Líderes de opinión
La fatiga por la IA es real. Pero no es lo que crees

Puntos claveLa fatiga por IA es una molestia temporal del entrenamiento por aprender una nueva…
Ver más
- La fatiga por IA es una molestia temporal del entrenamiento por aprender una nueva habilidad cognitiva, no una condición permanente.
- El agotamiento alcanza su punto máximo durante las etapas intermedias de la adopción de IA, antes de que se formen vías mentales eficientes.
- Los líderes deben gestionar esta carga cognitiva como un entrenador, no retirarse de la adopción de IA.
Está cobrando fuerza un relato que atrae mucha atención: la IA nos está agotando. Los ingenieros entregan más código que nunca y se sienten peor que nunca. La expresión «fatiga por la IA» circula por todas partes y los comentarios se acumulan.
Un ingeniero de software escribe en Business Insider que el último trimestre fue su periodo más productivo y más agotador. Steve Yegge, que literalmente escribió un libro sobre vibe coding, cuenta a The Pragmatic Engineer que duerme siestas durante el día y limita el trabajo efectivo apoyado por IA a tres horas. Los fundadores de startups llegan al límite a las dos de la tarde. Una de las publicaciones más compartidas de este mes advierte que la IA tiene un «efecto vampírico» sobre quienes más la utilizan.
Pero hay algo en lo que nadie parece reparar: quienes más fatiga comunican no son los escépticos. Son sus defensores más convencidos.
Los ingenieros estancados en el primer nivel de la escala de adopción de Yegge, los que ignoran por completo la IA, se sienten bien. Quizá un poco inquietos, pero no exhaustos. Quienes llegan a casa reventados son los de los niveles cinco, seis y siete: los que se han volcado de lleno, ejecutan varios agentes, orquestan flujos de trabajo complejos y entregan resultados a velocidades que nunca imaginaron.
Ese patrón debería decirnos algo. Y creo que nos dice que «fatiga por la IA» es un diagnóstico completamente equivocado.
Tu problema no es la fatiga. Es el entrenamiento.
Piensa en la primera vez que hiciste peso muerto. No con una carga especialmente elevada. Solo el movimiento en sí. A la mañana siguiente te despertaste con la sensación de que habían desmontado todo tu cuerpo y lo habían vuelto a montar mal. Te dolían las piernas. Te dolía la espalda. Músculos cuya existencia desconocías se hicieron notar de la forma más desagradable posible.
Si alguien hubiera medido tu rendimiento aquel día, el resultado habría sido terrible. Apenas podías sentarte sin hacer una mueca de dolor. Podrías haber concluido razonablemente que el peso muerto es insostenible, que el cuerpo humano no está hecho para eso y que el coste supera al beneficio.
Pero, por supuesto, seis meses después levantas el doble de peso y te encuentras bien al terminar. Tu cuerpo ha creado nuevas vías. Se ha adaptado. El movimiento que antes requería todo tu esfuerzo consciente se ha vuelto automático. Las agujetas no significaban que estuvieras roto. Significaban que estabas construyendo algo nuevo.
Eso es exactamente lo que sucede con el trabajo apoyado por IA.
La carga cognitiva de la que nadie habla
Cuando escribes código de la forma tradicional, tu cerebro ejecuta un programa muy practicado. Lo has hecho miles de veces. Conoces las pulsaciones de teclas, los patrones y el ritmo de la depuración. Es como conducir cada día al trabajo: técnicamente complejo, pero tan ensayado que puedes hacerlo mientras piensas en la cena.
El trabajo apoyado por IA es una tarea cognitiva fundamentalmente distinta. Ya no escribes código. Diriges, evalúas, decides, cambias de contexto entre varios agentes, revisas resultados que no has escrito y mantienes en mente la intención del diseño arquitectónico mientras una IA toma decisiones de implementación que debes validar en tiempo real.
No es el mismo trabajo hecho más deprisa. Es un trabajo completamente distinto. Y tu cerebro aún no ha creado vías eficientes para hacerlo.
