Inteligencia artificial en el trabajo y burnout: revisión sistemática de mecanismos y moderadores
Artificial intelligence-driven work systems and employee burnout: a systematic review of mechanisms, moderators, and a dynamic meta-system framework

Ficha del estudio original
- Institución
- Liaoning University (Business School) y Party School of Dalian Committee of C.P.C. (Emergency Management Teaching and Research Department)
- Año
- 2026
- Revista
- Frontiers in Psychology, vol. 17, art. 1922281
- Tipo de estudio
- Revisión sistemática
En 3 líneas
En esta revisión sistemática de 43 estudios empíricos, la IA no se asoció de forma uniforme con más o menos burnout: la IA de asistencia (sobre todo en sanidad, con tres estudios aleatorizados) se asoció con menor agotamiento, mientras que la monitorización y el control algorítmico se asociaron con mayor burnout en estudios observacionales. La mayor parte de la evidencia es observacional y de corte transversal, por lo que el marco AIMS que proponen los autores es una hipótesis teórica y no una demostración causal.
Resumen del artículo original
Antecedentes
La rápida integración de la inteligencia artificial (IA) en los sistemas de trabajo está transformando el diseño de los puestos y la experiencia de los empleados. Aunque la IA promete ganancias de eficiencia, también crea una paradoja: reduce la carga de trabajo y, al mismo tiempo, aumenta la tensión psicológica, lo que produce efectos divergentes sobre el burnout.
Objetivo
Este estudio revisa de forma sistemática la evidencia sobre la relación entre la exposición a la IA y el burnout de los empleados, y desarrolla el marco de la IA como metasistema (AIMS, por sus siglas en inglés).
Métodos
Siguiendo PRISMA 2020, se realizaron búsquedas en cuatro bases de datos bibliográficas y en Google Scholar desde su inicio hasta el 31 de marzo de 2026. Se incluyeron cuarenta y tres estudios empíricos primarios revisados por pares: 20 medían el burnout o una dimensión establecida del burnout, y 23 examinaban mecanismos, moderadores, resultados indirectos (proxy), medición o condiciones de implementación. La calidad metodológica se evaluó con el Mixed Methods Appraisal Tool a nivel de criterio.
Resultados
Los hallazgos variaron según el papel funcional de la IA y el diseño del estudio. La IA de asistencia se asoció en general con menor burnout o agotamiento en estudios aleatorizados y pre–post del ámbito sanitario, mientras que las exposiciones de monitorización y de control algorítmico se asociaron con mayor burnout o tensión psicosocial relacionada en estudios observacionales. La exposición percibida a la IA produjo asociaciones directas, indirectas y nulas a través de vías que implican el estrés laboral, la inseguridad laboral, la interferencia trabajo–familia, el apoyo organizacional percibido y el compromiso organizacional. Tres estudios aleatorizados aportaron la evidencia más sólida sobre las intervenciones de asistencia. La evidencia de efectos no lineales se limitó a resultados indirectos de apoyo y no estableció directamente una relación en U invertida entre la IA y el burnout.
Conclusión
La inteligencia artificial no es intrínsecamente perjudicial ni beneficiosa: sus asociaciones con el burnout dependen de su papel funcional, de su implementación y de la valoración que hagan los empleados. El marco AIMS integra estas vías e identifica proposiciones que requieren contraste longitudinal y experimental.
Introducción
La rápida difusión de los sistemas de trabajo impulsados por inteligencia artificial (IA) está transformando de raíz la forma en que se organiza, se ejecuta y se evalúa el trabajo en todos los sectores. Las organizaciones recurren cada vez más a la gestión algorítmica, la monitorización en tiempo real y el apoyo a la toma de decisiones basado en IA para aumentar la productividad, la eficiencia y la innovación. Aunque estos sistemas prometen ganancias operativas sustanciales, un volumen creciente de investigación empírica sugiere que también pueden generar consecuencias negativas no deseadas para la salud psicológica de los empleados (Stamate et al., 2021). Los estudios empíricos indican que la conciencia de la IA, su adopción y el control algorítmico pueden asociarse con estrés laboral, inseguridad laboral, peor bienestar o burnout (Kong et al., 2021; Kim y Lee, 2024; Dong et al., 2025; Wang y Zhou, 2025). Por el contrario, la documentación ambiental y las intervenciones adaptadas mediante IA se han asociado, en general, con menor burnout o agotamiento cuando reducen las demandas de documentación y de carga de trabajo (Afshar et al., 2025; Baek y Cha, 2025; Chowdhury et al., 2026; Olson et al., 2025; You et al., 2025). Una evidencia afín, procedente de la mejora de la calidad asistencial, también ha examinado las percepciones de los clínicos sobre la carga de trabajo, el burnout y la satisfacción laboral tras la documentación ambiental con IA (Albrecht et al., 2025). Esta evidencia mixta sugiere que la IA no tiene un efecto uniforme sobre el bienestar de los empleados, sino que produce resultados dependientes del contexto. En este artículo se utilizan fuentes de revisión y conceptuales para establecer el contexto teórico general, pero no se cuentan entre los 43 estudios empíricos primarios incluidos en la síntesis de la revisión sistemática.
Esta divergencia da lugar a una paradoja central. La IA puede reducir simultáneamente la carga de trabajo al automatizar tareas rutinarias y aumentar la tensión psicológica mediante nuevas demandas, como la monitorización continua, la incertidumbre y el ritmo de trabajo acelerado. Los hallazgos empíricos ilustran esta contradicción. Los trabajadores expuestos al riesgo de automatización pueden experimentar menos estrés inmediato y, aun así, informar de peor salud y menor satisfacción laboral (Nazareno y Schiff, 2021), mientras que la adopción de la IA aumenta el burnout de forma indirecta a través de mecanismos de estrés laboral (Kim y Lee, 2024). Una evidencia más amplia ha vinculado de forma similar la probabilidad de automatización con las condiciones de trabajo psicosociales y la salud de los trabajadores (Cheng et al., 2021), y las percepciones de los empleados sobre las tecnologías inteligentes, la IA, la robótica y los algoritmos se han examinado como un aspecto importante del cambio laboral anticipado (Brougham y Haar, 2018). La amenaza a la identidad relacionada con la IA, la conciencia de la automatización del empleo y el riesgo percibido de sustitución también pueden aumentar la inseguridad laboral cognitiva y deteriorar el bienestar de los empleados (Gull et al., 2023; Chung et al., 2025; Lingmont y Alexiou, 2020). La adopción de la IA también se ha examinado en relación con los contratos psicológicos, el compromiso laboral y la confianza de los empleados (Braganza et al., 2021). Estos hallazgos plantean una pregunta crítica: ¿en qué condiciones la IA reduce el burnout y cuándo lo amplifica?
Aunque la investigación previa sobre tecnología y trabajo ha establecido vínculos entre la digitalización y el burnout, principalmente a través del tecnoestrés y de los marcos de demandas laborales, la IA representa una clase de tecnología cualitativamente distinta. A diferencia de los sistemas tradicionales, la IA es adaptativa, opaca y capaz de asignar tareas y monitorizar el rendimiento en tiempo real (Zerilli et al., 2022; Zheng et al., 2025). Estas características introducen estresores novedosos, como la opacidad algorítmica, la tecnoimpredecibilidad y la pérdida percibida de control (Issa et al., 2024; Kumar et al., 2024). Es importante señalar que, si bien las revisiones existentes han examinado la IA y el burnout en sectores específicos, como el sanitario (Dave et al., 2026), y han ofrecido perspectivas multinivel sobre la IA en las organizaciones (Bankins et al., 2024), ninguna síntesis ha integrado los mecanismos específicos de la IA entre distintas ocupaciones dentro de un marco teórico dinámico y de múltiples vías. En consecuencia, la literatura aún no ofrece una explicación integrada de las condiciones en las que la exposición a la IA se asocia con resultados relacionados con el burnout en diversos contextos ocupacionales.
Esta laguna tiene implicaciones teóricas y prácticas significativas. Sin una comprensión clara de los mecanismos, moderadores y condiciones límite que vinculan la IA con el burnout, las organizaciones corren el riesgo de implantar sistemas de IA de maneras que perjudiquen el bienestar de los empleados y la productividad a largo plazo. El burnout se asocia con costes organizacionales sustanciales, entre ellos la rotación de personal, el menor rendimiento y la mayor carga asistencial (Shanafelt et al., 2017; Martinez et al., 2025). La evidencia sugiere que los sistemas de IA mal implantados, caracterizados por una monitorización excesiva, una formación inadecuada o unas expectativas poco realistas, pueden agravar el estrés y el desapego, mientras que las implementaciones centradas en las personas pueden mitigar estos riesgos (Meduri et al., 2024). Por ello, comprender cómo la IA configura el burnout es a la vez un imperativo teórico y una necesidad de gestión.
Para abordar estas limitaciones, conceptualizamos la IA no solo como una demanda laboral o un recurso laboral, sino como un sistema de trabajo que puede alterar simultáneamente las demandas, los recursos y el control. El marco de demandas y recursos laborales (Job Demands–Resources) ofrece una base teórica útil para examinar estos ámbitos (Bakker et al., 2023), mientras que el marco AIMS propuesto hace explícito su funcionamiento concurrente e interactivo en el trabajo habilitado por IA. Por tanto, el marco AIMS se presenta como una extensión constructora de teoría de los modelos existentes, y no como una prueba de que los marcos establecidos de salud ocupacional sean inadecuados.
Partiendo de esta premisa, este estudio desarrolla un marco dinámico, de múltiples vías y basado en contingencias para explicar cómo, cuándo y por qué los sistemas de trabajo impulsados por IA influyen en el burnout de los empleados. Sintetiza evidencia interdisciplinar para identificar mecanismos clave, entre ellos el tecnoestrés, la inseguridad laboral, la tensión emocional, la dependencia, la degradación de las competencias, el miedo a perderse algo (fear of missing out) relacionado con la IA, la interferencia trabajo–familia y las vías del apoyo organizacional (Högemann et al., 2025; Méndez-Suárez et al., 2026; Zheng y Zhang, 2025; Wang y Zhou, 2025). Además, examina los moderadores y las condiciones límite, como el apoyo organizacional, la autoeficacia y las características de diseño del sistema, e identifica lagunas críticas, como la falta de diseños longitudinales y de medidas específicas de la IA.
