paliativa: cuando la IA te hace sentir productivo sin serlo

Son las once de la mañana. Llevas dos horas frente a la pantalla. Has abierto ChatGPT, has escrito un prompt, has leído la respuesta, has decidido que no era lo que querías, has reformulado el prompt, has copiado el resultado a otra pestaña, has vuelto a ChatGPT para pedirle que ajuste el tono, has comparado dos versiones, has pedido una tercera. Cuando levantas la vista del reloj han pasado cuarenta minutos. El correo que querías escribir tenía tres párrafos. Tres párrafos que, sin IA, habrías terminado en diez minutos.

Y sin embargo, te sientes productivo.

Esa es la sensación que quiero examinar contigo. Porque no es pereza. No es distracción. Es algo más raro y más difícil de ver: estabas trabajando todo el tiempo. Estabas concentrado. Estabas resolviendo problemas, evaluando resultados, tomando decisiones. El problema es que ninguno de esos problemas, ninguno de esos resultados, ninguna de esas decisiones, tenía que ver con el correo que tenías que escribir.

Lo que propongo llamar productividad paliativa

Hay una palabra que me viene rondando hace meses y que quiero proponerte: productividad paliativa. Lo que propongo llamar productividad paliativa: la sensación de alivio inmediato que produce hacer algo, aunque ese algo no contribuya al resultado final. Como un analgésico. Quita el dolor de no estar avanzando, pero no cura la herida de que sigues sin avanzar.

Es importante distinguirla de la procrastinación clásica. Cuando procrastinas, lo sabes. Hay una culpa de fondo, una vocecita que te dice “deberías estar haciendo otra cosa”. La productividad paliativa es más astuta: no procrastinas, trabajas. Trabajas mucho. Trabajas en algo que se parece tanto a la tarea real que tu cabeza acepta el cambio sin protestar. Cierras la sesión satisfecho. Y al día siguiente, cuando miras lo que entregaste, descubres que entregaste poco.

El problema no es que la IA no funcione. La IA funciona, y a veces brillantemente. El problema es que el tiempo que te ahorra en ejecución te lo cobra en gestión. Y la gestión se siente como trabajo porque es trabajo. Solo que no es tu trabajo.

Lo que dicen los datos (y lo que callan)

Tengo que ser honesto contigo: la evidencia sobre productividad e IA generativa es genuinamente positiva en muchos contextos. Brynjolfsson, Li y Raymond (2023) estudiaron un call center con más de cinco mil agentes y encontraron un aumento del 14% en problemas resueltos por hora, con un efecto mayor en los trabajadores menos experimentados. Noy y Zhang (2023) reportaron en Science que en tareas de escritura profesional la IA reducía el tiempo en un 40% mejorando la calidad, y además igualaba el rendimiento entre profesionales noveles y avanzados. McKinsey (2023) estima reducciones del 20-45% en tiempo de desarrollo de software.

Esos números son reales. No los discuto.

Lo que quiero que mires es otro tipo de estudio. Vaithilingam, Zhang y Glassman (2022) hicieron algo distinto: midieron la productividad percibida por desarrolladores que usaban GitHub Copilot frente a la productividad medida. Resultado incómodo: los desarrolladores se sentían significativamente más productivos usando la herramienta, aunque en muchas tareas tardaban lo mismo o más, porque pasaban tiempo entendiendo, corrigiendo o desechando el código sugerido. La sensación subjetiva de eficiencia se desacoplaba del resultado objetivo.

Ese desacople es el corazón del asunto. Wu y colegas (2022) ya habían descrito cómo trabajar con modelos generativos implica construir cadenas de prompts: una pregunta lleva a una respuesta que lleva a otra pregunta que lleva a un ajuste que lleva a una nueva ronda. Cada eslabón se siente productivo. La cadena completa, a veces, no lleva a ningún sitio que no hubieras llegado antes solo.

Lo que te pasa no es raro. Lo que te pasa es lo que les pasa a muchos. Y tiene una explicación.

Por qué la mente prefiere el alivio al avance

Aquí entramos en territorio que llevo años pisando en consulta. En terapia de aceptación y compromiso hay una idea central: la mente humana está diseñada para reducir el malestar inmediato, no para perseguir lo que de verdad importa. Cuando aparece una emoción incómoda, el sistema busca apagarla cuanto antes. A eso le llamamos evitación experiencial: cualquier conducta cuya función principal es huir de una sensación interna desagradable.

¿Qué sensación interna hay cuando te sientas a escribir el correo difícil, el informe denso, el código que no sabes cómo plantear? Incertidumbre. Una pequeña dosis de “no sé por dónde empezar”. Una vulnerabilidad mínima, pero real, de enfrentarte a una página en blanco con tus propios recursos.

