Cómo la IA cambia la geometría de la zona de flow
El flow relaciona desafío y habilidad. La IA puede ampliar ese equilibrio al aumentar nuestra capacidad efectiva y mover la frontera hacia trabajos más exigentes.
También disponible en English
La IA no solo puede ayudarnos a entrar más fácilmente en un estado de flow. También puede ampliar el rango de desafíos que somos capaces de enfrentar y desplazarlo hacia trabajos más exigentes.
Hay momentos en los que el trabajo parece cambiar de naturaleza.
Dejamos de mirar el reloj. La atención se concentra. El siguiente paso se vuelve claro. La tarea exige lo suficiente como para mantenernos involucrados, pero no tanto como para paralizarnos. Y avanzar empieza a resultar satisfactorio por sí mismo.
El psicólogo Mihaly Csikszentmihalyi llamó flow a ese estado.
Sus investigaciones sobre actividades que resultan gratificantes por sí mismas se desarrollaron durante la década de 1970, entre ellas Beyond Boredom and Anxiety, publicado en 1975. Más tarde, el concepto llegó a un público mucho más amplio con su libro Flow: The Psychology of Optimal Experience, publicado en 1990. [1][2]
El flow describe un estado de involucramiento profundo en una actividad: la atención se concentra, disminuye la autoconciencia, nuestra percepción del tiempo puede cambiar y la propia actividad se vuelve gratificante. [3]
Una de las representaciones más conocidas del concepto coloca la habilidad en un eje y el desafío en el otro.
Cuando el desafío es demasiado bajo para nuestras habilidades, es más probable que aparezca el aburrimiento. Cuando nos supera ampliamente, pueden aparecer ansiedad o frustración. Entre ambos extremos está la conocida zona de flow: el espacio donde lo que la tarea exige y lo que podemos hacer mantienen un equilibrio adecuado.
El gráfico simplifica una teoría más amplia. El equilibrio entre habilidad y desafío no es la única condición relacionada con el flow: también importan objetivos claros, feedback y una sensación de control. Aun así, la investigación respalda ese equilibrio como uno de sus componentes importantes. [3][4]
Y ahí aparece una pregunta especialmente interesante en la era de la inteligencia artificial:
¿Qué ocurre cuando nuestra capacidad efectiva puede cambiar mientras estamos realizando el trabajo?
La IA cambia nuestra capacidad efectiva
Cuando trabajamos sin asistencia externa, enfrentamos un desafío con nuestros conocimientos, habilidades, memoria, herramientas y tiempo disponibles.
La IA modifica esa combinación.
Un sistema de IA puede explicar un concepto que no conocemos, buscar y organizar información, proponer alternativas, generar un primer borrador, revisar código, detectar errores o darnos feedback mientras seguimos trabajando.
Eso no significa que de pronto hayamos incorporado todas esas capacidades como habilidades propias y permanentes.
Pero sí significa que cambió nuestra capacidad efectiva durante el trabajo.
La IA también puede modificar la forma del desafío. Un problema que al principio parece opaco puede convertirse en una serie de pasos comprensibles:
Y esto importa porque el flow no depende solamente de cuánto sabemos.
Depende de la relación entre nuestras capacidades y el desafío que tenemos enfrente.
La IA puede ampliar la zona de flow
De ahí surge la hipótesis central:
La IA puede ampliar la zona de flow al aumentar el rango de desafíos que siguen siendo manejables en relación con nuestra capacidad efectiva.
Ya existe investigación compatible con esta idea.
Un estudio publicado en 2025 analizó específicamente el flow dentro de un entorno de aprendizaje basado en ChatGPT. Los investigadores observaron que el entorno favorecía varios antecedentes del flow y que el equilibrio entre habilidad y desafío tenía una influencia particularmente importante en la experiencia reportada por los participantes. Es un estudio acotado y no demuestra una teoría universal del flow asistido por IA, pero conecta directamente la IA generativa con condiciones relacionadas con este estado. [5]
En un sentido más amplio, distintos experimentos en trabajo profesional muestran que la IA generativa puede modificar de manera significativa lo que una misma persona logra en un tiempo determinado. En un experimento con 453 profesionales con formación universitaria realizando tareas de escritura, ChatGPT redujo el tiempo promedio de finalización en un 40% y aumentó la calidad de los resultados en un 18%. [6]
Eso no significa que la IA produzca flow automáticamente.
Pero sí respalda el mecanismo que estamos analizando: la IA puede modificar la capacidad efectiva del Humano mientras realiza una tarea.
Cuando el alcance del trabajo permanece relativamente estable, una parte mayor de la tarea puede quedar dentro de un rango manejable. Es más fácil superar bloqueos, el feedback puede llegar antes y podemos pasar una mayor proporción de nuestro tiempo trabajando dentro de ese equilibrio entre desafío y capacidad.
Pero cuando nuestra capacidad aumenta, el trabajo pocas veces permanece exactamente igual.
Y ahí aparece el efecto más interesante.
La zona de flow también puede moverse
Cuando resolvemos un cuello de botella, normalmente aparece otro.
Si buscar información deja de ser difícil, el nuevo desafío puede ser decidir qué información realmente importa.
Si generar un primer análisis se vuelve sencillo, aumenta la importancia de comparar alternativas y tomar una decisión.
