La IA que acelera tareas también acelera la fatiga mental, dice Harvard

El estudio que difunde Harvard Business Review junto a Boston Consulting Group y académicos de UC Riverside, citado por Infobae el 11/3/2026, plantea una conclusión clara: la integración masiva y simultánea de herramientas de IA puede producir un nuevo tipo de fatiga mental entre trabajadores que deben supervisar, interpretar y coordinar múltiples sistemas (Harvard Business Review / BCG / UC Riverside, 11/3/2026). El dato central es simple y suficiente: eficiencia técnica no es sinónimo de compatibilidad cognitiva. Vemos aquí una lección clásica sobre consecuencias no intencionadas: automatizar procesos sin modificar los ritmos y límites humanos genera costos ocultos que rara vez aparecen en los balances de las empresas.

¿Qué dice el estudio y por qué importa?

El informe documenta testimonios y casos operativos donde la promesa de mayor productividad convive con "estrés, confusión y sensación de no entender lo que ocurre" cuando las plataformas coordinan múltiples agentes de IA, como en el ejemplo de la plataforma de Steve Yegge. Según la nota, ese fenómeno —denominado "brain fry"— no es exclusivo de desarrolladores sino que afecta a trabajadores de áreas administrativas y de soporte. Esto importa porque una herramienta que aumenta output pero reduce bienestar puede ampliar rotación y costos de supervisión. Exijamos datos públicos sobre tasas de rotación, ausentismo y productividad antes y después de la implementación: sin esos números no hay diagnóstico riguroso.

¿Es un problema técnico o institucional?

Desde la psicología cognitiva ya sabemos que la capacidad humana para procesar elementos simultáneos es acotada: la famosa "magical number" de Miller es 7±2 elementos (Miller, 1956), mientras que trabajos posteriores sitúan la memoria de trabajo en alrededor de ≈4 elementos (Cowan, 2001). Es decir, llevamos décadas sabiendo que el cuello de botella es humano, no tecnológico; 70 años después de Miller (1956) volvemos a tropezar con el mismo límite en 2026 (Harvard Business Review / BCG / UC Riverside, 11/3/2026). El problema, entonces, es de diseño organizacional y de dispersión del conocimiento: quien diseñó la solución entiende la máquina; quienes deben operar no siempre tienen la información ni la autoridad para reconfigurar flujos. Aquí entra la crítica al constructivismo de la planificación: pretender imponer un ritmo sin respetar órdenes espontáneos y rutinas acumuladas es receta para captura institucional y fallas prácticas.

¿Qué deben exigir empresas, sindicatos y reguladores?

No proponemos frenar la adopción de IA; proponemos condiciones. Primero: publicación de datos comparables sobre indicadores de salud laboral y desempeño antes y después de despliegues (exigencia ya planteada en notas previas sobre salud mental y vivienda asistida). Segundo: protocolos de integración que limiten la cantidad de sistemas bajo supervisión humana y establezcan umbrales operativos medibles. Tercero: auditorías independientes que evalúen efectos colaterales y costos ocultos. Estas medidas reducen la pretensión de conocimiento técnico y respetan la dispersión de información en las organizaciones. Si no se imponen estas condiciones, corremos el riesgo de convertir eficiencia nominal en desgaste real, con el Estado y los sindicatos reaccionando a posteriori en forma punitiva y mal diseñada. Preferimos competencia, transparencia y límites claros antes que más gasto o regulaciones apresuradas.