Dando sentido a la investigación sobre cómo las personas utilizan la IA
Amedida que la IA generativa juega un papel cada vez más relevante en nuestras vidas, a todos nos convendría desarrollar nuestros propios puntos de vista matizados sobre esta tecnología.
¿Cómo podemos entender qué están haciendo las personas con la IA? Hasta ahora, se han utilizado tres métodos principales:
- Telemetría
Lo que hacen realmente los usuarios: los registros de uso a los que solo pueden acceder los propios LLM.
— Fortalezas: capta el comportamiento real, gran volumen de datos.
— Debilidades: se limita a plataformas individuales, excluye a usuarios que no han iniciado sesión y a quienes optan por no participar, carece de detalle contextual (debido a la privacidad) y es inaccesible para la mayoría de nosotros.
- Encuestas
Lo que dicen los usuarios cuando se les pregunta.
— Fortalezas: permite preguntar cualquier detalle (por ejemplo, datos demográficos), es fácil de implementar.
— Debilidades: sesgo de autoselección, puede no reflejar el comportamiento real, bajo volumen de datos.
- Escucha social
Lo que dicen los usuarios sin que se les pregunte.
— Fortalezas: veracidad (el anonimato proporciona seguridad psicológica), nivel de detalle, lo que más preocupa a las personas, reflexiones posteriores e impacto.
— Debilidades: bajo volumen de datos, sesgo hacia las fuentes, ausencia de datos demográficos.
Ningún método por sí solo lo captura todo. Pero, juntos, estos enfoques complementarios ayudan a formar una imagen funcional y útil de cómo mil millones de seres humanos ya están integrando la IA en su vida diaria.
Cuando distintos informes coinciden, probablemente haya una señal a la que conviene prestar atención. Y coinciden en muchas cosas.
No es sorprendente que el uso de los LLM esté creciendo rápidamente.
ChatGPT acaba de alcanzar aproximadamente 800 millones de usuarios activos semanales que, en conjunto, envían alrededor de 20 mil millones de mensajes por semana. Anthropic afirma que el 40% de los empleados reporta usar IA en el trabajo, el doble del porcentaje de hace apenas dos años.
Las tareas siguen una distribución de ley de potencia.
En una distribución de ley de potencia, unos pocos eventos son desproporcionadamente grandes, mientras que la mayoría son muy pequeños. OpenAI observa que el 78% de todos los mensajes encaja en sus tres categorías principales (orientación práctica, escritura y búsqueda de información). Anthropic señala que el 20% de las categorías de tareas representa el 87% del uso. En mi investigación, los 20 principales grupos de casos de uso representan más de la mitad del total de casos de uso. Esta concentración sugiere que los líderes deberían enfocar las inversiones en IA en un pequeño conjunto de casos de uso de alto impacto, en lugar de intentar hacerlo todo al mismo tiempo.
Usamos la IA de forma sustancial para escribir.
El informe de OpenAI indica que “la escritura es el caso de uso más común en el trabajo, y representa alrededor del 40% de los mensajes relacionados con el trabajo”. Anthropic en realidad no dice mucho sobre esto en su informe más reciente, pero en su informe de febrero de 2025, uno de los hallazgos principales fue que “el uso se concentra en el desarrollo de software y en tareas de redacción técnica”. Al menos 20 de los 100 principales casos de uso que analizo están directamente relacionados con la escritura. Esto tiene sentido, dado que el texto es el formato de salida que la IA generativa produce predominantemente. Dado cuánto domina la escritura el uso, las organizaciones podrían ver un retorno de inversión más rápido con herramientas que se mantengan más cerca de las palabras en presentaciones, informes y comunicaciones, que con aplicaciones más exóticas y ambiciosas.
El aprendizaje y la educación son una categoría importante.
