Freelance en la era de los agentes de IA: qué tareas delegar y cuáles proteger

Introducción: de la sustitución de servicios a la gestión estratégica de la agencia humana

La transformación de la demanda y de las trayectorias profesionales en plataformas digitales

El trabajo freelance se reorganiza alrededor de una pregunta distinta de la simple sustitución: qué partes del servicio puede ejecutar un sistema y qué decisiones siguen requiriendo responsabilidad profesional. En plataformas digitales, la introducción de ChatGPT redujo un 21 % las ofertas de trabajos proclives a la automatización, especialmente en escritura y programación, durante los ocho meses posteriores a su lanzamiento (Demirci et al., 2025). La demanda también cayó entre un 20 % y un 50 % en competencias sustituibles, mientras crecieron algunos grupos complementarios, como programación de aprendizaje automático y desarrollo de chatbots (Teutloff et al., 2025). Estas variaciones se insertan en carreras marcadas por volatilidad, intermediación algorítmica, competencia global y posibles efectos de bloqueo de plataforma (Gussek & Wiesche, 2024).

La delegación como transferencia de responsabilidad, control y derechos de decisión

Delegar no equivale a utilizar una herramienta auxiliar: implica transferir derechos y responsabilidades sobre una tarea, incluso cuando el sistema puede actuar sin supervisión directa (Adam et al., 2024). Para el freelance, esa transferencia afecta el control sobre el proceso, la trazabilidad de las decisiones y la atribución frente al cliente. La cuestión estratégica consiste en conservar la decisión sobre el propósito y los criterios de aceptación, mientras se externaliza una ejecución delimitada. Esta distinción conduce a separar tareas delegables de funciones que deben permanecer bajo agencia humana.

Qué tareas delegar: productividad, complementariedad y automatización de actividades estructuradas

Tareas codificables en programación, atención al cliente, diseño y producción de contenidos

Las tareas más aptas para delegación son aquellas cuyo resultado puede describirse mediante instrucciones, ejemplos y criterios verificables. En atención al cliente, un asistente conversacional elevó en un 15 % los problemas resueltos por hora entre 5.172 agentes, aunque los efectos variaron por experiencia y nivel de competencia (Brynjolfsson et al., 2024). La mejora fue mayor entre agentes menos experimentados y de menor cualificación, mientras los más experimentados obtuvieron pequeños aumentos de velocidad y pequeños descensos de calidad (Brynjolfsson et al., 2024). El sistema también facilitó el aprendizaje y la fluidez en inglés de agentes internacionales, lo que sugiere que la delegación puede ampliar capacidades cuando la persona sigue interviniendo en la resolución.

En programación, la producción de borradores de código, pruebas iniciales, documentación y soluciones repetitivas puede integrarse en rutinas de desarrollo, aunque los estudios cualitativos describen problemas de imprevisibilidad, alucinaciones, límites de tokens y ciclos irregulares de ensayo y error (Dolata et al., 2024). La evidencia sobre ingeniería de software identifica oportunidades de productividad, pero también barreras sociotécnicas relacionadas con la integración de estas herramientas en prácticas organizativas y profesionales (Banh et al., 2025). Por tanto, el criterio no es si el sistema genera código, sino si el freelance puede probarlo, comprenderlo y asumir sus consecuencias.

En diseño y producción de contenidos, la inteligencia artificial generativa puede convertir bocetos en representaciones detalladas, generar modelos tridimensionales, explorar tendencias y producir imágenes o informes a partir de indicaciones textuales (Furtado et al., 2024). Su utilidad aumenta cuando el encargo requiere variaciones rápidas, exploración combinatoria o transformación de materiales existentes. La conceptualización de estos sistemas como motores de estilo explica su capacidad para combinar apariencias y convenciones, pero también advierte que fluidez formal no garantiza exactitud, fiabilidad ni veracidad (Riemer & Peter, 2024). La delegación debe concentrarse, por ello, en operaciones reversibles y evaluables.

Evidencia de aumentos de productividad y complementariedad entre agentes y profesionales

La evidencia empírica apunta a una complementariedad condicionada, no a una mejora uniforme. En inspección visual, una interfaz explicable con mapas de calor aumentó el rendimiento frente a una inteligencia artificial opaca en 7,7 puntos porcentuales en fabricación y 4,7 puntos porcentuales en radiología (Senoner et al., 2024). La explicación permitió seguir la predicción cuando era correcta y anularla cuando era errónea, conectando la automatización con el conocimiento profesional. En plataformas, la demanda creció en competencias complementarias o no afectadas, mientras descendió en escritura y traducción, lo que muestra que el valor se desplaza hacia la combinación entre dominio y sistema (Teutloff et al., 2025).

