Hicieron falta más de 30.000 repeticiones para que el cerebro sacara una sola tarea del cuello de botella. Neurocientíficos de Georgetown entrenaron a participantes para clasificar imágenes transformadas de coches en dos categorías, los siguieron con fMRI y EEG antes y después, y descubrieron que el trabajo solo migró fuera de la corteza prefrontal —la región que atiende una cosa a la vez— hacia la corteza temporal después de cinco a diez semanas de práctica diaria (Georgetown University Medical Center, 2026). Antes de ese punto, la tarea consumía capacidad ejecutiva. Después, la misma tarea funcionaba casi gratis.
Ese hallazgo tiene un corolario incómodo para cualquiera que dirija la adopción de herramientas de IA en una empresa de tamaño medio. Una herramienta nueva es, por definición, no automática. Se instala en el cuello de botella prefrontal y gasta exactamente la capacidad cognitiva que desplegaste para liberar — y se queda ahí durante semanas. La caída de productividad que tu equipo reporta en el primer mes no es resistencia, ni es señal de que la herramienta fuera la elección equivocada. Es el coste previsible de una habilidad que todavía no ha sido redirigida.
Qué midió realmente Georgetown
El estudio, publicado en el Journal of Cognitive Neuroscience y liderado por el primer autor Patrick Cox junto al autor sénior Maximilian Riesenhuber, es inusual porque es longitudinal. La mayoría de la investigación sobre aprendizaje capta o bien las primeras horas de adquisición de una habilidad o bien al experto ya formado. Este midió los mismos cerebros antes y después de un bloque de entrenamiento prolongado, usando una app de móvil que permitió a los participantes acumular más de 30.000 ensayos en cinco a diez semanas (Georgetown University Medical Center, 2026).
El resultado: al principio del aprendizaje, la categorización activaba la corteza prefrontal. Tras la práctica prolongada, esa misma categorización ocurría en la corteza temporal, y la señal de categoría evitaba por completo la corteza prefrontal, conectándose directamente a las regiones de salida (Neuroscience News, 2026). Como lo expresó Cox, el entrenamiento intensivo "esencialmente creó en el lóbulo temporal un área selectiva por categoría que antes no estaba ahí".
La ilustración de Riesenhuber es la que cualquier operador ya conoce de su propia vida: conducir. Cuando aprendes, exige toda tu atención. Años después puedes mantener una conversación y pensar un problema mientras lo haces. El cerebro no se volvió más rápido deliberando sobre la conducción. Sacó la conducción del lugar donde ocurre la deliberación.
Dos hechos de esa arquitectura importan a nivel operativo. Primero, la corteza prefrontal es un cuello de botella real: normalmente solo puede manejar una tarea exigente a la vez. Segundo, la salida de ese cuello de botella no es cuestión de comprensión, motivación ni calidad de la jornada de formación. Es cuestión de volumen de repeticiones, medido en semanas.
La herramienta no automática gasta la capacidad que prometió
Ahora traslada esto a cómo entran realmente las herramientas de IA en un flujo de trabajo del mercado medio. Compras una licencia porque un proceso devora demasiadas horas. El business case dice que libera capacidad. Luego se la entregas a un equipo que nunca la ha usado.
Para ese equipo, cada interacción con la herramienta nueva es una tarea de corteza prefrontal. Decidir qué delegarle, formular la petición, juzgar si el resultado es correcto, detectar dónde está sutilmente equivocado, decidir si aceptar o rehacer — todo eso pasa por el mismo recurso ejecutivo de un solo carril que la herramienta debía aliviar. El flujo de trabajo antiguo era, para un operador con experiencia, en gran medida automático. Ya había hecho la migración que Georgetown midió. El nuevo no.
Así que las primeras semanas no son un intercambio justo de "sale esfuerzo viejo, entra eficiencia nueva". Son un intercambio de trabajo automático por trabajo deliberado — un aumento neto de la carga ejecutiva, incluso cuando la herramienta es objetivamente buena y el resultado objetivamente más rápido. Ese es el mecanismo detrás de la caída. No resistencia. No fatiga del cambio como rasgo de carácter. Arquitectura.
Los datos conductuales son coherentes con esto. El análisis 2026 de ActivTrak sobre 443 millones de horas de actividad de 163.638 empleados halló que, tras la adopción de IA, las sesiones de concentración ininterrumpida cayeron alrededor de un 9% —de 14 minutos y 23 segundos a unos 13 minutos— mientras la actividad de correo subía un 104% y el uso de herramientas de negocio un 94% (ActivTrak, 2026). El trabajo se volvió más rápido y más denso. El contenedor atencional en el que se ejecuta se hizo más pequeño. Así se ve el periodo de transición desde fuera.
Por qué apilar tres herramientas triplica la carga, no los resultados
Aquí es donde la neurociencia se convierte en un error de presupuesto con precio.
Si una herramienta no automática ocupa el cuello de botella, tres herramientas no automáticas no lo comparten con elegancia. La corteza prefrontal no paraleliza; el hallazgo de Georgetown es precisamente que el procesamiento paralelo real solo es posible después de que una de las tareas haya sido redirigida fuera de ella. Despliega tres herramientas en el mismo trimestre y no has triplicado tu palanca. Has triplicado la demanda sobre el único recurso que no se puede dividir, alargando además el tiempo hasta que cualquiera de las tres alcance el automatismo — porque la atención repartida entre tres curvas de principiante acumula repeticiones en cada una más despacio.
