Análisis · Forma de trabajar

AI Brain Fry: qué muestra el estudio y cómo gestionas varias ejecuciones de IA a buen ritmo

AI Brain Fry es el nombre que un estudio de HBR de marzo de 2026 da a la fatiga mental por el uso excesivo o la supervisión de herramientas de IA. Este artículo sitúa las cifras, explica por qué los cambios de contexto y la supervisión cuestan tanta atención y describe un ritmo de trabajo para varias ejecuciones de IA en paralelo.

En resumen
  • Término: el estudio de HBR de investigadores de la consultora BCG (5 de marzo de 2026) llama «AI Brain Fry» a la fatiga mental por el uso excesivo o la supervisión de herramientas de IA. No es un diagnóstico médico.
  • Prevalencia: el 14 % de los usuarios de IA en grandes empresas de EE. UU. ya lo ha vivido alguna vez (1.488 encuestados, autoinforme). No es el 14 % de todos los empleados, y la pregunta era si lo habían vivido “alguna vez”.
  • Valores porcentuales: los valores sobre supervisión, fatiga, fatiga de decisión, errores y burnout son diferencias relativas de valores de escala, no proporciones de personas. Ejemplo: quien supervisa mucha IA indica de media un 14 % más de esfuerzo mental.
  • Cambios de contexto: que cambiar de tarea tiene un coste está demostrado en el laboratorio (Monsell 2003, Rubinstein et al. 2001). En el estudio, la relación con las preguntas sobre el cambio de tareas es menos clara que la relación con la sobrecarga de información.
  • Contrapunto: menos trabajo rutinario gracias a la IA se asociaba con valores de burnout un 15 % más bajos. Un estudio de campo encontró de media un 15 % más de casos resueltos por hora (Brynjolfsson et al. 2025).
  • Ritmo de trabajo: inicio, enfoque, cosecha, leer las notificaciones solo en la cosecha y lanzar solo tantas ejecuciones como puedas revisar. Para algunos componentes hay indicios de otros ámbitos (Fitz 2019 sobre notificaciones agrupadas, Masicampo y Baumeister 2011); para la supervisión de la IA, ninguno está comprobado.

Hay días en que tengo 5 o 6 ejecuciones de IA a la vez. Lanzarlas lleva minutos. Después los resultados llegan uno tras otro, y cada uno pide revisión, corrección o aprobación. Salto entre textos, investigaciones y borradores. No sé decir si eso ya es AI Brain Fry, porque no existe un diagnóstico para ello.

Quien utiliza agentes de IA o introduce la IA en la empresa, tarde o temprano ejecuta varias tareas a la vez y se topa con la misma pregunta: ¿cuántas puedo revisar todavía con sentido? Este artículo separa lo que demuestra el estudio sobre el AI Brain Fry, cita la investigación sobre los cambios de contexto, muestra la postura contraria y describe mi ritmo de trabajo.

AI Brain Fry: definición y diferencia con el burnout

El término «AI Brain Fry» lo introducen Bedard, Kropp, Hsu, Karaman, Hawes y Rosen Kellerman en el artículo de HBR «When Using AI Leads to ‚Brain Fry‘» del 5 de marzo de 2026. Todos trabajan en la consultora BCG, y 2 de ellos además realizan un doctorado en la University of California, Riverside. Su definición, traducida con fidelidad al sentido: fatiga mental por el uso excesivo o la supervisión de herramientas de IA más allá de la propia capacidad cognitiva. En alemán no se ha impuesto ninguna palabra. Los medios escriben «agotamiento por IA», «burnout por IA» o «AI Fatigue», y un portal especializado titula «Frittiertes Hirn».

AI Brain Fry no equivale a burnout. Los autores describen el burnout como estrés laboral crónico con agotamiento emocional. Según su interpretación, el brain fry es una sobrecarga aguda de la atención, la memoria de trabajo y el control del propio pensamiento. No es un diagnóstico médico.

