La pregunta correcta no es “¿la IA sirve?” sino “¿para qué exactamente y cuánto?”. Sobre eso, a diferencia de gran parte del debate, existen estudios experimentales con números. Y los números son interesantes también porque señalan dónde la IA no ayuda.
Este artículo junta tres cosas: qué muestra la investigación, siete usos concretos ordenados por riesgo, y las reglas (también legales) sobre qué puedes meter dentro.
Cuánto ahorra de verdad: los dos estudios que hay que conocer
Tareas de escritura profesional. Shakked Noy y Whitney Zhang, del MIT, publicaron en Science en 2023 un experimento controlado con profesionales realizando tareas de escritura realistas (notas de prensa, informes breves, correos de trabajo). El grupo con acceso a ChatGPT completó las tareas en alrededor de un 40% menos de tiempo, con una calidad valorada más alta por revisores independientes. El detalle más significativo: la mejora era mucho más marcada en quienes partían de una calidad de escritura más baja, reduciendo la distancia entre quien escribía bien y quien escribía mal.
Atención al cliente. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron la introducción de un asistente generativo en más de cinco mil agentes de soporte. El aumento medio de productividad, medido en incidencias resueltas por hora, fue de en torno al 14%. También aquí la distribución importa más que la media: los beneficios se concentraban en los trabajadores menos expertos, mientras que para los más expertos eran cercanos a cero.
De estos dos trabajos sale una lectura honesta que sirve como regla operativa:
La IA generativa comprime la distancia hasta el nivel medio. Te lleva rápido a “suficientemente bueno” en cosas que no sabes hacer bien, y te ayuda poco o nada en aquellas en las que ya eres fuerte.
Por eso tiene sentido apuntarla a las tareas que te pesan y que no son tu oficio, no a las que constituyen tu competencia distintiva.
Antes que nada: qué puedes pegar dentro
Esta parte hay que resolverla antes de los ejemplos, porque es la más cara si se equivoca.
El marco normativo. El Reglamento UE 2024/1689 (Ley de IA) introduce, entre otras cosas, una obligación de alfabetización en IA: quien despliega sistemas de inteligencia artificial debe garantizar un nivel suficiente de competencia en el personal que los usa. En materia de datos personales sigue vigente el RGPD: pegar datos personales de clientes o compañeros en un servicio externo es un tratamiento y hay que tratarlo como tal.
Que no es teoría lo demuestra la actualidad: la autoridad italiana de protección de datos, el Garante, dispuso una limitación temporal del tratamiento frente a ChatGPT en marzo de 2023 y posteriormente adoptó una resolución sancionadora contra OpenAI. Son precedentes públicos y consultables.
La regla práctica que uso yo, en tres niveles:
| Nivel | Contenido | Regla |
|---|---|---|
| Verde | Textos públicos, material ya publicado, contenidos genéricos | Ningún problema |
| Ámbar | Documentos internos no confidenciales, borradores, notas | Solo en herramientas aprobadas por la empresa, datos anonimizados |
| Rojo | Datos personales, datos de salud, contratos, código propietario, credenciales, datos de clientes | Nunca, salvo herramienta corporativa con contrato que lo cubra |
Revisa también los ajustes: los principales proveedores permiten desactivar el uso de las conversaciones para el entrenamiento, y los planes de empresa suelen excluirlo por defecto. Las condiciones están descritas en la documentación de OpenAI y en su centro de ayuda.
Los siete usos, ordenados por relación valor/riesgo
1. Resumir documentos largos (riesgo bajo, valor alto)
El mejor caso de uso para empezar. Un acta, una licitación, una política interna, un contrato que necesitas entender antes de leerlo en serio. El riesgo es contenido porque un resumen imperfecto te hace perder unos minutos, no te hace firmar algo equivocado.
El prompt que mejor funciona no es “resume”, sino: “resume en cinco puntos; y después enumera aparte lo que el texto deja ambiguo o no especifica”. La segunda parte es la que te dice dónde tienes que leer el original.
2. Un primer borrador de algo que vas a reescribir igualmente
El valor no es el texto producido: es la eliminación de la página en blanco. Vale sobre todo para formatos que conoces poco, como un acta, una nota de seguimiento o una respuesta formal, donde tu bloqueo es estructural, no de contenido.
Una advertencia del estudio del MIT: la ganancia es máxima donde eres débil. Si escribes bien, el borrador generado te frenará, porque corregirlo cuesta más que escribirlo.
3. Encontrar el tono en una comunicación difícil
Decir que no, reclamar, responder a alguien enfadado. Aquí el uso correcto es pedir tres versiones con registros distintos y elegir, no que te escriba la versión definitiva. El texto generado tiende a un registro uniforme y reconocible, y en una comunicación delicada la reconocibilidad es exactamente lo que quieres evitar.
4. Entrenar para una entrevista o una reunión difícil
Uno de los mejores usos y de los más infravalorados: das el contexto, pides que interprete al interlocutor y que haga preguntas de profundización sobre tus respuestas. No se cansa y no te juzga. Funciona muy bien con las preguntas de entrevista y para ensayar en voz alta una petición de aumento.
5. Que te expliquen algo sin pasar vergüenza
Un término técnico, una fórmula de Excel que no cuadra, un concepto que todos dan por sabido en la reunión. La ventaja real no es didáctica, es psicológica: elimina el coste social de preguntar.
Con una precisión importante: sobre hechos verificables (normas, cifras, plazos, referencias) el resultado hay que comprobarlo en la fuente, siempre. Sirve para entender un concepto, no para establecer qué dice una ley.