Abrir ChatGPT calma eso al instante. No porque resuelva el problema, sino porque sustituye la incertidumbre por algo distinto: una tarea concreta, manejable, con feedback inmediato. Escribir un prompt. Leer una respuesta. Ajustar. La incertidumbre de “no sé qué decir” se transforma en la actividad de “vamos a ver qué dice la máquina”. Y esa transformación se siente como progreso.

Es como si tuvieras un dolor de cabeza y, en vez de tomar agua y descansar, te pusieras a reorganizar el botiquín. Reorganizar el botiquín es útil. Te entretiene. Te da la sensación de estar atendiendo el problema. Pero el dolor sigue ahí.

No se trata de que la IA sea un placebo. Se trata de que el ritual de usarla puede convertirse en uno. Hay una diferencia enorme entre usar la herramienta para producir algo y usar la herramienta para no tener que sentir lo que sentirías produciéndolo tú.

El cuidador que ya no cuida nada

Hay un cuento de G.K. Chesterton, dentro de las historias del Padre Brown, llamado “La cruz azul”. El argumento no importa para lo que voy a contarte. Lo que importa es una figura que aparece en varios relatos suyos y que él describe con cierta sorna: el cuidador obsesivo. El hombre que tiene a su cargo proteger algo valioso —una reliquia, una joya, un secreto— y cuya dedicación a la protección se vuelve tan exhaustiva, tan elaborada, tan llena de cerraduras, comprobaciones, custodios y custodios de custodios, que al final el objeto protegido ya no cumple ninguna función. Está tan a salvo que nadie puede usarlo. Está tan vigilado que ya no significa nada. El cuidador se ha vuelto más importante que lo cuidado.

Chesterton lo decía de la religión. Yo te lo digo del trabajo con IA.

Cuando pasas cuarenta minutos afinando un prompt para una tarea de diez, te has convertido en ese cuidador. La tarea era escribir el correo. El correo era el objeto valioso. Pero en algún momento la herramienta dejó de servir al correo y el correo empezó a servir a la herramienta: una excusa para seguir ajustando prompts, comparando outputs, refinando instrucciones. El correo ya no es lo importante. Lo importante es que la cadena de interacción siga funcionando bien. Has empezado a custodiar el proceso y has olvidado el contenido.

Y aquí viene la parte que me incomoda escribir, porque me incluye: estamos todos un poco metidos en esto. No es un fenómeno de “otros”. Es un patrón que aparece en cuanto la herramienta se vuelve interesante por sí misma. La IA generativa es genuinamente interesante. Hablar con ella, ver qué produce, ajustar lo que produce, descubrir qué pasa si le pides X o Y, es una actividad fascinante. El problema es cuando esa fascinación coloniza el tiempo que debías dedicar a lo que en realidad querías hacer.

Cal Newport, en Deep Work (2016), distinguía entre trabajo profundo —el que requiere concentración sostenida y produce valor difícil de replicar— y trabajo superficial —el que se hace en piloto automático, gestionando inputs y outputs, sin avance real en lo que importa. La IA, paradójicamente, puede convertir muchas tareas que antes eran profundas en superficiales. No porque te las haga ella, sino porque te invita a gestionarlas en vez de hacerlas.

Tres preguntas para distinguir trabajo de gestión de trabajo

Hay algo útil en mirar el día con preguntas, no con reglas. Las reglas se sienten como deberes; las preguntas, como conversaciones. Te dejo tres que me hago yo cuando sospecho que he caído en la productividad paliativa.

Primera: si quitara la IA de la ecuación, ¿cuánto tiempo me llevaría esta tarea? Si la respuesta honesta es “menos del que llevo usando IA”, merece la pena pararse. No para abandonar la herramienta, sino para preguntarse qué está pasando ahí.

Segunda: ¿estoy usando la IA para producir algo que no sé producir, o para no tener que sentir lo que sentiría produciéndolo? Esta pregunta es incómoda. Hay momentos en los que la respuesta es la primera —y la herramienta es entonces un regalo. Hay momentos en los que la respuesta es la segunda —y la herramienta es entonces un escondite con apariencia de oficina.

Tercera: al final de la sesión, ¿lo que entrego es mejor de lo que habría entregado solo, o solo se siente mejor el rato que lo hice? Esto requiere una honestidad que no siempre tenemos a mano. Es como si el cerebro se hubiera puesto de acuerdo consigo mismo para no examinar la diferencia. Pero la diferencia existe.

La trampa del feedback rápido

Hay un mecanismo psicológico que merece la pena nombrar, aunque sea de pasada. Las herramientas de IA generativa son extraordinariamente eficaces produciendo feedback inmediato. Escribes algo, te responde. Ajustas, te responde otra vez. Cada ciclo es corto, cada respuesta es relevante, cada interacción se siente como un pequeño avance.