La principal contribución conceptual de este artículo es el marco de la IA como metasistema (AIMS). El marco trata la IA como un elemento que puede operar a la vez como amplificador de demandas, proveedor de recursos y sistema de control, y organiza vías propuestas que implican la carga de trabajo, las preocupaciones relacionadas con la identidad y la adaptación temporal. También especifica posibles moderadores individuales y organizacionales y propone una trayectoria dinámica de adaptación que requiere un contraste longitudinal directo. En lugar de establecer mecanismos causales, el marco AIMS integra las asociaciones observadas y genera proposiciones de investigación para futuros estudios experimentales, longitudinales y de múltiples oleadas.
Metodología
Protocolo y estándares de notificación
Esta revisión sistemática se realizó de acuerdo con las directrices PRISMA 2020 (Page et al., 2021) para garantizar la transparencia, el rigor y la reproducibilidad. Se elaboró un protocolo de revisión a priori para definir los objetivos de investigación, los criterios de elegibilidad y los procedimientos analíticos. Debido a la naturaleza interdisciplinar del estudio, que abarca el comportamiento organizacional, los sistemas de información y la salud ocupacional, el protocolo no se registró en PROSPERO; no obstante, todos los procedimientos se predefinieron para minimizar el sesgo de selección y de notificación.
Estrategia de búsqueda
Se realizó una búsqueda bibliográfica exhaustiva en cuatro bases de datos bibliográficas (Web of Science, Scopus, PubMed/MEDLINE y APA PsycINFO), complementada con Google Scholar y con búsquedas de citas hacia atrás y hacia adelante. La estrategia de búsqueda combinó, mediante operadores booleanos, palabras clave relacionadas con la inteligencia artificial, los contextos laborales y los resultados de burnout. La cadena de búsqueda principal incluía términos como «artificial intelligence», «machine learning», «algorithmic management» y «automation», combinados con «burnout», «emotional exhaustion», «stress» y «well-being», así como con «employee», «worker» y «professional».
También se realizó un seguimiento de citas hacia atrás y hacia adelante para garantizar una cobertura exhaustiva, y se aplicaron adaptaciones de la sintaxis de búsqueda específicas de cada base de datos. Las estrategias de búsqueda completas de cada base de datos, así como los límites y los campos de búsqueda, se proporcionan en la Tabla suplementaria S1.
Criterios de elegibilidad
Se incluyeron los estudios que cumplían los siguientes criterios: (1) un diseño empírico cuantitativo, cualitativo, de métodos mixtos, aleatorizado o no aleatorizado; (2) publicación como artículo de revista revisado por pares; (3) examen de un sistema identificable basado en IA, algorítmico, robótico, de automatización o de aprendizaje automático en un contexto laboral; (4) inclusión de empleados, trabajadores, profesionales o grupos ocupacionales; y (5) notificación de (a) burnout o una dimensión establecida del burnout, o bien (b) un resultado psicológico ocupacional utilizado específicamente para examinar un mecanismo, moderador, condición límite o factor de implementación teóricamente relevante para el burnout.
Los resultados elegibles se clasificaron a priori en dos grupos. Los resultados directos o de dimensiones centrales incluían el burnout, el agotamiento emocional, el agotamiento laboral, el desapego interpersonal, la despersonalización y la eficacia profesional. Los resultados de apoyo incluían el tecnoestrés, el estrés laboral, la inseguridad laboral, la interferencia trabajo–familia, el bienestar ocupacional, la sostenibilidad de la carrera profesional, la salud psicológica y los mecanismos o condiciones límite relacionados. Los resultados de apoyo se sintetizaron por separado y no se interpretaron como equivalentes a un criterio de valoración validado de burnout.
Se excluyeron los estudios que eran revisiones, artículos conceptuales, editoriales, protocolos, informes comerciales, actas de congresos, fuentes no revisadas por pares, estudios de poblaciones que no trabajaban, estudios sin una exposición identificable a la IA o a la automatización en el lugar de trabajo, o estudios sin un resultado psicológico ocupacional elegible. Solo se consideraron los informes en lengua inglesa.
Selección de estudios
Todos los registros identificados se importaron a EndNote (X9) para la gestión de referencias. Los registros duplicados se eliminaron de forma automática y se verificaron manualmente. Dos revisores cribaron de forma independiente los títulos y los resúmenes, y los desacuerdos se resolvieron mediante discusión o consulta con un tercer revisor.
La búsqueda arrojó inicialmente 1248 registros. Tras eliminar 312 registros duplicados, 936 registros pasaron al cribado por título y resumen, de los cuales se excluyeron 742. Se evaluó la elegibilidad de los textos completos de 194 informes, y se excluyeron 151 informes porque no cumplían los criterios de diseño empírico, población, exposición, resultado, estado de publicación o notificación. En la síntesis final se incluyó un total de 43 estudios empíricos primarios revisados por pares, que comprendían 20 estudios que medían el burnout o una dimensión establecida del burnout y 23 estudios empíricos de apoyo que abordaban mecanismos, moderadores, resultados indirectos (proxy), medición o condiciones de implementación. El proceso completo de selección de estudios se presenta en la Figura 1, mientras que los criterios operativos de exclusión y los informes potencialmente elegibles excluidos tras la evaluación del texto completo se proporcionan en las Tablas suplementarias S2A,B, respectivamente.

Figura 1. Diagrama de flujo PRISMA 2020 de la identificación, el cribado, la evaluación de la elegibilidad y la inclusión de los estudios. La búsqueda en bases de datos identificó 1248 registros. Tras eliminar 312 duplicados, se cribaron 936 registros y se evaluó la elegibilidad de 194 informes de texto completo. Tras excluir 151 informes de texto completo, se incluyeron en la síntesis final 43 estudios empíricos primarios revisados por pares. De ellos, 20 medían el burnout o una dimensión establecida del burnout, y 23 aportaban evidencia empírica de apoyo sobre mecanismos, moderadores, resultados indirectos, medición o condiciones de implementación.
Extracción de datos
Se aplicó un protocolo estandarizado de extracción de datos a todos los estudios incluidos. La información extraída comprendía las características del estudio (autor, año, país y sector), el tamaño y la población de la muestra, el diseño del estudio, el tipo y el papel funcional del sistema de IA, el resultado o constructo medido, el instrumento de medida y las relaciones notificadas entre la exposición a la IA y el burnout, las dimensiones establecidas del burnout o los resultados psicológicos ocupacionales de apoyo. Cuando estaban disponibles, se registraron los tamaños del efecto, incluidos los coeficientes estandarizados, las razones de probabilidad (odds ratios), las correlaciones, los intervalos de confianza y la significación estadística.
Además, los estudios se codificaron sistemáticamente para identificar los mecanismos subyacentes (p. ej., tecnoestrés, inseguridad laboral, amenaza a la identidad), las variables moderadoras (p. ej., apoyo organizacional, autoeficacia) y las condiciones límite contextuales. La matriz completa de extracción a nivel de estudio se proporciona en las Tablas suplementarias S3A,B. Los estudios que miden el burnout o una dimensión establecida del burnout se recogen en la Tabla suplementaria S3A, mientras que los estudios que abordan mecanismos, moderadores, resultados indirectos, medición o condiciones de implementación se recogen por separado en la Tabla suplementaria S3B.
Evaluación de la calidad
La calidad metodológica se evaluó mediante el Mixed Methods Appraisal Tool (MMAT 2018; Hong et al., 2018), que permite una valoración específica según el diseño de estudios cualitativos, aleatorizados, no aleatorizados, descriptivos y de métodos mixtos. Las dos preguntas de cribado del MMAT se aplicaron a todos los estudios, seguidas de los cinco criterios correspondientes a la categoría de diseño pertinente. Dos revisores completaron la valoración de forma independiente, y los desacuerdos se resolvieron mediante discusión. Los juicios a nivel de criterio (sí, no o no se puede determinar) se recogen en la Tabla suplementaria S4. De acuerdo con las directrices del MMAT, no se calculó ninguna puntuación numérica agregada de calidad. Las limitaciones recurrentes se referían a la representatividad de la muestra, la notificación de la no respuesta, el abandono, los resultados autoinformados y el control de la confusión, mientras que los estudios aleatorizados, longitudinales y de medidas repetidas aportaron, en general, una evidencia más sólida.
Síntesis de datos
Debido a la considerable heterogeneidad de los diseños de estudio, de las operacionalizaciones de la IA y de las medidas de burnout, no fue viable realizar un metaanálisis cuantitativo. En su lugar, se llevó a cabo una síntesis narrativa guiada por la teoría.
La síntesis se desarrolló en tres etapas. En primer lugar, los hallazgos empíricos se organizaron según las dimensiones centrales del marco AIMS propuesto: demandas, recursos y control. En segundo lugar, se utilizó un enfoque de codificación temática para identificar los mecanismos y moderadores recurrentes entre los estudios. En tercer lugar, se realizaron comparaciones entre estudios para identificar patrones consistentes, contradicciones y condiciones límite, que sirvieron de base para el desarrollo de un marco teórico dinámico y de múltiples vías. La evidencia directa o de dimensiones centrales del burnout y la evidencia de apoyo se sintetizaron por separado para evitar que los resultados psicológicos indirectos se interpretaran como equivalentes al burnout.
Resultados clave
Características de los estudios incluidos
Un total de 43 estudios empíricos primarios revisados por pares cumplieron los criterios de inclusión. Veinte estudios midieron el burnout o una dimensión establecida del burnout, mientras que 23 examinaron mecanismos, moderadores, resultados indirectos, medición o condiciones de implementación relevantes para el bienestar de los empleados relacionado con la IA. La base de evidencia comprendía tres estudios aleatorizados, 19 estudios cuantitativos no aleatorizados, 16 estudios cuantitativos descriptivos, tres estudios cualitativos y dos estudios de métodos mixtos. Los tamaños muestrales oscilaron entre 15 participantes en entrevistas cualitativas y 27 252 trabajadores en una gran encuesta europea.
