La versión corta
Edición 2026Conclusiones clave
Cada entrada enlaza a su fila de datos canónica. Las cifras reportadas pertenecen a su productor citado; los resultados modelados se etiquetan como cálculos.
- Experimento de redacción: menor tiempo de tarea con asistencia de IA: 40% (experimento de 2023; publicado en julio de 2023).MIT / Noy y Zhang
- Experimento de redacción: mayor calidad de salida evaluada: 18% (experimento de 2023; publicado en julio de 2023).MIT / Noy y Zhang
- Experimento de consultoría: aumento en subtareas completadas: 12,2% (Estudio lanzado por primera vez en 2023; resumen del estudio publicado en abril de 2026).Harvard Business School AI Institute / Dell’Acqua y colegas
- Experimento de consultoría: mayor calidad aproximada en el ejercicio de innovación: 32% (Estudio lanzado por primera vez en 2023; resumen del estudio publicado en abril de 2026).Harvard Business School AI Institute / Dell’Acqua y colegas
- Tarea de estrategia: respuestas correctas sin IA: 84.5% (Estudio lanzado por primera vez en 2023; resumen del estudio publicado en abril de 2026).Harvard Business School AI Institute / Dell’Acqua y colegas
- Tarea de estrategia: respuestas correctas con acceso a GPT-4: 70.6% (Estudio lanzado por primera vez en 2023; resumen del estudio publicado en abril de 2026).Harvard Business School AI Institute / Dell’Acqua y colegas
- Tarea de estrategia: respuestas correctas con GPT-4 y resumen de indicaciones: 60% (Estudio lanzado por primera vez en 2023; resumen del estudio publicado en abril de 2026).Harvard Business School AI Institute / Dell’Acqua y colegas
- Experimento de Copilot: reducción del tiempo de finalización en una tarea de codificación: 55,8% (15 de mayo - 20 de junio de 2022).Peng, Kalliamvakou, Cihon y Demirer
- Experimento METR de principios de 2025: mayor tiempo de finalización con IA permitida: 19% (febrero-junio de 2025).METR
- Participantes de METR: aceleración percibida de la IA después del experimento: 20% (febrero-junio de 2025).METR
¿Ayuda la IA con tareas cortas de escritura profesional?
El experimento de redacción encontró menos tiempo dedicado y mayor calidad evaluada con asistencia. Sus asignaciones no requirieron la precisión fáctica completa o el contexto organizacional de muchos documentos reales dirigidos a clientes.
| Resultado frente a control | Cambio informado |
|---|---|
| Reducción en el tiempo de tarea | 40%Experimento aleatorio |
| Aumento en la calidad evaluada | 18%Experimento aleatorio |
La mejora de la puntuación de calidad y la reducción del tiempo son resultados diferentes y no deben sumarse.
Fuente primaria: MIT / Noy y Zhang — 14 de julio de 2023
¿Puede la IA mejorar una tarea de consultoría y perjudicar otra?
Sí. El estudio separa las tareas que el modelo podía manejar de un problema estratégico en el que no era confiable. La productividad en el primer conjunto no establece la precisión en el segundo.
| Resultado y condición | Porcentaje informado |
|---|---|
| Más subtareas completadas en el ejercicio de innovación | 12.2%Experimento aleatorio |
| Mayor calidad en el ejercicio de innovación, aproximadamente | 32%Experimento aleatorio |
| Respuesta correcta de la estrategia: sin IA | 84.5%Experimento aleatorio |
| Respuesta correcta de la estrategia: acceso a GPT-4 | 70.6%Experimento aleatorio |
| Respuesta correcta de la estrategia: GPT-4 más descripción general de indicaciones | 60%Experimento aleatorio |
La estimación de calidad es aproximada. Esta es evidencia histórica de GPT-4, no un punto de referencia de los modelos actuales.
Fuente primaria: Harvard Business School AI Institute / Dell’Acqua y colegas — 9 de abril de 2026
¿Por qué los estudios de codificación reportan diferentes efectos de productividad?
