Los trabajadores que usan IA afirman que les ahorra unas 11 horas a la semana —más de una cuarta parte de la semana laboral— y, sin embargo, solo el 13 % dice que su organización rinde significativamente mejor gracias a ella (Glean Work AI Index, 2026). Pon esos dos números uno al lado del otro. El ahorro de tiempo es real y grande. El resultado de negocio está casi ausente. Esa brecha es el hallazgo más importante del año sobre la productividad de la IA, y no es un error de medición. Es adonde van las horas.
Van a algo que los investigadores de Glean han bautizado: botsitting. En una encuesta a 6.000 trabajadores digitales a tiempo completo en EE. UU., Reino Unido y Australia —realizada con investigadores de Stanford, UC Berkeley y Harvard— los trabajadores declararon dedicar una media de 6,4 horas a la semana a supervisar, corregir, reformular prompts y limpiar el trabajo de sus herramientas de IA (Glean / BusinessWire, 2026). Es casi una jornada laboral completa, cada semana, dedicada a hacer de niñera de la herramienta que se suponía iba a devolver esa jornada. Para un Head of Operations, el titular no es «la IA ahorra 11 horas». Es «la IA ahorra 11 horas y te factura calladamente 6 de ellas, y probablemente no estás contabilizando ni unas ni otras».
El número que debería detenerte: 11 horas dentro, 13 % fuera
La mayoría de los casos de negocio de IA se construyen sobre el primer número y asumen en silencio el segundo. La promesa son horas ahorradas por licencia, multiplicadas por la plantilla, contabilizadas como capacidad liberada. El Work AI Index rompe esa aritmética en una línea: el 75 % de los trabajadores del conocimiento dice que la IA aumenta su productividad, pero solo el 13 % afirma que ha mejorado significativamente el rendimiento de su empresa (CIO Dive, 2026). La productividad individual se percibe de forma casi universal. El rendimiento organizativo se mueve en aproximadamente una empresa de cada ocho.
La tentación es leer ese 13 % como un problema de adopción —no hay licencias suficientes, no hay formación suficiente, dale otro trimestre—. Los datos apuntan a lo contrario. La adopción ya es alta; la productividad percibida ya está. Lo que falta es la conversión del ahorro de tiempo individual en trabajo que la organización pueda usar de verdad. Las horas se ahorran en el escritorio y se pierden en el sistema. Un Head of Operations que financia el siguiente tramo de licencias sobre la base del dato de las 11 horas está comprando más del insumo que ya no se está convirtiendo.
Esta es la disciplina que exige el número: dejar de medir la IA por las horas que los individuos dicen haber ahorrado, y empezar a medirla por el trabajo que la organización entregó y que antes no habría podido entregar. La primera métrica es autoinformada y halagadora. La segunda es la única que tu cuenta de resultados verá jamás.
Qué es realmente el «botsitting»
El botsitting es el trabajo poco glamuroso de hacer utilizable la salida de una IA: darle el contexto que le falta, comprobar sus respuestas, depurar sus errores, relanzar prompts, saltar entre sistemas para ensamblar lo que ella no supo ensamblar y reescribir el material seguro-pero-erróneo que produce. La formulación de Glean es contundente: por cada hora que un empleado pasa obteniendo una salida útil de la IA, pasa otra haciéndola utilizable (CIO Dive, 2026). Con 6,4 horas a la semana, el botsitting consume en torno al 37 % del tiempo total dedicado a la IA, algo más del tiempo que los trabajadores pasan realmente usando la IA para producir (AIwire, 2026).
El coste no son solo las horas perdidas. Es lo que ocurre cuando la gente deja de pagarlas. El informe nombra un segundo comportamiento —botshitting— entregar trabajo generado por IA que el empleado no ha verificado realmente. El indicador de alerta temprana está en la tasa de verificación: solo el 69 % de los trabajadores dice verificar las recomendaciones de la IA (CIO Dive, 2026). Léelo como un registro de riesgos operativos, no como una curiosidad. Aproximadamente tres de cada diez salidas de IA entran en tu producto de trabajo sin un control humano. Algunas están bien. Otras son las respuestas seguras-pero-erróneas que el botsitting existe para interceptar, que ahora fluyen directamente a un entregable de cliente, una previsión o un documento de cumplimiento. Las horas que tu equipo ahorra al no hacer botsitting no desaparecen; se convierten en retrabajo latente y riesgo de error que afloran más tarde, más aguas abajo y de forma más cara.
Por qué más licencias y más formación en prompts yerran el blanco
Las respuestas instintivas a un despliegue de IA decepcionante son comprar más licencias o formar a la gente para escribir mejores prompts. Ambas yerran lo que el Work AI Index identifica como la restricción determinante. El propio titular del informe lo dice: la falta de contexto se está comiendo las ganancias (Glean / BusinessWire, 2026). El cuello de botella no es con cuánta destreza un trabajador formula la solicitud. Es si la IA puede alcanzar la información que necesita para responder bien: los documentos, los sistemas de registro, el conocimiento institucional encerrado en herramientas a las que nunca se la conectó.
Esto reformula todo el problema. Un redactor de prompts perfectamente formado que consulta una IA incapaz de ver los datos relevantes seguirá obteniendo una respuesta superficial, genérica o errónea, y luego pasará la hora de botsitting reconstruyendo a mano el contexto que la herramienta no pudo alcanzar. Mejores prompts no cierran una brecha de acceso; solo producen solicitudes más articuladas hacia el mismo vacío. Más licencias multiplican la misma restricción sobre más personas. La palanca que señala la encuesta está aguas arriba de ambas: la arquitectura de la información: qué datos y sistemas tu IA está realmente autorizada y es capaz de recuperar.