La exposición a la IA se operacionalizó en tres grandes funciones: sistemas de asistencia, que incluyen la documentación ambiental y las intervenciones adaptadas mediante IA; sistemas de monitorización o control, que incluyen la gestión algorítmica y la asignación automatizada de tareas; y exposiciones perceptivas, que incluyen la conciencia sobre la IA, la preocupación por el reemplazo, la confianza o la amenaza percibida. La Tabla 1 resume los 20 estudios que midieron el burnout o una dimensión establecida del burnout. La Tabla suplementaria S3A ofrece la información de extracción correspondiente a cada estudio, mientras que la Tabla suplementaria S3B recoge los 23 estudios de apoyo que abordan mecanismos, resultados indirectos, medición o condiciones de implementación.
Tabla 1. Características de los estudios que midieron el burnout o una dimensión establecida del burnout.
| Estudio | País/contexto | Diseño y muestra | Exposición a la IA y función | Resultado de burnout | Hallazgo principal |
|---|---|---|---|---|---|
| Afshar et al. (2025) | EE. UU.; sanitario | Ensayo pragmático aleatorizado de cuña escalonada; 66 profesionales | Escriba ambiental de IA; asistencia | Agotamiento laboral y desvinculación interpersonal | Cambio medio de −0,44 puntos, IC del 95 % de −0,62 a −0,25; p < 0,001 |
| Baek y Cha (2025) | Corea del Sur; enfermería | Ensayo controlado aleatorizado de tres grupos con simple ciego; 120 enfermeras | Intervención adaptada mediante IA; asistencia | Burnout personal, relacionado con el trabajo y relacionado con los clientes | Burnout relacionado con los clientes: F = 7,725, p = 0,001; burnout personal: F = 10,967, p < 0,0001 |
| Chowdhury et al. (2026) | EE. UU.; atención sanitaria ambulatoria | Ensayo cruzado 2 × 2 aleatorizado y abierto; 160 aleatorizados, 136 analizados | Dos plataformas de escriba ambiental de IA; asistencia | Copenhagen Burnout Inventory | Ambas plataformas redujeron el burnout personal y el relacionado con el trabajo respecto a la línea de base; las diferencias de burnout entre plataformas no fueron relevantes |
| Cho et al. (2024) | Corea del Sur; enfermería | Estudio multifase de desarrollo de una intervención de un solo brazo; 300 enfermeras completaron la fase de optimización | Intervención móvil adaptada basada en IA; asistencia | Copenhagen Burnout Inventory y estrés laboral | El burnout disminuyó tras el primer programa y disminuyó aún más tras el segundo programa |
| Olson et al. (2025) | EE. UU.; sanitario | Estudio pre–post multicéntrico; 263 clínicos | Escriba ambiental de IA; asistencia | Burnout profesional de un solo ítem | El burnout disminuyó del 51,9 al 38,8 %; OR = 0,26, IC del 95 % 0,13–0,54 |
| Misurac et al. (2025) | EE. UU.; sanitario | Estudio observacional pre–post; 38 inscritos, 35 completaron | Notas ambientales generadas por IA; asistencia | Burnout del Stanford Professional Fulfillment Index | La puntuación mediana de burnout disminuyó de 4,16 a 3,16, p = 0,005; la prevalencia disminuyó del 69 al 43 % |
| Liu et al. (2024) | China; radiología | Encuesta transversal nacional; 6726 radiólogos | Uso de IA en radiología; exposición de uso/perceptiva | Maslach Burnout Inventory | El uso de IA se asoció con el burnout; OR ajustada = 1,20, IC del 95 % 1,10–1,30 |
| Dong et al. (2025) | China; economía de plataformas | Encuesta transversal; 953 repartidores | Gestión algorítmica; monitorización/control | Maslach Burnout Inventory–General Survey | Múltiples dimensiones de la gestión algorítmica se asociaron positivamente con el burnout |
| Kong et al. (2021) | China; hostelería | SEM transversal; 432 empleados de hotel | Conciencia sobre la IA; amenaza perceptiva | Burnout laboral | La conciencia sobre la IA se relacionó positivamente con el burnout laboral |
| Kim y Lee (2024) | Corea del Sur; ocupaciones diversas | Encuesta en tres oleadas; 416 profesionales | Adopción de IA; exposición perceptiva | Burnout y estrés laboral | Sin asociación directa significativa entre IA y burnout; trayectoria indirecta significativa a través del estrés laboral; la autoeficacia en IA amortiguó la trayectoria |
| Ali et al. (2024) | Pakistán; ocupaciones diversas | Encuesta transversal; 300 empleados | Exposición a la IA y la automatización | Burnout, estrés, ansiedad e inseguridad laboral | La exposición a la IA se correlacionó con el burnout, r = 0,54; el estrés, r = 0,72; y la ansiedad, r = 0,58; todas con p < 0,01 |
| AlOqaily et al. (2025) | Jordania; sector industrial | Estudio transversal de mediación; 149 empleados | Implementación de IA en la gestión de recursos humanos; asistencia/organizacional | Burnout laboral y equilibrio trabajo-vida | El equilibrio trabajo-vida medió la asociación entre la implementación de IA y un menor burnout |
| Gao et al. (2025) | China; economía de plataformas | Encuesta transversal; 475 trabajadores | Control algorítmico percibido; monitorización/control | Burnout como mediador | El burnout medió la asociación adversa entre el control algorítmico y el rendimiento del servicio; la transparencia debilitó la trayectoria indirecta |
| Chuang et al. (2025) | País no informado; ocupaciones diversas | Encuesta en tres oleadas; 600 empleados que usan IA | Tecnoestrés por IA, eficacia en IA e IA generativa | Agotamiento | El tecnoestrés por IA aumentó el agotamiento, mientras que la eficacia en IA lo redujo |
| Thorpe et al. (2026) | Australia; ocupaciones diversas | Encuesta transversal; 197 trabajadores | Uso de IA generativa; asistencia/perceptiva | Burnout, demandas laborales y control laboral | Sin asociación directa estadísticamente significativa entre el uso de IA generativa y el burnout |
| Meduri et al. (2024) | Contextos sanitarios y de TI | Encuesta transversal; 320 trabajadores | Gestión de la carga de trabajo mediante IA centrada en el ser humano; asistencia | Burnout/bienestar de los empleados | La formación, la personalización y la retroalimentación se asociaron con resultados más favorables relacionados con el burnout |
| You et al. (2025) | EE. UU.; sanitario | Encuestas de implementación en dos sistemas sanitarios académicos; 1430 clínicos inscritos | Tecnología de documentación ambiental; asistencia | Burnout del Professional Fulfillment Index | Los encuestados de seguimiento informaron reducciones significativas del burnout y una mejora del bienestar relacionado con la documentación; la respuesta en el seguimiento fue limitada |
| Stults et al. (2025) | EE. UU.; sanitario | Estudio pre–post de mejora de la calidad; 100 clínicos, 57 encuestas pareadas | Documentación ambiental con IA; asistencia | Burnout del Mini-Z | El burnout disminuyó del 42,1 al 35,1 %, pero el cambio no fue estadísticamente significativo, p = 0,12 |
| Zheng y Zhang (2025) | China; sector privado | Encuesta transversal; 303 empleados | Conciencia sobre la IA; amenaza perceptiva | Agotamiento emocional | La conciencia sobre la IA predijo positivamente el agotamiento emocional; la inseguridad laboral y la interferencia del trabajo con la familia formaron una trayectoria indirecta en serie |
| Wang y Zhou (2025) | China; educación superior | Encuesta transversal; 434 docentes universitarios | Conciencia sobre la IA; amenaza perceptiva | Burnout laboral | La conciencia sobre la IA predijo positivamente el burnout; el apoyo organizacional percibido y el compromiso organizacional formaron trayectorias mediadoras significativas |
La tabla presenta los 20 estudios incluidos que midieron el burnout o una dimensión establecida del burnout. El inventario completo de la evidencia de los 43 estudios empíricos primarios incluidos se ofrece en las Tablas suplementarias S3A,B. Los resultados de apoyo, como el tecnoestrés, la inseguridad laboral, la satisfacción laboral, la sostenibilidad profesional y el bienestar ocupacional, se comunican por separado y no se interpretan como equivalentes a un criterio de valoración validado de burnout. IA, inteligencia artificial; CBI, Copenhagen Burnout Inventory; IC, intervalo de confianza; GRH, gestión de recursos humanos; MBI, Maslach Burnout Inventory; OR, razón de momios; ECA, ensayo controlado aleatorizado; SEM, modelización de ecuaciones estructurales.
Síntesis de los hallazgos cuantitativos
Los hallazgos cuantitativos, resumidos en la Tabla 2, indicaron un patrón dependiente de la función y no uniforme. Los estudios que midieron el burnout o una dimensión establecida del burnout se analizaron por separado de los estudios que informaron resultados psicológicos ocupacionales de apoyo, como el tecnoestrés, el estrés laboral, la inseguridad laboral, la satisfacción laboral y el bienestar general.
