Tecnoestrés laboral y agotamiento emocional en la era de la inteligencia artificial,
nuevos desafíos para la seguridad y salud en el trabajo.
Workplace technostress and emotional exhaustion in the age of artificial intelligence:
new challenges for occupational safety and health.
Tecnoestresse e exaustão emocional no trabalho na era da inteligência artificial: novos
desafios para a segurança e saúde ocupacional.
Katuska María Vallejo Flores
Universidad de Guayaquil
Ecuador
katuska.vallejof@ug.edu.ec
https://orcid.org/0000-0003-0997-375X
Iván Heleodoro Orozco Paredes
IOP Consultoría Gestión y prevención de riesgos
Ecuador
ivan.orozco.paredes@iop-ec.com
https://orcid.org/0009-0009-0370-8120
Steveen Eduardo Carpio Candelario
Universidad Casa Grande
Ecuador
steveen.carpio@casagrande.edu.ec
https://orcid.org/0009-0007-4036-3331
Forma de citación en APA, séptima edición.
Vallejo, K; Orozco, I; Carpio, S. (2026). Tecnoestrés laboral y agotamiento emocional en la era de la
inteligencia artificial, nuevos desafíos para la seguridad y salud en el trabajo. Revista Ibero Research,
1(7), 417 – 455.
Fecha
de
presentación:
20/08/2026
Fecha
de
aceptación:
03/09/2026
Fecha
de
publicación:
04/09/2026
417
Resumen
La incorporación acelerada de inteligencia artificial, automatización y sistemas de
gestión algorítmica está modificando las demandas cognitivas, emocionales y
organizacionales del trabajo, por lo que el tecnoestrés y el agotamiento emocional
adquieren relevancia preventiva para la seguridad y salud ocupacional. El objetivo fue
analizar la relación entre tecnoestrés laboral, agotamiento emocional e incorporación de
inteligencia artificial, identificar mecanismos de riesgo y estructurar medidas
preventivas aplicables a los sistemas de gestión. Se desarrolló una revisión narrativa
estructurada, actualizada hasta septiembre de 2026, mediante literatura científica
reciente y documentos de organismos internacionales y nacionales, con síntesis de 20
fuentes prioritarias y extracción de datos verificables para comparación. Los resultados
muestran que sobrecarga, invasión, complejidad, inseguridad e incertidumbre
tecnológica se combinan con intensificación, vigilancia algorítmica y pérdida de
autonomía, mientras el apoyo organizacional, la capacitación, la participación y el
diseño humano-céntrico funcionan como recursos protectores. La evidencia también
confirma que la tecnología puede mejorar desempeño y seguridad cuando se
implementa responsablemente. Se concluye que la prevención debe intervenir sobre la
organización del trabajo e integrar la gobernanza de la inteligencia artificial a la gestión
de riesgos psicosociales.
Palabras clave: salud ocupacional; riesgos psicosociales; bienestar laboral; gestión
algorítmica; digitalización.
418
Abstract
The accelerated adoption of artificial intelligence, automation, and algorithmic
management systems is changing the cognitive, emotional, and organizational demands
of work, making technostress and emotional exhaustion increasingly relevant to
occupational safety and health prevention. The objective was to analyze the relationship
between workplace technostress, emotional exhaustion, and artificial intelligence
adoption, identify risk mechanisms, and structure preventive measures applicable to
management systems. A structured narrative review updated through September 2026
was conducted using recent scientific literature and documents from international and
national organizations, with a synthesis of 20 priority sources and extraction of
verifiable data for comparison. Results show that overload, invasion, complexity,
insecurity, and technological uncertainty interact with work intensification, algorithmic
surveillance, and loss of autonomy, while organizational support, training, participation,
and human-centered design act as protective resources. Evidence also confirms that
technology can improve performance and safety when implemented responsibly. It is
concluded that prevention should act on work organization and integrate artificial
intelligence governance into psychosocial risk management.
Keywords: occupational health; psychosocial risks; workplace well-being; algorithmic
management; digitalization.
419
Resumo
A adoção acelerada de inteligência artificial, automação e sistemas de gestão
algorítmica está modificando as demandas cognitivas, emocionais e organizacionais do
trabalho, tornando o tecnoestresse e a exaustão emocional cada vez mais relevantes para
a prevenção em segurança e saúde ocupacional. O objetivo foi analisar a relação entre
tecnoestresse laboral, exaustão emocional e incorporação de inteligência artificial,
identificar mecanismos de risco e estruturar medidas preventivas aplicáveis aos sistemas
de gestão. Foi realizada uma revisão narrativa estruturada, atualizada até setembro de
2026, com literatura científica recente e documentos de organismos internacionais e
nacionais, sintetizando 20 fontes prioritárias e extraindo dados verificáveis para
comparação. Os resultados mostram que sobrecarga, invasão, complexidade,
insegurança e incerteza tecnológica interagem com intensificação do trabalho, vigilância
algorítmica e perda de autonomia, enquanto apoio organizacional, capacitação,
participação e desenho centrado no ser humano atuam como recursos protetores. A
evidência também confirma que a tecnologia pode melhorar desempenho e segurança
quando implementada de forma responsável. Conclui-se que a prevenção deve atuar
sobre a organização do trabalho e integrar a governança da inteligência artificial à
gestão dos riscos psicossociais.
Palavras-chave: saúde ocupacional; riscos psicossociais; bem-estar no trabalho; gestão
algorítmica; digitalização.
420
Introducción
La transformación digital del trabajo ha dejado de ser un proceso limitado a la
incorporación de computadoras o plataformas de comunicación y se ha convertido en
una reconfiguración de la manera en que se distribuyen tareas, se supervisa el
rendimiento, se toman decisiones y se administran relaciones laborales. La inteligencia
artificial, especialmente mediante sistemas generativos, analítica predictiva y gestión
algorítmica, amplía esa transformación porque interviene en actividades cognitivas que
antes dependían de decisiones humanas, al mismo tiempo que aumenta la velocidad con
que cambian herramientas, competencias y expectativas de productividad. La seguridad
y salud en el trabajo debe analizar estas modificaciones como cambios en la exposición
laboral y no únicamente como innovaciones técnicas, debido a que una misma
tecnología puede reducir tareas repetitivas y peligrosas o, por el contrario, incrementar
presión temporal, vigilancia y demanda cognitiva según la forma de implementación
(OECD, 2023, 2024; European Agency for Safety and Health at Work, 2024).
La magnitud del problema se vincula con un entorno laboral en el que los factores
psicosociales ya representan una preocupación de salud pública. La Organización
Mundial de la Salud estimó que alrededor del 15 % de las personas en edad de trabajar
presenta un trastorno mental en algún momento y señaló que la depresión y la ansiedad
generan pérdidas globales cercanas a un billón de dólares anuales por productividad
reducida, por lo que las recomendaciones internacionales colocan las intervenciones
organizacionales, la formación de mandos y trabajadores y el diseño de condiciones
saludables como componentes esenciales de prevención (World Health Organization,
2022). Esta perspectiva resulta particularmente pertinente cuando las exigencias
digitales se suman a cargas elevadas, control insuficiente, horarios extendidos o
inseguridad laboral, dado que el riesgo no surge exclusivamente del dispositivo
421
utilizado, sino de la interacción entre la tecnología y la organización concreta del
trabajo.
El tecnoestrés ofrece un marco útil para comprender esa interacción, ya que describe la
tensión que aparece cuando las demandas asociadas al uso, aprendizaje, disponibilidad o
cambio tecnológico superan los recursos que permiten afrontarlas de manera sostenible.
La evidencia contemporánea mantiene vigentes las dimensiones de sobrecarga,
invasión, complejidad, inseguridad e incertidumbre tecnológica, aunque incorpora
determinantes relacionados con liderazgo, soporte, diseño del puesto y características
contextuales. Un metaanálisis reciente de 84 estudios y 44.576 trabajadores confirmó
que los antecedentes de cada creador de tecnoestrés no son idénticos y que su aparición
depende de factores laborales, tecnológicos e individuales, lo que impide reducir el
problema a una supuesta incapacidad personal para adaptarse a la innovación (Kotek &
Vranjes, 2025).
La revisión sistemática más amplia disponible hasta 2026 sintetizó 201 estudios
empíricos y encontró que la sobrecarga y la invasión tecnológica son los creadores que
con mayor frecuencia se relacionan con resultados adversos de bienestar, además de
evidenciar una concentración de investigaciones en determinados países y sectores,
especialmente educación y salud (Mansuroğlu & Smith, 2026). Esta acumulación de
evidencia fortalece una interpretación basada en demandas y recursos, donde el impacto
de la tecnología depende de la intensidad de las exigencias y de la existencia de
autonomía, capacitación, apoyo social, claridad de funciones y oportunidades de
recuperación. Bajo este enfoque, el tecnoestrés puede actuar como proceso intermedio
entre un diseño digital exigente y formas de desgaste como el agotamiento emocional,
disminución del bienestar o intención de abandonar el puesto.