El cerebro humano está exquisitamente sintonizado para responder a ese tipo de bucles. Es el mismo tipo de bucle que mantiene a la gente pegada a redes sociales, a videojuegos, a las máquinas tragamonedas. No estoy diciendo que ChatGPT sea Instagram. Estoy diciendo que el patrón de refuerzo —pequeñas recompensas frecuentes y variables— activa los mismos circuitos. Y esos circuitos no distinguen entre “estoy avanzando en lo que me importa” y “estoy recibiendo estímulos interesantes”.

De ahí el desacople. Te sientes activo porque estás activo. Pero la actividad y el avance no son lo mismo.

Hay un libro de David Graeber, Bullshit Jobs (2018), que describe trabajos enteros sostenidos por la necesidad organizacional de que alguien esté ocupado, aunque ese alguien sepa que su ocupación no produce nada. La productividad paliativa es la versión interior de eso. Es el bullshit job que te haces a ti mismo dentro de un trabajo que sí importa.

Lo que sí merece la pena

No quiero que cierres este artículo pensando que la IA es el enemigo. No lo es. Yo la uso. La uso para tareas en las que mi tiempo aporta poco y la herramienta aporta mucho. La uso para traducciones, para resúmenes de documentos largos, para destrabar un primer borrador cuando llevo media hora mirando la página en blanco. Funciona. Me ahorra horas reales, no horas percibidas.

Lo que cambia entre ese uso y el otro —el paliativo— no es la herramienta. Es la pregunta con la que llegas a ella.

Cuando llegas con “qué quiero producir y cómo me ayuda esto a producirlo más rápido o mejor”, la herramienta se subordina al resultado. Cuando llegas con “no sé bien qué hacer con esta hora, voy a abrir ChatGPT a ver qué sale”, la herramienta se convierte en el resultado. Ahí empieza el problema.

No se trata de dejar de usar IA. Se trata de reconocer cuándo la herramienta te usa a ti.

Y aquí entra una idea ACT que llevo años trabajando con personas en consulta: el compromiso con los valores no es un sentimiento, es una dirección. No depende de que te apetezca. No depende de que te sientas productivo. Depende de que la acción que estás haciendo —ahora, en este momento, con esta hora— vaya hacia donde tú querías que fuera tu trabajo, tu carrera, tu día.

La productividad paliativa secuestra esa dirección con un truco elegante: te hace sentir bien por estar trabajando, sin que tengas que comprobar si lo que estás haciendo es trabajo en el sentido que a ti te importa. Te da el alivio sin pedirte la incomodidad. Y como cualquier analgésico bien dosificado, te deja seguir funcionando sin que notes que la herida sigue ahí.

Una invitación incómoda

Quizá el primer paso sea ese: incomodarnos un poco. Reconocer que algunas de las horas que registramos como “trabajo con IA” son en realidad horas de evitación con apariencia de eficiencia. No todas. No siempre. Pero algunas. Suficientes como para que valga la pena mirar.

¿Cuántas veces esta semana abriste una herramienta de IA porque no sabías por dónde empezar una tarea? ¿Y cuántas de esas veces la tarea, al final, la terminaste tú a mano, después de descartar lo que te había dado la máquina? Esos minutos en medio, los que pasaste gestionando prompts antes de rendirte y hacerlo solo, son los minutos que quiero que mires con cariño y con honestidad.

Como dijo alguien con más sabiduría que yo, la diferencia entre estar ocupado y estar haciendo algo es enorme y casi nunca evidente desde dentro. Las herramientas que nos prometen eficiencia no nos van a contar esa diferencia. Esa la tenemos que descubrir nosotros, en el silencio raro de mirar el día y preguntarnos qué fue lo que de verdad hicimos.

Puede que descubras que mucho. Puede que descubras que menos de lo que creías. Las dos respuestas son útiles. La primera te confirma que vas bien. La segunda te abre una puerta.

Yo me quedo, casi siempre, con la segunda. Es la que me invita a seguir aprendiendo cómo trabajar con estas herramientas sin que ellas trabajen sobre mí.

Referencias

Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work (Working Paper No. 31161). National Bureau of Economic Research. https://doi.org/10.3386/w31161

Graeber, D. (2018). Bullshit jobs: A theory. Simon & Schuster.

McKinsey & Company. (2023). The economic potential of generative AI: The next productivity frontier.

Newport, C. (2016). Deep work: Rules for focused success in a distracted world. Grand Central Publishing.

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.

Vaithilingam, P., Zhang, T., & Glassman, E. L. (2022). Expectation vs. experience: Evaluating the usability of code generation tools powered by large language models. Extended Abstracts of the 2022 CHI Conference on Human Factors in Computing Systems.

Wu, T., Terry, M., & Cai, C. J. (2022). AI Chains: Transparent and controllable human-AI interaction by chaining large language model prompts. Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3491102.3517582