Tabla 2. Hallazgos cuantitativos seleccionados sobre el burnout directo, las dimensiones centrales del burnout y los resultados indirectos de apoyo.
| Estudio | Muestra/diseño | Exposición a la IA | Hallazgo cuantitativo | Dirección | Clasificación del resultado |
|---|---|---|---|---|---|
| Afshar et al. (2025) | 66; ECA de cuña escalonada | Escriba ambiental de IA | Cambio medio en el agotamiento laboral/desvinculación interpersonal: −0,44, IC del 95 % de −0,62 a −0,25; p < 0,001 | Menor tensión | Dimensiones centrales del burnout |
| Baek y Cha (2025) | 120; ECA de tres grupos | Intervención adaptada mediante IA | Burnout relacionado con los clientes: F = 7,725, p = 0,001; burnout personal: F = 10,967, p < 0,0001 | Menor burnout | Burnout directo |
| Chowdhury et al. (2026) | 160 aleatorizados; 136 analizados; ensayo cruzado aleatorizado | Dos escribas ambientales de IA | Ambas plataformas redujeron el burnout personal y el relacionado con el trabajo respecto a la línea de base; sin diferencia relevante de burnout entre plataformas | Menor burnout | Directo/central; aleatorizado |
| Cho et al. (2024) | 300; intervención de un solo brazo | Intervención móvil adaptada mediante IA | El burnout disminuyó tras el programa 1, t = 7,012, p < 0,001, y disminuyó aún más tras el programa 2, t = 2,811, p = 0,01 | Menor burnout | Burnout directo; sin control |
| Olson et al. (2025) | 263; pre–post multicéntrico | Escriba ambiental de IA | El burnout disminuyó del 51,9 al 38,8 %; OR = 0,26, IC del 95 % 0,13–0,54 | Menor burnout | Burnout directo |
| Misurac et al. (2025) | 38 inscritos, 35 completaron; pre–post | Notas ambientales de IA | La puntuación mediana disminuyó de 4,16 a 3,16, p = 0,005; la prevalencia disminuyó del 69 al 43 % | Menor burnout | Burnout directo |
| Liu et al. (2024) | 6726; transversal | Uso de IA en radiología | OR ajustada de burnout = 1,20, IC del 95 % 1,10–1,30 | Mayor burnout | Burnout directo |
| Dong et al. (2025) | 953; transversal | Gestión algorítmica | Múltiples dimensiones de la gestión algorítmica se asociaron positivamente con el burnout | Mayor burnout | Burnout directo |
| Kong et al. (2021) | 432; SEM transversal | Conciencia sobre la IA | La conciencia sobre la IA se relacionó positivamente con el burnout laboral | Mayor burnout | Burnout directo |
| Kim y Lee (2024) | 416; estudio en tres oleadas | Adopción de IA | La asociación directa entre IA y burnout no fue significativa; el efecto indirecto a través del estrés laboral fue significativo | Indirecto/mixto | Evidencia de burnout directa e indirecta |
| Ali et al. (2024) | 300; transversal | Exposición a la IA y la automatización | Burnout r = 0,54; estrés r = 0,72; ansiedad r = 0,58; todas con p < 0,01 | Mayor tensión | Burnout directo y resultados relacionados |
| AlOqaily et al. (2025) | 149; mediación transversal | Implementación de IA en la gestión de recursos humanos | El equilibrio trabajo-vida medió la asociación con un menor burnout | Menor a través del mediador | Burnout directo |
| Gao et al. (2025) | 475; mediación moderada transversal | Control algorítmico | El burnout medió la trayectoria adversa sobre el rendimiento; la transparencia debilitó la asociación indirecta | Trayectoria de mayor burnout | Evidencia observacional mediada por el burnout |
| Chuang et al. (2025) | 600; estudio en tres oleadas | Tecnoestrés por IA y eficacia en IA | El tecnoestrés por IA aumentó el agotamiento; la eficacia en IA redujo el agotamiento | Bidireccional | Dimensión central del burnout |
| Thorpe et al. (2026) | 197; transversal | Uso de IA generativa | Sin asociación directa estadísticamente significativa con el burnout | Nula | Burnout directo |
| You et al. (2025) | 1430 inscritos; encuestas de implementación | Tecnología de documentación ambiental | Los encuestados de seguimiento informaron reducciones significativas del burnout; las tasas de respuesta fueron bajas | Menor burnout | Burnout directo; evidencia de implementación |
| Stults et al. (2025) | 100 inscritos, 57 encuestas pareadas; pre–post | Documentación ambiental con IA | El burnout disminuyó del 42,1 al 35,1 %, p = 0,12 | Menor pero NS | Burnout directo |
| Zheng y Zhang (2025) | 303; mediación en serie transversal | Conciencia sobre la IA | Asociación positiva con el agotamiento emocional; trayectoria indirecta en serie a través de la inseguridad laboral y la interferencia del trabajo con la familia | Mayor agotamiento | Dimensión central del burnout |
| Wang y Zhou (2025) | 434; mediación en cadena transversal | Conciencia sobre la IA | Asociación positiva con el burnout; trayectorias mediadoras significativas a través del apoyo organizacional y el compromiso | Mayor burnout con trayectorias protectoras | Burnout directo |
| Payá Castiblanque y Pizzi (2024) | 27 252; transversal | Monitorización y asignación de tareas mediante IA | Asociada con presión de tiempo, sobrecarga, menor autonomía y resultados relacionados con el estrés | Mayor tensión | Indicador psicosocial de apoyo |
| Koch y Lodefalk (2025) | Aproximadamente 20 000 por oleada; transversal repetido | Exposición a la IA/robots | No se asoció con mayor estrés y se asoció negativamente con un aumento del estrés en varios modelos | Menor/sin mayor estrés | Indicador de estrés de apoyo |
| Wu et al. (2026) | Datos secundarios de la población activa; muestra NI | Exposición/intensidad de la IA | Asociación en forma de U invertida con la satisfacción laboral; el punto de inflexión varió según el nivel de cualificación | No lineal | Indicador de satisfacción laboral de apoyo |
Los resultados directos comprenden el burnout o una dimensión establecida del burnout, incluidos el agotamiento emocional, el agotamiento laboral y la desvinculación interpersonal. Los resultados indirectos de apoyo se incluyen para explicar mecanismos, condiciones límite o consecuencias psicológicas adyacentes y no se interpretan como equivalentes al burnout. IC, intervalo de confianza; GRH, gestión de recursos humanos; NI, no informado; NS, no estadísticamente significativo; OR, razón de momios; ECA, ensayo controlado aleatorizado; SEM, modelización de ecuaciones estructurales.
Los sistemas de IA de asistencia se asociaron, en general, con un menor burnout o agotamiento cuando redujeron la documentación, la carga de trabajo o las demandas cognitivas. Los estudios sanitarios aleatorizados y pre–post informaron reducciones del burnout o de dimensiones establecidas del burnout tras el uso de escribas ambientales de IA o de intervenciones adaptadas mediante IA (Afshar et al., 2025; Baek y Cha, 2025; Chowdhury et al., 2026; Cho et al., 2024; Misurac et al., 2025; Olson et al., 2025; You et al., 2025). Sin embargo, estos hallazgos no fueron uniformes. Stults et al. (2025), por ejemplo, informaron una reducción del burnout del 42,1 al 35,1 %, pero la diferencia no fue estadísticamente significativa. Además, varios estudios de implementación carecían de grupos de control concurrentes, y algunos tenían una baja respuesta en el seguimiento o muestras preimplementación y posimplementación no pareadas.
Las exposiciones de monitorización y control algorítmico se asociaron, en general, con un mayor burnout o con tensión psicosocial relacionada. La gestión algorítmica se asoció positivamente con el burnout entre los repartidores (Dong et al., 2025), y el burnout medió la asociación adversa entre el control algorítmico percibido y el rendimiento del servicio entre los trabajadores de plataformas (Gao et al., 2025). Evidencia europea a gran escala vinculó además la monitorización y la asignación de tareas habilitadas por IA con la presión de tiempo, la menor autonomía y resultados relacionados con el estrés (Payá Castiblanque y Pizzi, 2024). La exposición perceptiva a la IA produjo resultados más heterogéneos. La conciencia sobre la IA se asoció positivamente con el burnout o el agotamiento emocional en Kong et al. (2021), Zheng y Zhang (2025) y Wang y Zhou (2025); Kim y Lee (2024) identificaron una trayectoria indirecta a través del estrés laboral en lugar de una asociación directa significativa; y Thorpe et al. (2026) no encontraron una relación directa estadísticamente significativa entre el uso de IA generativa y el burnout. Tres estudios aleatorizados aportaron la evidencia más sólida sobre las intervenciones de asistencia, pero todos se realizaron en contextos sanitarios. La evidencia de efectos no lineales se limitó a resultados indirectos de apoyo, entre ellos la asociación en forma de U invertida entre la exposición a la IA y la satisfacción laboral informada por Wu et al. (2026), y no estableció directamente una relación no lineal entre IA y burnout.
Mecanismos que vinculan la IA con el burnout
Los mecanismos y las trayectorias mediadoras identificados en los estudios incluidos se resumen en la Tabla 3. La evidencia indicó que la exposición a la IA rara vez se asoció con el burnout a través de una única trayectoria. En cambio, los estudios incluidos informaron asociaciones que implicaban demandas, recursos y condiciones de control relacionados con la IA, así como mecanismos psicológicos u organizacionales. En Chuang et al. (2025), el tecnoestrés por IA se asoció positivamente con el agotamiento, mientras que la eficacia en IA se asoció negativamente con él. Kim y Lee (2024) informaron una asociación indirecta significativa entre la adopción de IA y el burnout a través del estrés laboral. Zheng y Zhang (2025) informaron una asociación indirecta en serie a través de la inseguridad laboral y la interferencia del trabajo con la familia, mientras que Wang y Zhou (2025) identificaron asociaciones indirectas que implicaban el apoyo organizacional percibido y el compromiso organizacional. El equilibrio trabajo-vida se examinó como una posible trayectoria de recursos en AlOqaily et al. (2025), y Gao et al. (2025) informaron una asociación indirecta entre el control algorítmico y el rendimiento del servicio a través del burnout. Estos hallazgos de mediación deben interpretarse a la luz de los diseños observacionales empleados en la mayoría de los estudios pertinentes.