Una nota sobre el origen: BCG vende por su cuenta asesoramiento sobre la introducción de la IA. El artículo recomienda dedicar el 70 % del esfuerzo en proyectos de IA a las personas y los procesos. Eso no hace que las cifras sean falsas, pero muestra un interés propio en el tema.

Las cifras del estudio y cómo leerlas

Se encuestó a 1.488 empleados a tiempo completo de grandes empresas de EE. UU., una sola vez y mediante autoinforme. No he encontrado un cuestionario ni un working paper con la metodología. Para cada cifra es importante qué mide realmente:

Afirmación del estudioCómo leer la cifra
El 14 % de las personas que usan IA afirmó haber experimentado alguna vez Brain FryProporción de personas, pero solo entre usuarios de IA en grandes empresas de EE. UU., y la pregunta era «alguna vez experimentado». Sería erróneo decir: «Uno de cada siete lo padece».
Supervisión alta en lugar de baja de la IA: un 14 % más de esfuerzo mental, un 12 % más de fatiga mental, un 19 % más de sobrecarga de informaciónDiferencias relativas de valores de escala obtenidos por autoinforme entre 2 grupos, no proporciones de personas.
Con brain fry: 33 % más de fatiga de decisión, 11 % más de errores pequeños y 39 % más de errores grandesTambién son valores de escala de autoevaluación, no errores contados. «Brain Fry provoca un 39 % más de errores graves» sería incorrecto.
Intención de dejar el trabajo: 25 % sin brain fry, 34 % con brain fryProporciones de personas en comparación. La cifra relativa que HBR indica al respecto no puedo recalcularla a partir de los valores publicados, por eso no aparece aquí.
Según la función: el 26 % de los empleados en funciones de marketing y el 6 % en funciones jurídicas afirmaron haber vivido Brain FryFunciones de grandes empresas estadounidenses, no sectores.
Herramientas de IA usadas a la vez: la productividad percibida sube claramente de 1 a 2, después más débilmente, y baja ligeramente a partir de la cuartaLo que se mide es la productividad percibida. No queda claro si se contaron herramientas o agentes. De ahí no se deduce un límite para los agentes.

Para el día a día, 2 hallazgos son más importantes que cualquier porcentaje. El primero: con la carga y el cansancio mental se relacionaba sobre todo la supervisión continua de los resultados de la IA, además de un volumen de trabajo aumentado por la IA. En el centro del estudio está la supervisión. El segundo se refiere a los cambios de contexto: las respuestas de texto libre mencionan la sobrecarga de información y el cambio de tareas como factores importantes. Sin embargo, la relación estadística con las preguntas sobre el cambio de tareas es menos clara que con la sobrecarga de información. En este estudio, el cambio de contexto no sirve como «causa principal».

Otra salvedad: los autores escriben que el uso de IA “may be causing” el agotamiento y que la supervisión lo “predicted”. Son palabras prudentes por una buena razón. En un estudio transversal también es concebible la dirección contraria: quien ya está sobrecargado quizá viva la supervisión como más pesada.

Cambios de contexto y supervisión: por qué cuestan tanta atención

Que los cambios de tarea cuestan tiempo y precisión lo investiga la psicología desde hace décadas, aunque no en el trabajo con IA. Los datos proceden de los resúmenes de los estudios y, en el caso de Mark, de los artículos.

  • Costes del cambio: tras un cambio de tarea, las personas responden en el laboratorio más despacio y, por lo general, con más errores. La preparación reduce los costes, pero no los elimina (Monsell 2003, trabajo de revisión sobre tareas sencillas). Aumentan con la complejidad de las reglas, disminuyen con las señales de aviso y son mayores en tareas desconocidas (Rubinstein, Meyer, Evans 2001).
  • Residuos de atención: la atención se despega mal de las tareas sin terminar y el rendimiento en la tarea siguiente se resiente. El término técnico es «Attention Residue» (Leroy 2009, 2 experimentos).
  • Interrupciones: entre 24 empleados de una empresa (observados 3,5 días cada uno, con una duración del estudio de 13 meses), el 57 % de las unidades de trabajo se interrumpió. Volvieron al trabajo interrumpido el mismo día, de media, tras 25 min 26 s. La dispersión es enorme (desviación estándar de 54 min 48 s), y solo el 77 % se retomó siquiera el mismo día (Mark, Gonzalez, Harris 2005). En el laboratorio, quienes eran interrumpidos trabajaban más rápido, pero con más estrés y esfuerzo (Mark, Gudith, Klocke 2008, 48 participantes, en su mayoría estudiantes).
  • Supervisión de la automatización: quien supervisa un sistema automatizado controla menos cuando tiene una carga múltiple (Complacency) y sigue las sugerencias demasiado rápido incluso siendo experto (Automation Bias). El entrenamiento no lo evita (Parasuraman y Manzey 2010, trabajo de revisión).