Cada decisión sigue siendo consciente. Cada revisión exige un esfuerzo activo. Supervisas la calidad, mantienes el contexto de frentes de trabajo paralelos y valoras constantemente los resultados de la IA según tu criterio. Por eso tres horas de este trabajo pueden dejarte más agotado que ocho horas de programación tradicional. Es el equivalente cognitivo de tu primera semana en el gimnasio.
La curva de adopción es en realidad una curva de agotamiento
El marco de ocho niveles de Yegge para la adopción de IA encaja casi perfectamente con una curva de agotamiento, aunque no creo que esa fuera su intención.
En los niveles uno y dos apenas usas IA. Aquí un autocompletado, allá una pregunta. Poca carga cognitiva. Poca fatiga.
En los niveles del tres al seis estás en aguas profundas. Has dado más autonomía al agente, revisas menos línea por línea y más el conjunto, ejecutas varios agentes y te orientas constantemente en un flujo de trabajo que no existía hace dieciocho meses. Ahí es donde se consumen las fuerzas. Ese es el peso muerto con una carga elevada.
En los niveles siete y ocho empieza a suceder algo interesante. Has construido sistemas de orquestación. La IA trabaja con mayor autonomía. Has aprendido en qué confiar y qué comprobar. Describes los resultados que quieres y te marchas. Matt Shumer describe exactamente eso: decirle a la IA qué construir, ausentarse cuatro horas y volver para encontrar el trabajo terminado. La adaptación empieza a afianzarse.
El agotamiento no se distribuye uniformemente. Alcanza su máximo en el tramo intermedio, justo donde se encuentra ahora la mayoría de los primeros usuarios. Por eso la fatiga parece universal: entre quienes más hablan de IA hay una proporción desmedida de personas que están en la parte más difícil de la curva de aprendizaje.
Nadie escribió artículos sobre la «fatiga al conducir»
¿Recuerdas cuando aprendiste a conducir? La primera vez que te incorporaste al tráfico de una autopista, seguramente agarraste el volante como si te fuera la vida en ello. Y, siendo justos, así era. Volviste a casa completamente exhausto tras conducir treinta minutos. Tu cerebro había trabajado al máximo: comprobar los espejos, controlar la velocidad, anticipar las acciones de otros conductores e interpretar las señales. Todo a la vez y todo conscientemente.
Ahora conduces una hora mientras escuchas un pódcast a medias y comes un sándwich. La tarea no ha cambiado. Has cambiado tú. Tu cerebro ha creado vías neuronales eficientes para conducir y ha convertido lo que antes exigía toda tu atención consciente en procesos en segundo plano.
Nadie escribió artículos de opinión que presentaran la «fatiga al conducir» como una crisis existencial. Nadie sugirió que los coches ejercieran un «efecto vampírico» sobre sus conductores. Entendíamos intuitivamente que el agotamiento era temporal. Era el coste de aprender algo nuevo.
Eso es lo que falta en el debate actual. La «fatiga por la IA» se trata como una condición permanente, una característica fundamental de la tecnología, cuando en realidad es un coste de transición. Son agujetas del entrenamiento, no una enfermedad crónica.
Por qué esto importa más que la comodidad
Esta distinción no es solo semántica. La forma en que diagnosticas el problema determina qué haces para afrontarlo.
Si la fatiga por la IA es una característica permanente de la tecnología, el límite de tres horas de Yegge será el techo para siempre. Las empresas deberían planificar contando con ingenieros que solo pueden ser productivos durante una fracción del día. El «efecto vampírico» es el precio de entrada y tendremos que convivir con él.
Pero, si son agujetas del entrenamiento, la estrategia es completamente distinta. Gestionas la carga. La aumentas poco a poco. No faltas al gimnasio porque tengas agujetas. Y, sobre todo, no das por hecho que el agotamiento de hoy será el de mañana.
Los ingenieros que superen esta fase y creen las vías cognitivas necesarias para dirigir el trabajo de la IA, revisar al nivel adecuado de detalle y mantener la intención arquitectónica entre frentes de trabajo paralelos acabarán haciéndolo con la misma naturalidad con la que conducen. La barrera de las tres horas pasará a cinco y después a siete. No porque trabajen más duro, sino porque el trabajo dejará de exigir el mismo tipo de esfuerzo.