Tabla 3. Mecanismos y trayectorias mediadoras relevantes para el burnout relacionado con la IA y la tensión ocupacional.
| Estudio | Mecanismo o mediador | Trayectoria propuesta o evaluada | Interpretación |
|---|---|---|---|
| Chuang et al. (2025) | Tecnoestrés por IA y agotamiento | Tecnoestrés por IA → agotamiento → resultados laborales y familiares | El agotamiento representa una dimensión establecida del burnout |
| Kim y Lee (2024) | Estrés laboral | Adopción de IA → estrés laboral → burnout | Trayectoria indirecta significativa; la asociación directa entre IA y burnout no fue significativa |
| Zheng y Zhang (2025) | Inseguridad laboral e interferencia del trabajo con la familia | Conciencia sobre la IA → inseguridad laboral → interferencia del trabajo con la familia → agotamiento emocional | Trayectoria indirecta en serie hacia una dimensión establecida del burnout |
| Wang y Zhou (2025) | Apoyo organizacional percibido y compromiso organizacional | Conciencia sobre la IA → percepciones de recursos organizacionales → burnout | El apoyo organizacional y el compromiso formaron trayectorias mediadoras en cadena significativas |
| AlOqaily et al. (2025) | Equilibrio trabajo-vida | Implementación de IA → equilibrio trabajo-vida → burnout | El equilibrio trabajo-vida medió la asociación con un menor burnout |
| Gao et al. (2025) | Burnout | Control algorítmico percibido → burnout → rendimiento del servicio | El burnout medió la asociación adversa entre el control algorítmico y el rendimiento |
| Dong et al. (2025) | Menor autonomía y demandas de control algorítmico | Gestión algorítmica → menor autonomía/control intensificado → burnout | Las condiciones de monitorización y control se asociaron con un mayor burnout |
| Gull et al. (2023) | Inseguridad laboral cognitiva | Amenaza a la identidad relacionada con la IA → inseguridad laboral cognitiva → peor bienestar | Trayectoria de amenaza de apoyo; el burnout no se midió directamente |
| Högemann et al. (2025) | Dependencia, ambigüedad y degradación de habilidades | Uso de IA generativa → factores de estrés específicos de la IA → tensión ocupacional | Mecanismo cualitativo de apoyo; el burnout no se midió directamente |
| Issa et al. (2024) | Tecnoimpredecibilidad, valoración y afrontamiento | Impredecibilidad de la IA → malestar o eustrés según la valoración y el afrontamiento | Demuestra que una misma demanda de la IA puede producir respuestas psicológicas divergentes |
| Méndez-Suárez et al. (2026) | FoMO por la IA | Devaluación de habilidades, pérdida de autonomía y supervisión por IA → FoMO por la IA | Mecanismo configuracional de apoyo; no es un criterio de valoración directo de burnout |
| Zheng et al. (2025) | Erosión de la autonomía y precariedad por vigilancia | GRH habilitada por IA → pérdida de autonomía, vigilancia, sesgo y descontento personalizado | Trayectoria cualitativa/contextual relevante para la tensión ocupacional |
Los mecanismos derivados de estudios que no midieron directamente el burnout se identifican como trayectorias de apoyo. Sus resultados no deben interpretarse como equivalentes al burnout. IA, inteligencia artificial; FoMO, miedo a perderse algo (fear of missing out); GRH, gestión de recursos humanos.
Los estudios de apoyo y los cualitativos identificaron mecanismos adicionales específicos de la IA, entre ellos la dependencia, la ambigüedad regulatoria, la degradación de habilidades, la pérdida de autonomía, la precariedad por vigilancia y el miedo a perderse algo relacionado con la IA (Högemann et al., 2025; Méndez-Suárez et al., 2026; Zheng et al., 2025). Estos constructos ayudan a explicar cómo la IA puede generar tensión ocupacional, pero no se interpretaron como resultados directos de burnout salvo que se midiera explícitamente el burnout o una dimensión establecida del burnout.
Moderadores y condiciones límite
Los moderadores y las condiciones límite de nivel individual, organizacional y de sistema identificados en los estudios incluidos se resumen en la Tabla 4. Estos factores ayudan a explicar por qué formas similares de exposición a la IA pueden asociarse con resultados psicológicos distintos entre empleados y entornos organizacionales.
Tabla 4. Moderadores y condiciones límite relevantes para el burnout relacionado con la IA y el bienestar ocupacional.
| Estudio | Moderador o condición límite | Nivel | Función informada |
|---|---|---|---|
| Kim y Lee (2024) | Autoeficacia en IA | Individual | Debilitó la trayectoria indirecta adversa desde la adopción de IA hasta el burnout a través del estrés laboral |
| Jin et al. (2024) | Resiliencia | Individual | Amortiguó la trayectoria adversa que implicaba la conciencia sobre la IA, el estrés laboral y el bienestar de los empleados |
| Chung et al. (2025) | Resiliencia profesional | Individual | Debilitó la asociación entre la conciencia sobre la IA y la inseguridad laboral |
| Kong et al. (2023) | Orientación profesional proteica | Individual/profesional | Moduló la relación entre la confianza en la IA, la colaboración entre empleados e IA y la sostenibilidad profesional |
| Wang y Zhou (2025) | Apoyo organizacional percibido y compromiso organizacional | Organizacional | Formaron trayectorias mediadoras en cadena protectoras entre la conciencia sobre la IA y el burnout |
| Lingmont y Alexiou (2020) | Cultura organizacional | Organizacional | Una cultura autoritaria reforzó la asociación entre la conciencia sobre la automatización del trabajo y la inseguridad laboral |
| Gao et al. (2025) | Transparencia algorítmica | Sistema/organizacional | Debilitó la trayectoria indirecta adversa desde el control algorítmico a través del burnout |
| Meduri et al. (2024) | Formación, personalización, retroalimentación y calidad de la implementación | Organizacional/implementación | Se asociaron con resultados de burnout y bienestar más favorables |
| Issa et al. (2024) | Valoración y afrontamiento | Individual/contextual | Determinaron si la impredecibilidad de la IA generaba malestar o eustrés |
| Arboh et al. (2025) | Aprendizaje informal y valoración por parte del empleado | Individual/organizacional | Contribuyeron a las trayectorias de demandas y recursos entre la conciencia sobre la IA y el bienestar en el trabajo |
Varios factores de la tabla se examinaron en relación con resultados de apoyo, como la inseguridad laboral, la sostenibilidad profesional o el bienestar en el trabajo, y no con el burnout en sí. Por ello se interpretan como condiciones límite relevantes para el marco AIMS, no como moderadores confirmados de toda relación entre IA y burnout. IA, inteligencia artificial.
A nivel individual, la autoeficacia en IA debilitó la trayectoria indirecta adversa desde la adopción de IA hasta el burnout a través del estrés laboral (Kim y Lee, 2024). La resiliencia y la resiliencia profesional amortiguaron trayectorias adversas que implicaban la conciencia sobre la IA, el estrés laboral, la inseguridad laboral y el bienestar de los empleados (Jin et al., 2024; Chung et al., 2025). A nivel organizacional, el apoyo organizacional percibido y el compromiso organizacional formaron trayectorias protectoras entre la conciencia sobre la IA y el burnout (Wang y Zhou, 2025). La cultura organizacional también moldeó las respuestas de los empleados: una cultura autoritaria reforzó la asociación entre la conciencia sobre la automatización del trabajo y la inseguridad laboral (Lingmont y Alexiou, 2020). A nivel de sistema y de implementación, la transparencia algorítmica debilitó la trayectoria indirecta adversa asociada con el control algorítmico (Gao et al., 2025), mientras que la formación, la personalización y el apoyo a la implementación se asociaron con resultados más favorables para los empleados en sistemas de IA centrados en el ser humano (Meduri et al., 2024). La valoración y el afrontamiento determinaron además si la impredecibilidad de la IA se experimentaba como malestar o como eustrés (Issa et al., 2024).
Hallazgos cualitativos
Tres estudios cualitativos o de predominio cualitativo aportaron evidencia detallada sobre las experiencias de los empleados en el trabajo habilitado por IA. Högemann et al. (2025) identificaron dependencia, ambigüedad regulatoria, cambios en la monitorización y degradación percibida de habilidades entre jóvenes profesionales que usaban IA generativa. Kumar et al. (2024) describieron una paradoja de automatización-aumento en la que la IA y el aprendizaje automático podían generar simultáneamente tecnoestrés y ofrecer oportunidades de afrontamiento sociotécnico. Zheng et al. (2025) identificaron erosión de la autonomía, precariedad por vigilancia, sesgo algorítmico y descontento personalizado en sistemas de recursos humanos habilitados por IA.
Estos hallazgos complementan la evidencia cuantitativa al explicar cómo experimentan los empleados las demandas, los recursos y las estructuras de control relacionados con la IA. Sin embargo, dado que estos estudios examinaron principalmente el tecnoestrés, el bienestar o experiencias ocupacionales más amplias, sus hallazgos deben interpretarse como evidencia explicativa sobre mecanismos y condiciones de implementación, y no como estimaciones cuantitativas de los efectos de la IA sobre el burnout. Las características completas de estos estudios y del resto de los estudios de apoyo se recogen en la Tabla suplementaria S3B.
Heterogeneidad y evidencia contradictoria
La aparente heterogeneidad de la evidencia puede explicarse en parte por las diferencias en la función de la IA, la definición del resultado, el diseño del estudio y el contexto de implementación. Los sistemas de asistencia se asociaron, en general, con un menor burnout o agotamiento cuando redujeron las demandas de documentación o de carga de trabajo, pero la magnitud y la significación estadística del cambio variaron entre los estudios de implementación. Las exposiciones de monitorización y control algorítmico se asociaron con un mayor burnout o con tensión psicosocial relacionada, aunque la evidencia pertinente fue predominantemente transversal. La exposición perceptiva a la IA produjo hallazgos positivos, indirectos y nulos según la valoración, la autoeficacia, el apoyo organizacional, la resiliencia y la inseguridad laboral. Por tanto, la evidencia respalda un patrón dependiente de la función, pero no un efecto universalmente beneficioso o perjudicial de la IA.
Riesgo de sesgo y calidad metodológica
La base de evidencia estuvo dominada por diseños observacionales, en particular encuestas transversales, lo que limitó la inferencia causal y aumentó la vulnerabilidad al sesgo de método común. Tres estudios aleatorizados (Afshar et al., 2025; Baek y Cha, 2025; Chowdhury et al., 2026) y varios estudios longitudinales o pre–post aportaron una evidencia temporal más sólida, aunque la pérdida de participantes, la medición autoinformada, la baja respuesta en el seguimiento y la ausencia de controles concurrentes siguieron siendo limitaciones importantes en algunos estudios de implementación. Los juicios de MMAT a nivel de criterio para los 43 estudios se recogen en la Tabla suplementaria S4.
