Botsitting: el impuesto oculto que puede convertir la automatización en más trabajo

La IA puede ahorrar tiempo y, al mismo tiempo, crear una nueva carga invisible para el equipo. Ese trabajo tiene un nombre: botsitting.

No consiste únicamente en revisar una respuesta. Incluye proporcionar contexto, comprobar si el agente entendió el objetivo, corregir errores, repetir instrucciones, buscar fuentes, reconstruir entregables y decidir qué partes pueden aceptarse. Una tarea que antes terminaba cuando un profesional la completaba ahora puede terminar cuando otra persona valida y corrige lo que el agente produjo.

El Work AI Index 2026 estima una media de 6,4 horas semanales dedicadas a esta supervisión. El dato procede de una encuesta y no debe interpretarse como una medida universal para todas las empresas, pero muestra una tensión importante: muchas personas sienten que la IA las hace más rápidas, mientras que solo una minoría afirma que ese ahorro se traduce en una mejora significativa para su organización. La producción inicial aumenta, pero el resultado aceptado no necesariamente llega antes.

El problema es que medimos cuánto produce el agente, pero no cuánto cuesta aceptar su trabajo. Un agente puede generar diez propuestas en una hora y aun así empeorar la productividad si un perfil senior necesita otras cuatro horas para comparar, verificar, corregir y explicar cada una. En ese caso no se ha eliminado el trabajo: se ha trasladado desde la producción hacia la supervisión, y además se ha concentrado en las personas con menos disponibilidad.

El botsitting aparece con más fuerza cuando la tarea está mal delimitada, el contexto está disperso, los criterios de aceptación son ambiguos o el agente tiene permisos y objetivos demasiado amplios. También aparece cuando el equipo no dispone de evaluaciones automáticas. Si cada resultado debe juzgarse desde cero, la automatización no reduce necesariamente la carga cognitiva: puede crear una cola de decisiones difíciles de comparar.

Cuando el agente empieza a producir más deprisa de lo que el equipo puede validar, la promesa de velocidad cambia de signo. Al principio parece que el sistema ha liberado capacidad; después, las personas empiezan a ordenar resultados, separar los útiles de los que solo parecen correctos y devolver tareas para que se rehagan. El trabajo no desaparece, sino que se convierte en una cadena de pequeñas decisiones que interrumpe el trabajo profundo.

Ese desplazamiento también modifica quién soporta el coste. Las personas con más experiencia suelen recibir las salidas más difíciles porque son quienes pueden detectar errores de criterio, riesgos técnicos o afirmaciones sin evidencia. Terminan funcionando como una capa de control de calidad para un volumen que no han generado. Mientras tanto, disminuye el tiempo disponible para diseñar, tomar decisiones estratégicas, atender a clientes o acompañar al equipo. La automatización puede acelerar la primera fase y, sin embargo, hacer más lenta la llegada a un resultado confiable.

El riesgo final no es solo el cansancio de revisar. Cuando el flujo produce demasiadas salidas, el equipo puede empezar a aceptar respuestas plausibles por agotamiento o por una falsa sensación de avance. Un documento bien redactado, una implementación que compila o un análisis con referencias no garantizan que la solución responda al problema correcto. Cuanto mayor es el volumen, más importante se vuelve decidir qué debe revisarse, con qué profundidad y mediante qué evidencia.

La solución no es eliminar la supervisión. Es diseñarla. La supervisión debe ser proporcional al riesgo y al tipo de tarea. Una transformación mecánica y reversible puede tener verificaciones automáticas. Un cambio que afecta datos personales, dinero, permisos o producción necesita límites más estrictos y aprobación humana. El objetivo no es que el agente trabaje sin vigilancia, sino que la vigilancia deje de ser improvisada y repetitiva.

Un flujo operativo más sano comienza con tareas acotadas, contexto estructurado y criterios de aceptación visibles. Continúa con permisos limitados, herramientas especializadas, verificaciones automáticas y puntos de control definidos antes de que el resultado llegue a otra persona o a un entorno compartido. Si el agente falla siempre en la misma etapa, esa etapa debe convertirse en una regla, una prueba o una mejora de contexto, no en una nueva instrucción manual que alguien repite cada día.

También hay que medir el proceso completo: tiempo desde la solicitud hasta la aceptación, porcentaje de resultados utilizados, horas de retrabajo, número de intervenciones humanas, defectos posteriores, coste por resultado confiable y cantidad de veces que una tarea debe reiniciarse. Estas métricas deben compararse con la línea base sin agente. La pregunta no es si el modelo escribe más rápido, sino si el equipo entrega antes y con la misma o mejor calidad.

La pregunta no es cuánto trabajo genera un agente. Es cuánto trabajo confiable completa sin trasladar una carga invisible al resto del equipo. La productividad real aparece cuando la automatización reduce el tiempo total hasta un resultado aceptado, no cuando aumenta el volumen de borradores que alguien debe rescatar.

Botsitting no es una razón para abandonar los agentes. Es una señal de que la automatización necesita mejores límites, mejor contexto y mejores métricas.