422
El agotamiento emocional posee especial interés para la seguridad y salud ocupacional
porque expresa una pérdida sostenida de energía psicológica ante demandas persistentes
y puede anticipar deterioros más amplios del funcionamiento laboral. En trabajadores de
manufactura, un estudio longitudinal con 235 participantes mostró que el agotamiento
relacionado con el trabajo medió la asociación entre tecnoestrés y bienestar, mientras la
diversidad de conocimientos del entorno laboral amortiguó parte del efecto negativo, lo
cual respalda la necesidad de considerar tanto las demandas digitales como los recursos
colectivos disponibles (Wang et al., 2022). De manera convergente, un estudio de 1.191
empleados de administración pública vinculó distintos tecnoestresores laborales y la
sobrecarga informativa de la vida personal con agotamiento emocional, que a su vez se
relacionó con ausentismo por enfermedad e intención de rotación (Buzeti et al., 2026).
La evidencia sectorial muestra que la exposición no se distribuye de forma homogénea
y que los resultados pueden intensificarse en actividades con alta dependencia de
sistemas digitales. En hospitales alemanes, la sobrecarga tecnológica y la complejidad
se asociaron significativamente con burnout entre 303 profesionales de enfermería,
mientras el apoyo proporcionado por el empleador moderó la relación entre
insuficiencia de soporte técnico y desgaste (Wirth et al., 2024). En hospitales estatales
de Malasia, 1.620 trabajadores sanitarios fueron evaluados y el 67 % presentó
tecnoestrés moderado, el 15 % alto y el 18 % bajo, además de observarse asociaciones
significativas con burnout y fatiga (Muhamad et al., 2025). Aunque estos porcentajes no
pueden extrapolarse a todos los sectores, ilustran que el fenómeno alcanza magnitud
suficiente para justificar vigilancia preventiva en actividades fuertemente digitalizadas.
La inteligencia artificial agrega riesgos específicos que amplían el concepto clásico de
tecnoestrés. La automatización puede generar inseguridad sobre la continuidad o
relevancia de competencias, la capacidad de procesar más información puede aumentar
423
metas y ritmo de trabajo, y la gestión algorítmica puede traducir datos de rendimiento
en asignaciones, evaluaciones o incentivos con escasa transparencia. En organizaciones
europeas, el uso de prácticas de gestión algorítmica mostró relaciones adversas con
bienestar y autonomía, evidenciando que la automatización de decisiones de recursos
humanos posee consecuencias organizacionales que exceden la eficiencia técnica
(Kinowska & Sienkiewicz, 2023). En trabajadores de plataformas de Taiwán, niveles
superiores de control digital se asociaron con mayor riesgo de burnout y peor salud
mental, mediado en parte por el aumento de demandas laborales (Cheng et al., 2024).
La pérdida de autonomía constituye un punto crítico porque transforma la relación entre
trabajador y sistema. Un estudio comparativo en dos empresas logísticas suecas mostró
que la gestión algorítmica podía reducir significado de tarea y autonomía mediante
estandarización, mientras las diferencias entre organizaciones dependían de prácticas
como participación de trabajadores, integración de la tecnología a la gestión de SST y
existencia de espacios para control humano y valoración cualitativa del rendimiento
(Nilsson et al., 2025). Estos hallazgos coinciden con la revisión sobre liderazgo y
tecnoestrés, que identificó el apoyo y el liderazgo empoderador como recursos
potencialmente protectores, frente a estilos centrados en disponibilidad permanente o
control intensivo que pueden incrementar demandas digitales (Rademaker et al., 2025).
La relación entre tecnología y salud no debe interpretarse de forma determinista. La
OECD informó que cuatro de cada cinco trabajadores encuestados en estudios sobre IA
indicaron mejoras en su desempeño y tres de cada cinco reportaron mayor disfrute del
trabajo, aun cuando aproximadamente el 27 % del empleo en países de la organización
se sitúa en ocupaciones con mayor riesgo de automatización y persisten preocupaciones
por intensidad laboral, tratamiento de datos y desigualdad (OECD, 2024). Esta
coexistencia de beneficios y riesgos confirma la necesidad de distinguir entre tecnología
424
como recurso y tecnología como demanda, evitando tanto la tecnofobia como la
adopción acrítica. El problema preventivo se encuentra en las condiciones de uso, los
objetivos asignados al sistema y la capacidad de la organización para proteger
autonomía, privacidad, recuperación y participación.
La prevención también requiere reconocer el efecto de las fronteras entre trabajo y vida
personal. El metaanálisis de Bottaro et al. (2024) identificó una asociación de magnitud
media entre tecnoestrés y ajuste trabajo-vida, lo que resulta coherente con la evidencia
sobre conectividad fuera de jornada, interrupciones continuas y disponibilidad
percibida. El apoyo social constituye un inhibidor relevante, aunque sus dimensiones
deben diferenciarse, pues el apoyo de supervisores, compañeros, comunidad laboral y
familia actúa de manera distinta según el contexto (Lanzl, 2023). Asimismo, entre
docentes universitarios italianos, la frecuencia de uso de tecnologías remotas
incrementó tecnoestrés y el apoyo organizacional mostró una relación protectora, lo que
refuerza la importancia de acompañar la transformación digital con recursos
institucionales y no limitarla a la entrega de herramientas (Gabbiadini et al., 2023).
Desde la gobernanza de la inteligencia artificial, la prevención demanda mecanismos de
transparencia, gestión de riesgo y supervisión humana. El AI Risk Management
Framework del NIST propone gestionar sistemas de IA a partir de gobernanza,
comprensión del contexto, medición de riesgos y acciones de gestión, con énfasis en
sistemas confiables y responsables (Tabassi, 2023). En paralelo, la EU-OSHA identifica
riesgos psicosociales diferenciados para automatización mediante IA, sistemas digitales
inteligentes, plataformas, tecnologías de trabajo remoto y gestión de trabajadores basada
en IA, destacando la necesidad de evaluar autonomía, carga, vigilancia, comunicación y
límites temporales (European Agency for Safety and Health at Work, 2024). Estas
425
orientaciones permiten traducir principios éticos generales en variables observables
dentro de los sistemas de SST.
En Ecuador, la actualización normativa mediante el Reglamento de Seguridad y Salud
en el Trabajo expedido en 2024 refuerza el enfoque preventivo y la responsabilidad
organizacional sobre los riesgos laborales, creando un marco pertinente para incorporar
progresivamente amenazas psicosociales derivadas de la digitalización (Ministerio del
Trabajo, 2024). Aunque la normativa no convierte al tecnoestrés en una categoría
aislada, la lógica de identificación de peligros, evaluación de riesgos y establecimiento
de controles permite integrar indicadores de sobrecarga tecnológica, hiperconectividad,
pérdida de autonomía, incertidumbre profesional y vigilancia digital. Esta integración
resulta relevante en un escenario donde la expansión de IA generativa y sistemas de
seguimiento puede producir exposiciones nuevas antes de que existan instrumentos
nacionales específicos para cada tecnología.
El vacío principal no consiste en demostrar que toda tecnología produce daño, sino en
establecer cómo articular la evidencia sobre tecnoestrés, agotamiento emocional y
gestión algorítmica dentro de una estrategia preventiva aplicable. En respuesta, se
mantiene como eje el Modelo de Prevención del Tecnoestrés y Agotamiento Emocional
Asociado a la IA, MPTA-IA, estructurado en identificación, evaluación, intervención
organizacional, fortalecimiento de recursos y seguimiento. El objetivo general fue
analizar la relación entre tecnoestrés laboral, agotamiento emocional e incorporación de
inteligencia artificial desde una perspectiva de seguridad y salud en el trabajo; de
manera específica, se buscó sintetizar mecanismos de riesgo, contrastar evidencia
empírica reciente, identificar factores protectores y operacionalizar estrategias de
prevención que permitan incorporar la transformación digital a la gestión de riesgos
psicosociales.