Discusión
Resumen de los hallazgos principales
Esta revisión sistemática indica que la asociación entre los sistemas de trabajo impulsados por IA y el burnout de los empleados depende del papel funcional, la implementación y la valoración de la tecnología. Los sistemas de asistencia se asociaron, por lo general, con menos burnout o agotamiento cuando reducían la documentación y las demandas de carga de trabajo, en particular en los estudios de implementación en el ámbito sanitario. Los sistemas de monitorización y de control algorítmico se asociaron con mayor burnout o tensión psicosocial a través de demandas intensificadas y una menor autonomía. La exposición perceptiva, que incluye la conciencia sobre la IA y la preocupación por ser reemplazado, produjo asociaciones directas, indirectas y nulas mediante vías que implicaban estrés laboral, inseguridad laboral, interferencia trabajo-familia, apoyo organizacional percibido, compromiso organizacional y resiliencia. Dado que la mayoría de los estudios eran observacionales, estos patrones deben interpretarse como asociaciones y no como efectos causales universales.
La revisión identificó el tecnoestrés, el agotamiento, la inseguridad laboral, la interferencia trabajo-familia, el equilibrio trabajo-vida, el apoyo organizacional y la autonomía como vías recurrentes. La dependencia, la ambigüedad, la degradación de las habilidades y el FoMO específicos de la IA surgieron como posibles mecanismos de estrés adicionales. La evidencia a favor de una relación no lineal entre la IA y el burnout siguió siendo limitada. Wu et al. (2026) informaron de una asociación en forma de U invertida con la satisfacción laboral, que se clasificó como un resultado indirecto de apoyo y no como un criterio directo de burnout. Por tanto, la trayectoria propuesta de impacto–ajuste–dominio debe interpretarse como una proposición teórica que requiere una comprobación longitudinal directa.
Contribuciones teóricas
El modelo AIMS: la IA como metasistema más allá de las demandas y recursos laborales
Los hallazgos respaldan una reconceptualización de la IA como un metasistema que remodela simultáneamente las demandas, los recursos y el control laborales, ampliando el modelo de demandas y recursos laborales (JD–R, por sus siglas en inglés). La Figura 2 presenta el marco conceptual de la IA como metasistema (AIMS, por sus siglas en inglés), en el que se teoriza que la IA remodela simultáneamente las demandas laborales, los recursos laborales y las estructuras de control. Estas vías pueden asociarse con el burnout mediante mecanismos como el tecnoestrés, el agotamiento, la inseguridad laboral y el trabajo emocional, mientras que las condiciones individuales y organizacionales pueden modificar su intensidad o su dirección. Las vías que se muestran en la Figura 2 representan relaciones derivadas de la teoría y no efectos causales establecidos en todos los estudios incluidos.

Figura 2. El marco conceptual de la IA como metasistema (AIMS). El marco conceptualiza la IA como un agente que opera a través de tres vías funcionales: una vía amplificadora de demandas que puede asociarse con un mayor burnout, una vía proveedora de recursos que puede asociarse con un menor burnout y una vía de control que puede asociarse con un mayor burnout o con tensión psicosocial relacionada. Los posibles mecanismos, entre ellos el tecnoestrés, el agotamiento, la inseguridad laboral y el trabajo emocional, pueden transmitir estas asociaciones, mientras que las condiciones individuales y organizacionales, entre ellas la autoeficacia con la IA, la resiliencia, el apoyo organizacional y la transparencia, pueden modificar su intensidad o su dirección. Las flechas representan proposiciones derivadas de la teoría y no deben interpretarse como efectos causales establecidos en todos los estudios incluidos.
La evidencia empírica ilustra este doble papel. Los hallazgos empíricos son coherentes con este patrón dual. Chuang et al. (2025) informaron de que el tecnoestrés relacionado con la IA se asoció positivamente con el agotamiento emocional (γ = 0,33), mientras que la eficacia con la IA se asoció negativamente con el agotamiento (γ = −0,16). De manera similar, Kim y Lee (2024) identificaron una asociación indirecta significativa entre la adopción de la IA y el burnout a través del estrés laboral, mientras que la asociación directa no fue estadísticamente significativa. Estos hallazgos son coherentes con múltiples vías psicológicas que vinculan la exposición a la IA con resultados relacionados con el burnout, pero por sí solos no establecen efectos causales universales.
El marco AIMS amplía el modelo JD–R al introducir tres elementos clave: (1) la influencia simultánea sobre las demandas, los recursos y el control; (2) las vías no lineales; y (3) la adaptación dinámica a lo largo del tiempo. Esto desplaza la conceptualización del trabajo desde la ejecución de tareas hacia una regulación metacognitiva continua, en la que los empleados deben interpretar los sistemas algorítmicos y responder a ellos.
Una tipología basada en el papel: IA de asistencia, de monitorización y perceptiva
Una contribución central de esta revisión es la introducción de una tipología basada en el papel que concilia los hallazgos contradictorios de la literatura. Distinguir entre IA de asistencia, de monitorización y perceptiva aclara por qué los estudios previos han informado de efectos divergentes.
La IA de asistencia se asoció, por lo general, con menos burnout o agotamiento cuando reducía la documentación, la carga de trabajo o las demandas cognitivas, en particular en los estudios de intervención e implementación en el ámbito sanitario (Afshar et al., 2025; Baek y Cha, 2025; Chowdhury et al., 2026; Olson et al., 2025; You et al., 2025). Las exposiciones a la monitorización y al control algorítmico se asociaron con mayor burnout o tensión psicosocial relacionada a través de la presión de tiempo, la menor autonomía, la vigilancia y el control intensificado (Dong et al., 2025; Gao et al., 2025; Payá Castiblanque y Pizzi, 2024). La exposición perceptiva produjo hallazgos más heterogéneos y operó mediante mecanismos como el estrés laboral, la inseguridad laboral, la interferencia trabajo-familia, el apoyo organizacional y la autoeficacia (Kim y Lee, 2024; Zheng y Zhang, 2025; Wang y Zhou, 2025). Esta tipología avanza respecto a la investigación previa al vincular explícitamente la funcionalidad de la IA con los resultados psicológicos, en lugar de tratar la IA como un constructo homogéneo.
Vías dinámicas y no lineales
La evidencia incluida no establece directamente una trayectoria temporal en forma de U invertida entre la exposición a la IA y el burnout de los empleados. Wu et al. (2026) identificaron una asociación no lineal entre la exposición a la IA y la satisfacción laboral, pero la satisfacción laboral se trató como un resultado indirecto de apoyo y no como una medida de burnout. Por tanto, la curva propuesta de impacto–ajuste–dominio se presenta como un modelo conceptual y no como una estimación empírica. Propone que la incertidumbre inicial y las demandas de aprendizaje pueden aumentar la tensión, mientras que la adaptación posterior, la formación, la familiaridad con el sistema y el apoyo organizacional pueden reducirla con el tiempo.
La evidencia longitudinal específica sobre la IA sigue siendo limitada. Los estudios multionda, aleatorizados y pretest-postest existentes suelen abarcar periodos de implementación relativamente cortos y no ponen a prueba la trayectoria propuesta completa. Por tanto, se requiere un examen directo del burnout intraindividual antes de la implementación, durante el ajuste y tras un uso sostenido. La Figura 3 presenta esta trayectoria de tres fases derivada de la teoría como una ilustración conceptual que requiere una comprobación longitudinal directa.

Figura 3. Trayectoria propuesta de impacto–ajuste–dominio del burnout de los empleados relacionado con la IA. La figura es una ilustración conceptual derivada de la teoría y no una estimación empírica. Propone que la tensión puede aumentar inicialmente tras la implementación de la IA, alcanzar su punto máximo durante el ajuste y disminuir después a medida que los empleados desarrollan competencia y reciben un apoyo organizacional adecuado. El momento, la forma y la dirección de la trayectoria pueden diferir según el papel de la IA, la calidad de la implementación, el diseño del puesto y los recursos individuales, y requieren una comprobación longitudinal directa.
Mecanismos y moderadores
La revisión identificó mecanismos tanto consolidados como emergentes relevantes para el burnout relacionado con la IA. Las vías consolidadas incluyeron el tecnoestrés y el agotamiento (Chuang et al., 2025), el estrés laboral (Kim y Lee, 2024), la inseguridad laboral y la interferencia del trabajo con la familia (Zheng y Zhang, 2025), el equilibrio trabajo-vida (AlOqaily et al., 2025) y el apoyo organizacional percibido y el compromiso organizacional (Wang y Zhou, 2025). Los mecanismos emergentes incluyeron la dependencia, la degradación de las habilidades, la ambigüedad regulatoria, la precariedad de la vigilancia y el FoMO relacionado con la IA (Högemann et al., 2025; Zheng et al., 2025; Méndez-Suárez et al., 2026).
Las condiciones límite a nivel individual incluyeron la autoeficacia con la IA, la resiliencia, la resiliencia profesional y la orientación de carrera proteica (Kim y Lee, 2024; Jin et al., 2024; Chung et al., 2025; Kong et al., 2023). Las condiciones organizacionales y de sistema incluyeron el apoyo organizacional percibido, el compromiso organizacional, la cultura organizacional, la calidad de la implementación y la transparencia algorítmica (Meduri et al., 2024; Gao et al., 2025; Wang y Zhou, 2025; Lingmont y Alexiou, 2020). Evidencia complementaria también destaca la confianza, la amenaza y la orientación proteica en la colaboración entre empleados e IA y en la sostenibilidad de la carrera (Duong et al., 2026), el papel de la IA generativa en el progreso de los empleados hacia sus metas laborales (Zhang et al., 2026) y la relación entre la conciencia de los líderes sobre la IA, los estresores de obstáculo y de desafío, y la voz de los empleados (Zhou y Lyu, 2025).
Proposiciones de investigación derivadas del marco AIMS
Las siguientes proposiciones son deducciones derivadas de la teoría a partir del marco AIMS y no se pusieron a prueba en la presente revisión sistemática.