El mercado medio ya lo está viviendo. El estudio Global Cost of Complexity 2026 de Freshworks, con 12.021 responsables de decisiones de TI y más de 9.000 en organizaciones de tamaño medio, encontró empresas que usan una media de 4,2 herramientas de IA, con un 9% que usa siete o más — y que pierden de media el 25% de su presupuesto de IA en complejidad antes de ver un solo retorno (Freshworks, 2026). En el mismo estudio, el 86% de los líderes de TI dijo que gestionar la complejidad de la IA aumentó la carga de trabajo de su equipo.
Ese 25% suele explicarse como un problema de integración y configuración. En parte lo es. Pero el resultado de Georgetown nombra un segundo coste que ningún presupuesto de integración captura: el impuesto humano de cuello de botella que supone operar varias herramientas no automáticas a la vez. El sobrecoste de configuración se ve en una factura. La saturación prefrontal solo aparece como un equipo que, inexplicablemente, está más ocupado después de que le dieras software para ahorrar tiempo.
Es el efecto compuesto lo que hace esto caro, no meramente lento. Una herramienta que alcanza el automatismo deja de consumir capacidad ejecutiva y empieza a devolverla — y esa capacidad devuelta es la que financia la siguiente adopción. Una cartera de herramientas que se quedan todas justo por debajo del automatismo nunca produce ese dividendo, así que cada despliegue posterior se financia desde la misma cuenta ya vacía. Cuatro coma dos herramientas no es un problema de proliferación en sentido de compras. Es un problema de capitalización compuesta girando al revés.
Secuencia la adopción de herramientas de IA por automatismo, no por cobertura
La mayoría de los planes de despliegue de IA se secuencian por cobertura: poner las herramientas delante del mayor número de equipos posible, tan rápido como permita el área de compras, porque el presupuesto piloto caduca. El mecanismo de Georgetown defiende secuenciar por automatismo, y eso cambia tres decisiones concretas.
Financia semanas, no lanzamientos
Si la redirección tarda de cinco a diez semanas de repetición densa, entonces la unidad significativa de un despliegue de IA no es la fecha de lanzamiento — es la ventana de repetición que la sigue. Un despliegue que forma a un equipo el martes y traslada la atención de gestión del cambio a otro sitio el miércoles ha financiado la parte más cara de la curva y abandonado aquella donde vive el retorno. Presupuesta el seguimiento: tiempo de uso protegido, un responsable con nombre y apellidos, y suficiente volumen de trabajo real pasando por la herramienta para que las repeticiones se acumulen a diario y no semanalmente.
Un flujo de trabajo a la vez, deliberadamente
Lleva una sola herramienta a través de un solo flujo de trabajo hasta el automatismo antes de abrir el siguiente frente. Parece más lento y es más rápido. Dos despliegues secuenciales que alcanzan el automatismo superan a tres simultáneos que se quedan todos en el cuello de botella — y el primero, una vez redirigido, libera de verdad la capacidad ejecutiva que necesitará el segundo. La promesa práctica de Georgetown es que la capacidad vuelve. Solo que vuelve al otro lado de la repetición, no al otro lado de una presentación de formación.
Deja de leer la caída de la primera semana como un veredicto
La lectura más cara en la adopción de herramientas de IA es tratar la caída inicial como evidencia sobre la herramienta o sobre el equipo. Los líderes que la ven y concluyen "nuestra gente se resiste" responden con más mandatos. Los que concluyen "esta herramienta no funciona" cambian de proveedor — lo que reinicia el reloj y devuelve al equipo al ensayo número uno. Ambas respuestas son el mismo error: confundir un coste de transición con un veredicto. La pregunta relevante en la semana tres no es "¿ya somos más rápidos?" sino "¿se están acumulando las repeticiones?". Mide pronto profundidad y frecuencia de uso; mide las horas ahorradas después de que se cierre la ventana.
Hay una capa de segmentación que merece nombrarse. La redirección la impulsa la repetición, pero la tolerancia a la fase de esfuerzo deliberado no se reparte de forma uniforme dentro de un equipo. Algunas personas atravesarán un valle de cinco semanas sin inmutarse; otras volverán discretamente al flujo antiguo en la segunda semana y se llevarán consigo la curva de repetición. Saber quién es quién entre tu gente —antes de elegir el grupo piloto— es la diferencia entre un despliegue que alcanza el automatismo y uno que se estanca en el 40% de adopción y se archiva como fallo de herramientas.
La única decisión de este trimestre
Cuenta las herramientas de IA que se ha pedido a tu equipo aprender en los últimos noventa días. Si el número supera una por flujo de trabajo, no estás midiendo un problema de adopción — estás midiendo una cola ante un recurso de un solo carril que no se ensancha pidiendo a la gente que se esfuerce más.
Así que elige una. Escoge el flujo de trabajo de mayor valor, dedícale una sola herramienta, protege la repetición durante cinco a diez semanas y mantén cualquier otra adopción de herramientas de IA detrás de esa línea hasta que la primera funcione sin deliberación. Esa única decisión de secuenciación no cuesta nada, no exige ningún proveedor nuevo y es la única intervención de este artículo que actúa directamente sobre el cuello de botella en lugar de alrededor. La capacidad que te prometieron es real, y Georgetown acaba de mostrar el mecanismo físico que la entrega. Llega al otro lado de la repetición — y solo para los equipos a los que se les permitió terminar.