6. Generar alternativas cuando estás bloqueado
Diez títulos, cinco enfoques posibles, tres maneras de estructurar una presentación. La IA es mediocre eligiendo y excelente produciendo variedad rápido. Aprovecha lo segundo y quédate lo primero.
7. Estandarizar textos que reescribes cada semana
Plantillas de respuesta, descripciones recurrentes, comunicaciones con estructura fija. Aquí el retorno se acumula: construyes la plantilla una vez y la reutilizas durante meses. Es el caso de uso con mejor rendimiento en el tiempo, y también el más aburrido, razón por la cual casi nadie lo hace.
El límite estructural: por qué se equivoca con seguridad
Las “alucinaciones”, afirmaciones plausibles y falsas producidas con el mismo tono que las correctas, no son un defecto temporal que se corrija con la próxima versión: son una consecuencia de cómo funcionan estos sistemas. La literatura técnica las trata como categoría propia; una revisión de referencia es Survey of Hallucination in Natural Language Generation (ACM Computing Surveys, 2023).
El punto práctico que cuenta: no existe una señal visible que distinga una respuesta correcta de una inventada. La seguridad del tono es idéntica. De ahí una regla simple:
Cuanto más verificable es una respuesta (una fecha, una cifra, una norma, una cita, un nombre), más probable es que haya que verificarla.
El método mínimo de verificación, que cuesta poco:
- Pide la fuente y luego abre la fuente. Si la URL no existe o no dice lo que la IA sostiene, ya tienes la respuesta.
- Ante un dato numérico, busca el número directamente en la web de la institución que lo produce.
- Si no consigues verificarlo, no lo uses. No “úsalo con cautela”: no lo uses.
El NIST AI Risk Management Framework formaliza este enfoque a nivel organizativo, por si necesitas una referencia para proponer reglas en tu empresa.
La regla de responsabilidad
Una frase que conviene retener: la firma sigue siendo tuya. Si entregas un documento con un número equivocado, la respuesta “lo escribió ChatGPT” no te cubre, ni profesional ni, en los casos relevantes, legalmente. La herramienta acelera la producción; no transfiere la responsabilidad.
De ahí se deriva también el límite del uso honesto. Usarla para escribir más rápido algo que sabes verificar: legítimo. Usarla para producir algo que no eres capaz de evaluar: estás firmando en blanco.
Por dónde empezar
Una sola tarea, la más repetitiva de tu semana, durante dos semanas. Mide el tiempo antes y después: es la única forma de saber si estás ganando algo de verdad o si solo estás haciendo lo mismo de manera más entretenida.
El factor que determina la calidad del resultado más que ningún otro es cómo formulas la petición: el método está en cómo escribir prompts eficaces.
Preguntas frecuentes
¿Mi empresa puede prohibírmelo? Sí, y muchas organizaciones tienen políticas específicas, sobre todo en materia de datos y confidencialidad. Usar una herramienta no aprobada con datos corporativos puede ser una infracción disciplinaria. Pregunta antes: en la mayoría de los casos ya existe una regla escrita que nadie ha leído.
¿Mis conversaciones se usan para entrenar los modelos? Depende del servicio y de los ajustes. Los planes de empresa suelen excluirlo por defecto, y en los planes de consumo normalmente se puede desactivar. Hay que comprobarlo en la documentación del proveedor, no darlo por hecho.
¿Tengo que declarar que he usado IA? En contextos académicos y en muchas redacciones sí, y es la norma. En la empresa depende de la política interna. Como principio general: si el valor de lo que entregas está en el hecho de que lo has producido tú (una valoración, una recomendación profesional), declararlo es lo correcto. Nosotros lo declaramos en la página cómo escribimos.
¿Qué versión de pago vale la pena? Depende del uso, y cambia rápido. El criterio estable es otro: antes de pagar, comprueba que has agotado las funciones gratuitas. Quien no obtiene buenos resultados gratis, rara vez los obtiene pagando.
¿La IA me sustituirá? Los datos disponibles muestran hasta ahora transformación de las tareas más que sustitución de los puestos, con efectos más fuertes sobre el trabajo estandarizable. La lectura más útil es la del estudio de Brynjolfsson: quien es menos experto gana más, lo que significa que la ventaja competitiva se desplaza hacia lo que la IA no hace, es decir, juicio, responsabilidad y contexto. Es el tema de qué competencias piden realmente las empresas.
Fuentes
- S. Noy y W. Zhang, Experimental evidence on the productivity effects of generative artificial intelligence, Science, 2023. Reducción del tiempo de finalización de alrededor del 40% en tareas de escritura profesional, con mayor beneficio para quienes partían de un nivel más bajo.
- E. Brynjolfsson, D. Li y L. Raymond, Generative AI at Work. Estudio sobre más de 5.000 agentes de atención al cliente, aumento medio de productividad en torno al 14%, concentrado en los trabajadores menos expertos.
- Reglamento UE 2024/1689 (Ley de IA). Obligaciones de transparencia y de alfabetización en inteligencia artificial.
- Reglamento UE 2016/679 (RGPD). Tratamiento de datos personales introducidos en servicios de terceros.
- Garante per la protezione dei dati personali. Resoluciones relativas a ChatGPT (limitación temporal del tratamiento, marzo de 2023, y posterior resolución sancionadora).
- Documentación de OpenAI y centro de ayuda. Ajustes sobre conservación de datos y uso de las conversaciones para el entrenamiento.
- NIST AI Risk Management Framework. Marco de referencia para la gestión de riesgos de los sistemas de IA.
- Z. Ji et al., Survey of Hallucination in Natural Language Generation, ACM Computing Surveys, 2023. Revisión sobre las alucinaciones en los modelos generativos.



