El cincuenta y dos por ciento de los trabajadores del conocimiento corrige ya de forma habitual trabajo generado por IA producido por otra persona (Adaptavist, 2026). No su propio output: el de un colega. En la misma encuesta a 2.500 trabajadores de cinco países, el 42 % afirma dedicar más tiempo a verificar el output de IA del que ahorra al usarla. Lea ambas cifras juntas y tendrá la razón por la que su retrabajo de IA nunca aparece en ningún business case: quien se apunta el ahorro y quien absorbe el coste no son la misma persona, y a menudo ni siquiera están en el mismo equipo.
Es un problema contable antes que un problema tecnológico.
El estudio, y qué lo hace distinto
Adaptavist realizó la investigación en marzo de 2026 en Reino Unido, Estados Unidos, Canadá, Alemania y España — 2.500 trabajadores del conocimiento, publicada como continuación de su trabajo de 2025 sobre transformación digital (Adaptavist, 2026). El informe acuña un término útil: el impuesto de verificación.
Las cifras principales:
- El 52 % corrige habitualmente trabajo generado por IA producido por colegas
- El 42 % dedica más tiempo a verificar el output de IA del que ahorra al usarla
- El 49 % dice que el output de IA de baja calidad ralentiza activamente los proyectos
- El 46 % dice que la IA ha hecho su trabajo más repetitivo y menos significativo
La última cifra es la que casi todo el mundo se salta. Corregir el output de la máquina de otra persona no es trabajo interesante. No desarrolla, rara vez se reconoce en una evaluación y es invisible para quien aprobó la herramienta.
Fíjese también en lo que el estudio no muestra. No es un conjunto de datos anti-IA: el 67 % de los mismos encuestados quiere que su organización aumente el uso de IA, el 60 % se siente adecuadamente formado y el 66 % afirma que la adopción se comunicó con transparencia (Adaptavist, 2026). Son personas que quieren la tecnología y están describiendo un fallo de distribución, no de capacidad.
Por qué su panel dice que sí mientras sus cycle times no dicen nada
En el mid-market la medición de la IA es casi siempre por puesto. Licencias desplegadas, prompts ejecutados, horas ahorradas autodeclaradas, porcentaje de adopción por departamento. Cada una de esas métricas se recoge en el punto de generación.
El retrabajo no se recoge en ninguna parte, porque ocurre en el punto de recepción.
Marketing genera un primer borrador en noventa segundos y anota noventa minutos ahorrados. Legal dedica cuarenta minutos a corregir una cita que estaba mal y se afirmó con seguridad. El panel de Marketing es honesto. Los cuarenta minutos de Legal aterrizan en una línea genérica de carga de trabajo y nadie concilia ambas cosas. Repítalo en finanzas, operaciones, soporte y producto y obtendrá el patrón ya casi universal en el reporting mid-market: el ahorro de tiempo declarado sube cada trimestre y los cycle times siguen exactamente donde estaban.
Tres propiedades que hacen invisible este coste
Cruza una frontera. La contabilidad de costes se organiza por equipo. Un coste que nace en un equipo y aterriza en otro no tiene dueño natural, así que ninguno de los dos lo registra.
Es seniority no facturada. Quien corrige suele ser la parte más senior — la persona con suficiente criterio de dominio para detectar el error. Está pagando sus tarifas por hora más altas para limpiar output generado con las más bajas.
Es socialmente incómodo de declarar. «Pasé la tarde arreglando el borrador de IA de un colega» no es una línea cómoda en un informe de estado, así que se registra como la tarea subyacente.
Este no es el retroceso del que ya ha leído
Dos hallazgos adyacentes se confunden con este, y la distinción determina qué palanca accionar.
El Work AI Index de Glean — 6.000 trabajadores digitales, elaborado con investigadores de Stanford, UC Berkeley y Harvard — encontró que la IA ahorra unas 11 horas semanales mientras los trabajadores queman unas 6,4 horas en «botsitting»: supervisar, depurar y cambiar de herramienta (Glean, 2026). Eso es una devolución del mismo trabajador. Quien ahorra el tiempo se lo paga a sí mismo, y la solución es el acceso al contexto: qué le permiten alcanzar sus sistemas al modelo.
El ensayo aleatorizado de METR apuntaba a un fallo distinto: 16 desarrolladores open source experimentados, 246 tareas reales en sus propios repositorios. Preveían un 24 % más de velocidad, después creían haber ganado un 20 % y se midieron un 19 % más lentos (METR, 2025). Eso es un fallo de percepción: el ahorro autodeclarado es poco fiable incluso en expertos trabajando sobre su propio código.
Adaptavist describe una tercera cosa: una transferencia lateral. Ni el mismo trabajador devolviéndose el tiempo, ni una ganancia mal percibida, sino un coste que sale de un centro de coste y llega a otro. El tooling de contexto no lo arregla. Una mejor autodeclaración tampoco. Solo medir en la frontera lo hace.
Los tres hallazgos, por cierto, se acumulan. Si el ahorro está sobreestimado en origen (METR), parcialmente reabsorbido por el mismo trabajador (Glean) y parcialmente exportado a un colega (Adaptavist), la ganancia neta residual en un workflow mid-market típico es una cifra mucho menor de lo que cualquiera de los estudios sugiere por separado.
Dimensionarlo: cuánto pesa el impuesto de verificación con 200 FTE
El estudio reporta proporciones, no horas, así que cualquier cifra en euros es aritmética suya, no de Adaptavist. Hágala igualmente: el orden de magnitud es el argumento.