Una asignación de codificación independiente y el mantenimiento dentro de un repositorio maduro son tareas diferentes. Los estudios también utilizaron diferentes generaciones de modelos y métodos de reclutamiento. Sus resultados deben permanecer separados en lugar de promediarse.
| Estudio y resultado | Cambio informado |
|---|---|
| Asignación de Copilot: reducción en el tiempo de finalización | 55.8%Experimento aleatorio |
| METR: aumento en el tiempo real de finalización | 19%Experimento aleatorio |
| METR: aceleración anticipada antes del trabajo | 24%Percepción del participante |
| METR: aceleración percibida después del trabajo | 20%Percepción del participante |
El seguimiento posterior de METR informó serios problemas de selección y medición del tiempo. Sus autores no consideran el seguimiento como una estimación confiable del efecto actual; la desaceleración histórica no es una afirmación sobre todos los desarrolladores en 2026.
Fuentes primarias: Peng, Kalliamvakou, Cihon y Demirer — 13 de febrero de 2023 · METR — 10 de julio de 2025 · METR — 24 de febrero de 2026
¿Qué significa cada cambio de tiempo medido en la misma línea base?
Un índice base facilita la lectura aritmética sin agrupar los estudios. Cada condición de control recibe el mismo índice inicial; el índice asistido resultante todavía se refiere solo a su propio experimento.
| Experimento | Índice de tiempo asistido; control = 100 |
|---|---|
| Experimento de redacción | 60Cálculo normalizado |
| Asignación de Copilot | 44.2Cálculo normalizado |
| Tareas de repositorio METR | 119Cálculo normalizado |
Normalización de Workspace369, no un nuevo resultado observado. Menor significa menos tiempo. Una reducción en el tiempo no es el mismo aumento porcentual en el rendimiento, y no se reclama ninguna estimación de rendimiento.
Fuentes primarias: MIT / Noy y Zhang — 14 de julio de 2023 · Peng, Kalliamvakou, Cihon y Demirer — 13 de febrero de 2023 · METR — 10 de julio de 2025
¿Cómo debe una empresa probar el ahorro de tiempo con IA?
Defina una tarea repetible y un estándar de aceptación antes de comparar el trabajo asistido y no asistido. Incluya la preparación de indicaciones, la verificación de hechos, la revisión y la reelaboración. Mantenga el acceso a datos del cliente y los requisitos de aprobación humana sin cambios en la comparación.
Rastree tanto el tiempo como la calidad. No aplique un porcentaje de tarea de redacción a una nómina completa ni asuma el mismo resultado para un agente autónomo.
Cómo se construyó este informe
Metodología y limitaciones
- Esta es una comparación de evidencia seleccionada, no una revisión sistemática o metaanálisis. Los estudios se incluyeron por tareas identificables, evidencia del productor original y definiciones de resultados claramente establecidas.
- Las cifras de redacción y consultoría utilizan los resúmenes públicos de sus instituciones de investigación de estudios publicados. El artículo de codificación y el informe METR proporcionan detalles experimentales originales. Las versiones de borrador y publicadas no se mezclan.
- Los resultados medidos y las aceleraciones percibidas tienen etiquetas de evidencia separadas. El cálculo del índice de tiempo utiliza solo los cambios medidos en el tiempo de finalización; las creencias de la encuesta están excluidas del mismo.
- Las versiones del modelo y las fechas del estudio permanecen adjuntas a los hallazgos. Verificamos el seguimiento de METR y conservamos su advertencia sobre la confiabilidad de las estimaciones más recientes.
Lo que estos números no pueden decirle
- Los experimentos seleccionados no pueden establecer un retorno de la inversión universal en IA. Las diferentes tareas, condiciones de control, participantes y pruebas de calidad impiden un porcentaje agrupado defendible.
- Los tamaños de muestra describen el alcance del estudio, no replicaciones independientes. La participación del proveedor en el estudio Copilot es relevante para la interpretación.