La delegación eficaz requiere información contextual sobre las capacidades del sistema y las características de la tarea. Un estudio conductual encontró que esa información mejora el rendimiento del equipo humano-inteligencia artificial y modifica las decisiones de delegación (Spitzer et al., 2025). La consecuencia práctica es que el freelance debe dividir el encargo en unidades observables, asignar al sistema operaciones acotadas y reservar la aceptación del resultado. Esta arquitectura reduce la exposición a errores y conserva la posibilidad de corrección antes de entregar el servicio.

Qué tareas proteger: juicio profesional, responsabilidad y producción de valor distintivamente humano

Decisiones ambiguas que requieren contexto, interpretación y rendición de cuentas

Deben protegerse las tareas cuyo resultado depende de información incompleta, intereses en conflicto o consecuencias difíciles de revertir. Un sistema generativo puede producir una respuesta convincente sin ofrecer garantías de exactitud, porque sus capacidades probabilísticas favorecen la composición de estilos y no la verificación sistemática de hechos (Riemer & Peter, 2024). En proyectos de software generativo, los profesionales describen salidas impredecibles, alucinaciones y expectativas infladas de los clientes (Dolata et al., 2024). Estas condiciones hacen inadecuado delegar sin revisión la definición del problema, la interpretación contractual o la validación final.

La decisión profesional también incluye determinar qué cuenta como un resultado aceptable. En radiología e inspección industrial, la explicación visual permitió a expertos contrastar la predicción con su conocimiento y corregirla cuando procedía (Senoner et al., 2024). El hallazgo no autoriza a transferir el juicio, sino que muestra que el sistema funciona mejor como apoyo cuando la persona puede entender la base de la recomendación. La explicabilidad es, por ello, una condición de control y no un sustituto de la competencia.

La responsabilidad frente al cliente tampoco puede diluirse en la autonomía del agente. Los usuarios aceptan menos la delegación cuando el sistema la propone por iniciativa propia, porque esa modalidad incrementa la amenaza percibida sobre la identidad profesional; el efecto es mayor cuando disminuye la percepción de control (Adam et al., 2024). La aceptación de una recomendación, además, no equivale a autorizar que la inteligencia artificial tome la decisión final. La literatura conceptualiza esta diferencia como una brecha entre usar el sistema como una entrada y permitirle decidir por completo, mediada por confianza, desconfianza y explicabilidad (Afzali, 2026).

La función humana como guardiana de la intención, el estilo y la autenticidad

El freelance conserva un valor específico cuando traduce una necesidad ambigua en una propuesta, selecciona un tono adecuado y responde por la coherencia del resultado. La investigación sobre publicidad generativa encuentra que los anuncios con colaboración entre personajes humanos y sistemas generativos reciben actitudes más favorables que los compuestos exclusivamente por personajes generados, porque se perciben como más creativos y provocan menor ansiedad ante la inteligencia artificial (Madathil, 2025). La presencia humana funciona ahí como garantía de orientación y reconocimiento, no simplemente como una señal estética.

Esta función se extiende a la preservación de la intención del cliente. Los motores de estilo pueden producir muchas variaciones de una apariencia, pero no determinan por sí mismos qué referencia cultural, restricción ética o relación con la audiencia debe mantenerse (Riemer & Peter, 2024). En diseño, la inteligencia artificial puede liberar tiempo para la innovación transformacional cuando ejecuta tareas automatizables, pero el marco de diseño sigue atribuyendo al profesional la selección y articulación del concepto (Furtado et al., 2024). El trabajo protegido, por tanto, comprende el encuadre, la interpretación y la edición final.

También debe protegerse la interacción que construye confianza. Las carreras en plataformas dependen de fases de avance, declive y salida, condicionadas por la mediación de la plataforma y por relaciones temporales con clientes (Gussek & Wiesche, 2024). Un servicio totalmente automatizado puede reducir el contacto que permite comprender cambios de alcance, explicar límites y negociar prioridades. La literatura no demuestra que toda relación cliente-profesional requiera presencia humana constante, pero sí respalda una estrategia en la que la persona mantiene la comunicación sobre objetivos, riesgos y decisiones no reversibles.

La protección de estas tareas no implica rechazar la automatización. Significa reservar a la persona la autoridad sobre propósito, criterios, excepciones y responsabilidad, mientras el sistema produce alternativas o ejecuta componentes delimitados. Esta distribución prepara el debate sobre la diferencia entre una ganancia inmediata y una capacidad profesional sostenible.

