Botsitting: el impuesto oculto de adoptar IA
El 87% de los equipos usa IA. Solo el 13% de las organizaciones mejoró de verdad. El gap está en el 37% del tiempo de IA que nadie presupuesta: el botsitting.
La respuesta tiene nombre: botsitting. Y es el coste que nadie pone en la hoja del ROI.
El 37% que no aparece en ningún Excel de ROI
Glean y el Work AI Institute acaban de publicar un estudio con 6.000 trabajadores de conocimiento. El dato más revelador no está en el resumen ejecutivo: está en cómo se reparte realmente el tiempo de IA.
Ese 37% es lo que el estudio llama botsitting: el trabajo requerido para hacer funcionar la IA. En horas concretas, de media a la semana: 2,3 horas dando a la IA el contexto que no tiene, 2,2 horas supervisando y verificando outputs, 1,7 horas depurando errores y repitiendo prompts.
6,4 horas semanales por persona. Invisibles en cualquier presentación de ROI.
De las 11 horas que ahorra la IA, 6,4 se reabsorben en overhead. El margen real es menos de 5 horas. Y la fatiga no es trivial: los que hacen botsitting frecuente tienen un 73% más de probabilidad de estar buscando otro trabajo activamente.
¿Por qué las organizaciones no mejoran con IA?
Aquí el informe y NLW, el analista que lo cubre en profundidad en The AI Daily Brief, divergen de forma interesante.
El estudio culpa al botsitting del estancamiento organizacional. NLW va más lejos: incluso si eliminases el botsitting por completo, el problema de fondo seguiría ahí. Las ganancias individuales no se convierten solas en ganancias organizacionales — necesitas un mecanismo activo que las redistribuya.
Un trabajador que ahorra 5 horas no mejora los resultados de la empresa a menos que esas horas se redirijan a trabajo de mayor valor, que los flujos cambien, que los cuellos de botella se eliminen. Implementar la herramienta no es transformación. Es el punto de partida.
El primo más peligroso del botsitting
El botsitting tiene una variante peor. El estudio la bautiza con un término gráfico: bot shitting.
No es pereza. Es lo que ocurre cuando la fatiga acumulada lleva a entregar "lo primero que parece bueno" sin poder verificarlo, explicarlo ni defenderlo. La persona deja de entender el output. Deja de sentirse responsable de él.
Cuando algo falla, el 40% de los trabajadores culpa a la IA. Solo el 29% admite responsabilidad propia. Los usuarios intensivos son 3,4 veces más propensos a culpar a la herramienta que los usuarios moderados.
El doom loop: el botsitting genera fatiga, la fatiga genera outputs sin verificar, los errores sin verificar generan rework. Y vuelves al principio con más carga que antes de empezar.
La trampa: cuanto mejor la herramienta, más riesgo
Aquí está la parte que más incomoda. Las herramientas con las mayores ganancias de productividad reportadas son también aquellas cuyos usuarios admiten más bot shitting. ChatGPT: 67% de ganancias de productividad. Claude: 59%. Sus usuarios reportan las tasas más altas de entregar trabajo no verificado (71% y 92% admiten hacerlo al menos una vez al mes).
Tiene sentido cuando lo piensas: cuanto más capaz es la herramienta, más fácil es delegar sin entender. Y aquí aparece una categoría nueva de bot shitting que no es holgazanería, sino imposibilidad real. El profesional de marketing que construye un dashboard con Claude Code no tiene los conocimientos para auditarlo a fondo. La democratización del trabajo especializado tiene su beneficio y su precio incluidos.
Lo que hacen diferente las organizaciones que sí mejoran
El estudio identifica un patrón claro. Lo más relevante: el diferenciador no es tecnológico.
Invierten en personas, no solo en licencias
El 84% recompensa formalmente las AI skills (vs. 48% en el resto). El 90% da formación y soporte suficiente (vs. 52%). La apuesta es en la capacidad de usar bien la herramienta, no en la herramienta en sí.
Dan visibilidad del propio uso de IA
El 71% permite que cada empleado vea sus propios datos de uso de IA (vs. 40%). Convierten la IA en un mecanismo de feedback para mejorar, no en vigilancia para decidir quién rinde más.
Tratan la gobernanza como sistema vivo
El 93% revisa su política de IA regularmente (vs. 55%). El 91% explica el razonamiento detrás de las decisiones (vs. 57%). El 93% de sus empleados confía en la estrategia de IA de la empresa (vs. 57%).
Y un dato sobre adopción que me parece el más sorprendente de todo el informe: el perfil que más multiplica el uso de IA en los equipos no es el CEO que lo impulsa (2,4x de lift), ni el jefe directo (3,2x). Es el compañero de otro departamento que ya usa IA (5x).
La razón tiene mucho sentido: sus flujos ya sobrevivieron el contacto con la realidad organizacional. Los silos, los cuellos de botella, las reuniones que sustituyen a las decisiones. No es una demo en condiciones ideales: es evidencia de que funciona en el caos de verdad.
Llevamos meses trabajando con equipos directivos en Rebundle y el patrón del informe lo reconocemos. (Los datos son de diciembre 2025-enero 2026, antes del salto a agentes autónomos. NLW cree que una réplica hoy los amplificaría, no los reduciría.) La pregunta que más se repite sigue siendo "¿qué herramienta deberíamos usar?". La que más se evita es "¿qué estamos dispuestos a cambiar en cómo trabajamos?". Las organizaciones que más avanzan no son las que compraron el modelo más potente — son las que tomaron la transformación en serio.
Cuando llevas meses con IA y los resultados organizacionales no mejoran al mismo ritmo que los individuales, ¿qué cambiarías primero: la herramienta o los flujos de trabajo?