Mi interpretación: quien lleva 5 ejecuciones cambia entre 5 tareas y revisa de forma constante resultados ajenos. Ambas cosas juntas encajan con lo que describen el estudio y esta investigación. No está demostrado para el trabajo con IA. Los estudios de laboratorio y de oficina son de la época anterior a los agentes de IA, y los estudios sobre interrupciones tienen muestras pequeñas.

Está demostrado que los cambios cuestan. Para la supervisión de la IA no se ha comprobado ningún remedio.

La otra cara: delegar la rutina alivia

El mismo estudio tiene un segundo mensaje que se pasa por alto con facilidad junto a las cifras de carga. Los empleados que tenían menos trabajo rutinario gracias a la IA indicaron valores de burnout un 15 % más bajos. Los valores de fatiga mental no fueron más bajos. Es de nuevo una asociación de autoinforme, pero va en contra de leer el uso de IA sin más como una carga. También se asoció con menos fatiga que la dirección respondiera a las preguntas sobre la IA (un 15 % menos) y que los empleados tuvieran la impresión de que su empresa valora el equilibrio entre vida laboral y personal (un 28 % menos).

Un estudio de campo aporta indicios en la misma dirección. Brynjolfsson, Li y Raymond analizaron en «Generative AI at Work» (publicado en 2025) datos de 5.172 empleados de soporte a los que en 2020 y 2021 se les introdujo un asistente de IA de forma escalonada. De media resolvieron un 15 % más de casos por hora. Los menos experimentados y menos cualificados se beneficiaron más; entre los más experimentados, las ganancias de ritmo y las pérdidas de calidad fueron pequeñas. No se midió directamente el bienestar de los empleados, y el soporte con un asistente de 2020 es otra cosa que dirigir varios agentes.

La carga y el alivio conviven en los datos. Mi lectura: depende de cuánta supervisión cabe en la propia capacidad. De ahí no se sigue que haya que usar menos IA.

La carga y el alivio conviven en los datos.

Ritmo de trabajo: inicio, enfoque, cosecha

A partir de aquí describo mi forma de trabajar. Es la experiencia de un autónomo individual y no un método comprobado. Donde hay pruebas de otros ámbitos para un componente, se indica. Si estos componentes funcionan igual en la supervisión de la IA, es una cuestión abierta.

La idea básica: limito mis puntos de contacto con la IA y dejo abierta la duración de las ejecuciones. Pueden tardar mucho, siempre que yo solo me asome a horas fijas. De ahí salen 3 bloques:

BloqueQué pasaDuración
InicioEnviar todos los encargos uno tras otro, cada uno con un resultado claro15 a 30 min
EnfoqueUna tarea propia que solo yo puedo resolver. Sin leer resultados, sin mirar ejecuciones90 a 120 min
CosechaRevisar resultados, aprobar, iniciar correcciones como nuevas tareas (que es a la vez el siguiente inicio)30 a 45 min
Inicio, enfoque, cosecha: solo miras las ejecuciones en momentos fijos.

Inicio: tareas del mismo tipo en lote

Al empezar importa un encargo limpio. Las tareas del mismo tipo las lanzo como lote, 5 o 6 en paralelo. Lo que no cabe en el lote espera al siguiente inicio. La preparación y las señales de aviso reducen los costes de cambio (Rubinstein, Monsell). Por eso merece la pena que el encargo incluya una frase sobre cómo reconoces el resultado terminado y qué piensas hacer con él. Es una extrapolación del laboratorio.

