Estábamos en una clase del curso de IA con un grupo de diseñadoras, ya en el último bloque de actividades. En las miniaturas de video veía señales de cansancio. Era normal a esa altura: ya eran las diez de la noche de un día laboral.
Lo mencioné al grupo, porque es una realidad de la que conversamos poco: el agotamiento que puede producirse trabajando con IA. Todas lo reconocieron apenas lo puse en palabras.
Después de una jornada larga trabajando con inteligencia artificial sentían el cerebro frito. Algunas mencionaron dolor de cabeza o jaqueca. Lo llamativo no fue sólo que compartieran la experiencia, sino que varias pensaban que les ocurría únicamente a ellas.
Como si terminar agotadas fuera una señal de que estaban usando mal la herramienta.
Esto contrasta con la promesa habitual de la IA, que parece apuntar en la dirección contraria. Si permite producir más en menos tiempo, automatizar tareas y avanzar con rapidez, lo lógico sería terminar la jornada con más energía disponible.
Pero no siempre ocurre así.
La IA puede acelerar el trabajo sin volverlo mentalmente liviano. Una parte del esfuerzo desaparece, pero otra parte cambia de lugar: deja de estar en la ejecución visible y se concentra en orientar, leer, verificar, comparar, corregir, priorizar e integrar resultados.
Es por eso que una jornada puede ser mucho más productiva, pero al mismo tiempo, mucho más agotadora.
La IA hace mucho, pero no trabaja sola
Cuando usas IA para resolver una tarea, desde fuera puede parecer que el sistema hizo casi todo. Generó el texto, propuso alternativas, buscó información, modificó un archivo o produjo una primera versión en pocos segundos.
Entre la instrucción y el resultado, sin embargo, ocurre bastante trabajo humano.
Primero decides qué intentas conseguir. Después necesitas convertir esa intención en instrucciones que el sistema pueda utilizar. Cuando llega una respuesta, tienes que entenderla, evaluar si corresponde a lo que pediste, detectar errores, reconocer qué partes sirven, descartar otras y decidir qué falta.
Si el resultado no funciona, ajustas la dirección. Si funciona a medias, decides qué conservar. Si abre una posibilidad que no habías considerado, evalúas si vale la pena seguirla o si te está alejando del objetivo.
Nada de eso suele aparecer en el recuento de lo producido. Sin embargo, consume atención, memoria de trabajo y criterio.
En el trabajo manual, parte de ese pensamiento convivía con tiempos de ejecución. Escribir una primera versión, ordenar información o construir una alternativa imponía cierta demora. No era necesariamente descanso, pero sí introducía intervalos entre una decisión y la siguiente.
La IA comprime esos intervalos: el resultado llega cuando todavía estás procesando la decisión anterior. Y como llega rápido, puedes pasar inmediatamente a la siguiente.
Cada resultado abre otra decisión
Ésta es una de las paradojas del trabajo con IA: cuanto más rápido responde el sistema, más rápido puedes volver a decidir.
Una respuesta abre una corrección. La corrección produce otra versión. La nueva versión permite comparar. La comparación descubre algo que falta. Ese hallazgo genera otra instrucción. Y así el ciclo puede continuar durante horas.
Además de haber más información, hay más bifurcaciones.
Cada resultado pregunta, de manera implícita: ¿esto sirve?, ¿es verdadero?, ¿lo integro?, ¿lo corrijo?, ¿pido otra alternativa?, ¿profundizo esta línea?, ¿vuelvo atrás?
La herramienta no necesita recuperar energía entre una iteración y la siguiente, pero tú sí.
La velocidad también cambia la escala de lo que parece posible completar en una jornada. Si antes alcanzabas a explorar dos alternativas, ahora puedes revisar diez. Si una tarea termina antes, aparece espacio para profundizarla, ampliar su alcance o empezar otra. El tiempo ahorrado no siempre se convierte en una pausa; muchas veces se convierte en más trabajo cognitivo.
Esto no significa que la IA sea agotadora por sí misma. Puede reducir muchísimo la carga cuando automatiza trabajo rutinario, recupera información o resuelve una parte bien delimitada de una tarea. El problema se manifiesta cuando la capacidad de producir crece más rápido que la capacidad de evaluar lo producido.
Ahí productividad y agotamiento dejan de ser opuestos y pueden avanzar juntos.
El trabajo invisible también tiene nombre
En 2026, un equipo de Boston Consulting Group y UC Riverside utilizó la expresión AI brain fry para describir la fatiga mental que puede aparecer con el uso excesivo o la supervisión constante de herramientas de IA.
El término es reciente y descriptivo. No es un diagnóstico clínico ni permite atribuir automáticamente un dolor de cabeza o una jaqueca al uso de IA. Tampoco equivale sin más a burnout, que describe un fenómeno laboral crónico y más amplio.
Su valor está en reconocer una experiencia que hasta hace poco carecía de nombre.
Otra línea de investigación ofrece una explicación más precisa. Tankelevitch y colaboradores describen las demandas metacognitivas de la IA generativa: además de pensar sobre la tarea, tienes que supervisar cómo la estás resolviendo con el sistema, calibrar cuánto confiar en sus respuestas y controlar la estrategia de trabajo.
Es, por decirlo de un modo simple, pensar y al mismo tiempo vigilar cómo estás pensando con la IA.
Un estudio posterior con 319 trabajadores del conocimiento encontró un desplazamiento relacionado en las experiencias reportadas por sus participantes: la IA puede reducir el esfuerzo de producir material, pero mueve parte del trabajo hacia la verificación, la integración y la supervisión.
Eso explica por qué el cansancio puede resultar desconcertante. La parte que la herramienta ejecutó es evidente. La parte que tú hiciste —las decisiones, el seguimiento, la responsabilidad por el resultado— se vuelve difícil de ver.
Si sólo miras cuánto produjo la IA, el agotamiento parece desproporcionado. Si miras el sistema completo de trabajo, empieza a tener sentido.
Cuando avanzar deja de ser la señal correcta
Trabajar con IA también altera una señal sencilla que durante mucho tiempo ayudó a organizar una jornada: terminar la tarea.
Con estas herramientas, una tarea rara vez termina por falta de posibilidades. Siempre puedes pedir otra versión, explorar una alternativa, revisar un detalle, abrir otra línea o poner a trabajar otro proceso.
La herramienta todavía puede continuar.
La cuestión es si todavía tienes la atención y el criterio necesarios para entender lo que está ocurriendo, evaluar bien una respuesta y asumir la decisión siguiente.
Reconocer el agotamiento no exige rechazar la IA ni renunciar a la productividad que permite. Exige hacer visible el trabajo que sigue recayendo en ti. También exige aceptar que avanzar mucho no demuestra que todavía puedas seguir avanzando bien.
No necesitas justificar una “pausa técnica” como una forma para volver después y producir más, puede ser simplemente una forma de cuidado frente a una señal real de saturación.
Esa conversación en clase no resolvió cómo medir ese límite ni nos llevó a una receta universal, pero sí convirtió una experiencia que cada una vivía en privado en algo que podía reconocerse y nombrarse.
No sólo te pasa a ti y es necesario ponerle atención. Que la IA todavía pueda seguir produciendo no significa que tu cerebro todavía pueda seguir decidiendo.