El debate central: productividad inmediata frente a autonomía, motivación y desarrollo de capacidades

Resultados contradictorios de la colaboración entre personas y sistemas generativos

La colaboración con inteligencia artificial generativa puede elevar el rendimiento de una tarea y, al mismo tiempo, reducir beneficios posteriores. En cuatro experimentos en línea con 3.562 participantes, la colaboración mejoró el desempeño inmediato, pero esa ventaja no persistió en tareas posteriores realizadas sin asistencia (Wu et al., 2025). Tras pasar a trabajo individual, las personas experimentaron mayor sensación de control, junto con menor motivación intrínseca y más aburrimiento (Wu et al., 2025). El resultado contradice una lectura simple según la cual toda productividad liberada se convierte automáticamente en aprendizaje o bienestar.

La heterogeneidad también depende del diseño de la interacción. La asistencia conversacional mejoró velocidad y calidad entre trabajadores menos experimentados, pero produjo pequeños descensos de calidad entre los más experimentados (Brynjolfsson et al., 2024). En tareas de inspección, las explicaciones mejoraron la precisión frente a sistemas opacos porque facilitaron la revisión de las recomendaciones (Senoner et al., 2024). Los estudios no son incompatibles: examinan poblaciones, tareas y formas de apoyo diferentes. La complementariedad aparece cuando el sistema reduce una limitación concreta sin impedir el ejercicio del criterio.

Pérdida de productividad, alienación y dependencia cuando la automatización sustituye el aprendizaje

La automatización puede trasladar el trabajo desde la producción hacia la evaluación, reorganizar flujos de manera poco útil, introducir interrupciones y hacer más fáciles las tareas sencillas mientras complica las difíciles (Simkute et al., 2024). En esas condiciones, revisar una gran cantidad de salidas puede consumir el tiempo que la herramienta pretendía ahorrar. El problema no reside solamente en la exactitud del modelo, sino en la asignación de responsabilidades y en la estabilidad del proceso de trabajo (Simkute et al., 2024).

La formación ofrece una prueba directa del coste de sustituir el aprendizaje. En una tarea de control de calidad, la selección totalmente automatizada de decisiones redujo la autonomía percibida, la motivación autodeterminada, la participación conductual y la adquisición de habilidades; la automatización parcial produjo mejores condiciones de aprendizaje y adaptación a fallos (Passalacqua et al., 2024). Para el freelance, delegar desde el inicio todas las operaciones básicas puede generar dependencia y limitar la capacidad de auditar resultados futuros.

La colaboración también puede separar al profesional del sentido de su actividad. En datos longitudinales de 229 empleados del sector servicios y 1.050 observaciones diarias, la colaboración con inteligencia artificial generativa se asoció con mayor alienación laboral, que a su vez se vinculó con conductas expeditivas que comprometían los estándares; el efecto fue más intenso bajo altas exigencias digitales (Hai et al., 2025). Aunque esta evidencia procede de empleo organizativo y no de freelancers, alerta sobre un mecanismo transferible: cuando la presión de producción aumenta y el trabajo propio se reduce a aprobar salidas, la calidad puede deteriorarse.

La respuesta no consiste en evitar toda automatización, sino en mantener ciclos de práctica, revisión y decisión. La formación parcialmente automatizada conserva competencia; la supervisión explicable conserva criterio; y la asignación clara evita que la persona cargue con una evaluación interminable. Estas condiciones permiten formular un modelo operativo gradual.

Un modelo operativo para el freelance: delegación gradual con supervisión y control humano

Criterios de decisión: explicabilidad, riesgo, reversibilidad y especificidad de la tarea

La decisión de delegar debe comenzar con una clasificación de la tarea, no con la capacidad general del sistema. Las operaciones específicas, repetibles y reversibles pueden automatizarse primero; las que afectan derechos, reputación, seguridad o interpretación contractual requieren intervención humana directa. La información contextual mejora la asignación de casos entre persona y sistema, porque ayuda a comparar las capacidades de ambos con las exigencias concretas (Spitzer et al., 2025). La explicabilidad añade una condición de auditoría: permite aceptar, corregir o rechazar una salida con base en elementos comprensibles (Senoner et al., 2024).