Enfoque: leer las notificaciones solo en la cosecha

En el bloque de enfoque no leo resultados ni miro ejecuciones. Las notificaciones pueden llegar, pero se leen solo en la cosecha. Es menos que agrupar: siguen llegando una a una, simplemente las dejo sin abrir.

Para agrupar existe un experimento de campo con el smartphone. Fitz y colegas (2019) hicieron que 237 personas recibieran las notificaciones como hasta entonces, agrupadas 3 veces al día o ninguna. El grupo con notificaciones agrupadas informó de más atención, mejor ánimo y menos estrés. El grupo sin ninguna notificación apenas obtuvo ventajas, pero tuvo más ansiedad y más miedo a perderse algo. Agrupar fue, pues, mejor que desactivar. Quien quiera apoyar así el bloque de enfoque, hace que los avisos lleguen agrupados. Si dejar el móvil a un lado sin más logra lo mismo, el estudio no lo muestra. Los ajustes para iPhone y Pixel están en el artículo sobre la disponibilidad constante.

Cosecha: revisar, aprobar, anotar cambios

En la cosecha reviso los resultados uno tras otro, apruebo y lanzo las correcciones como nuevas tareas. Al mismo tiempo empieza el siguiente inicio. Quien cambia entre 2 resultados o vuelve a su propia tarea puede anotar en 1 frase dónde y cómo continúa. Masicampo y Baumeister mostraron en 2011, en experimentos de laboratorio, que un plan concreto de cuándo y cómo se cumple un objetivo acaba con el efecto perturbador de un objetivo sin cumplir. Si eso vale para resultados de IA que se quedan sin revisar, no he encontrado ningún estudio.

Después de la cosecha y del nuevo inicio, antes de que empiece el siguiente bloque de enfoque, ayuda una pausa de verdad. Un metaanálisis (22 muestras, 2.335 personas) encontró que las micropausas aumentan la vitalidad y reducen la fatiga, ambas en pequeña medida (Albulescu et al. 2022). Para el rendimiento en trabajo exigente, el efecto no está demostrado; la recomendación se basa en el bienestar.

Tantas ejecuciones como puedas revisar

El cuello de botella es revisar, no lanzar. Un día está lleno cuando la cosecha ya no cabe en el horario de trabajo. Esto coincide con los testimonios de experiencia. Addy Osmani vincula el número de agentes a su ritmo de revisión y escribe que para la mayoría sería un número bajo de una cifra (The Orchestration Tax, 2026). Simon Willison, según dice él mismo, solo puede concentrarse en revisar y aceptar un cambio grande a la vez (2025).

El umbral de 3 herramientas del estudio de HBR no sirve como medida para las ejecuciones, porque no está claro qué se contó. Como prueba basta una regla sencilla: lanza solo tantas ejecuciones como revisarás a fondo en el siguiente bloque de cosecha. Mira al cabo de una semana cuántos resultados se han quedado sin revisar.

Límites de los estudios existentes

El estudio sobre Brain Fry se basa en autoinformes y en un corte transversal, procede de EE. UU. y de grandes empresas, y se publicó en una revista de gestión sin revisión por pares. La pregunta sobre Brain Fry es un único ítem de sí o no con «alguna vez», no un cuestionario validado. El 33 % más de fatiga de decisión es un valor de escala. El mecanismo subyacente (ego depletion) no pudo demostrarse de forma sólida en 2 grandes estudios de replicación (Hagger et al. 2016, Vohs et al. 2021).

Para los remedios la situación es más escasa. Fitz, Masicampo y Albulescu investigaron smartphones, tareas de laboratorio y pausas, no la supervisión de la IA. Sobre autónomos con varios agentes no he encontrado ningún estudio. Mi experiencia es un único dato. Quien lleve ejecuciones similares puede probar el ritmo como hipótesis y medirlo con su propia cosecha.

