El cincuenta y seis por ciento de los trabajadores estadounidenses que usaron IA en el trabajo la semana anterior ahorró dos horas o menos. El trece por ciento no ahorró nada, o necesitó tiempo adicional para terminar el trabajo (U.S. Census Bureau, 2026; Nextgov/FCW, 2026).
Es la primera medición federal e independiente de proveedores del tiempo que ahorra la IA en el trabajo. No es un argumentario de licencias, ni una exportación de telemetría de customer success, ni una encuesta hecha por una empresa que vende puestos. Y para un Head of Operations que está construyendo su business case de IA para 2026, resuelve una pregunta que los datos de los proveedores no pueden resolver estructuralmente: cuánto recupera de verdad el usuario mediano.
La respuesta son una o dos horas. El problema no es que la cifra sea pequeña. Es que una o dos horas dispersas no son la unidad en la que está denominado tu business case.
Qué midió realmente el Censo sobre el tiempo que ahorra la IA en el trabajo
La Household Trends and Outlook Pulse Survey de marzo de 2026, publicada el 11 de agosto, preguntó a los ocupados si habían usado IA para alguna de 11 tareas laborales concretas. Alrededor del 55% dijo que sí (Census Bureau, 2026).
Vale la pena leer la lista de tareas con atención, porque describe la forma de la adopción real, no la forma de una hoja de ruta:
- 37% — buscar información o ayuda técnica
- 32% — redactar comunicaciones, documentación o instrucciones
- 32% — generar ideas
- 31% — interpretar, traducir o resumir información
- 27% — tareas administrativas
Nada de esto es agéntico. Es recuperación, redacción y compresión — el centro sustituible del trabajo del conocimiento, no la propiedad de procesos de extremo a extremo sobre la que están escritos casi todos los planes de despliegue de 2026.
Luego, la pregunta del tiempo. Entre quienes usaron IA la semana anterior, la distribución fue: el 25% ahorró menos de una hora, el 31% de una a dos horas, alrededor del 30% tres horas o más (repartido casi por igual entre tres horas y cuatro o más), el 10% no ahorró nada y el 3% dijo que el trabajo llevó más tiempo con IA que sin ella (Census Bureau, 2026; CBS News, 2026).
Una nota metodológica que importa para cómo cites esto internamente: la pregunta del Censo está anclada a tareas completadas en la semana previa, no a un total semanal limpio por persona. Si acaso, ese encuadre es generoso. El uso también es más delgado de lo que sugieren los titulares de adopción: solo el 24% de los usuarios de IA la tocó todos los días de la semana de referencia, mientras que el 46% la usó al menos un día.
Dos lecturas federales independientes, un solo número: unas dos horas
La característica más útil de este conjunto de datos es que es la segunda medición de origen federal que aterriza casi en el mismo punto.
La encuesta nacionalmente representativa de Bick, Blandin y Deming — la que sustenta el trabajo de adopción de la St. Louis Fed — preguntó a los usuarios de IA generativa cuántas horas adicionales habrían necesitado para terminar el trabajo de la semana previa sin ella. La respuesta fue el 5,4% de las horas trabajadas, es decir, unas 2,2 horas en una semana de 40 (St. Louis Fed, 2024).
Dos instrumentos distintos, dos años distintos, dos diseños de pregunta distintos. Ambos aterrizan en torno a dos horas.
Aquí está la parte que casi todo el mundo lee al revés. Los proveedores tampoco están lejos de esa cifra. El estudio Total Economic Impact de Forrester sobre Microsoft 365 Copilot construye su motor de valor sobre unas 9 horas ahorradas por usuario al mes — unas 2,25 horas semanales — y aun así llega a un ROI del 116% para su organización compuesta, con 36,8 millones de dólares en beneficios frente a 17,1 millones en costes a tres años (Forrester, 2025).
Así que el desacuerdo entre los datos federales y el modelo del proveedor no va de horas. Va de cuánto vale una hora. Y ese es un supuesto de modelo que es tuyo, no uno que el proveedor pueda validar por ti.
Tu business case no se equivoca en las horas. Se equivoca en qué son esas horas.
La aritmética estándar es horas ahorradas × coste horario cargado × plantilla. Es limpia, sobrevive a una revisión financiera y es errónea de una forma concreta: asume que el tiempo recuperado es fungible con el tiempo comprado.
No lo es. Dos horas a la semana, repartidas entre una docena de tareas interrumpidas, son holgura. Se absorben en la jornada laboral — finales de jornada un poco antes, revisiones un poco más largas, algo menos de compresión al cerrar la semana. No se consolidan en un incremento de capacidad reasignable, porque nada en el modelo operativo está diseñado para recogerlo. En una empresa de 200 FTE no existe mecanismo alguno que barra los noventa minutos dispersos de cuarenta personas y los convierta en un proyecto financiado.
Es la versión mid-market de un resultado macro. La contabilidad por tareas de Acemoglu sobre el efecto agregado de la IA — cuota de tareas afectadas multiplicada por el ahorro medio de coste por tarea — produce no más de un 0,66% de aumento de la productividad total de los factores en diez años, precisamente porque ahorros significativos por tarea sobre una porción modesta del trabajo no se agregan como la intuición exige (Acemoglu, 2024). Tu cuenta de resultados ejecuta la misma aritmética a menor escala, con el mismo resultado.