Si la implementación se acelera, la arquitectura puede convertirse en el nuevo límite.
Si una persona puede coordinar mucho más trabajo que antes, priorizar, evaluar y gobernar ese sistema se vuelve más complejo y más importante.
La IA, entonces, no necesariamente elimina los desafíos significativos.
Puede desplazarlos hacia arriba.
Algo parecido ocurre cuando una persona empieza a trabajar con colaboradores capaces. Quien trabaja solo tiene una determinada frontera productiva. Al incorporar un equipo, esa frontera se amplía, pero también cambia la naturaleza de su trabajo. Puede dedicar menos atención a ejecutar cada tarea individual y más a coordinar, revisar, integrar y decidir.
La IA puede generar un efecto similar, con una diferencia histórica importante: esa capacidad productiva adicional puede estar disponible de manera continua y bajo demanda, incluso para una sola persona.
Esto nos permite reinterpretar el gráfico clásico:
La IA puede ampliar la zona de flow y, a medida que aumenta la capacidad Humano-IA, desplazarla progresivamente hacia desafíos más complejos.
Cuando aparece el siguiente desafío, el beneficio anterior no desaparece.
La persona simplemente llegó a una frontera distinta.
El cuello de botella móvil
Podemos representar ese proceso como un ciclo:
Por eso, delegar trabajo de bajo nivel a la IA no debería interpretarse automáticamente como una reducción del pensamiento humano.
Puede eliminar la necesidad de tomar una gran cantidad de microdecisiones de poco valor.
Pero si el Humano sigue siendo responsable del trabajo, el aumento de capacidad productiva puede exigir más juicio en un nivel superior: analizar más información, coordinar más actividad, comparar más alternativas y tomar decisiones de mayor impacto.
Cambia la contribución humana.
Y cambia también el desafío.
La investigación con trabajadores del conocimiento que utilizaron GPT-4 aporta otro elemento importante: la capacidad de la IA no es uniforme. En un amplio experimento de campo, el desempeño mejoró significativamente en tareas ubicadas dentro de la frontera de capacidades del modelo, pero empeoró en una tarea que estaba fuera de ella. Los investigadores describieron este límite irregular como una “frontera tecnológica dentada” (jagged technological frontier). [7]
Por eso, la nueva zona de flow Humano-IA probablemente tampoco sea uniforme ni permanente.
Depende de la persona, del problema, del sistema de IA y de la frontera de lo que esa combinación pueda hacer de manera confiable.
Una frontera móvil del trabajo significativo
El modelo original del flow ayuda a explicar por qué algunas actividades llegan a absorbernos profundamente: nos colocan en una relación adecuada con el desafío.
La IA puede estar modificando esa relación.
Puede reducir fricción, acortar los ciclos de feedback, volver utilizable conocimiento que antes estaba fuera de nuestro alcance y transformar problemas grandes en pasos manejables.
Eso puede ampliar el rango de trabajo en el que desafío y capacidad efectiva permanecen equilibrados.
Pero cuando aumenta nuestra capacidad productiva, la historia no necesariamente termina con un trabajo más fácil.
Podemos asumir un problema mayor.
Una responsabilidad más amplia.
Una decisión más importante.
Un nivel superior de coordinación.
Y entonces aparece un nuevo desafío.
Tal vez, por eso, el efecto más interesante de la IA sobre el flow no sea que convierte lo difícil en fácil.
Es que puede hacer alcanzables desafíos que antes estaban fuera de nuestro alcance.
En un trabajo estable, la IA puede ampliar la zona de flow. A medida que el trabajo evoluciona, puede ampliarla y también desplazarla.
El desafío no desaparece.
La frontera se mueve.
Fuentes
[1] Mihaly Csikszentmihalyi — Beyond Boredom and Anxiety (1975) — Trabajo fundacional en el desarrollo temprano de la teoría del flow.
[2] Mihaly Csikszentmihalyi — Flow: The Psychology of Optimal Experience (1990) — El libro que llevó el concepto de flow a un público mucho más amplio.
[3] Jeanne Nakamura & Mihaly Csikszentmihalyi — “The Concept of Flow,” Handbook of Positive Psychology — Revisión académica del concepto, la absorción en la actividad y el desarrollo del modelo.
[4] Carlton J. Fong, Diana J. Zaleski & Jennifer Kay Leach — “The Challenge–Skill Balance and Antecedents of Flow: A Meta-Analytic Investigation” — Meta-análisis de 28 estudios sobre el equilibrio entre desafío y habilidad y otros antecedentes del flow.
[5] Ruofei Zhang, Di Zou, Gary Cheng & Haoran Xie — “Flow in ChatGPT-Based Logic Learning and Its Influences on Logic and Self-Efficacy in English Argumentative Writing” — Estudia directamente el flow y sus antecedentes dentro de un entorno de aprendizaje basado en ChatGPT.
[6] Shakked Noy & Whitney Zhang — “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence” — Experimento controlado sobre productividad y calidad en tareas profesionales de escritura asistidas por ChatGPT.
[7] Fabrizio Dell'Acqua et al. — “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality” — Experimento de campo sobre la variación en los beneficios de la IA según la tarea se encuentre dentro o fuera de la frontera de capacidades de la tecnología.