En cambio, los ingenieros que lean sobre la «fatiga por la IA» y decidan quedarse en el nivel dos, cómodos en lo conocido y sin agotarse, se encontrarán en una posición mucho peor.
No porque no hayan seguido una tendencia, sino porque nunca empezaron el entrenamiento que los demás ya han superado.
El verdadero riesgo: confundir las agujetas con una lesión
Quiero dejar algo claro. Hay una diferencia entre las agujetas del entrenamiento y una lesión real, y también se aplica aquí.
Si haces «vibe coding» catorce horas al día, duermes cuatro horas y vives de la adrenalina porque la novedad resulta embriagadora, eso no es entrenamiento. Es sobreentrenamiento. Y, como en el gimnasio, el sobreentrenamiento no construye nada. Te destruye.
La observación de Yegge sobre las tres horas es valiosa como señal de las necesidades actuales de recuperación, no como techo permanente. Al principio del entrenamiento necesitas más descanso entre sesiones. A medida que te adaptas puedes soportar más volumen. Quienes sufren desgaste profesional no son los que trabajan tres horas concentrados con apoyo de IA. Son quienes no pueden parar porque el ciclo de retroalimentación resulta demasiado absorbente. Es exactamente la dinámica de las máquinas tragaperras sobre la que ya he escrito.
La respuesta no es evitar el gimnasio, sino entrenar con inteligencia: sesiones intensas, recuperación real y progresión gradual.
Una predicción que nadie más está haciendo
Esto es lo que creo que sucederá en los próximos doce a dieciocho meses.
El relato de la «fatiga por la IA» alcanzará su máximo en algún momento de este año. Habrá más artículos, más lamentos preocupados y, probablemente, algunos ingenieros conocidos que anunciarán públicamente una «pausa en el uso de herramientas de IA». Parecerá una reacción contraria importante.
Después, ese relato se desvanecerá discretamente. No porque la gente haya dejado de usar IA, sino porque los primeros usuarios habrán terminado de adaptarse. Para quienes lleven un año y medio trabajando así, la barrera de las tres horas parecerá un recuerdo lejano. Dirigirán flujos de trabajo de IA como antes escribían bucles for: sin pensarlo.
Y la distancia entre quienes hayan superado las agujetas y quienes no lo hayan hecho será enorme. No porque las habilidades en IA sean escasas, sino porque la adaptación en sí, la capacidad de pensar en dirección, evaluación y orquestación en lugar de implementación línea por línea, se habrá vuelto natural para un grupo y seguirá siendo completamente ajena al otro.
La peor respuesta a las agujetas del entrenamiento siempre ha sido la misma: dejar de ir al gimnasio.
Qué significa esto para los líderes
Si diriges un equipo de ingeniería ahora, comprende lo que realmente estás viendo. Tus ingenieros más productivos también son los más cansados. No es una contradicción. Es la señal más clara que tienes de que la adaptación está en marcha.
No respondas frenando la adopción de IA. Tampoco finjas que la fatiga no es real. Actúa como un buen entrenador: gestiona la carga de entrenamiento. Prevé sesiones intensas y concentradas de trabajo apoyado por IA, seguidas de una recuperación genuina. Permite que las personas trabajen lo que parece una jornada reducida mientras desarrollan nuevas habilidades cognitivas. La producción seguirá siendo varias veces mayor que antes.
Las empresas que lo hagan bien tendrán equipos adaptados para finales de año. Las que ignoren la fatiga o se retiren de la IA en respuesta a ella se encontrarán con lo peor de ambos resultados: ingenieros agotados que nunca superaron la parte más difícil de la curva.
No estamos experimentando los efectos secundarios de una nueva tecnología. Estamos en las primeras semanas de entrenamiento para una nueva forma de trabajar. Las agujetas son la prueba de que funciona. Afronta el proceso, gestiona la carga y confía en que tu cerebro, como cualquier otro sistema adaptativo de la naturaleza, hará lo que siempre ha hecho.
Se adaptará.












