El 71 % de los empleados afirma que las herramientas de IA les ayudan a sentirse más productivos. Entre los usuarios más intensivos, la cifra sube al 93 %. Pregunte a esas mismas personas si su carga de trabajo es razonable para su puesto y la respuesta apenas se mueve: 72 % entre los power users frente al 69 % entre los no usuarios — una diferencia de tres puntos (Culture Amp, 2026).
Esos dos resultados provienen de la misma encuesta, los mismos empleados, los mismos doce meses. Una curva sube con fuerza según la intensidad de uso. La otra es plana.
No es un error de medición. Es un artefacto de gestión, y significa que la capacidad creada por su despliegue de IA se está reabsorbiendo dentro de los mismos puestos en lugar de reasignarse a algo que usted haya elegido.
Dos curvas de un mismo conjunto de datos
El primer benchmark AI at Work de Culture Amp se basa en 342 encuestas realizadas por 292 organizaciones en su plataforma, que representan aproximadamente 112.000 empleados y 343.000 respuestas individuales recogidas en los doce meses hasta julio de 2026. Los encuestados abarcan 16 sectores y todas las grandes regiones; los colaboradores individuales son unos dos tercios de la muestra. Los empleados se estandarizaron en cuatro niveles de uso — no usuarios, usuarios ligeros (una o dos veces por semana), usuarios diarios y power users (varias veces al día) (Culture Amp, 2026).
Dentro de esos niveles, casi toda medida de experiencia mejora con el uso. La conciencia de los riesgos pasa del 67 % entre los no usuarios al 95 % entre los power users. La motivación para ir más allá de lo que el puesto exigiría en otra empresa llega al 72 % entre los usuarios más intensivos frente al 57 % entre los no usuarios. La conformidad con que la IA les ha ayudado a aprender y crecer promedia el 66 % a nivel global, arrastrada hacia abajo por los no usuarios con el 27 %.
Un solo ítem se niega a seguir la pauta. En la afirmación «En general, mi carga de trabajo me parece razonable para mi puesto», la favorabilidad va del 69 % entre los no usuarios al 71–72 % entre todos los que usan IA en alguna medida. La lectura de Culture Amp es tajante: la adopción inicial mejora ligeramente la percepción de la carga de trabajo, y una mayor frecuencia de uso no produce ningún alivio adicional (Culture Amp, 2026).
La productividad percibida se sitúa en el 71 % en toda la muestra y en el 93 % entre los usuarios más intensivos. El alivio percibido de la carga de trabajo, en esos mismos niveles, vale tres puntos.
Por qué su panel de adopción no ve una carga de trabajo plana
La mayoría de los programas de IA del mid-market están instrumentados sobre la variable equivocada. Número de licencias, usuarios activos semanales, prompts por puesto, estimaciones de tiempo ahorrado a nivel de herramienta — todas suben cuando sube la adopción. Ninguna cambia cuando la hora liberada se consume silenciosamente en más trabajo del mismo tipo.
La reabsorción es invisible por construcción. Un empleado que termina el informe del jueves en cuarenta minutos en lugar de noventa no reporta una semana más ligera; reporta una semana con más cosas dentro. Culture Amp plantea esta objeción contra sí misma, y con razón: los platos se vuelven a llenar a medida que las personas ganan eficiencia, y eso es normal. Nadie espera que una quilter con máquina produzca el mismo número de colchas al año que otra que cose a mano.
El problema no es que el plato se haya vuelto a llenar. Es que nadie decidió qué se ponía en él.
Ahí es donde el hallazgo de Culture Amp deja de ser una curiosidad y pasa a ser una cuestión de presupuesto. Si su business case asumía que las horas recuperadas aparecerían como capacidad liberada, contrataciones evitadas o ciclos más rápidos, y sus propios datos de engagement dicen que la carga de trabajo percibida es plana en todos los niveles de uso, entonces el business case no está verificado — no refutado, no verificado. No tiene ningún instrumento apuntando a lo que prometió.