426
Metodología
Se desarrolló una revisión narrativa estructurada de alcance analítico, orientada a
examinar el tecnoestrés laboral y el agotamiento emocional asociados con la
transformación digital y la inteligencia artificial, sin convertir el diseño en una revisión
sistemática o metaanálisis. La unidad de análisis estuvo constituida por artículos
científicos y documentos técnicos que abordaran tecnoestrés laboral, agotamiento
emocional, burnout, bienestar ocupacional, digitalización, inteligencia artificial, gestión
algorítmica, riesgos psicosociales o intervenciones organizacionales vinculadas con
seguridad y salud en el trabajo. La revisión se actualizó hasta el 4 de septiembre de
2026 y priorizó evidencia publicada entre 2022 y 2026, para privilegiar el estado
contemporáneo de la evidencia, manteniendo los conceptos fundamentales necesarios
para interpretar las dimensiones clásicas del fenómeno.
La búsqueda bibliográfica se efectuó mediante PubMed/MEDLINE para literatura
biomédica y de salud ocupacional, ScienceDirect y SpringerLink para estudios sobre
comportamiento organizacional, seguridad, tecnología y sistemas de información,
complementándose con búsquedas dirigidas en repositorios académicos de
universidades cuando permitían verificar la versión publicada. La evidencia
institucional se localizó en portales oficiales de la World Health Organization,
International Labour Organization, Organisation for Economic Co-operation and
Development, European Agency for Safety and Health at Work, National Institute of
Standards and Technology y Ministerio del Trabajo de Ecuador. No se emplearon blogs,
foros, redes sociales ni páginas comerciales como fuentes de evidencia.
La estrategia conceptual combinó términos en inglés y español mediante operadores
booleanos, con expresiones equivalentes a (“technostress” OR “digital stress” OR
“technology overload”) AND (“emotional exhaustion” OR burnout OR wellbeing)
427
AND (“artificial intelligence” OR “algorithmic management” OR digitalization OR
automation) AND (work OR workplace OR occupational), junto con búsquedas
específicas para “psychosocial risks”, “worker surveillance”, “job autonomy”,
“organizational support”, “right to disconnect” y “occupational safety and health”. Para
documentos normativos se utilizaron combinaciones directas entre inteligencia artificial,
salud mental en el trabajo, seguridad y salud ocupacional, gestión de riesgos y
regulación ecuatoriana, verificando siempre autor institucional, fecha y versión oficial.
Se incluyeron publicaciones con relación explícita entre tecnologías digitales y
resultados laborales o de salud, estudios con trabajadores o evidencia organizacional,
revisiones capaces de sintetizar patrones de tecnoestrés, y marcos institucionales con
implicaciones directas para prevención y gobernanza. Se excluyeron trabajos centrados
exclusivamente en estrés tecnológico de consumidores o estudiantes sin vínculo laboral,
publicaciones sin datos metodológicos verificables, duplicados, documentos meramente
promocionales y estudios cuyos resultados no permitieran diferenciar efectos de la
tecnología respecto de factores laborales generales. La selección final priorizó
pertinencia temática y calidad de la fuente antes que cantidad, debido al carácter
narrativo de la revisión.
Para la síntesis principal se utilizaron 20 fuentes prioritarias publicadas entre 2022 y
2026, integradas por artículos revisados por pares, revisiones, metaanálisis y
documentos oficiales. De cada estudio empírico se extrajeron año, contexto, diseño,
tamaño de muestra cuando estuvo disponible, variables tecnológicas, resultados de
agotamiento o bienestar y factores protectores; de las revisiones se extrajeron número de
estudios y patrones principales; de los organismos se registraron recomendaciones,
cifras descriptivas y principios de gobernanza. Los datos cuantitativos incorporados en
tablas y gráficos se transcribieron únicamente cuando podían verificarse en el resumen,
428
texto del artículo o publicación oficial, evitando estimaciones derivadas o cálculos
combinados no informados por las fuentes.
El análisis se organizó mediante cuatro ejes congruentes con el objetivo del estudio:
características y creadores de tecnoestrés; relación entre demandas tecnológicas y
agotamiento emocional; riesgos emergentes vinculados con IA y gestión algorítmica; y
estrategias preventivas aplicables a SST. Se utilizó una matriz cualitativa para relacionar
hallazgos con las dimensiones de sobrecarga, invasión, complejidad, inseguridad e
incertidumbre, incorporando además intensificación laboral, vigilancia algorítmica y
pérdida de autonomía. La síntesis no asignó puntuaciones de calidad ni produjo un
efecto combinado, debido a la heterogeneidad entre diseños, poblaciones, escalas y
resultados, por lo que las comparaciones numéricas se presentan como descripciones de
estudios específicos y no como estimaciones poblacionales globales.
Las cuatro tablas se construyeron a partir de la extracción documental y se diseñaron
para ofrecer información complementaria: características de estudios centrales,
mecanismos de riesgo y evidencia observada, medidas preventivas y correspondencia
con fuentes, y operacionalización del MPTA-IA. Los cuatro gráficos utilizaron datos
verificables: distribución temporal de las 20 fuentes del corpus, tamaños muestrales de
seis estudios empíricos con trabajadores, tres indicadores publicados por la OECD sobre
beneficios y riesgo de automatización, y distribución de niveles de tecnoestrés entre
1.620 trabajadores sanitarios de Malasia. La tabulación y generación gráfica se realizó
con Python y Matplotlib, sin transformar los valores originales ni efectuar inferencias
estadísticas adicionales.
Desde el punto de vista ético, el trabajo utilizó exclusivamente fuentes públicas y
resultados agregados previamente publicados, sin reclutamiento de participantes, acceso
a historias clínicas, tratamiento de identificadores personales ni intervención sobre
429
trabajadores. En consecuencia, no se generaron datos primarios ni se atribuyeron
aprobaciones de comités de ética inexistentes. La integridad científica se protegió
mediante verificación individual de títulos, autores, años, revistas, DOI y páginas
cuando correspondió, contraste de cifras antes de incorporarlas y uso uniforme de
referencias en formato APA 7.ª edición, apropiado para el carácter multidisciplinario,
organizacional y preventivo del estudio.
Resultados
La síntesis evidenció un campo reciente pero suficientemente consolidado para
identificar patrones consistentes entre demandas digitales, agotamiento y condiciones
organizacionales. De las 20 fuentes prioritarias utilizadas, la mayor concentración
correspondió a 2024, mientras 2025 y 2026 aportaron revisiones y estudios que
profundizan específicamente en antecedentes de tecnoestrés, agotamiento emocional y
gestión algorítmica. La evidencia no respalda considerar la IA como un estresor
autónomo universal; muestra, en cambio, que sus efectos se producen mediante cambios
en ritmo, control, autonomía, aprendizaje, supervisión y fronteras temporales del
trabajo.
La Tabla 1 resume diez estudios que representan los principales tipos de evidencia
incorporados al análisis, incluyendo metaanálisis, revisiones sistemáticas, estudios
longitudinales, encuestas transversales y casos organizacionales. La heterogeneidad
metodológica impide estimar un único valor global de tecnoestrés, pero permite
contrastar mecanismos repetidos en distintos sectores y países, con especial atención a
agotamiento, bienestar, autonomía, soporte y control algorítmico.
430
Tabla 1. Características de estudios centrales sobre tecnoestrés, agotamiento emocional y
digitalización laboral
Estudio
Contexto
Diseño
Base analítica
Hallazgo relevante
Kotek & Vranjes
(2025)
Multipaís
Metaanálisis
84 estudios; 44.576
trabajadores
Antecedentes
diferenciados para los
cinco creadores
clásicos de
tecnoestrés.
Mansuroğlu & Smith
(2026)
Multipaís
Revisión sistemática
201 estudios
empíricos
Sobrecarga e invasión
fueron los
tecnoestresores más
reportados frente al
bienestar.
Rademaker et al.
(2025)
Multipaís
Revisión sistemática
44 artículos
El liderazgo y el
apoyo organizacional
pueden actuar como
demanda o recurso
frente al tecnoestrés.
Bottaro et al. (2024)
Multipaís
Metaanálisis
multinivel
7 estudios incluidos
Asociación media
entre tecnoestrés y
ajuste trabajo-vida, d
de Cohen = -0,41.
Wirth et al. (2024)
Alemania, hospitales
Transversal
303 enfermeras/os
Sobrecarga y
complejidad
tecnológicas se
asociaron con
burnout; el apoyo
moderó parte del
efecto.
Muhamad et al.
(2025)
Malasia, hospitales
Transversal
1.620 trabajadores
sanitarios
67 % tecnoestrés
moderado, 15 % alto y
18 % bajo; asociación
con burnout y fatiga.
Buzeti et al. (2026)
Eslovenia,
administración
pública
Transversal con SEM
1.191 trabajadores
Tecnoestresores
laborales e
información excesiva
se asociaron con
agotamiento
emocional.
Wang et al. (2022)
China, manufactura
Longitudinal, tres olas
235 trabajadores
El agotamiento
laboral medió la
relación entre
tecnoestrés y
bienestar.
