Encuesta a 1.700 managers: la IA complica la gestión

La IA promete productividad, pero a los managers les está costando tiempo

Más de la mitad de los líderes senior encuestados dice que le resulta más difícil evaluar el trabajo de sus empleados desde que su empresa adoptó IA. El dato sale de una encuesta de Nielsen a 1.700 directores y gerentes senior en siete países, encargada por la empresa de gestión de trabajo monday.com. La causa es concreta: buena parte del output del equipo llega ya pulido a la bandeja del manager, y distinguir cuánto salió de la persona y cuánto de la herramienta se volvió casi imposible.

Para un founder que acaba de repartir licencias de IA a todo el equipo, esto no es una anécdota. Es la señal de que el cuello de botella se movió: ya no está en producir, está en verificar.

¿Qué encontró la encuesta de monday.com sobre la IA en la gestión?

Los números del estudio dibujan una adopción entusiasta pero desordenada:

• 94% de los managers se declara entusiasmado con mejorar su trabajo usando IA.
• 78% cambió su forma de evaluar al equipo tras adoptarla, dando más peso a la capacidad de escribir buenos prompts, decidir qué delegar a la IA y experimentar con nuevas formas de trabajo.
• Casi la mitad dice que dedica más tiempo que antes a revisar y guiar el output de su equipo.
• 46% usa IA para informar sus decisiones y 39% la usa para redactar evaluaciones de desempeño.

Michal Miller Levi, responsable de investigación de mercado y customer insights en monday.com, comparó el entusiasmo con los primeros días de internet en los 2000. El problema, dijo a TechCrunch, es que la IA avanza más rápido de lo que las empresas logran adaptarse: «La IA funciona muy bien para ellos individualmente, pero también tienen un rol distinto como managers. Necesitan mover la organización… Su dificultad viene de que la IA se mueve más rápido que los procesos organizacionales».

¿Por qué evaluar el desempeño con IA es un riesgo?

Hay una tensión que la encuesta deja al descubierto: si el manager no puede saber cuánto de un entregable salió de la IA, ¿cómo evalúa con justicia? Y si además usa IA para juzgar, el problema se agranda.

Los modelos de lenguaje son, en esencia, máquinas de predicción que reproducen patrones humanos presentes en sus datos de entrenamiento. Una investigación del Luxembourg Institute of Socio-Economic Research publicada este año encontró que, «en ausencia de estándares objetivos claros y cuando las personas son evaluadas de forma independiente», los LLM tienden a calificar el desempeño de manera similar a los humanos. Y un paper de principios de 2025 encontró que los modelos de IA pueden mostrar sesgos contra candidatos negros y «demuestran sesgos significativos, que varían en dirección y magnitud entre distintos grupos sociales».

Cuando se le preguntó a Levi si usar IA para pesar en el desempeño de las personas podría introducir sesgos externos al proceso, respondió que las empresas todavía no han resuelto cómo manejar esos temas.

El nuevo trabajo invisible: supervisar agentes

La encuesta también muestra que el día del manager cambió de forma. Alguien tiene que decidir qué tareas se delegan a agentes de IA, revisar lo que producen e intervenir cuando algo falla. El informe sugiere que esa supervisión equivale a una nueva capa de «trabajo invisible».

Ese costo ya es medible en el mercado. El informe 2026 AI Agents Report de G2, basado en una encuesta a más de 1.000 responsables de decisiones B2B, encontró que 66% ya tiene agentes en producción limitada o escalada, un aumento de 18% interanual, pero que 45% dice que la supervisión y el retrabajo consumen más de un cuarto de las ganancias de productividad esperadas. Un tercio de las organizaciones con agentes en producción dedica al menos 6 horas semanales a vigilar su trabajo, según G2.

La presión va a más: 58% de los managers encuestados por Nielsen espera supervisar más agentes de IA que empleados humanos en el próximo año, y 46% teme perder el control sobre las acciones de esos agentes. Un 35% adicional menciona el miedo a ser responsabilizado por decisiones tomadas por la IA.

¿Más herramientas o menos? El efecto fue el contrario

Uno de los hallazgos más incómodos para quien presupuestó IA pensando en consolidar su stack: 57% de los managers dice que su organización tiene hoy más herramientas en circulación que antes, y 51% que esas herramientas se volvieron más interdependientes entre sí. Solo 29% describe su infraestructura de IA como totalmente optimizada y centralizada.