P1: Se espera que las demandas laborales impulsadas por la IA, como la intensidad de la monitorización, la sobrecarga cognitiva y la preocupación por el reemplazo, se asocien positivamente con el burnout de los empleados a través del tecnoestrés y la inseguridad laboral.
P2: Se espera que los recursos laborales impulsados por la IA, como la automatización del trabajo rutinario y el apoyo a la toma de decisiones, se asocien negativamente con el burnout cuando reducen la carga de trabajo y las demandas cognitivas.
P3: Se espera que los mecanismos de control impulsados por la IA, como la monitorización algorítmica y la asignación automatizada de tareas, se asocien positivamente con el burnout a través de una menor autonomía percibida.
P4: Se espera que la amenaza a la identidad profesional medie la asociación entre el riesgo percibido de reemplazo por la IA y el agotamiento emocional.
P5: Se espera que la autoeficacia con la IA debilite las asociaciones adversas entre las demandas impulsadas por la IA y el burnout.
P6: Se espera que el apoyo organizacional percibido debilite las asociaciones adversas entre la exposición a la IA y el burnout.
P7: El burnout relacionado con la IA puede seguir trayectorias de adaptación no lineales a lo largo del tiempo, cuya dirección y forma dependen de la calidad de la implementación, el aprendizaje, el rediseño de los puestos y el apoyo organizacional.
P8: Se espera que la transparencia algorítmica debilite las asociaciones adversas entre la monitorización por IA y el burnout cuando va acompañada de explicaciones, voz de los empleados y vías de recurso significativas.
Implicaciones prácticas
Los hallazgos deben interpretarse como una guía de diseño e implementación y no como evidencia de que una forma de IA vaya a producir el mismo resultado en todas las organizaciones. Los sistemas de asistencia pueden reducir el burnout o el agotamiento cuando reducen de manera demostrable la documentación, la carga de trabajo y las demandas cognitivas. Por tanto, las organizaciones deberían evaluar los cambios en la carga de trabajo y en el burnout antes y después de la implementación, en lugar de asumir que la automatización mejora automáticamente el bienestar.
Los sistemas de monitorización y de control algorítmico requieren una cautela especial porque los estudios observacionales asociaron estas exposiciones con mayor tensión psicosocial, presión de tiempo, menor autonomía o burnout. Cuando la monitorización sea necesaria, las organizaciones deberían ofrecer reglas de decisión transparentes, voz a los empleados, mecanismos de apelación o de recurso, una rendición de cuentas clara y límites a la recogida de datos. Estas recomendaciones también son coherentes con una investigación organizacional más amplia que subraya las implicaciones de la transparencia para la privacidad, el aprendizaje organizacional, el control operativo y la motivación (Bernstein, 2012; Brandes y Darai, 2017).
La formación, la personalización, el apoyo técnico y unas expectativas de desempeño realistas pueden mejorar los resultados de la implementación. Las organizaciones también deberían vigilar la inseguridad laboral, la interferencia trabajo-familia, la autoeficacia con la IA, la resiliencia y el apoyo organizacional, porque estos factores pueden condicionar las respuestas de los empleados. El burnout impone costes organizacionales sustanciales, pero las investigaciones futuras deberían cuantificar directamente si una implementación responsable de la IA reduce esos costes con el tiempo.
Limitaciones e investigación futura
Deben tenerse en cuenta varias limitaciones. En primer lugar, la base de evidencia estuvo dominada por estudios observacionales y transversales, lo que limita la inferencia causal y aumenta la vulnerabilidad al sesgo de método común y de autoinforme. Se identificaron tres estudios aleatorizados, pero todos se realizaron en el ámbito sanitario y examinaron principalmente sistemas de IA de asistencia. Sus hallazgos podrían no generalizarse a contextos de monitorización, de control algorítmico o ajenos al ámbito sanitario.
En segundo lugar, no se identificaron comparaciones directas entre la monitorización basada en IA y la supervisión humana que utilizaran resultados de burnout validados. Gu et al. (2025) compararon la supervisión algorítmica y la humana, pero se excluyó de la muestra de la revisión sistemática porque informaba del rendimiento y no de un resultado psicológico elegible. Los estudios futuros deberían comparar estas modalidades de supervisión mediante diseños longitudinales o experimentales y criterios psicológicos ocupacionales validados.
En tercer lugar, la evidencia longitudinal específica sobre la IA sigue siendo insuficiente para establecer una trayectoria de impacto–ajuste–dominio. Los estudios futuros deberían utilizar mediciones intraindividuales repetidas antes de la implementación, durante el ajuste inicial y tras un uso sostenido. En cuarto lugar, las comparaciones entre países y entre ocupaciones siguen siendo limitadas, a pesar de las probables diferencias en la regulación, las condiciones del mercado laboral, la cultura organizacional y la voz de los empleados.
En quinto lugar, la medición sigue estando fragmentada. La investigación transnacional sobre medición subraya además la importancia de la invariancia de la medición en la evaluación del burnout (De Beer et al., 2020). Los instrumentos de burnout no siempre eran específicos de la IA, y los resultados de apoyo, como el tecnoestrés, la inseguridad laboral, la satisfacción laboral y el bienestar, se operacionalizaron de manera inconsistente. Los estudios contextuales de desarrollo de escalas ajenos a la muestra incluida, específica de la IA, indican un interés creciente por la medición del burnout relacionado con la tecnología, pero ningún instrumento integral integra actualmente las demandas, los recursos, el control, la amenaza a la identidad y la adaptación específicos de la IA.
Por último, la evidencia experimental sobre la transparencia, el recurso, el apoyo organizacional, la resiliencia y la supervisión humana frente a la algorítmica sigue siendo limitada. La investigación futura debería poner a prueba estos moderadores directamente en lugar de inferir sus efectos a partir de asociaciones transversales.
Implicaciones prácticas
Esta revisión sistemática reúne 43 estudios empíricos sobre inteligencia artificial en el trabajo y burnout, y propone un marco teórico (AIMS) para ordenar resultados que, a primera vista, se contradicen. Su aportación principal no es una cifra, sino una forma de leer la evidencia: el efecto de la IA parece depender de qué hace el sistema (asistir, monitorizar o ser percibido como amenaza), de cómo se implanta y de cómo lo valoran las personas trabajadoras.
Para la práctica organizacional y de la salud laboral
- Antes de dar por sentado que una herramienta de IA reduce el desgaste, conviene medir la carga de trabajo y el burnout antes y después de implantarla. Los estudios aleatorizados y pre–post incluidos, casi todos sanitarios, sugieren beneficios cuando la IA reduce de forma demostrable la documentación y las demandas cognitivas.
- Los sistemas de monitorización y de control algorítmico se asocian en estudios observacionales con más tensión psicosocial; si son necesarios, parece prudente acompañarlos de transparencia, voz de los empleados y vías de recurso. Esto es una recomendación de diseño, no un efecto demostrado de esas medidas.
- La inseguridad laboral, la autoeficacia con la IA, la formación y el apoyo organizacional aparecen como factores a vigilar, pero la revisión no demuestra que intervenir sobre ellos reduzca el burnout.
- Lo que no se puede concluir: que la IA cause burnout, que lo prevenga de forma general, ni que los resultados de sanidad sean extrapolables a otros sectores.
Para la investigación
- Faltan estudios longitudinales y experimentales con medidas repetidas antes, durante y después de la implantación; la trayectoria «impacto–ajuste–dominio» es una propuesta teórica sin contraste directo.
- Hacen falta instrumentos de burnout específicos de la IA y comparaciones directas entre supervisión algorítmica y humana con medidas validadas.
- Los moderadores propuestos (transparencia, resiliencia, apoyo organizacional) deberían ponerse a prueba de forma experimental en lugar de inferirse de asociaciones transversales.
Nota editorial de Psicoevidencia
Se trata de una revisión sistemática con síntesis narrativa, sin metaanálisis, por la heterogeneidad de diseños y medidas; no se calculó ninguna puntuación agregada de calidad. La base de evidencia es mayoritariamente observacional y transversal, con medidas autoinformadas, y solo tres estudios son aleatorizados, todos sanitarios y sobre IA de asistencia. Los autores señalan que el protocolo no se registró en PROSPERO y que solo se incluyeron informes en inglés, lo que puede introducir sesgo de selección. Las ocho proposiciones del marco AIMS son deducciones teóricas que la propia revisión no puso a prueba, y la evidencia de efectos no lineales se refiere a la satisfacción laboral, no al burnout. El material suplementario (tablas S1–S4) no se traduce y está disponible en el artículo original.
Conclusión
La IA no se asoció de manera uniforme con resultados de burnout beneficiosos ni adversos. En los 20 estudios que midieron el burnout o una dimensión establecida del burnout, los sistemas de asistencia, examinados sobre todo en entornos sanitarios, se asociaron en general con menor burnout o agotamiento, mientras que las exposiciones de monitorización y de control algorítmico se asociaron en general con mayor burnout en estudios observacionales. Las exposiciones percibidas a la IA produjeron asociaciones positivas, indirectas y nulas. Los 23 estudios de apoyo aclararon posibles mecanismos, moderadores y condiciones de implementación, pero no se trataron como evidencia directa de burnout. El marco AIMS organiza estos hallazgos en vías derivadas de la teoría que implican demandas, recursos y control. Se necesitan estudios longitudinales, transocupacionales y experimentales antes de poder establecer conclusiones causales o temporales.
Declaraciones
Proceso editorial
- Recibido: 6 de julio de 2026 · Aceptado: 6 de agosto de 2026 · Publicado: 2 de octubre de 2026
- Palabras clave: gestión algorítmica, inteligencia artificial, burnout de los empleados, modelo de demandas y recursos laborales, revisión sistemática, tecnoestrés
- Correspondencia: Zicheng Fang; Te Ma
Declaración de disponibilidad de datos
Los conjuntos de datos presentados en este estudio pueden encontrarse en repositorios en línea. Los nombres de los repositorios y los números de acceso se encuentran en el artículo o en el material suplementario.
Contribuciones de los autores
ZF: Investigación, Análisis formal, Redacción – revisión y edición, Metodología. LH: Análisis formal, Investigación, Redacción – revisión y edición. TM: Investigación, Análisis formal, Redacción – borrador original.