- Los resultados históricos no establecen las capacidades de los modelos disponibles hoy. La normalización no incluye costos de implementación ni demuestra ahorros anuales sostenidos.
Frescura y correcciones
Mantenido por el equipo editorial de Workspace369. Revisar trimestralmente y cuando un productor citado publique un estudio de reemplazo. Próxima revisión editorial: diciembre de 2026. Conservar las versiones de modelos históricos y las fechas de observación. La fecha de edición solo cambia cuando la evidencia o el contenido se revisan sustancialmente; no cambia el período de observación subyacente.
Primera edición: . Se verificó la extracción de datos, la atribución de la fuente y la aritmética para esta edición. No se reclama revisión independiente por pares.
¿Encontró un error o una versión primaria más reciente? Enviar una corrección con la fuente y la estadística afectada. Las correcciones confirmadas deben registrarse en el historial de revisiones antes de volver a publicar.
Fuentes primarias y procedencia
Cada celda numérica reportada se vincula directamente a su productor. Las descargas incluyen localizadores exactos de tablas o libros de trabajo, períodos de observación, fechas de acceso, fórmulas y referencias de entrada.
- MIT / Noy y ZhangAnuncio de investigación del MIT para el experimento de escritura publicado en Science ↗Publicado el 14 de julio de 2023. Accedido el 12 de septiembre de 2026.Se parafrasean observaciones fácticas seleccionadas con atribución. No se redistribuye ningún informe de origen, gráfico, datos de participantes o base de datos propietaria; los derechos de origen permanecen con su productor.
- Harvard Business School AI Institute / Dell’Acqua y colegasDe vuelta a los inicios de la IA en el trabajo: revisión institucional del experimento de consultoría publicado ↗Publicado el 9 de abril de 2026. Accedido el 12 de septiembre de 2026.Se parafrasean observaciones fácticas seleccionadas con atribución. No se redistribuye ningún informe de origen, gráfico, datos de participantes o base de datos propietaria; los derechos de origen permanecen con su productor.
- Peng, Kalliamvakou, Cihon y DemirerEl impacto de la IA en la productividad de los desarrolladores: evidencia de GitHub Copilot, arXiv v1 ↗Publicado el 13 de febrero de 2023. Accedido el 12 de septiembre de 2026.Se parafrasean observaciones fácticas seleccionadas con atribución. No se redistribuye ningún informe de origen, gráfico, datos de participantes o base de datos propietaria; los derechos de origen permanecen con su productor.
- METRMedición del impacto de la IA de principios de 2025 en la productividad de los desarrolladores experimentados de código abierto ↗Publicado el 10 de julio de 2025. Accedido el 12 de septiembre de 2026.Se parafrasean observaciones fácticas seleccionadas con atribución. No se redistribuye ningún informe de origen, gráfico, datos de participantes o base de datos propietaria; los derechos de origen permanecen con su productor.
- METREstamos cambiando el diseño de nuestro experimento de productividad de desarrolladores ↗Publicado el 24 de febrero de 2026. Accedido el 12 de septiembre de 2026.Se parafrasean observaciones fácticas seleccionadas con atribución. No se redistribuye ningún informe de origen, gráfico, datos de participantes o base de datos propietaria; los derechos de origen permanecen con su productor.
Hecho para ser verificado y luego citado
Cómo citar este informe
Para una estadística reportada por la fuente, cite al editor original y enlace a la fila exacta aquí cuando utilice nuestra compilación. Para un resultado modelado, cite Workspace369 e incluya las suposiciones. Enlazar a esta página no nos convierte en el productor original de datos de terceros.
Workspace369. (2026-09-12). Puntos de referencia de productividad y ahorro de tiempo con IA. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Fuentes primarias y períodos de observación según se indica en el informe.
Las descargas son conjuntos de datos de referencia en inglés, incluso en páginas traducidas. Los derechos de autor pertenecen a sus productores. Atribuya la compilación y los cálculos de Workspace369; consulte los términos de reutilización de cada fuente.