Cheng et al. (2024)
Taiwán, plataformas
Transversal
487 trabajadores
Mayor control
algorítmico se vinculó
con burnout y peor
salud mental mediante
demandas elevadas.
Nilsson et al. (2025)
Suecia, logística
Caso comparativo
2 organizaciones
Autonomía y
significado de tarea
disminuyeron con
gestión algorítmica; la
organización moduló
el impacto.
Fuente: elaboración a partir de Kotek y Vranjes (2025), Mansuroğlu y Smith (2026), Rademaker et al. (2025),
Bottaro et al. (2024), Wirth et al. (2024), Muhamad et al. (2025), Buzeti et al. (2026), Wang et al. (2022), Cheng et al.
(2024) y Nilsson et al. (2025).
La comparación confirma que la asociación entre demandas tecnológicas y desgaste no
depende de un solo sector. Los resultados aparecen en manufactura, educación superior,
hospitales, administración pública, plataformas y logística, mientras las revisiones
431
amplían el patrón a múltiples países. Los tamaños de muestra y diseños son diversos,
por lo que las cifras deben leerse en su contexto; aun así, la convergencia entre
sobrecarga, invasión, complejidad, menor autonomía y resultados de agotamiento
respalda un mecanismo organizacional común basado en desequilibrio entre demandas y
recursos.
La distribución temporal de las 20 fuentes prioritarias permite observar que el análisis
se apoya predominantemente en evidencia reciente y que la mayor producción
seleccionada corresponde a 2024, año en que convergen documentos institucionales
sobre digitalización con investigaciones de campo en salud y plataformas. El Gráfico 1
no representa el volumen total mundial de publicaciones, sino la composición
cronológica del corpus utilizado para esta revisión narrativa.
Gráfico 1. Distribución anual de las 20 fuentes prioritarias incluidas en la síntesis
narrativa
Fuente: elaboración propia con base en las 20 referencias bibliográficas seleccionadas, 2022–2026.
La concentración entre 2023 y 2025 refleja la aceleración del debate sobre IA, gestión
algorítmica y riesgos psicosociales después de la expansión del trabajo digital. Las dos
fuentes de 2026 aportan una síntesis sistemática de 201 estudios y evidencia directa
sobre agotamiento emocional en administración pública, mientras las publicaciones de
432
2022 mantienen relevancia por conectar bienestar, política internacional y modelos de
demandas-recursos con la digitalización laboral.
Los resultados permitieron organizar los mecanismos de riesgo en siete grupos
operativos que amplían las dimensiones clásicas del tecnoestrés sin sustituirlas. La
Tabla 2 integra la forma en que cada mecanismo se expresa en la organización del
trabajo, el resultado ocupacional más consistente y las fuentes recientes que lo
respaldan. La finalidad de esta matriz es facilitar la identificación preventiva y evitar
que el análisis se limite a síntomas individuales.
Tabla 2. Mecanismos de riesgo psicosocial digital y resultados ocupacionales identificados
Mecanismo
Manifestación laboral
Resultado potencial
Evidencia reciente
Sobrecarga e intensificación
Más volumen, velocidad,
interrupciones y objetivos
por unidad de tiempo
Fatiga cognitiva, burnout,
menor bienestar
Wirth et al. (2024);
Mansuroğlu & Smith (2026);
OECD (2024)
Invasión e hiperconectividad
Disponibilidad fuera de
jornada y difuminación
trabajo-vida
Menor ajuste trabajo-vida y
recuperación insuficiente
Bottaro et al. (2024); Lanzl
(2023); EU-OSHA (2024)
Complejidad tecnológica
Esfuerzo para comprender
sistemas, cambios y errores
Burnout cuando recursos y
soporte son insuficientes
Wirth et al. (2024); Kotek &
Vranjes (2025)
Inseguridad e incertidumbre
Temor a obsolescencia,
sustitución o cambios
continuos
Estrés anticipatorio y presión
de actualización
Kotek & Vranjes (2025);
OECD (2023)
Vigilancia y control
algorítmico
Seguimiento de tiempos,
métricas y decisiones
automatizadas
Mayor demanda, burnout y
peor bienestar
Cheng et al. (2024);
Kinowska & Sienkiewicz
(2023)
Pérdida de autonomía
Tareas, prioridades y
evaluación definidas por
sistemas
Menor control y significado
del trabajo
Nilsson et al. (2025);
Kinowska & Sienkiewicz
(2023)
Déficit de soporte
Capacitación, asistencia o
liderazgo insuficientes
Mayor vulnerabilidad a
tecnoestrés y agotamiento
Wirth et al. (2024);
Gabbiadini et al. (2023);
Lanzl (2023)
Fuente: elaboración propia con base en las fuentes indicadas en cada fila.
La sobrecarga y la intensificación son los mecanismos con respaldo más directo frente
al agotamiento, como muestra el estudio de Wirth et al. (2024), donde la sobrecarga
tecnológica se asoció con burnout con β = 0,259 y p = 0,004, mientras la complejidad
mostró β = 0,161 y p = 0,043. Estos valores no implican causalidad por el diseño
transversal, pero ofrecen evidencia cuantitativa de que la experiencia tecnológica
adquiere relevancia cuando aumenta esfuerzo y demanda cognitiva. A ello se suma el
papel del control algorítmico, que en trabajadores de plataformas se relacionó con
peores resultados a través de demandas laborales mayores (Cheng et al., 2024).
433
Para dimensionar la diversidad de las investigaciones empíricas, el Gráfico 2 presenta
tamaños de muestra de seis estudios con trabajadores cuyos valores fueron informados
explícitamente por las publicaciones. La figura no compara prevalencias ni calidad
metodológica, sino la escala de las bases empíricas sobre las que se sustentan hallazgos
sectoriales de agotamiento, soporte, control digital y bienestar.
Gráfico 2. Tamaño muestral de estudios empíricos seleccionados con trabajadores
Fuente: Wang et al. (2022), Gabbiadini et al. (2023), Wirth et al. (2024), Cheng et al. (2024), Muhamad et al. (2025)
y Buzeti et al. (2026).
Los estudios abarcan desde 235 participantes en el diseño longitudinal de Wang et al.
(2022) hasta 1.620 trabajadores sanitarios en Muhamad et al. (2025), con muestras
intermedias de personal hospitalario, docentes universitarios, trabajadores de
plataformas y empleados públicos. Esta amplitud refuerza la aplicabilidad conceptual de
los mecanismos identificados, aunque no autoriza a combinar los resultados como si
provinieran de una población homogénea, debido a diferencias en ocupaciones,
instrumentos, contextos regulatorios y definiciones de exposición.
La prevención aparece de forma consistente como una combinación de controles
organizacionales y recursos de apoyo, no como una intervención centrada
434
exclusivamente en resiliencia individual. La Tabla 3 relaciona ocho medidas con el
objetivo preventivo que persiguen y con la evidencia que las respalda, cubriendo desde
evaluación psicosocial digital hasta vigilancia de indicadores de salud ocupacional. La
capacitación se considera necesaria, pero insuficiente cuando permanecen metas
excesivas, vigilancia opaca o disponibilidad permanente.
Tabla 3. Estrategias preventivas frente al tecnoestrés y agotamiento emocional asociados
con IA
Medida
Componente de
intervención
Finalidad preventiva
Sustento
Evaluación psicosocial
digital
Carga, autonomía, vigilancia,
conectividad y cambios de
sistema
Detectar exposición antes de
que se exprese como
desgaste
WHO (2022); EU-OSHA
(2024)
Capacitación y
alfabetización en IA
Competencia técnica,
verificación, privacidad y
límites de uso
Reducir complejidad e
incertidumbre; aumentar
autoeficacia
OECD (2023); Wirth et al.
(2024)
Apoyo organizacional y
liderazgo
Soporte técnico, supervisión
disponible y
acompañamiento
Amortiguar demandas y
facilitar adaptación
Rademaker et al. (2025);
Gabbiadini et al. (2023);
Lanzl (2023)
Participación de trabajadores
Consulta en selección,
diseño, implementación y
evaluación
Aumentar control,
legitimidad y detección de
riesgos
Nilsson et al. (2025); WHO
& ILO (2022)
Límites y desconexión
Reglas sobre mensajes,
disponibilidad y pausas
Proteger recuperación y
ajuste trabajo-vida
Bottaro et al. (2024);
EU-OSHA (2024)
Diseño humano-céntrico
Autonomía, supervisión
humana y tareas con
significado
Evitar sustitución
indiscriminada de juicio
humano
NIST (Tabassi, 2023);
OECD (2024)
Gobernanza y transparencia
algorítmica
Información sobre datos,
criterios, finalidad y
posibilidad de revisión
Reducir vigilancia opaca e
injusticia percibida
NIST (Tabassi, 2023);
Kinowska & Sienkiewicz
(2023)
Seguimiento de salud
ocupacional
Agotamiento, satisfacción,
ausentismo, rotación y
percepción de riesgo
Activar medidas tempranas
sin etiquetar individualmente
WHO (2022); Buzeti et al.