Cómo dirijo las ejecuciones de IA en el día a día y qué sale mal, lo muestro en el newsletter AI Sync, que sale cada domingo.

Hacerlo tú mismoTienes todo lo que necesitas.

Todo lo de esta página se puede poner en práctica sin mí. Añado aquí las herramientas nuevas y los cambios, y cada domingo hay un consejo sobre ello en el newsletter.

Ir a AI Sync
EncargarloFlujos de IA que entregan agrupados para su aprobación

Configuro contigo flujos de IA que entregan sus resultados agrupados a horas fijas para su aprobación, y defino contigo quién revisa qué. Presencial de Eisenstadt a Mattersburg y Wiener Neustadt, en línea en todo el ámbito de habla alemana.

Más información

Preguntas frecuentes

¿Qué es el AI Brain Fry?

AI Brain Fry es un término de un estudio de HBR de investigadores de la consultora BCG (5 de marzo de 2026). Se refiere a la fatiga mental por usar o supervisar herramientas de IA en exceso, más allá de la propia capacidad. El término no es un diagnóstico médico. El estudio se basa en el autoinforme de 1.488 empleados de grandes empresas de EE. UU.

¿Qué tan frecuente es el AI Brain Fry?

En el estudio, el 14 % de los usuarios de IA respondió afirmativamente a la pregunta de si ya lo habían vivido. Esto vale para usuarios de IA en grandes empresas de EE. UU., y se preguntaba por «haberlo vivido alguna vez». Según la función, el valor variaba mucho: 26 % de los empleados en funciones de marketing, 6 % en funciones jurídicas. Para autónomos o pymes en Austria no conozco ninguna cifra.

¿Es AI Brain Fry lo mismo que el burnout?

No. Los autores describen el burnout como estrés laboral crónico con agotamiento emocional, y el brain fry como sobrecarga aguda de la atención y la memoria de trabajo. En el estudio, menos trabajo rutinario gracias a la IA se asoció con valores de burnout un 15 % más bajos; los valores de fatiga mental no fueron más bajos. Aun así, los medios hablan a menudo de “burnout por IA”.

¿Cuántas herramientas o agentes de IA a la vez son demasiados?

No he encontrado una cifra fija en ningún estudio. En el estudio, la productividad percibida subió claramente de 1 a 2 herramientas usadas a la vez, después más débilmente, y bajó ligeramente a partir de la cuarta. No queda claro qué se contó exactamente. El desarrollador Addy Osmani vincula el número de agentes a su capacidad de revisión y, para la mayoría, menciona una cifra baja de un solo dígito. Es un valor basado en la experiencia.

¿Qué ayuda contra el AI Brain Fry?

Para la supervisión de la IA no hay ninguna medida comprobada. De otros ámbitos hay indicios a favor de las notificaciones agrupadas, 3 veces al día (Fitz et al. 2019, 237 personas), de un plan concreto para lo pendiente (Masicampo y Baumeister 2011) y de pausas breves contra el cansancio (Albulescu et al. 2022). El propio estudio menciona delegar la rutina y fijar límites para la supervisión. Si eso funciona con la supervisión de la IA, queda abierto.

¿La IA cansa o alivia?

Ambas cosas aparecen en los datos. Una supervisión alta de la IA, en lugar de baja, se asociaba con un 12 % más de fatiga mental (diferencia relativa en autoinforme). Menos trabajo rutinario se asociaba con valores de burnout un 15 % más bajos. En un estudio de campo con 5.172 empleados de soporte, quienes usaban un asistente de IA resolvían de media un 15 % más de casos por hora (Brynjolfsson et al. 2025).

Cambios en esta publicación

  • 10 de noviembre de 2026Primera versión.
Christoph Harrison
Christoph HarrisonConsultor de IA e ingeniero de redes, Eisenstadt

Fundador de Harrison Networks y Lumen Media. Usa la IA a diario en su propia empresa y lo aplica con pymes en el asesoramiento en IA.

Contacto

Escribe en alemán o en inglés, por favor.

Christoph Harrisondisponible para nuevos proyectos