Levi lo resumió sin rodeos: los managers cerraron 2025 con la idea de que iban a consolidar software, «pero lo que pasó es que la cantidad de herramientas que usan aumentó».

Ese desorden tiene nombre en el resto del sector: shadow AI. Un análisis de Cisco sobre el fenómeno señala que las organizaciones con altos niveles de shadow AI registraron costos de brecha promedio US$670.000 mayores que las que casi no la tienen, y que una de cada cinco reportó una brecha vinculada a IA no autorizada. El informe 2026 de Netskope citado por Cisco encontró que el número de personas que usan aplicaciones de IA generativa SaaS en la organización promedio se triplicó en un año, mientras el volumen de prompts se multiplicó por seis.

Y el problema ya escaló de los chatbots a los agentes. Según InformationWeek, una encuesta de Microsoft a 1.725 responsables de seguridad de datos encontró que casi 3 de cada 10 empleados ya usa agentes de IA no autorizados en el trabajo, y un sondeo de Deloitte a 3.235 líderes de IT y negocio reveló que solo 21% de las organizaciones tiene modelos de gobernanza maduros para el riesgo de IA agéntica.

¿Qué significa esto para tu startup?

El hallazgo central de la encuesta es que la adopción de IA se está volviendo tanto un problema de gobernanza como una oportunidad de productividad. Sin procesos e infraestructura para sostenerla, los managers terminan apagando incendios en lugar de liderar. Estas son las acciones que puedes implementar esta semana:

• Define el estándar de evaluación antes de que la IA entre al flujo. Evalúa por resultado y criterio acordado, no por lo pulido que se ve un entregable. Si el equipo sabe de antemano qué se mide, la ambigüedad deja de ser un problema de percepción y se vuelve un problema de gestión.
• Separa el uso de IA como insumo del uso de IA como juez. Que un manager use IA para ordenar notas o preparar una conversación es distinto a que el modelo determine la calificación. En evaluaciones de desempeño, la decisión final debe quedar en una persona.
• Haz un inventario de herramientas y agentes, con un dueño humano por cada uno. No necesitas prohibir: necesitas saber qué existe, qué datos toca y quién responde si algo sale mal. Sin inventario no hay control posible.
• Mide el costo de supervisión como una línea propia. Si tu equipo dedica horas semanales a revisar output de IA, eso es tiempo que no está produciendo. Ponle número y compáralo con la ganancia que la herramienta prometía.
• Escribe una política de datos mínima. Qué se puede pegar en una herramienta externa, qué no sale nunca de la empresa y qué cuentas están aprobadas. La mayoría de los incidentes de shadow AI no nacen de la malicia, sino de la falta de una alternativa sancionada que sea igual de rápida.

Conclusión

La IA no está fallando en las tareas: está fallando en la traducción a los procesos de la organización. El entusiasmo de los managers es real y mayoritario, pero la encuesta de Nielsen y monday.com muestra que sin criterios de evaluación claros, sin inventario de herramientas y sin dueños definidos para los agentes, la productividad prometida se diluye en revisión, retrabajo y decisiones difíciles de auditar. Para un founder, la ventaja competitiva de los próximos meses no estará en adoptar IA más rápido que el resto, sino en construir la gobernanza que permita usarla sin perder el control del equipo ni la capacidad de evaluarlo con justicia.

Fuentes

• TechCrunch: AI promises productivity, but for managers, it’s mostly a headache for now
• G2: AI Agents Have Moved From Pilot to Production, But Oversight Comes at a Cost
• Cisco: The AI Security Paradox – How Shadow AI Became the Enterprise’s Biggest Blind Spot
• InformationWeek: Shadow AI has gone agentic. Are organizations ready?

Artículos relacionados:

Desempleo, agentes 24/7 y la carta de Dario Amodei Agentes IA en la empresa: ¿uno por persona o uno por equipo? Dejé de usar la IA como herramienta y la contraté Karpathy a Anthropic: el fichaje que rompe la IA Ley de IA, agentes autónomos y el 80% que no cambia el modelo