Adónde van realmente las horas recuperadas
Otros dos conjuntos de datos de 2026 trazan los destinos, y ninguno es estratégico.
La cuarta encuesta anual AI at Work de BCG — 11.749 trabajadores en 14 mercados — encontró que el 42 % de los usuarios habituales de primera línea declara ahorrar al menos una jornada laboral completa por semana gracias a la IA, mientras que el 66 % dice recibir orientación limitada o nula sobre qué hacer con ese tiempo, y más de la mitad no lo redirige a trabajo estratégico. En la misma muestra, el 47 % declara ahora pasar más tiempo gestionando y dirigiendo la IA que haciendo el trabajo, y el 72 % afirma que la IA ya ha cambiado considerablemente las competencias que su puesto espera (BCG, 2026).
Lea esos dos números juntos. La hora es real. La decisión sobre esa hora no existe. En su ausencia, la hora va por defecto a la demanda más cercana disponible — que, cada vez más, es la propia IA.
La encuesta de BambooHR a 1.608 empleados de oficina estadounidenses puso un cronómetro a ese comportamiento por defecto. Los trabajadores pasan de media 87 minutos al día dentro de herramientas de IA; el 42 % de ese tiempo se dedica a resolver errores e iterar prompts, frente al 35 % en trabajo que realmente hace avanzar su propia carga (BambooHR, 2026). Más tiempo de IA va a arreglar la IA que a producir con ella.
Así que la capacidad no se desvanece en la inactividad. Se gasta — en supervisión, corrección y la nueva superficie de coordinación que crearon las herramientas. Ese trabajo es real. Simplemente es trabajo que nadie presupuestó, nombró ni asignó a un puesto.
El vacío de orientación es el mecanismo
El mismo benchmark que encontró la carga de trabajo plana encontró también la causa, y no es la resistencia de los empleados.
El 85 % de los empleados afirma que su organización fomenta activamente la exploración y la experimentación con IA. Solo el 58 % dice que sus líderes han explicado claramente cómo la IA se conecta con el rumbo de la empresa — el ítem con la puntuación más baja de todo el benchmark, y una brecha de 27 puntos respecto al ítem de fomento. Más cerca del día a día, solo el 60 % dice que su manager comparte ejemplos de cómo la IA puede apoyar sus objetivos, y el apoyo de sistemas y procesos se queda en el 64 % (Culture Amp, 2026).
Amy Lavoie, VP of People Science de Culture Amp, extrae la conclusión del dato de productividad más que de los de sentimiento: la mayoría de los comités de dirección leería que siete de cada diez empleados se sienten más productivos como un retorno de la inversión, pero con las puntuaciones de carga de trabajo estables es una pregunta sin responder. Las organizaciones que verán un retorno genuino, sostiene, «no serán las que tengan las tasas de adopción más altas. Serán las que decidieron, explícitamente, qué iban a dejar de hacer con el tiempo que les devolvió» (Culture Amp, 2026).
Esta es una plantilla que ha hecho su parte. El artefacto que falta está por encima de ella: una decisión escrita sobre qué se deja de hacer.
Una segunda señal en el mismo comunicado
Un hallazgo adyacente merece manejarse con cuidado. El conocimiento de los empleados sobre las oportunidades internas de carrera cayó 10 puntos porcentuales desde julio de 2025 — la mayor variación anual en los datos de benchmark de Culture Amp — mientras que la satisfacción con el desarrollo profesional se mantuvo en el 66 %, donde está desde 2021. Los empleados no están menos satisfechos con el desarrollo que reciben; tienen menos claro qué viene después.
La salvedad importa: Culture Amp indica que esas cifras de carrera provienen de su benchmark de engagement más amplio, una población mayor que la muestra de IA de 112.000 empleados. No las atribuya a la cohorte de IA. Trátelas como el clima circundante, no como la misma medición.