Puede representarse el proceso como una secuencia de delimitación, delegación, verificación y decisión final:

La delegación debe ser iniciada por el profesional cuando ello preserve el control sobre el alcance. La delegación invocada por el sistema puede generar resistencia al amenazar la identidad profesional, sobre todo cuando reduce la sensación de control (Adam et al., 2024). Una interfaz que propone acciones debería, por tanto, hacer visibles la tarea transferida, los límites de autoridad y la posibilidad de recuperar la decisión.

Formación parcialmente automatizada y conservación de competencias profesionales

La formación debe alternar asistencia y ejecución independiente. La evidencia experimental indica que la automatización parcial favorece motivación, participación y adquisición de habilidades frente a la selección totalmente automatizada de decisiones (Passalacqua et al., 2024). En la práctica freelance, esto implica producir algunos borradores con apoyo, resolver otros casos sin asistencia y comparar después los resultados. La colaboración puede acelerar el aprendizaje de trabajadores con menos experiencia, pero esa ventaja depende de que la persona continúe realizando juicios y no solo validando respuestas (Brynjolfsson et al., 2024).

El profesional también necesita conservar una capacidad mínima de reconstrucción manual. En software generativo, la imprevisibilidad, las alucinaciones y los ciclos de prueba hacen insuficiente aceptar código sin comprenderlo (Dolata et al., 2024). La regla operativa es sencilla: delegar la primera versión, proteger la especificación, las pruebas, la revisión y la comunicación de límites. Así, el sistema amplía la capacidad de ejecución sin convertirse en condición de posibilidad del oficio.

Síntesis de la evidencia y lagunas para una estrategia freelance basada en tareas

Lo que permiten afirmar los estudios de plataformas, experimentos y análisis cualitativos

La evidencia converge en cuatro conclusiones acotadas. Primero, la demanda de servicios sustituibles ha disminuido, mientras algunas competencias complementarias han crecido (Demirci et al., 2025; Teutloff et al., 2025). Segundo, la asistencia puede mejorar productividad y precisión cuando la tarea está bien delimitada y la persona puede revisar la salida (Brynjolfsson et al., 2024; Senoner et al., 2024). Tercero, el contexto y la explicabilidad mejoran la asignación de decisiones (Senoner et al., 2024; Spitzer et al., 2025). Cuarto, la automatización completa puede perjudicar motivación, aprendizaje y calidad de la experiencia laboral (Hai et al., 2025; Passalacqua et al., 2024; Wu et al., 2025).

La combinación de plataformas, experimentos y entrevistas permite vincular resultados inmediatos con cambios profesionales, pero no autoriza una regla universal. Los estudios de plataforma observan publicaciones y demanda; los experimentos aíslan decisiones o rendimiento; los análisis cualitativos describen problemas de integración y carreras. Cada diseño ilumina una parte distinta del problema, de modo que la estrategia debe basarse en tareas y no en categorías amplias como “creatividad” o “programación”.

Límites de la evidencia sobre agentes autónomos, negociación con clientes y carreras a largo plazo

Persisten lagunas sobre agentes que ejecutan secuencias completas sin supervisión, pues buena parte de la evidencia examina asistentes, recomendaciones o delegación de instancias concretas. También falta evidencia directa sobre negociación con clientes, responsabilidad contractual, propiedad de resultados y efectos acumulados en carreras freelance. Los estudios sobre motivación y formación tienen horizontes limitados, mientras la investigación sobre plataformas muestra trayectorias profesionales, pero no identifica todavía cómo la delegación cambia las transiciones entre avance, declive y salida (Gussek & Wiesche, 2024). Las conclusiones deben permanecer provisionales hasta disponer de seguimiento longitudinal y observación de proyectos reales.

Conclusión: proteger la agencia humana mientras se delega la ejecución ampliable

El freelance puede obtener valor de la inteligencia artificial cuando delega operaciones específicas, verificables y reversibles, sin transferir el propósito ni la responsabilidad final. La evidencia respalda mejoras de productividad y rendimiento, pero también muestra pérdidas de calidad, motivación, aprendizaje y control cuando la automatización sustituye el juicio o reorganiza mal el trabajo (Simkute et al., 2024; Wu et al., 2025). La estrategia más defendible combina selección contextual de tareas, explicabilidad, revisión humana y formación parcialmente automatizada (Passalacqua et al., 2024; Spitzer et al., 2025). Proteger la agencia humana no significa conservar cada operación manual, sino mantener la capacidad de definir problemas, evaluar alternativas, responder ante clientes y desarrollar competencias que permitan corregir al sistema. La ejecución ampliable pertenece a la máquina; la intención, la responsabilidad y la decisión sobre cuándo delegar pertenecen al profesional.