(2026)
Fuente: elaboración propia con base en WHO (2022), WHO e ILO (2022), OECD (2023, 2024), EU-OSHA (2024),
NIST (Tabassi, 2023) y estudios citados.
El patrón de evidencia muestra que apoyo, participación y autonomía cumplen una
función especialmente importante. En docentes universitarios, el apoyo organizacional
predijo menos tecnoestrés (Gabbiadini et al., 2023); en el análisis longitudinal de
soporte, distintas fuentes sociales actuaron como inhibidores de creadores de tecnoestrés
(Lanzl, 2023); y en hospitales, el apoyo del empleador moderó la relación entre carencia
de soporte técnico y burnout (Wirth et al., 2024). Estos hallazgos permiten considerar el
soporte como un recurso estructural que debe diseñarse dentro del sistema de trabajo y
no como una ayuda ocasional posterior al problema.
435
La evidencia sobre IA confirma una paradoja relevante para SST: la misma tecnología
puede producir mejoras percibidas de rendimiento y disfrute mientras incrementa
preocupación por automatización, datos e intensidad. El Gráfico 3 reúne tres
indicadores publicados por la OECD (2024), manteniendo sus denominadores
conceptuales originales; los dos primeros proceden de encuestas a trabajadores que
utilizaban IA, mientras el tercero estima la proporción de empleo ubicada en
ocupaciones con mayor riesgo de automatización.
Gráfico 3. Indicadores de beneficios percibidos de la IA y exposición ocupacional al riesgo
de automatización en países OECD
Fuente: Organisation for Economic Co-operation and Development (2024). Los indicadores representan constructos
diferentes y no suman 100 %.
El 80 % de trabajadores encuestados que reportó mejor desempeño y el 60 % que indicó
mayor disfrute impiden interpretar la IA exclusivamente como amenaza, mientras el 27
% de empleo en ocupaciones de mayor riesgo de automatización muestra que la
incertidumbre laboral posee una base objetiva suficiente para ser considerada en la
prevención. La lectura conjunta sugiere que el objetivo de SST debe ser maximizar la
función de la IA como recurso y controlar los mecanismos mediante los cuales puede
436
convertirse en demanda, especialmente intensificación, vigilancia, opacidad y reducción
de autonomía.
La Tabla 4 operacionaliza el MPTA-IA en cinco niveles encadenados y lo conecta con
resultados observables de gestión. La propuesta conserva el principio preventivo según
el cual no corresponde adaptar exclusivamente a la persona a una tecnología mal
diseñada; la intervención también debe modificar procesos, objetivos y características
del sistema. En consecuencia, el modelo se inicia con una identificación tecnológica
concreta, continúa con evaluación psicosocial, interviene sobre la fuente, fortalece
recursos y finaliza con seguimiento de indicadores que permiten retroalimentar el
proceso.
Tabla 4. Operacionalización del Modelo de Prevención del Tecnoestrés y Agotamiento
Emocional Asociado a la IA (MPTA-IA)
Nivel
Contenido
Resultado de gestión
Indicadores orientativos
1. Identificación
Tecnologías utilizadas,
intensidad, tareas afectadas y
finalidad de IA
Mapa de exposición digital
por puesto
Inventario tecnológico;
tiempo de uso; tipo de
decisión automatizada
2. Evaluación
Sobrecarga, invasión,
complejidad, inseguridad,
incertidumbre, vigilancia y
autonomía
Perfil de riesgos
psicosociales digitales
Conectividad fuera de
jornada; interrupciones;
percepción de vigilancia;
autonomía
3. Intervención
organizacional
Cargas, tiempos, metas,
procesos y mecanismos de
supervisión
Controles en la fuente del
riesgo
Rediseño de objetivos;
límites de disponibilidad;
revisión de métricas
algorítmicas
4. Fortalecimiento de
recursos
Capacitación, soporte
técnico, participación,
autonomía y
acompañamiento
Mayor capacidad
organizacional de
afrontamiento
Cobertura formativa; acceso
a soporte; participación;
claridad de roles
5. Seguimiento
Salud, satisfacción,
agotamiento, ausentismo,
rotación y riesgo percibido
Retroalimentación y mejora
continua
Agotamiento emocional;
satisfacción; ausentismo;
rotación; percepción de
riesgo
Fuente: elaboración propia a partir del MPTA-IA y de la síntesis preventiva de la evidencia revisada.
La operacionalización evita que el modelo permanezca como una recomendación
abstracta, porque cada nivel puede vincularse con indicadores verificables como horas
de conectividad fuera de jornada, interrupciones, percepción de vigilancia, autonomía,
cobertura de capacitación, acceso a soporte, agotamiento emocional, satisfacción,
ausentismo y rotación. Estos indicadores no deben utilizarse para vigilar
individualmente estados emocionales mediante algoritmos, sino para identificar
437
tendencias organizacionales agregadas y evaluar si los controles implementados reducen
exposición y mejoran condiciones de trabajo.
Como referencia empírica de la magnitud que puede adquirir el problema en un sector
intensivamente digitalizado, el Gráfico 4 presenta la distribución publicada por
Muhamad et al. (2025) entre 1.620 trabajadores sanitarios de hospitales estatales de
Malasia. El estudio clasificó 18 % con tecnoestrés bajo, 67 % moderado y 15 % alto,
además de identificar asociación con burnout y fatiga.
Gráfico 4. Distribución de niveles de tecnoestrés en trabajadores sanitarios de hospitales
estatales de Malasia, n = 1.620
Fuente: Muhamad et al. (2025). Valores publicados: bajo 18 %, moderado 67 % y alto 15 %.
La predominancia del nivel moderado, acompañada de un 15 % en nivel alto, muestra
que la prevención no debe dirigirse únicamente a casos extremos. La utilidad de la
vigilancia ocupacional reside precisamente en detectar exposición acumulativa antes de
que se traduzca en agotamiento grave, errores, ausencia o intención de salida. La cifra
es sectorial y no constituye una prevalencia universal, pero sirve para ilustrar por qué el
seguimiento periódico del MPTA-IA debe incorporar señales tempranas junto con
438
resultados organizacionales, evitando esperar a que el deterioro sea clínicamente
evidente.
Discusión
Los hallazgos sostienen que el tecnoestrés laboral en la era de la inteligencia artificial
debe interpretarse como un proceso de exposición psicosocial determinado por la
relación entre demandas tecnológicas y recursos organizacionales. La consistencia entre
metaanálisis, revisiones, estudios sectoriales y documentos técnicos permite descartar
dos extremos interpretativos: asumir que toda digitalización deteriora la salud o
considerar que cualquier efecto adverso obedece a insuficiente adaptación individual.
La evidencia más reciente muestra que sobrecarga, invasión, complejidad, inseguridad e
incertidumbre permanecen vigentes, pero la IA agrega nuevas formas de intensificación,
vigilancia y decisión automatizada que modifican la autonomía y la percepción de
control (Kotek & Vranjes, 2025; Mansuroğlu & Smith, 2026).
La secuencia analítica propuesta —demanda tecnológica, pérdida percibida de control,
esfuerzo adaptativo sostenido, fatiga cognitiva, estrés persistente y agotamiento
emocional— resulta compatible con los datos contemporáneos. Wang et al. (2022)
observaron que el agotamiento laboral mediaba la relación entre tecnoestrés y bienestar,
mientras Buzeti et al. (2026) identificaron que el agotamiento emocional conectaba
tecnoestresores con resultados como intención de rotación y ausencia por enfermedad.
Aunque los diseños y escalas no son equivalentes, ambos estudios sitúan el agotamiento
como un mecanismo de transición entre demanda digital y consecuencias
organizacionales, fortaleciendo su uso como indicador centinela para la vigilancia
preventiva.
439
El valor del agotamiento emocional como señal organizacional se refuerza al observar
evidencia en trabajadores sanitarios. Wirth et al. (2024) encontraron asociaciones
específicas de sobrecarga y complejidad con burnout entre profesionales de enfermería,
y el estudio de Muhamad et al. (2025) documentó niveles moderados o altos de
tecnoestrés en la mayoría de la muestra hospitalaria, con relaciones significativas con
burnout y fatiga. La coincidencia no implica que la tecnología sea la única causa de
desgaste en salud, donde existen turnos, carga asistencial y exposición emocional
propias del sector, pero sí indica que las demandas digitales pueden sumarse a estresores
preexistentes y deben evaluarse como parte del sistema de trabajo.
