La multitarea enfocada: cómo la IA está reconfigurando la forma en que piensan los ingenieros
Hay una contradicción con la que me encuentro continuamente. Cada investigación en ciencia cognitiva que he leído dice lo mismo: concéntrate en una tarea a la vez. La multitarea es un mito. Tu cerebro no puede hacer dos cosas exigentes simultáneamente sin pagar un alto costo en rendimiento.
Y sin embargo, cada día me encuentro revisando un pull request que abrió el agente en la nube de GitHub Copilot, mientras un pipeline de CI/CD se ejecuta en una segunda rama con código generado por IA. Más flujos de trabajo en paralelo que los que jamás gestioné antes de que la IA entrara en mi flujo de trabajo, y de alguna manera se siente menos caótico que antes.
Algo no cuadra. O la ciencia está equivocada, o lo que estoy haciendo no es realmente multitarea. Creo que es lo segundo, y la distinción importa para todo ingeniero que se adapta a flujos de trabajo agénticos.
Lo que dice la ciencia sobre la multitarea
La investigación sobre la multitarea no es ambigua. Es uno de los hallazgos más replicados en psicología cognitiva.
En 2001, Joshua Rubinstein, David Meyer y Jeffrey Evans publicaron un estudio fundamental en el Journal of Experimental Psychology: Human Perception and Performance que cuantificó lo que sucede cuando las personas alternan entre tareas. Sus experimentos mostraron que cada cambio de tarea impone dos costos distintos: el tiempo que tu cerebro emplea en desactivar las reglas y el contexto de la tarea anterior, y el tiempo que emplea en cargar las reglas y el contexto de la nueva. Estos "costos de cambio" se acumulan. Cuanto más complejas son las tareas, mayor es la penalización. Sus datos mostraron pérdidas de tiempo medibles en cada cambio, pérdidas que escalaban con la complejidad de la tarea, incluso cuando los participantes sabían que el cambio venía. Puedes leer el estudio completo aquí: Rubinstein, J. S., Meyer, D. E. & Evans, J. E. (2001). Executive control of cognitive processes in task switching. Journal of Experimental Psychology: Human Perception and Performance, 27(4), 763–797.
El trabajo previo de Meyer y David Kieras construyó la base teórica para este hallazgo. Su modelo computacional del control cognitivo ejecutivo explicó por qué el cerebro humano tiene dificultades con tareas exigentes concurrentes: los procesos ejecutivos que gestionan prioridades de tareas, asignación de memoria de trabajo y seguimiento de objetivos operan como un cuello de botella. Solo tienes un conjunto de procesos de control ejecutivo, y solo pueden estar configurados para una tarea a la vez. Los artículos originales son: Meyer, D. E. & Kieras, D. E. (1997a). A computational theory of executive cognitive processes and multiple-task performance: Part 1. Basic mechanisms. Psychological Review, 104(1), 3–65 y Part 2. Accounts of psychological refractory-period phenomena. Psychological Review, 104(4), 749–791.
Las cifras prácticas son impactantes. La Asociación Americana de Psicología ha documentado que alternar entre tareas puede costar hasta un 40% del tiempo productivo, y que recuperar la concentración plena después de una interrupción toma entre 15 y 23 minutos. Esto significa que un desarrollador que cambia de contexto cuatro veces en una mañana puede haber perdido más de una hora de trabajo profundo antes del almuerzo, solo por la sobrecarga neurológica del cambio en sí.
Una síntesis más reciente proviene de Tambun, Yudoko y Aldianto (2024), cuya revisión archivística en The International Journal of Business and Management examinó cómo la multitarea afecta el aprendizaje, la estructura cerebral y la función cognitiva a largo plazo. Sus hallazgos refuerzan lo que la literatura experimental anterior estableció: los costos no son solo inmediatos sino acumulativos, con el cambio habitual de tareas afectando la capacidad de atención y la memoria de trabajo con el tiempo.
Esto no es ciencia controvertida. Está bien establecida y bien replicada. La pregunta es qué significa para una profesión que cada vez más implica supervisar múltiples agentes de IA trabajando en paralelo.
