“Usá IA para ser más productivo” ya se volvió un consejo demasiado amplio para servir.
¿Para qué tarea? ¿Con qué nivel de autonomía? ¿Qué información puede usar? ¿Quién revisa el resultado? ¿Qué pasa si se equivoca?
La conversación interesante no es si la IA puede ayudarnos a trabajar. Es qué trabajo le delegamos y qué responsabilidad sigue siendo nuestra.
Microsoft viene describiendo un cambio que ya se ve en muchos equipos: pasamos de pedir ayuda puntual a sistemas donde la IA puede producir borradores, ejecutar tareas completas y participar de flujos más largos. En su Work Trend Index 2025, el 82% de líderes dijo que esperaba usar trabajo digital para ampliar capacidad en los siguientes 12 a 18 meses. En 2026, Microsoft describió cuatro patrones de colaboración humano-IA: autor, editor, director y orquestador.
La palabra coworker puede ser útil si no la tomamos literalmente. Una IA no tiene responsabilidad laboral, contexto político ni consecuencias personales. Pero sí puede recibir un encargo, producir un entregable y devolver un resultado para revisión.
Eso nos obliga a recuperar una habilidad bastante clásica: delegar bien.
No empieces preguntando qué puede hacer la IA
Esa pregunta produce listas infinitas. Puede resumir, comparar, clasificar, escribir, analizar, programar y generar alternativas.
Una pregunta más útil es otra:
¿Qué parte de mi trabajo consume capacidad sin necesitar necesariamente mi mejor criterio?
Ahí empieza el rediseño. No se trata de automatizar porque algo es posible, sino de decidir dónde tiene sentido liberar tiempo y dónde conviene mantener una participación humana más cercana.
Cuatro formas de trabajar con IA
Los cuatro patrones que Microsoft usa para describir la colaboración humano-agente sirven como mapa práctico.
Autor
Vos hacés el trabajo y llamás a la IA para resolver una parte puntual. Por ejemplo, comparás dos versiones de una tabla o pedís alternativas para un párrafo.
El control sigue casi completamente de tu lado.
Editor
Vos definís la intención y la IA produce una primera versión que después revisás. Una minuta de reunión, un resumen o el primer borrador de una presentación entran bastante bien en esta categoría.
La IA produce más. Tu trabajo se mueve hacia evaluar.
Director
Definís una especificación y delegás una tarea completa. Por ejemplo: “Compará estas cuatro propuestas usando estos siete criterios, marcá datos faltantes y no hagas una recomendación final”.
Acá la calidad depende mucho más de la calidad del encargo y de que exista una forma clara de evaluar el resultado.
Orquestador
Diseñás un flujo donde varias herramientas o agentes ejecutan distintas partes y te escalan excepciones. Este modelo ya aparece en procesos de operaciones, atención, análisis, desarrollo y marketing.
Lo importante es que el objetivo no es llevar todo al cuarto nivel. Microsoft plantea estos patrones como un diagnóstico, no como una escalera. La pregunta es qué nivel de participación humana necesita cada trabajo.
Tres criterios para decidir qué delegar
Antes de darle una tarea a la IA, revisaría tres cosas.
1. ¿Cuánto se repite?
Cuanto más estructurada y repetitiva sea una tarea, mejor candidata suele ser. Formatear reportes, clasificar respuestas, transformar formatos o preparar un primer borrador tienen patrones relativamente claros.
Pero repetición no significa automáticamente “automatizar”. Todavía faltan dos preguntas.
2. ¿Qué pasa si hay un error?
No es lo mismo equivocarse en el asunto de una reunión que en un cálculo que define un presupuesto, una decisión sobre una persona o una comunicación sensible.
Revisá el costo potencial en cuatro dimensiones: dinero, personas, cumplimiento y dificultad para detectar el error antes de que genere una consecuencia.
Cuanto mayor sea el riesgo, más cerca necesitás estar del proceso.
3. ¿Cuánto contexto tácito necesita?
Hay tareas que parecen simples hasta que intentás explicárselas a alguien nuevo.
“Prepará el informe mensual” puede esconder años de decisiones: qué dato importa, qué excepción se ignora, qué cliente necesita otra explicación, qué número siempre llega tarde.