Para Anthropic, el uso relacionado con educación creció de 9.3% a 12.4%. Para OpenAI, alrededor del 10% de todos los mensajes de ChatGPT son solicitudes de tutoría o enseñanza. En mi investigación, el 20% de mis casos de uso pertenece al grupo de aprendizaje y educación, lo cual no resulta sorprendente, dado que se trata de una tecnología “inteligente” diseñada para una especie cognitivamente avanzada, curiosa y neoténica.
La ampliación ya está aquí y la automatización está en camino.
Para Anthropic, las conversaciones directivas (automatización) pasaron del 27% al 39% en ocho meses, y entre las transcripciones de APIs empresariales, el 77% ya está dominado por la automatización. Para OpenAI, en el trabajo la mayoría de las tareas (56%) son de ejecución (en lugar de expresión o consulta). En las plataformas sociales que observo a diario, estoy viendo más publicaciones que nunca sobre el uso de agentes de IA.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
As generative AI plays an increasingly prominent role in our lives, we’d all do well to develop our own nuanced viewpoints about the technology.
How might we understand what people are doing with AI? So far, three main methods have been used:
TELEMETRY
What users actually do: the usage logs that only LLMs themselves can access.
— Strengths: captures actual behavior, large volume of data.
— Weaknesses: limited to single platforms, excludes logged-out users and opt-outs, lacks contextual detail (owing to privacy), inaccessible for most of us.
SURVEYS
What users say, when asked.
— Strengths: can ask for any detail at all (e.g. demographics), easy to set up.
— Weaknesses: self-selection bias, may not reflect actual behavior, low volume of data.
SOCIAL LISTENING
What users say, unasked.
— Strengths: truth (anonymity enables psychological safety), detail, what people feel most strongly about, downstream reflections and impact.
— Weaknesses: low volume of data, bias toward sources, no demographic data.
No single method will capture everything. But together, these complementary approaches help form a workable, useful picture of how a billion human beings are already weaving AI into their daily lives.
Where distinct reports agree, there is probably some signal to pay attention to. And they agree on plenty.
UNSURPRISINGLY, LLM USAGE IS GROWING FAST. ChatGPT has just hit approximately 800 million weekly active users who collectively send about 20 billion messages per week. Anthropic claims that 40% of employees report using AI at work, double the percentage from just two years ago.
TASKS FOLLOW A POWER-LAW DISTRIBUTION. In a power-law distribution, a few events are disproportionately large, while most are very small. OpenAI sees 78% of all messages fitting into its top-three categories (practical guidance, writing and seeking information). Anthropic observes that 20% of task categories account for 87% of usage. In my research, the top-20 use case buckets account for more than half the total use cases. This concentration suggests that leaders should focus AI investments on a small handful of high-impact use cases, rather than trying to do everything at once.
WE USE AI SUBSTANTIALLY TO WRITE. The OpenAI report states that “Writing is the most common use case at work, accounting for about 40% of work-related messages.” Anthropic doesn’t actually say much on this in its most recent report, but in its February 2025 report, one of the main findings was that “usage is concentrated in software development and technical writing tasks.” At least 20 of the top-100 use cases I cover are squarely about writing. This makes sense, given that text is the output format predominantly pumped out by generative AI. Given how much writing dominates usage, organizations might see faster ROI from tools that stay closer to the words in presentations, reports and communications than in more exotic, ambitious applications.
LEARNING & EDUCATION IS A MAJOR CATEGORY. For Anthropic, education usage grew from 9.3% to 12.4%. For OpenAI, about 10% of all ChatGPT messages are requests for tutoring or teaching. In my research, 20% of my use cases fall into the learning and education bucket — unsurprising, given that this is an “intelligent” technology designed for a cognitively advanced, curious, neotenic species.
AUGMENTATION IS HERE AND AUTOMATION IS COMING. For Anthropic, directive conversations (automation) rose from 27% to 39% in eight months, and among enterprise API transcripts, 77% are now automation-dominant. For OpenAI, at work the majority (56%) of tasks are doing (rather than expressing or asking). On the social platforms I watch daily, I’m seeing more posts than ever about agentic usage.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