La multitarea antigua vs. la nueva orquestación
Piensa en un entrenador de fútbol observando múltiples jugadas desarrollarse en el campo, no corriendo entre posiciones él mismo, sino evaluando cada jugada y tomando decisiones sobre cada una. Eso se acerca más a lo que parece la ingeniería asistida por IA que la imagen de un desarrollador cambiando frenéticamente entre pestañas abiertas del editor.
La multitarea tradicional, del tipo contra el que advierte la investigación, involucra a una sola persona intentando ejecutar múltiples tareas cognitivamente exigentes simultáneamente: escribir código mientras revisas un documento de diseño mientras respondes mensajes de Slack. Cada actividad requiere su propio modelo mental, su propia carga de memoria de trabajo, su propio conjunto de reglas activas. Cada cambio entre ellas desencadena el costo completo que midieron Rubinstein y Meyer.
Lo que sucede con la ingeniería asistida por IA es estructuralmente diferente. El ingeniero no está ejecutando múltiples tareas. El ingeniero está delegando múltiples tareas y luego evaluando los resultados. La carga cognitiva cambia de la ejecución a la supervisión, de la producción al juicio. Considera la diferencia:
| Multitarea tradicional | Orquestación asistida por IA |
|---|---|
| Escribes una funcionalidad, luego cambias a corregir un bug, luego cambias a revisar un PR | Un agente escribe la funcionalidad, un segundo agente corrige el bug, tú revisas ambos PRs secuencialmente |
| Cada cambio requiere cargar un nuevo contexto de código en tu memoria de trabajo | Cada revisión usa el mismo modo cognitivo: leer, evaluar, decidir |
| Alternas entre producir y producir otra cosa | Mantienes una postura única: evaluar lo que fue producido |
| El costo de cambio es alto porque los contextos de ejecución difieren radicalmente | El costo de cambio se reduce porque el marco de evaluación se mantiene consistente entre revisiones |
La síntesis de Tambun et al. mencionada antes también es relevante aquí: cuando los trabajadores pasan de la ejecución directa a la supervisión evaluativa, la arquitectura cognitiva cambia de maneras que reducen la penalización clásica del costo de cambio. El rol supervisorio involucra un modo cognitivo diferente y más consistente que la ejecución.
Cómo se ve esto en la ingeniería de software
Ese patrón es más fácil de ver en ejemplos concretos.
Revisión paralela de PRs
Asigno un GitHub Issue al agente en la nube de GitHub Copilot. Mientras el agente trabaja, creando independientemente una rama, escribiendo código y ejecutando pruebas, abro un pull request completado de un segundo agente de una tarea anterior. Reviso el diff, verifico la cobertura de pruebas, confirmo que la implementación coincide con la especificación y dejo comentarios o apruebo.
En el modelo antiguo, yo habría escrito ambas implementaciones yo mismo. Cada cambio entre ellas habría requerido reconstruir el contexto mental desde cero. En el nuevo modelo, ambas implementaciones ocurren en paralelo, y yo las reviso en secuencia usando la misma mentalidad evaluativa. El marco cognitivo que llevo de un PR al siguiente es el mismo: ¿es correcto, está bien probado y alineado con lo que se pidió?
Refactorización delegada con puntos de control intermedios
Le pido a un agente que refactorice un módulo, dividiendo un archivo grande en preocupaciones más pequeñas y bien separadas. Mientras el agente trabaja, no me quedo inactivo. Analizo los commits a medida que aparecen. Pero no estoy escribiendo código. Estoy juzgando código. ¿La separación es limpia? ¿El agente movió las dependencias correctamente? ¿Los imports apuntan a los archivos correctos?
Juzgar código y escribir código son tareas cognitivas diferentes. Juzgar utiliza reconocimiento de patrones, conocimiento del dominio y razonamiento evaluativo. Escribir requiere eso más la sobrecarga adicional de gestión de sintaxis, recordar APIs y depuración incremental. El modo de solo evaluación es cognitivamente más ligero, lo que significa que moverse entre evaluaciones conlleva un menor costo de cambio.