References

• Adam, M., Diebel, C., Goutier, M., & Benlian, A. (2024). Navigating autonomy and control in human-ai delegation: User responses to technology- versus user-invoked task allocation. Decision Support Systems, 180, 114193. https://doi.org/10.1016/j.dss.2024.114193
• Afzali, F. M. (2026). The AI Delegation Gap: Explainability, Accountability, and Trust. Journal of the Association for Information Systems. https://aisel.aisnet.org/context/mwais2026/article/1012/viewcontent/1777616871365_h9mk6z_Afzali_AI_Delegation_Gap.pdf
• Banh, L., Holldack, F., & Strobel, G. (2025). Copiloting the future: How generative AI transforms software engineering. Information and Software Technology, 183, 107751. https://doi.org/10.1016/j.infsof.2025.107751
• Brynjolfsson, E., Li, D., & Raymond, L. (2024). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
• Demirci, O., Hannane, J., & Zhu, X. (2025). Who is AI replacing? the impact of generative AI on online freelancing platforms. Management Science, 71(10), 8097–8108. https://doi.org/10.1287/mnsc.2024.05420
• Dolata, M., Lange, N., & Schwabe, G. (2024). Development in times of hype: How freelancers explore generative AI? In IEEE/ACM International Conference on Software Engineering (ICSE) (pp. 1–13). https://doi.org/10.1145/3597503.3639111
• Furtado, L. S., Soares, J. B., & Furtado, V. (2024). A task-oriented framework for generative AI in design. Journal of Creativity, 34(2), 100086. https://doi.org/10.1016/j.yjoc.2024.100086
• Gussek, L., & Wiesche, M. (2024). Understanding the careers of freelancers on digital labor platforms: The case of IT work. Information Systems Journal, 34(5), 1664–1702. https://doi.org/10.1111/isj.12509
• Hai, S., Long, T., Honora, A., Japutra, A., & Guo, T. (2025). The dark side of employee-generative AI collaboration in the workplace: An investigation on work alienation and employee expediency. International Journal of Information Management, 83, 102905. https://doi.org/10.1016/j.ijinfomgt.2025.102905
• Madathil, J. C. (2025). Generative AI advertisements and human–ai collaboration: The role of humans as gatekeepers of humanity. Journal of Retailing and Consumer Services, 87, 104381. https://doi.org/10.1016/j.jretconser.2025.104381
• Passalacqua, M., Pellerin, R., Yahia, E., Magnani, F., Rosin, F., Joblot, L., & Léger, P. (2024). Practice with less AI makes perfect: Partially automated AI during training leads to better worker motivation, engagement, and skill acquisition. International Journal of Human-Computer Interaction, 41(4), 2268–2288. https://doi.org/10.1080/10447318.2024.2319914
• Riemer, K., & Peter, S. (2024). Conceptualizing generative AI as style engines: Application archetypes and implications. International Journal of Information Management, 79, 102824. https://doi.org/10.1016/j.ijinfomgt.2024.102824
• Senoner, J., Schallmoser, S., Kratzwald, B., Feuerriegel, S., & Netland, T. H. (2024). Explainable AI improves task performance in human–ai collaboration. Scientific Reports, 14(1), 31150. https://doi.org/10.1038/s41598-024-82501-9
• Simkute, A., Tankelevitch, L., Kewenig, V. N., Scott, A. E., Sellen, A. J., & Rintel, S. (2024). Ironies of generative AI: Understanding and mitigating productivity loss in human-ai interaction. International Journal of Human-Computer Interaction, 1–22. https://doi.org/10.1080/10447318.2024.2405782
• Spitzer, P., Holstein, J., Hemmer, P., Vössing, M., Kühl, N., Martin, D., & Satzger, G. (2025). Human delegation behavior in human-ai collaboration: The effect of contextual information. Proceedings of the ACM on Human-Computer Interaction, 9(2), 1–28. https://doi.org/10.1145/3710999
• Teutloff, O., Einsiedler, J., kässi, otto, Braesemann, F., Mishkin, P., & del Rio-Chanona, R. M. (2025). Winners and losers of generative AI: Early evidence of shifts in freelancer demand. Journal of Economic Behavior & Organization, 235, 106845. https://doi.org/10.1016/j.jebo.2024.106845
• Wu, S., Liu, Y., Ruan, M., Chen, S., & Xie, X. (2025). Human-generative AI collaboration enhances task performance but undermines human’s intrinsic motivation. Scientific Reports, 15(1), 15105. https://doi.org/10.1038/s41598-025-98385-2