Si el resultado depende de mucho contexto no documentado, delegar de golpe puede producir algo formalmente correcto y operativamente inútil.
Ese es uno de los aprendizajes más útiles del trabajo con IA: si no podés explicar cómo evaluás una tarea, tampoco podés supervisar bien que la haga otra cosa.
Un ejemplo simple: preparar una propuesta
Imaginá que necesitás preparar una propuesta para un cliente.
Podés pedirle a la IA que organice notas de reuniones, detecte temas repetidos, compare requisitos con una plantilla anterior y produzca una primera estructura. Todo eso puede ahorrarte tiempo.
Pero todavía hay decisiones que conviene mantener de tu lado: qué problema priorizar, qué promesa hacer, qué riesgo aceptar, qué tono representa la relación y qué recomendación estás dispuesta a sostener frente al cliente.
La diferencia no está en “usar IA” o “no usarla”. Está en separar ejecución de responsabilidad.
La herramienta puede producir una parte del trabajo. Vos seguís siendo responsable por el resultado que entregás.
El riesgo de sumar IA y terminar con más trabajo
Hay una paradoja bastante común: agregás IA para ahorrar tiempo y terminás con más borradores, más alertas, más reportes, más contenido y más cosas para revisar.
Microsoft reportó en 2025 que el 80% de la fuerza laboral global sentía que no tenía suficiente tiempo o energía para hacer su trabajo y que, en promedio, las personas eran interrumpidas por un email, una reunión o un aviso cada dos minutos.
Agregar otra capa de producción no resuelve ese problema.
Antes de automatizar, preguntate: ¿qué desaparece del sistema gracias a esta automatización?
Si la respuesta es “nada, pero ahora tengo un informe nuevo”, probablemente no ganaste productividad. Solo aumentaste el volumen de output.
Una revisión semanal que vale más que probar otra herramienta
Durante una semana, elegí tres tareas donde usaste IA y anotá:
- Qué parte delegaste exactamente.
- Cuánto tiempo ahorraste incluyendo la revisión.
- Qué error o problema tuviste que corregir.
- Qué contexto faltó.
- Si el resultado fue mejor, igual o peor que tu forma anterior.
- Qué instrucción podrías reutilizar la próxima vez.
- Qué parte preferís seguir haciendo vos.
Ese registro te permite construir confianza basada en evidencia, no en entusiasmo. Vas descubriendo qué tareas funcionan bien, bajo qué condiciones y con qué controles.
Cuándo no delegar aunque parezca eficiente
No delegaría completamente una tarea cuando no podés evaluar si el resultado es bueno, contiene información sensible que no debería entrar en esa herramienta, el costo de error es alto, la relación humana es parte central del trabajo o necesitás desarrollar vos la habilidad que esa tarea entrena.
Este último punto importa mucho. Si estás aprendiendo a analizar información y cada análisis lo hace la IA, quizás estés produciendo más rápido pero practicando menos. Si necesitás desarrollar una conversación difícil y tercerizás cada frase, podés sonar impecable sin mejorar tu capacidad para conversar.
La eficiencia no siempre es el objetivo principal.
La habilidad nueva se parece mucho a una vieja
Durante años hablamos de delegación como una habilidad de liderazgo: dar contexto, aclarar el resultado esperado, definir límites, acordar seguimiento y no confundir autonomía con abandono.
Con IA estamos redescubriendo exactamente esos problemas.
Una mala instrucción produce un mal resultado. Una tarea sin criterio de calidad es difícil de supervisar. Delegar algo que no entendés aumenta el riesgo. Controlar cada paso elimina buena parte del beneficio. Desentenderte del resultado tampoco funciona.
Por eso, cuando una parte de la ejecución se vuelve delegable, ganan peso capacidades como pensamiento crítico, comunicación, criterio y adaptabilidad. Es la misma lógica que desarrollo en por qué las power skills funcionan como el sistema operativo del trabajo.
La tecnología cambió. La pregunta sigue siendo bastante humana: ¿qué necesito seguir haciendo yo para que el resultado sea bueno?
Fuentes
- Microsoft, 2025 Work Trend Index: The Frontier Firm Is Born
- Microsoft, How Frontier Firms are rebuilding the operating model for the age of AI, 2026
Nos leemos,
Ceci Mansilla