Monitoreo de pipelines entre ramas
Tres ramas están pasando por pipelines de CI/CD, cada una conteniendo código generado por IA. Observo los dashboards del pipeline. Una compilación falla. Miro el error, lo identifico como una prueba inestable no relacionada con el cambio y vuelvo a activar. Otro pipeline pasa. Hago merge. El tercero aún se ejecuta. Continúo.
El control de tráfico aéreo es una comparación acertada aquí, no por lo que está en juego, sino por la estructura atencional. Los controladores no pilotan aviones. Mantienen conciencia situacional a través de muchas trayectorias simultáneas e intervienen solo cuando se requiere una decisión. La habilidad cognitiva no es ejecución; es reconocimiento de patrones a gran escala. Los ingenieros que monitorean pipelines agénticos están desarrollando algo similar: la capacidad de mantener múltiples estados de proceso en la conciencia periférica y saber cuáles necesitan atención en este momento. Nada de esto requiere un compromiso cognitivo profundo con ninguna tarea individual. Es atención supervisora: escanear anomalías, tomar decisiones binarias (pasa/falla, merge/investigar) y enrutar trabajo hacia adelante.
Las tareas cotidianas siguen el mismo patrón
Este cambio no se limita al código. La misma dinámica se desarrolla en el trabajo profesional cotidiano.
Una IA redacta tres respuestas de correo electrónico. Leo cada una, ajusto el tono en una, apruebo las otras dos. No estoy escribiendo tres correos. Estoy editando y validando tres propuestas. Un agente prepara notas de reunión a partir de una transcripción. Escaneo el resumen, corrijo una atribución y paso a un documento que otra herramienta de IA resumió. De nuevo, la tarea es evaluación, no producción.
El hilo común merece su propio encuadre. La IA mueve a los humanos de la capa de producción a la capa de validación. No son solo tareas diferentes. Son modos cognitivos diferentes. La producción requiere ejecución específica de la tarea: recordar sintaxis, gestionar estado, generar algo de la nada. La validación requiere juicio que se transfiere entre tareas: comparar lo que existe contra un estándar, identificar lo que falta o está mal, decidir si aceptar o redirigir. Y el juicio, a diferencia de la ejecución, conlleva mucho menos sobrecarga de cambio de contexto porque la lente evaluativa se mantiene constante incluso cuando el contenido cambia.
Este es el cambio subyacente que hace que el trabajo asistido por IA se sienta diferente de la multitarea tradicional. No estás haciendo más cosas. Estás haciendo un tipo diferente de cosa, uno que tu cerebro maneja con mucha menos fricción al moverse entre instancias de lo mismo.
El cambio de modelo mental: meta-enfoque
Si el trabajo del ingeniero ya no es ejecutar tareas individuales sino supervisar múltiples agentes que ejecutan en su nombre, la habilidad cognitiva central cambia. Pienso en esta nueva habilidad como meta-enfoque: la capacidad de mantener atención sostenida en la calidad de la supervisión en sí misma, en lugar de en cualquier tarea individual que se supervisa.
El meta-enfoque es hacer una sola tarea a un nivel superior de abstracción. No estás enfocado en escribir una función o depurar una prueba. Estás enfocado en asegurar que los agentes que escriben funciones y depuran pruebas lo hagan correctamente, de forma segura y alineados con los objetivos del sistema.
Esto conecta con la investigación de Anthony Sali en la Universidad de Wake Forest, cuyo trabajo utilizando fMRI y EEG examina cómo el cerebro gestiona la flexibilidad cognitiva durante el cambio de tareas. La investigación de Sali sugiere que la gestión de la flexibilidad cognitiva por parte del cerebro es más matizada que un simple modelo de cuello de botella, y que la naturaleza de la tarea entre la que se cambia importa tanto como el cambio en sí. Un cerebro que se mueve entre instancias del mismo modo evaluativo se comporta de manera diferente a un cerebro que alterna entre dos contextos de ejecución no relacionados. El modo supervisorio parece imponer menos interferencia precisamente porque no requiere que el cerebro mantenga contextos de ejecución en competencia en la memoria de trabajo.