La objeción honesta
Tres límites, dichos con claridad.
Esto es percepción, no producción. Cada cifra aquí es un empleado informando de cómo se siente. Culture Amp lo dice explícitamente: cada resultado del benchmark es un conjunto de empleados contándole cómo se siente respecto a algo, no una medida de producción ni de horas. Una puntuación plana de carga de trabajo es compatible con ganancias reales de capacidad que las personas simplemente absorbieron sin darse cuenta.
La muestra se autoselecciona. Las organizaciones que lanzan una encuesta sobre IA están, por definición, más avanzadas que las que no. Norteamérica representa el 58 % de las empresas que usan la plantilla, tecnología lidera por sector, y las organizaciones de más de 1.000 empleados son alrededor de un tercio de los usuarios. El encuadre de Culture Amp es correcto: lea esto como el retrato de organizaciones ya comprometidas con la IA, no de cualquier empleador. (El cuerpo del comunicado también cita «123 organizaciones» en un párrafo, frente a 292 en su bloque metodológico; la nota de metodología es la que hay que citar.)
La explicación alternativa es el calendario, no el fracaso. El working paper NBER 35684 — Babina, He y Jiang — vincula las primeras ganancias de productividad de la IA a la acumulación de capital organizativo, el conocimiento duradero y específico de la empresa construido mediante learning-by-doing, más que a las herramientas o a la plantilla de IA como tal (NBER, 2026). El cuerpo del paper está restringido, por lo que no debe atribuírsele ningún tamaño de efecto. Pero la dirección es una objeción legítima: un año de carga de trabajo plana puede ser el coste de construir conocimiento de proceso que paga más tarde. Esa lectura, sin embargo, solo está disponible para las empresas que de hecho están codificando algo. No está disponible para una empresa con 400 flujos de trabajo optimizados individualmente y ningún registro de ninguno de ellos.
Qué decidir antes de que cierre el trimestre
Cuatro movimientos. Ninguno es una licencia nueva.
- Escriba la lista de lo que se deja de hacer, por equipo, con nombres. No «reducir el trabajo manual» — tres entregables recurrentes concretos que después de este trimestre dejan de producirse, y quién confirmó que ya no son necesarios. Si nada de la lista resulta incómodo, la lista es decorativa.
- Nombre el destino de las horas recuperadas antes de reclamarlas. Una hora liberada sin destino nombrado es una hora absorbida. Elija uno por puesto: un objetivo de desarrollo, un proyecto transversal, un movimiento interno o holgura deliberada. «Trabajo estratégico» no es un destino.
- Añada una pregunta sobre carga de trabajo a su próxima encuesta de engagement y segméntela por nivel de uso de IA. Puede reproducir el hallazgo de Culture Amp dentro de su propia empresa en un solo ciclo de encuesta. Si sus usuarios más intensivos reportan la misma carga que sus no usuarios, ha medido la reabsorción de forma directa — en sus datos, con sus puestos adjuntos.
- Instrumente el puesto, no la herramienta. La decisión sobre qué se deja de hacer exige ver qué aporta realmente cada posición, qué competencias podrían construir las horas recuperadas y qué movimiento interno hace posible la capacidad liberada. Eso son datos a nivel de puesto, no datos de adopción. La capa de performance y sucesión de Scovai mide competencias por ciclo y de ahí deriva movilidad interna y preparación para la sucesión, si quiere una referencia concreta de cómo se ve esa instrumentación.
El verdadero hallazgo del benchmark no es que la IA no lograra reducir la carga de trabajo. Es que 112.000 empleados recibieron una ganancia de productividad y nadie, por encima de ellos, especificó para qué era.
Sus usuarios de IA más intensivos ya encontraron el tiempo. La única pregunta que queda para este trimestre es si decide usted adónde va, o si lo decide su bandeja de entrada.