La diferencia entre sectores ayuda a comprender por qué no es adecuado buscar un
único porcentaje de tecnoestrés aplicable a toda la población laboral. El metaanálisis de
Kotek y Vranjes (2025) mostró antecedentes diferenciados para cada creador de
tecnoestrés, mientras la revisión de Mansuroğlu y Smith (2026) señaló variación por
países, industrias y roles. Esto justifica una evaluación contextual en la que el riesgo se
examine por puesto, tipo de tecnología y proceso organizacional, evitando trasladar
automáticamente resultados de hospitales, universidades o plataformas a otras
actividades. El MPTA-IA responde a esta necesidad porque comienza con identificación
de tecnologías e intensidad de uso antes de evaluar demandas psicosociales.
La invasión tecnológica y la hiperconectividad representan un mecanismo
especialmente relevante porque alteran el tiempo de recuperación. Bottaro et al. (2024)
estimaron una asociación media entre tecnoestrés y ajuste trabajo-vida, resultado
coherente con la EU-OSHA (2024), que advierte sobre presión de conexión continua y
extensión del trabajo hacia tardes y fines de semana en contextos digitales. La
desconexión no debe entenderse únicamente como una prohibición de mensajes, sino
como un diseño de expectativas, tiempos de respuesta, cobertura operativa y prácticas
440
de liderazgo que hagan posible la recuperación. Una política formal pierde eficacia si
los incentivos informales premian la disponibilidad permanente.
El apoyo social y organizacional aparece como uno de los recursos protectores más
repetidos, aunque su efecto depende de la forma concreta de apoyo. Lanzl (2023)
mostró que distintas dimensiones de soporte social se relacionan de manera diferente
con creadores de tecnoestrés y que el apoyo familiar adquirió mayor importancia en
contextos de teletrabajo intensivo. Gabbiadini et al. (2023) identificaron una relación
protectora del apoyo organizacional entre docentes, y Wirth et al. (2024) observaron un
efecto moderador del soporte del empleador frente a carencias técnicas. La
convergencia sugiere que capacitación, asistencia accesible y liderazgo sensible a la
carga digital deben planificarse antes y durante la implantación tecnológica.
La capacitación, sin embargo, no debe utilizarse para desplazar la responsabilidad hacia
el trabajador. Formar en el uso de una herramienta puede reducir complejidad e
incertidumbre, pero no corrige metas desproporcionadas, evaluación opaca ni una carga
que crece cada vez que la automatización libera tiempo. La OECD (2023) reconoce que
la IA puede mejorar calidad de empleo y seguridad, pero también reorganizar tareas y
exigencias; por ello, la reconversión de competencias debe acompañarse de revisión del
diseño del puesto. Esta distinción es central para SST, porque la jerarquía preventiva
favorece actuar sobre la fuente del riesgo antes de depender exclusivamente de
estrategias individuales de afrontamiento.
La intensificación laboral constituye una de las expresiones más importantes de esa
fuente. Cuando la productividad potencial de una herramienta se transforma
automáticamente en objetivos superiores, el beneficio tecnológico deja de traducirse en
reducción de carga y puede convertirse en una nueva demanda. La OECD (2024) señala
preocupaciones de trabajadores por incremento de intensidad y uso de datos, mientras la
441
evidencia de control algorítmico en plataformas demuestra que la presión puede
materializarse mediante métricas de rendimiento y asignación digital de trabajo (Cheng
et al., 2024). La prevención requiere revisar la razonabilidad de metas después de
automatizar tareas y evaluar si el tiempo liberado se utiliza para recuperación, calidad,
aprendizaje o simplemente para ampliar producción.
La vigilancia algorítmica modifica además la experiencia de autonomía y justicia.
Kinowska y Sienkiewicz (2023) evidenciaron relaciones adversas entre prácticas de
gestión algorítmica, autonomía y bienestar en organizaciones europeas, mientras Cheng
et al. (2024) observaron que el control ejercido por plataformas se asociaba con burnout
y peor salud mental. Esta coincidencia resulta relevante porque el riesgo no depende
solo de recopilar datos, sino de la capacidad del trabajador para comprender qué se
mide, con qué finalidad, cómo se utiliza y si existe posibilidad de revisión humana. La
transparencia algorítmica debe considerarse, por tanto, una medida preventiva y no
únicamente un requisito de cumplimiento o ética tecnológica.
El estudio de Nilsson et al. (2025) añade una dimensión organizacional decisiva al
mostrar que la gestión algorítmica no produjo experiencias idénticas en dos empresas
logísticas. La participación de trabajadores, integración de la tecnología a la gestión de
SST, mayor control sobre la aplicación y complementación de métricas cuantitativas
con valoraciones cualitativas aparecieron como prácticas capaces de mejorar la
experiencia. Esta evidencia apoya el principio humano-céntrico del MPTA-IA y
demuestra que el impacto no se encuentra determinado por el algoritmo de manera
aislada, sino por la arquitectura de decisiones y relaciones en la que se inserta.
La autonomía actúa como recurso porque permite ajustar secuencia, ritmo y estrategia
de trabajo frente a demandas cambiantes. Cuando un sistema automatizado define de
manera rígida prioridades, tiempos o evaluaciones sin margen de criterio, la persona
442
puede conservar responsabilidad sobre el resultado sin conservar control suficiente
sobre el proceso. Esta combinación resulta especialmente problemática desde modelos
de demandas y recursos, ya que eleva exigencias mientras limita mecanismos de
afrontamiento. La revisión de Rademaker et al. (2025) refuerza esta interpretación al
mostrar que determinados estilos de liderazgo pueden mitigar o intensificar tecnoestrés,
por lo que la autonomía debe examinarse tanto en el diseño tecnológico como en el
comportamiento directivo.
La paradoja observada en los datos de la OECD (2024) es esencial para evitar una
discusión unilateral. El hecho de que una mayoría de trabajadores usuarios de IA
declare mejoras en desempeño y disfrute indica que la tecnología puede funcionar como
recurso, liberando tareas monótonas, apoyando decisiones y ampliando capacidad. Al
mismo tiempo, la proporción de empleo en ocupaciones con mayor riesgo de
automatización y las preocupaciones por intensidad y datos explican por qué puede
coexistir satisfacción con inseguridad. La prevención debe manejar ambas dimensiones
simultáneamente, porque una implantación beneficiosa en productividad no garantiza
por sí misma condiciones psicológicamente sostenibles.
La inseguridad tecnológica merece especial atención aunque no se materialice en
pérdida inmediata del empleo. La incertidumbre sobre si una competencia seguirá
siendo útil, si el desempeño será comparado con sistemas automatizados o si la
organización reducirá puestos puede activar estrés anticipatorio y conducta de
actualización permanente. Kotek y Vranjes (2025) incluyen la inseguridad y la
incertidumbre entre los creadores diferenciados de tecnoestrés, mientras la OECD
(2023) destaca que el impacto de la IA se extiende a tareas, competencias y calidad del
empleo más allá del número de puestos. De este modo, la gestión preventiva debe
443
incluir comunicación clara sobre cambios, planes de formación y criterios transparentes
de reorganización.
La actualización permanente puede ser una oportunidad de desarrollo cuando existe
tiempo protegido, apoyo y reconocimiento, pero se convierte en riesgo cuando el
aprendizaje se añade a la carga ordinaria o se traslada fuera de jornada. Este matiz
permite diferenciar alfabetización digital saludable de una exigencia de autoformación
continua sin recursos. El MPTA-IA incorpora el fortalecimiento de recursos como nivel
independiente precisamente para evitar que la capacitación se convierta en otra
demanda, proponiendo cobertura formativa, soporte técnico, claridad de roles y
participación como indicadores de capacidad organizacional de afrontamiento.
La gobernanza responsable de IA ofrece herramientas complementarias para convertir
principios preventivos en procedimientos. El marco del NIST propone funciones de
gobernanza, mapeo, medición y gestión del riesgo, con énfasis en características de
confiabilidad y preservación de derechos (Tabassi, 2023). Aunque no se trata de una
norma específica de SST, su lógica puede integrarse con identificación de peligros,
evaluación y control, especialmente para documentar finalidades, personas afectadas,
datos utilizados y mecanismos de supervisión humana. La combinación con indicadores
psicosociales permite evaluar no solo si el sistema funciona técnicamente, sino si su uso
modifica carga, autonomía, privacidad o justicia organizacional.