Tome una empresa de 200 personas donde 120 hacen trabajo del conocimiento. Si el 52 % corrige habitualmente output de IA de colegas, son unas 62 personas. Suponga —de forma conservadora, y esta es la hipótesis que hay que poner a prueba más que creer— dos horas semanales cada una. Son 124 horas por semana, unas 6.400 horas al año, el equivalente a tres puestos a tiempo completo que nunca contrató, presupuestó ni discutió.
Ahora fíjese de quién son esas horas. Corregir exige el criterio necesario para saber qué está mal, así que se concentra en sus colaboradores individuales senior — las mismas personas que nombraría si le preguntaran quién es más difícil de reemplazar. Está gastando tres FTE de su criterio más escaso en limpieza que no figura en los objetivos de nadie.
La cifra es ilustrativa. El ejercicio no lo es: hágalo con su plantilla y su estimación, póngalo delante de quien controla el presupuesto de IA y observe con qué rapidez la conversación pasa del recuento de licencias al diseño de procesos.
Lo que el estudio no puede decirle
Tres límites, dichos con claridad. Es autodeclarado, así que el 42 % es una percepción del tiempo neto, no una medición — y el trabajo de METR es una advertencia directa sobre cuánto se desvían las autodeclaraciones. Es transversal, así que retrata marzo de 2026 y no puede decir si el impuesto crece o decrece. Y encuesta a trabajadores de cinco países y de empresas de todos los tamaños, no específicamente a operaciones mid-market; la dirección debería trasladarse, la magnitud en su contexto está sin establecer.
Lo que sobrevive a los tres es el punto estructural: la corrección cruza una frontera que la medición no cruza.
La objeción obvia, y dónde se sostiene
La réplica razonable: esto es fricción de adopción temprana. La calidad del output mejora, las normas de revisión maduran y el impuesto decae. Algo de eso es sin duda cierto. El uso de primera generación de cualquier clase de herramienta lleva una prima de corrección que baja con la familiaridad.
Dos cosas limitan el optimismo.
Primero, la corrección no depende sobre todo de la calidad del modelo: depende de la ubicación de la responsabilidad. Mientras generar sea barato y revisar caro, el volumen sube hasta el nivel que le resulta cómodo a quien genera, y quien revisa absorbe la diferencia. Mejores modelos suben el volumen tan rápido como suben la calidad.
Segundo, hay indicios de que la fricción se está formalizando en lugar de disolverse. La investigación de fuerza laboral 2026 de BambooHR halló que el 81 % de los líderes declara ganancias de productividad por IA mientras el 49 % de los trabajadores dice que la IA no aportó valor alguno (BambooHR, 2026). Cuando las ganancias no verificadas ya están descontadas en las expectativas de la dirección, el trabajo de corrección no recibe recursos: lo absorben en silencio las personas cuyo desempeño se mide precisamente contra esa ganancia declarada.
Así que: el argumento de la fricción se sostiene sobre la magnitud del impuesto. No se sostiene sobre su dirección.
Medir el retrabajo de IA en la frontera del traspaso
Cuatro movimientos. Todos son cambios de medición o de política; ninguno requiere gasto nuevo.
1. Instrumente el traspaso, no la pulsación. Elija sus dos workflows inter-equipos de mayor volumen y registre tres cosas en el lado receptor: horas de revisión, borradores rechazados y rondas hasta la aceptación. El paso de revisión ya existe. Simplemente no lo está cronometrando. Un mes de esto produce una cifra real de horas netas en lugar de una autodeclarada.
2. Asigne la propiedad de la revisión antes de que una herramienta entre en producción. Todo workflow asistido por IA que cruce una frontera de equipo necesita un revisor nombrado y un número de horas presupuestado. Si nadie financia la revisión, el workflow no está listo: está proponiendo enrutar un coste no presupuestado hacia la semana de un colega.
3. Haga de la procedencia una norma, no una confesión. Exigir una línea de nota en el trabajo asistido por IA que cruza una frontera —qué se generó, qué se verificó, qué no— le cuesta segundos a quien envía y le ahorra a quien recibe la reconstrucción. Además, discretamente, frena el volumen, porque el output masivo sin revisar se vuelve visiblemente atribuible.
4. Reequilibre la muestra de a quién pregunta. Las encuestas de adopción casi siempre consultan a quien genera. Consulte a quien recibe: ¿cuánto de su semana se va en corregir trabajo asistido por IA que usted no produjo? Esa sola pregunta, hecha a sus colaboradores individuales senior, le dirá más sobre su verdadero ROI de IA que todo su panel de uso de licencias.
Fíjese en el patrón de los cuatro: ninguno ralentiza la adopción. Reubican la medición donde el coste aterriza de verdad.
Una decisión para este trimestre
Su retrabajo de IA no es un error de redondeo, y no es invisible por ser pequeño. Es invisible porque su instrumentación se detiene en el momento de la generación y el coste empieza un escritorio más allá.
Así que la pregunta no es si su IA está entregando valor. Es más estrecha y mucho más respondible: en sus dos workflows inter-equipos de mayor volumen, ¿quién está corrigiendo ahora mismo, y le ha preguntado alguien cuánto tiempo le lleva?
Si no puede nombrar a esa persona antes de que acabe la semana, no tiene un problema de ROI de IA. Tiene un problema de medición disfrazado de ROI, y seguirá diciéndole exactamente lo que quiere oír hasta que mueva el contador al otro lado del traspaso.