La implicación práctica es esta: los ingenieros que tendrán éxito en flujos de trabajo agénticos no son aquellos que aprendan a hacer multitarea más rápido. Son aquellos que aprendan a dejar de hacer multitarea de ejecución por completo y desarrollen su capacidad de atención evaluativa sostenida.
Implicaciones prácticas para ingenieros que adoptan flujos de trabajo agénticos
Entender la ciencia cognitiva es útil, pero ¿qué haces con ello? Aquí hay cuatro recomendaciones concretas.
Delimita sesiones de revisión, no sesiones de ejecución
En el modelo antiguo, delimitabas cuánto tiempo pasarías escribiendo código para una tarea. En el modelo agéntico, delimita cuánto tiempo pasas revisando la salida del agente. Date bloques de revisión de 20 minutos y luego aléjate. Esto previene que la fatiga de revisión degrade la calidad de tu supervisión, que ahora es tu contribución principal.
Usa ejecuciones asíncronas de agentes para crear ventanas naturales de evaluación
Asigna tareas a los agentes antes de comenzar un bloque de concentración profunda en otra cosa. Para cuando termines, el agente tiene resultados listos para revisión. Esto crea un ritmo natural, similar a un patrón Pomodoro pero estructurado alrededor de la delegación en lugar de la presión del tiempo: asignar, enfocarte en otra cosa, regresar y evaluar. No te estás interrumpiendo a ti mismo. El trabajo del agente se completa en su propio horario, y tú integras la revisión en los espacios entre tus sesiones enfocadas.
Practica el cambio de contexto deliberado con una lente evaluativa consistente
Al revisar múltiples salidas de agentes en secuencia, usa una lista de verificación consistente: corrección, cobertura de pruebas, implicaciones de seguridad, alineación con las especificaciones. Esta lente estandarizada reduce el costo cognitivo de cambiar entre diferentes bases de código o funcionalidades. Tu marco de evaluación permanece estable incluso cuando el contenido cambia, y esa estabilidad es lo que mantiene bajo el costo de cambio.
Resiste el impulso de ejecutar
El hábito más peligroso en los flujos de trabajo agénticos es caer en modo de ejecución cuando deberías permanecer en modo de evaluación. Ves el código de un agente y piensas: yo lo habría hecho diferente, déjame reescribir esta parte. Ese instinto no es mala disciplina. Es experiencia en el dominio expresándose. Los ingenieros que son buenos programando querrán arreglar el código que ven, y ese impulso viene de la competencia, no de la impaciencia. Pero actuar en consecuencia te saca del rol supervisorio y te devuelve a la zona de penalización por cambio de contexto. A menos que la salida del agente sea fundamentalmente incorrecta, proporciona retroalimentación a través de comentarios o especificaciones actualizadas y deja que el agente itere. Mantente en el carril de evaluación.
El ingeniero que mejor se enfoca
La paradoja del inicio de este artículo se resuelve sola una vez que ves la diferencia estructural entre la multitarea cognitiva y la delegación orquestada.
La multitarea tradicional, intentar ejecutar múltiples tareas exigentes simultáneamente, sigue siendo tan destructiva como Rubinstein, Meyer y cada investigador posterior han demostrado. Eso no ha cambiado. Tu cerebro aún tiene un cuello de botella de control ejecutivo. Cambiar entre contextos de ejecución aún cuesta de 15 a 23 minutos de tiempo de recuperación. La productividad aún cae hasta un 40% cuando fragmentas tu atención entre tareas en competencia.
Lo que ha cambiado es el tipo de trabajo que hacen los ingenieros. Cuando los agentes de IA manejan la ejecución, la tarea cognitiva del ingeniero se reduce a la supervisión, la evaluación y el juicio. Estas actividades comparten un marco mental común. Moverse entre ellas no desencadena los mismos costos catastróficos de cambio que moverse entre diferentes tareas de ejecución.
Los ingenieros que prosperen en esta era no serán aquellos que aprendan a hacer multitarea mejor. Serán aquellos que aprendan a enfocarse con precisión en lo que realmente requiere su atención y dejar que todo lo demás se ejecute en segundo plano.
Eso no es multitarea. Es el tipo más profundo de enfoque que existe.