La EU-OSHA (2024) amplía este enfoque al diferenciar riesgos según tipos de
tecnología, incluyendo automatización con IA, sistemas digitales inteligentes,
plataformas, trabajo remoto y gestión de trabajadores basada en IA. Esta clasificación
resulta útil porque evita tratar la digitalización como exposición uniforme y favorece
preguntas específicas: qué tarea se automatiza, qué datos se recopilan, qué decisiones se
delegan, cómo cambia el ritmo y qué posibilidades existen de desconectar. En la
444
práctica, una evaluación de riesgos psicosociales digitales puede integrarse a matrices
de SST existentes mediante variables adicionales sin crear un sistema paralelo
desconectado de la gestión preventiva general.
En Ecuador, el Reglamento de Seguridad y Salud en el Trabajo de 2024 fortalece el
marco para una gestión preventiva basada en responsabilidades organizacionales y
ofrece una base para incorporar riesgos emergentes asociados a digitalización
(Ministerio del Trabajo, 2024). La relevancia nacional del MPTA-IA radica en que
traduce un fenómeno internacional en indicadores compatibles con procesos de
identificación, evaluación, intervención y seguimiento. Su aplicación no exige esperar
una clasificación legal independiente denominada “tecnoestrés por IA”; puede
comenzar mediante evaluación de carga, horarios, autonomía, capacitación, vigilancia y
participación dentro de los procedimientos existentes de riesgos psicosociales.
El modelo propuesto también permite evitar usos contraproducentes de IA en vigilancia
de salud. La capacidad de analizar patrones de ausencia, productividad o señales de
carga puede contribuir a prevención, pero inferir estados emocionales individuales sin
consentimiento, transparencia o necesidad proporcional puede transformar una
herramienta preventiva en un nuevo factor de vigilancia. El principio debe ser utilizar
información agregada y pertinente para mejorar condiciones de trabajo, no para
etiquetar personas ni automatizar decisiones sensibles. Este enfoque coincide con la
orientación de derechos del NIST y con las recomendaciones internacionales de
proteger salud mental mediante cambios en condiciones laborales (World Health
Organization, 2022; World Health Organization & International Labour Organization,
2022).
La participación de trabajadores constituye una salvaguarda transversal porque aporta
información que rara vez aparece en pruebas técnicas de una herramienta. Quienes
445
ejecutan las tareas pueden identificar interrupciones, dobles registros, pérdida de
significado, errores recurrentes, tiempos de espera o presión derivada de métricas que
no se evidencian en indicadores de productividad. Nilsson et al. (2025) mostró el valor
de involucrar a trabajadores en la gestión algorítmica, y las orientaciones WHO/ILO
insisten en actuar sobre riesgos psicosociales mediante intervenciones organizacionales.
La participación debe ocurrir desde la selección y diseño, continuar durante la
implementación y mantenerse en la evaluación posterior.
La justicia organizacional se relaciona con la distribución desigual de beneficios y
cargas de la digitalización. Trabajadores con competencias digitales avanzadas pueden
experimentar mayor autonomía y eficiencia, mientras otros enfrentan complejidad,
inseguridad o dependencia de soporte. La ausencia de formación suficiente puede
convertir una innovación general en un mecanismo de desigualdad interna, y la
automatización de decisiones puede reproducir diferencias si los criterios no son
transparentes. Por ello, la alfabetización en IA debe combinar capacidades técnicas con
comprensión de sesgos, privacidad, verificación de resultados y canales para cuestionar
decisiones automatizadas.
Los hallazgos sobre trabajo-vida sugieren que la prevención debe incorporar
recuperación como resultado organizacional. El metaanálisis de Bottaro et al. (2024)
aporta evidencia cuantitativa sobre la relación entre tecnoestrés y ajuste trabajo-vida, y
la EU-OSHA (2024) documenta cómo tecnologías remotas pueden prolongar
disponibilidad. En el MPTA-IA, las horas de conectividad fuera de jornada y la
frecuencia de interrupciones digitales funcionan como indicadores tempranos porque
son modificables mediante diseño de turnos, canales de emergencia, tiempos de
respuesta y reglas de comunicación. Medir únicamente agotamiento al final del proceso
sería preventivamente tardío.
446
Los resultados también respaldan la utilidad de combinar indicadores de exposición,
recursos y consecuencias. La sobrecarga o vigilancia describen exposición; la
autonomía, apoyo y capacitación describen recursos; el agotamiento emocional,
satisfacción, ausentismo y rotación reflejan consecuencias. Esta estructura evita
interpretar una sola medida como diagnóstico y permite identificar rutas de
intervención. Por ejemplo, un aumento de agotamiento acompañado por alta
conectividad y bajo soporte señala un problema diferente de otro contexto con baja
exposición pero insatisfacción por causas no tecnológicas, lo que mejora especificidad
de las decisiones preventivas.
La principal fortaleza del análisis consiste en integrar evidencia reciente de salud
ocupacional, psicología del trabajo, sistemas de información y gobernanza de IA sin
perder el foco en seguridad y salud en el trabajo. La incorporación de estudios de
distintos sectores y marcos institucionales permite contrastar mecanismos comunes y
sostener el carácter organizacional del problema. Además, las tablas y gráficos utilizan
únicamente valores verificables y mantienen separación entre datos descriptivos de
estudios específicos y conclusiones de síntesis, evitando producir una prevalencia global
o un efecto combinado que la heterogeneidad de la evidencia no permite justificar.
Entre las limitaciones se encuentra el carácter narrativo de la revisión, que no pretende
exhaustividad ni evaluación formal del riesgo de sesgo de todos los estudios
disponibles. La selección de 20 fuentes prioritarias favorece actualidad y pertinencia,
pero puede omitir literatura regional o estudios publicados en bases no accesibles
mediante los portales consultados. También existe heterogeneidad en definiciones de
tecnoestrés, escalas, sectores y desenlaces, por lo que las comparaciones de tamaños de
muestra o porcentajes no deben interpretarse como equivalencia metodológica. Estas
limitaciones justifican futuros estudios longitudinales y multicéntricos que evalúen
447
directamente implementaciones de IA y cambios en agotamiento antes y después de
intervenciones organizacionales.
Otra limitación deriva de la velocidad de cambio tecnológico, ya que categorías de IA,
herramientas generativas y sistemas de gestión pueden modificarse más rápido que la
producción de evidencia longitudinal. Esta condición aumenta la importancia de utilizar
principios preventivos transferibles —control de carga, autonomía, transparencia,
participación, soporte y recuperación— en lugar de depender de listas cerradas de
aplicaciones. Futuras investigaciones deberían evaluar el MPTA-IA en organizaciones
reales, definir puntos de corte para indicadores de exposición digital y determinar qué
combinaciones de medidas reducen agotamiento sin impedir beneficios de
productividad y seguridad.
La aplicabilidad práctica del modelo se encuentra en su compatibilidad con ciclos de
mejora continua. Identificar la tecnología y la tarea afectada permite localizar la
exposición; evaluar demandas y recursos establece prioridades; intervenir sobre
procesos y metas reduce la fuente; fortalecer soporte y capacitación aumenta capacidad
de afrontamiento; y seguir indicadores verifica resultados. Esta secuencia puede
utilizarse en evaluaciones de cambio tecnológico, comités de seguridad, auditorías
internas y revisiones de sistemas de gestión, siempre que se preserve confidencialidad y
se evite transformar los indicadores de salud en instrumentos de control individual.
En conjunto, la discusión confirma que el desafío central no es escoger entre trabajador
e inteligencia artificial. La evidencia favorece diseños sociotécnicos donde la IA
complemente capacidades humanas, reduzca exposición a tareas peligrosas o repetitivas
y aporte información útil, mientras la organización conserva responsabilidad sobre
ritmo, carga, autonomía, apoyo, participación y transparencia. La prevención del
tecnoestrés exige, por tanto, pasar de una visión reactiva del bienestar a una gobernanza
448
anticipatoria de la transformación digital dentro de SST, considerando el agotamiento
emocional como señal de que la relación entre demandas y recursos ha dejado de ser
sostenible.
Conclusiones
El análisis permite concluir que el tecnoestrés laboral y el agotamiento emocional
constituyen desafíos emergentes de seguridad y salud en el trabajo cuando la
inteligencia artificial modifica tareas, ritmos, supervisión, autonomía y exigencias de
actualización. La evidencia reciente no identifica a la tecnología como un peligro
inevitable, sino a determinadas condiciones de diseño e implementación como
mecanismos capaces de transformar una herramienta útil en una demanda psicosocial
sostenida. En consecuencia, la prevención debe centrarse en la interacción entre sistema
tecnológico, organización y recursos disponibles para el trabajador.
