El autor reflexiona sobre su experiencia personal con agentes de programación basados en modelos de lenguaje y llega a una conclusión incómoda: la mayor parte de lo que sintió como productividad era, en realidad, productividad performativa, es decir, tachar tareas pendientes sin que estas tuvieran verdadero impacto.
En un primer momento, los LLM parecieron elevar de forma evidente su rendimiento. Pudo adaptarse a nuevos repositorios en el trabajo, refactorizar proyectos que llevaba años postergando (como una actualización compleja de Nuxt completada en una hora en lugar de días) y añadir funciones, pruebas y correcciones a buen ritmo. Sin embargo, al revisar el resultado con perspectiva, constató que apenas entendía los códigos que había tocado, que las nuevas funciones no llegaron a usarse, que los proyectos nuevos se abandonaron y que ni siquiera sabía qué bugs había resuelto.
El artículo describe ese comportamiento como una forma de videojuego mental: la compulsión de abrir Claude Code aunque no haya tarea concreta, simplemente por el placer de ver cómo algo se completa rápido. Esa sensación, argumenta, se confunde fácilmente con productividad real, aunque intercambie aprendizaje y comprensión por una descarga de dopamina.
La pieza revisa además la literatura empírica disponible. Un estudio de Anthropic encontró beneficios estadísticamente insignificantes a cambio de pérdida de habilidades; otra investigación detectó la misma tendencia en pensamiento crítico entre trabajadores del conocimiento. Una encuesta a CEOs constató que la adopción de IA no se correlaciona con ganancias de productividad empresariales. Un estudio de 2025 concluyó que los desarrolladores se sentían un 24 % más rápidos, pero en realidad eran un 19 % más lentos. Una investigación de Stanford de finales de 2025 registró mejoras de hasta el 40 %, pero solo en proyectos greenfield de baja complejidad y con código menos mantenible; en bases existentes o tareas complejas, la ganancia desaparecía o se volvía negativa.
El autor concluye que las supuestas mejoras de productividad suelen apoyarse en definiciones estrechas (completar un ejercicio rápido), omiten qué se sacrifica por la velocidad y no siempre se sostienen en escenarios reales.