La destreza en prompts es un problema del trabajador. El acceso al contexto es un problema operativo.
Esa distinción importa porque reubica la responsabilidad. Si el cuello de botella fuera la destreza en prompts, la solución recaería en los trabajadores individuales y en formación. Como el cuello de botella es el acceso al contexto, la solución recae en quien gobierna cómo se conectan los sistemas y a qué se le permite acceder a la IA: es decir, operaciones y TI, no el usuario final. El trabajo de mapear las fuentes de datos, desmantelar los silos y anclar la IA en el contexto empresarial real es exactamente el tipo de fontanería entre sistemas que un Head of Operations gobierna y que un taller de prompt engineering no puede tocar. Las empresas que se adelantan, señala el informe, son las que anclan la IA en un contexto empresarial genuino y la miden frente a resultados de negocio en lugar del número de licencias.
La exposición del mid-market
Esto golpea con más dureza a la empresa de 100 a 500 empleados, y no por casualidad. Las grandes empresas tienen presupuestos de integración de datos, equipos de plataforma internos y una función de gobernanza cuyo trabajo es conectar los sistemas. El mid-market opera un stack más fino: más herramientas puntuales desconectadas, menos responsables de la integración y un despliegue de IA comprado como licencias en lugar de construido como infraestructura. El impuesto del botsitting es regresivo: pesa más sobre las organizaciones peor equipadas para verlo, porque tienen la menor instrumentación para notar las 6 horas a la semana que se fugan de la agenda de cada usuario de IA.
Para una operación de 200 empleados, la exposición se acumula en silencio. Compra 150 licencias de IA, celebra las 11 horas que cada uno dice ahorrar y contabiliza una cifra superior a las 1.600 horas a la semana de «capacidad liberada» que nunca aparece en el rendimiento. Mientras tanto, esas mismas 150 personas absorben cerca de 1.000 horas a la semana de botsitting no contabilizado, y alrededor de un tercio de su salida de IA se entrega sin verificar. Nada de eso está en un panel, porque el despliegue se concibió como una compra de productividad, no como un cambio operativo. La primera vez que se hace visible es cuando la capacidad liberada no se materializa y alguien pregunta adónde fue el ROI de la IA.
La auditoría antes de la siguiente licencia
El movimiento de mayor palanca para este trimestre no es una herramienta nueva ni un contrato más grande. Es una auditoría de lo que tu IA puede alcanzar realmente, hecha antes de financiar la siguiente licencia, no después. Tres pasos concretos.
Mapea el acceso al contexto frente a tu trabajo real. Para el puñado de tareas en las que más quieres palanca de la IA, hazte una pregunta literal: ¿puede la herramienta recuperar los documentos, registros y sistemas que un humano competente consultaría para hacerlo bien? Allí donde la respuesta sea no, has localizado un generador de botsitting: un punto donde la herramienta producirá una respuesta débil y una persona pasará una hora reconstruyendo el contexto a mano. Esas brechas, no tus plantillas de prompts, son el backlog.
Instrumenta el botsitting y la verificación como métricas permanentes. No puedes gestionar un coste de 6,4 horas a la semana que no mides. Hazles a tus usuarios de IA dos preguntas de forma recurrente: cuánto tiempo se va en corregir, reformular prompts y ensamblar alrededor de la herramienta, y qué porción de la salida de IA llega al producto de trabajo sin un control humano. El primer número es tu línea de trabajo oculto. El segundo es tu riesgo de error. Sigue ambos y la conversación sobre el ROI de la IA pasa de la anécdota a la instrumentación.
Condiciona la siguiente compra al contexto, no a la demanda de licencias. Antes de aprobar más licencias, exige una respuesta: ¿qué cambiamos sobre el acceso a los datos desde el último tramo? Si nada, más licencias reproducirán el mismo fracaso de conversión a mayor coste. Conectar un sistema de registro más a tus licencias existentes rendirá, según esta evidencia, más que duplicar las licencias sobre el mismo stack desconectado.
Aquí es donde la inteligencia de talento y operaciones deja de ser una categoría de herramientas y se convierte en una práctica operativa. En Scovai, el hilo conductor de todo nuestro trabajo es que las decisiones deben descansar sobre una señal objetiva y trazable, y un despliegue de IA no es la excepción. Una herramienta anclada en el contexto que tu trabajo realmente requiere devuelve horas netas. Una herramienta privada de ese contexto devuelve el mismo trabajo, reetiquetado como supervisión.
La decisión de este trimestre
Esta es la única decisión que tomar antes de que cierre el trimestre, y no cuesta más que honestidad. Toma tu despliegue de IA y responde a una pregunta: ¿lo estamos midiendo por las horas que los individuos dicen haber ahorrado, o por el trabajo que la organización entregó y que antes no habría podido entregar? Si es lo primero, estás siguiendo el número de las 11 horas que halaga e ignorando el número de las 6,4 horas que factura. Cambia la métrica, ejecuta la auditoría de acceso al contexto y pon el botsitting y la verificación en un panel antes de aprobar otra licencia. Las empresas que tratan la IA como una compra basada en el número de licencias seguirán preguntándose por qué la productividad percibida nunca llega a la cuenta de resultados. Las que la tratan como un problema de arquitectura de la información encontrarán las horas que les prometieron, y dejarán de pagar el impuesto que no podían ver.