Las cinco dimensiones clásicas —sobrecarga, invasión, complejidad, inseguridad e
incertidumbre— mantienen capacidad explicativa y se amplían en el contexto de IA
mediante intensificación laboral, vigilancia algorítmica y pérdida de autonomía. Los
estudios revisados muestran asociaciones entre estas demandas y burnout, fatiga, menor
bienestar, peor ajuste trabajo-vida e intención de rotación, con especial relevancia del
agotamiento emocional como posible mecanismo intermedio y señal centinela de
deterioro organizacional. Estas relaciones justifican incorporar indicadores digitales a la
evaluación de riesgos psicosociales.
Los resultados también demuestran que apoyo organizacional, liderazgo adecuado,
capacitación, participación y autonomía funcionan como recursos protectores. La
formación tecnológica debe ofrecerse dentro del tiempo y estructura del trabajo,
acompañada por soporte técnico y claridad sobre cambios, mientras las políticas de
449
desconexión deben proteger recuperación real y no limitarse a declaraciones formales.
La participación de trabajadores en selección, diseño y evaluación de sistemas permite
detectar riesgos que no se observan en métricas de eficiencia y fortalece la legitimidad
de la transformación.
La gestión algorítmica requiere controles específicos de transparencia y supervisión
humana, debido a que la recopilación de datos y la automatización de decisiones pueden
aumentar vigilancia, presión e injusticia percibida. El uso de IA para apoyar seguridad
resulta compatible con prevención siempre que los datos sean proporcionales, las
finalidades estén definidas y no se utilicen inferencias emocionales opacas para
etiquetar o sancionar personas. La gobernanza tecnológica debe integrarse a la gestión
de SST con el mismo rigor aplicado a otros cambios capaces de modificar exposición
laboral.
El MPTA-IA aporta una ruta preventiva de cinco niveles: identificación, evaluación,
intervención organizacional, fortalecimiento de recursos y seguimiento. Su utilidad
reside en trasladar conceptos a indicadores concretos como intensidad de uso,
conectividad fuera de jornada, interrupciones, percepción de vigilancia, autonomía,
cobertura de capacitación, agotamiento emocional, satisfacción, ausentismo y rotación.
El principio rector consiste en evitar que toda la adaptación recaiga sobre la persona,
por lo que una tecnología o proceso mal diseñado debe modificarse cuando produce
demandas incompatibles con los recursos disponibles.
La integración de estos elementos dentro de sistemas de seguridad y salud en el trabajo
permite evolucionar desde una respuesta centrada en síntomas hacia una prevención
anticipatoria de riesgos cognitivos, emocionales y organizacionales. En el contexto
ecuatoriano, el marco preventivo vigente ofrece una oportunidad para incorporar
progresivamente variables de digitalización dentro de procesos de identificación de
450
peligros y control, sin esperar a que cada nueva aplicación de IA cuente con una
regulación aislada. La prioridad debe ser mantener condiciones de trabajo seguras,
saludables y sostenibles durante el cambio tecnológico.
El aporte principal consiste en establecer que productividad y bienestar no son objetivos
incompatibles si la inteligencia artificial se implementa desde un enfoque
humano-céntrico, participativo y transparente. La investigación futura deberá validar el
MPTA-IA en diferentes sectores, desarrollar indicadores comparables y evaluar
longitudinalmente intervenciones sobre carga, autonomía y apoyo. El desafío de la era
de la IA no radica en sustituir el trabajo humano por tecnología ni en rechazar la
innovación, sino en diseñar sistemas donde ambos interactúen bajo criterios preventivos
que protejan salud y calidad del empleo.
451
Referencias Bibliográficas
World Health Organization. (2022). Guidelines on mental health at work. World Health
Organization. https://www.who.int/publications/i/item/9789240053052
World Health Organization, & International Labour Organization. (2022). Mental health
at work: Policy brief. World Health Organization and International Labour
Organization. https://www.who.int/publications/i/item/9789240057944
Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0)
(NIST AI 100-1). National Institute of Standards and Technology.
https://doi.org/10.6028/NIST.AI.100-1
Organisation for Economic Co-operation and Development. (2023). OECD employment
outlook 2023: Artificial intelligence and the labour market. OECD Publishing.
https://doi.org/10.1787/08785bba-en
Organisation for Economic Co-operation and Development. (2024). Using AI in the
workplace: Opportunities, risks and policy responses. OECD Artificial
Intelligence Papers, 11. OECD Publishing. https://doi.org/10.1787/73d417f9-en
European Agency for Safety and Health at Work. (2024). Digital technologies at work
and psychosocial risks: Evidence and implications for occupational safety and
health. EU-OSHA.
https://osha.europa.eu/sites/default/files/documents/Digitalisation-and-PSR_sum
mary_EN.pdf
Ministerio del Trabajo. (2024). Reglamento de Seguridad y Salud en el Trabajo: Decreto
Ejecutivo No. 255. Gobierno del Ecuador.
https://www.trabajo.gob.ec/reglamento-de-seguridad-y-salud-en-el-trabajo/
452
Kotek, M., & Vranjes, I. (2025). When do employees perceive technology as stressful?
A meta-analysis of work-related technostress antecedents. Information &
Management, 62(8), 104203. https://doi.org/10.1016/j.im.2025.104203
Mansuroğlu, E., & Smith, A. P. (2026). Technostress and employee well-being: A
systematic review of empirical evidence. Computers in Human Behavior
Reports, 21, 100941. https://doi.org/10.1016/j.chbr.2026.100941
Rademaker, T., Klingenberg, I., & Süß, S. (2025). Leadership and technostress: A
systematic literature review. Management Review Quarterly, 75, 429–494.
https://doi.org/10.1007/s11301-023-00385-x
Bottaro, R., De Giovanni, K., & Faraci, P. (2024). The extent to which technostress is
related to employees’ work-life fit: A multilevel meta-analysis. Workplace
Health & Safety, 72(10), 421–430. https://doi.org/10.1177/21650799241264317
Wirth, T., Kräft, J., Marquardt, B., Harth, V., & Mache, S. (2024). Indicators of
technostress, their association with burnout and the moderating role of support
offers among nurses in German hospitals: A cross-sectional study. BMJ Open,
14(7), e085705. https://doi.org/10.1136/bmjopen-2024-085705
Muhamad, N. A., Ma’amor, N. H., Jamalluddin, N. H., Rosli, I. A., Leman, F. N.,
Tengku Baharudin Shah, T. P. N., Misnan, N. S., Abdullah, N., Johari, M. Z.,
Chemi, N., Ibrahim, N., & Member of Technostress Study. (2025). Technostress
and its associated factors: Burnout and fatigue among Malaysian healthcare
workers (HCWs) in state hospitals. PLOS ONE, 20(3), e0319506.
https://doi.org/10.1371/journal.pone.0319506
Buzeti, J., Dečman, M., & Kristl, N. (2026). Associations of work- and
personal-life-related techno-stressors with emotional exhaustion, sickness
453
absenteeism, and turnover intentions in public administration. Acta
Psychologica, 266, 106772. https://doi.org/10.1016/j.actpsy.2026.106772
Wang, H., Ding, H., & Kong, X. (2022). Understanding technostress and employee
well-being in digital work: The roles of work exhaustion and workplace
knowledge diversity. International Journal of Manpower, 44(2), 334–353.
https://doi.org/10.1108/IJM-08-2021-0480
Gabbiadini, A., Paganin, G., & Simbula, S. (2023). Teaching after the pandemic: The
role of technostress and organizational support on intentions to adopt remote
teaching technologies. Acta Psychologica, 236, 103936.
https://doi.org/10.1016/j.actpsy.2023.103936
Lanzl, J. (2023). Social support as technostress inhibitor: Even more important during
the COVID-19 pandemic? Business & Information Systems Engineering, 65,
329–343. https://doi.org/10.1007/s12599-023-00799-7
Cheng, Y., Cheng, W.-J., Lin, R.-T., Wang, Y.-T., & Ko, J.-J. R. (2024). Associations
between labor control through digital platforms and workers’ mental wellbeing:
A survey of location-based platform workers in Taiwan. Safety and Health at
Work, 15(4), 419–426. https://doi.org/10.1016/j.shaw.2024.08.003
Nilsson, K. H., Matilla-Santander, N., Lee, M. K., Brulin, E., Bodin, T., & Håkansta, C.
(2025). Algorithmic management and occupational health: A comparative case
study of organizational practices in logistics. Safety Science, 187, 106863.
https://doi.org/10.1016/j.ssci.2025.106863
Kinowska, H., & Sienkiewicz, Ł. (2023). Influence of algorithmic management
practices on workplace well-being – evidence from European organisations.
Information Technology & People, 36(8), 21–42.
https://doi.org/10.1108/ITP-02-2022-0079
454