La prueba operativa es binaria e implacable: ¿una tarea completa salió de la mesa de alguien?
Si una conciliación mensual, un ciclo de primer borrador, una clase de tickets de nivel uno o la construcción de un informe están ahora plenamente absorbidos — eso es capacidad, y es contabilizable. Se manifiesta como una vacante que no cubres, un contratista que no renuevas, una cola que se despeja sin horas extra. Si en cambio cada tarea sigue requiriendo a una persona y cada una es algo más rápida, has comprado comodidad. La comodidad es una compra legítima. No es una línea de coste, y nunca debió modelarse como tal.
El 13% que nadie valora
El diez por ciento de los usuarios de IA no ahorró tiempo. El tres por ciento necesitó más del que habría necesitado sin ella (Nextgov/FCW, 2026).
No he visto un business case mid-market que cargue con una cola negativa. Todos los modelos que reviso tratan el ahorro como si tuviera un suelo en cero y una distribución por encima. Los datos federales dicen que aproximadamente uno de cada ocho usuarios está en cero o por debajo — y esos usuarios consumen igualmente una licencia, una plaza de formación y atención de sus mánagers.
Eso replantea la amplitud del despliegue. Un despliegue universal a precio fijo por puesto te compra la distribución entera, incluido su octavo inferior. Un despliegue dirigido a los perfiles de tarea que coinciden con la parte alta de la distribución — redacción de alto volumen, resumen, roles intensivos en búsqueda de información — te compra una truncada. Con 500 puestos, la diferencia entre esas dos curvas es todo el argumento del ROI, y la decide el alcance de la compra, no la tecnología.
La objeción: «Nuestro piloto mostró más que eso»
Probablemente sí. Dos razones estructurales, ambas a tener presentes antes de extrapolar.
Los pilotos seleccionan por entusiasmo. Los voluntarios de un piloto de IA proceden de la cola derecha de la misma distribución que el Censo acaba de publicar — ese 30% que obtiene tres horas o más. Extender a toda la población te mueve hacia la mediana, no hacia la media del piloto. Un piloto que devolvió cuatro horas semanales por participante no pronostica cuatro horas semanales por empleado; pronostica el techo.
El tiempo ahorrado autodeclarado es la estimación de un contrafactual. Tanto el instrumento del Censo como el de la St. Louis Fed piden a las personas que imaginen cuánto habrían tardado sin IA. Es una tarea cognitiva difícil, y no es en absoluto obvio que esté sesgada a la baja. Nada aquí corrige la posibilidad de que las autodeclaraciones sobreestimen.
Ninguno de los dos puntos significa que la tecnología rinda menos de lo prometido. Ambos significan lo mismo en términos operativos: tu business case debe construirse sobre la mediana de una población completa y someterse a estrés en el decil inferior — no construirse sobre la cohorte piloto y proyectarse con esperanza.
Tres decisiones antes de que cierre el trimestre
- Redenomina el modelo en tareas, no en horas. Coge tu business case de IA actual e identifica cada línea donde las horas ahorradas se convierten en dinero. Para cada una, nombra la tarea concreta que ha salido de la mesa de una persona concreta. Las líneas que sobreviven se quedan. Las que no pueden nombrar una tarea se reclasifican de ahorro de coste a beneficio de calidad o de experiencia — real, digno de financiarse, pero ya no portante para el ROI.
- Valora explícitamente el octavo inferior. Añade una línea para ese aproximadamente 13% de usuarios con resultado neto cero o negativo. Multiplícalo por el coste totalmente cargado del puesto más la habilitación. Si esa línea cambia materialmente tu periodo de recuperación, la respuesta es un despliegue más estrecho, no una mejor biblioteca de prompts.
- Instrumenta un proceso de extremo a extremo antes de la renovación. Elige un único flujo de trabajo de alto volumen y bien acotado. Mide el tiempo de ciclo y el número de manos que lo tocan antes y después — a nivel de proceso, no de individuo. Una medición limpia a nivel de proceso vale más que un año de horas autodeclaradas, y es la única evidencia que distingue holgura de capacidad.
La pregunta que conviene hacer antes de renovar
La aportación de la Oficina del Censo no es que el tiempo que ahorra la IA sea poco. Dos horas semanales para más de la mitad de una fuerza laboral que adopta al 55% es una ganancia real y amplia, y converge con la estimación federal independiente.
La aportación es que la cifra ya es pública, no comercial y lo bastante estable para planificar con ella — lo que elimina la última excusa para un business case que multiplica minutos dispersos por un coste horario cargado y llama capacidad al resultado.
Antes de firmar la renovación, hazle a tu equipo una pregunta y exige un nombre, no un número: ¿qué tarea ya no requiere a una persona? Si nadie sabe responder, este año no has comprado capacidad. Has comprado una semana algo más llevadera — y conviene saberlo antes de que finanzas lo descubra en el informe de desviaciones.