Conflicto de intereses
Los autores declararon que este trabajo se llevó a cabo en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un posible conflicto de intereses.
Declaración sobre IA generativa
Los autores declararon que no se utilizó IA generativa en la elaboración de este manuscrito.
Cualquier texto alternativo (texto alt) que acompañe a las figuras de este artículo ha sido generado por Frontiers con el apoyo de inteligencia artificial, y se han hecho esfuerzos razonables para garantizar su exactitud, incluida la revisión por parte de los autores siempre que ha sido posible. Si detecta algún problema, póngase en contacto con nosotros.
Nota del editor
Todas las afirmaciones expresadas en este artículo son responsabilidad exclusiva de los autores y no representan necesariamente las de sus organizaciones afiliadas, ni las de la editorial, los editores o los revisores. No se garantiza ni se respalda por parte de la editorial ningún producto que pueda evaluarse en este artículo, ni ninguna afirmación que pueda hacer su fabricante.
Material suplementario
El material suplementario de este artículo se encuentra en línea en: https://www.frontiersin.org/articles/10.3389/fpsyg.2026.1922281/full#supplementary-material
Archivo suplementario: Table_1.DOCX
Notas a pie de página
Estos autores comparten la primera autoría
Editado por: Suryo Wibowo, Krida Wacana Christian University, Indonesia
Revisado por: Shaimaa Basha, University of Fujairah, Emiratos Árabes Unidos Rima Melati Harjono, President University, Indonesia
Referencias
Afshar, M., Baumann, M. R., Resnik, F., Hintzke, J., Gravel Sullivan, A., Wills, G., et al.. (2025). A pragmatic randomized controlled trial of ambient artificial intelligence to improve health practitioner well-being. NEJM AI 2:AIoa2500945. doi: , https://doi.org/10.1056/AIoa2500945
Albrecht, M., Shanks, D., Shah, T., Hudson, T., Thompson, J., Filardi, T., et al.. (2025). Enhancing clinical documentation with ambient artificial intelligence: a quality improvement survey assessing clinician perspectives on work burden, burnout, and job satisfaction. JAMIA Open 8:ooaf013. doi: , https://doi.org/10.1093/jamiaopen/ooaf013
Ali, T., Hussain, I., Hassan, S., Anwer, S. (2024). Examine how the rise of AI and automation affects job security, stress levels, and mental health in the workplace. Bull. Bus. Econ. 13, 1180–1186. doi: https://doi.org/10.61506/01.00506
AlOqaily, A. N., Qawasmeh, E. F., Tawalbeh, J. (2025). The effect of implementing AI on job burnout through the mediating role of work–life balance in the context of HRM. Economics 13, 465–484. doi: https://doi.org/10.2478/eoik-2025-0049
Arboh, F., Zhu, X., Atingabili, S., Yeboah, E., Drokow, E. K., (2025). From fear to empowerment: the impact of employees’ AI awareness on workplace well-being—a new insight from the JD–R model. J. Health Organ. Manag. 40, 1148–1172. doi: https://doi.org/10.1108/JHOM-06-2024-0229
Baek, G., Cha, C. (2025). AI-assisted tailored intervention for nurse burnout: a three-group randomized controlled trial. Worldviews Evid.-Based Nurs. 22:e70003. doi: , https://doi.org/10.1111/wvn.70003
Bakker, A. B., Demerouti, E., Sanz-Vergel, A. I. (2023). Job demands–resources theory: ten years later. Annu. Rev. Organ. Psych. Organ. Behav. 10, 25–53. doi: https://doi.org/10.1146/annurev-orgpsych-120920-053933
Bankins, S., Formosa, P., Griep, Y., Richards, D. (2024). A multilevel review of artificial intelligence in organizations: implications for organizational behavior research and practice. J. Organ. Behav. 45, 159–182. doi: https://doi.org/10.1002/job.2735
Bernstein, E. S. (2012). The transparency paradox: a role for privacy in organizational learning and operational control. Adm. Sci. Q. 57, 181–216. doi: https://doi.org/10.1177/0001839212453028
Braganza, A., Chen, W., Canhoto, A., Sap, S. (2021). Productive employment and decent work: the impact of AI adoption on psychological contracts, job engagement and employee trust. J. Bus. Res. 131, 485–494. doi: , https://doi.org/10.1016/j.jbusres.2020.08.018
Brandes, L., Darai, D. (2017). The value and motivating mechanism of transparency in organizations. Eur. Econ. Rev. 98, 189–198. doi: https://doi.org/10.1016/j.euroecorev.2017.06.014
Brougham, D., Haar, J. (2018). Smart technology, artificial intelligence, robotics, and algorithms (STARA): employees’ perceptions of our future workplace. J. Manag. Organ. 24, 239–257. doi: https://doi.org/10.1017/jmo.2016.55
Cheng, W. J., Pien, L. C., Cheng, Y. (2021). Occupation-level automation probability is associated with psychosocial work conditions and workers’ health: a multilevel study. Am. J. Ind. Med. 64, 108–117. doi: , https://doi.org/10.1002/ajim.23210
Cho, A., Cha, C., Baek, G. (2024). Development of an artificial intelligence–based tailored mobile intervention for nurse burnout: single-arm trial. J. Med. Internet Res. 26:e54029. doi: , https://doi.org/10.2196/54029
Chowdhury, A., Casey, M., Wilson, J., Pollak, K. I., Goldstein, B. A., Bedoya, A., et al.. (2026). Comparing ambient scribes: a randomized crossover clinical trial addressing ambient scribe technologies’ impact on physician burnout. J. Am. Med. Inform. Assoc. 33, 990–999. doi: , https://doi.org/10.1093/jamia/ocag018
Chuang, Y. T., Chiang, H. L., Lin, A. P. (2025). Insights from the job demands–resources model: AI’S dual impact on employees’ work and life well-being. Int. J. Inf. Manag. 83:102887. doi: https://doi.org/10.1016/j.ijinfomgt.2025.102887
Chung, Y. W., Im, S., Kim, J. E., Yun, J. K. (2025). Artificial intelligence awareness, career resilience, job insecurity and behavioural outcomes. Aust. J. Psychol. 77:2559910. doi: , https://doi.org/10.1080/00049530.2025.2559910
Dave, B., Martin, P., David, S. S., Kumar, S., Chakraborty, T. (2026). Enhancing healthcare worker mental health via artificial intelligence-driven work process improvements: a scoping review. Int. J. Med. Inform. 205:106122. doi: , https://doi.org/10.1016/j.ijmedinf.2025.106122
De Beer, L. T., Schaufeli, W. B., De Witte, H., Hakanen, J. J., Shimazu, A., Glaser, J., et al.. (2020). Measurement invariance of the burnout assessment tool across seven cross-national representative samples. Int. J. Environ. Res. Public Health 17:5604. doi: https://doi.org/10.3390/ijerph17155604
Dong, J., Zhang, G., Wu, L. (2025). Life against algorithmic management: burnout and its influencing factors among food-delivery riders. Front. Public Health 13:1531541. doi: https://doi.org/10.3389/fpubh.2025.1531541
Duong, N. H., Hung, H. N., An, N. H., Bao, L. G., Nguyen, T. T., Quang, D. X. (2026). Psychological drivers of employee–AI collaboration and career sustainability: the role of trust, threat, and protean orientation. Acta Psychol. 262:106074. doi: , https://doi.org/10.1016/j.actpsy.2025.106074
Gao, X., Wu, W., Guo, Y., Lu, L. (2025). Promotion or suppression? Effect of perceived algorithmic control on service performance of gig workers. Soc. Behav. Personal. Int. J. 53, 1–13. doi: https://doi.org/10.2224/sbp.14812
Gull, A., Ashfaq, J., Aslam, M. (2023). AI in the workplace: uncovering its impact on employee well-being and the role of cognitive job insecurity. Int. J. Bus. Econ. Affairs 8, 79–91. doi: https://doi.org/10.24088/IJBEA-2023-84007
Gu, W., Li, M., Zhang, S. (2025). Algorithmic Supervisor and Employee Performance. Prod. Oper. Manag. 34, 3101–3118. doi: https://doi.org/10.1177/10591478251331095
Högemann, M., Hein, L., Britsche, J. O., Thomas, O. (2025). Technostress and generative AI in the workplace: a qualitative analysis of young professionals. Front. Art. Intell. 8:1728881. doi: , https://doi.org/10.3389/frai.2025.1728881
Hong, Q. N., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., et al.. (2018). The mixed methods appraisal tool (MMAT) version 2018 for information professionals and researchers. Educ. Inf. 34, 285–291. doi: https://doi.org/10.3233/EFI-180221
Issa, H., Jaber, J., Lakkis, H. (2024). Navigating AI unpredictability: exploring technostress in AI-powered healthcare systems. Technol. Forecast. Soc. Change 202:123311. doi: https://doi.org/10.1016/j.techfore.2024.123311
Jin, G., Jiang, J., Liao, H. (2024). The work affective well-being under the impact of AI. Sci. Rep. 14:25483. doi: , https://doi.org/10.1038/s41598-024-75113-w
Kim, B. J., Lee, J. (2024). The mental health implications of artificial intelligence adoption: the crucial role of self-efficacy. Humanit. Soc. Sci. Commun. 11:1561. doi: https://doi.org/10.1057/s41599-024-04018-w
Koch, M., Lodefalk, M. (2025). Artificial intelligence and worker stress: evidence from Germany. Digit. Soc. 4:5. doi: https://doi.org/10.1007/s44206-025-00160-3
Kong, H., Yin, Z., Baruch, Y., Yuan, Y. (2023). The impact of trust in AI on career sustainability: the role of employee–AI collaboration and protean career orientation. J. Vocat. Behav. 146:103928. doi: https://doi.org/10.1016/j.jvb.2023.103928
Kong, H., Yuan, Y., Baruch, Y., Bu, N., Jiang, X., Wang, K. (2021). Influences of artificial intelligence awareness on career competency and job burnout. Int. J. Contemp. Hosp. Manag. 33, 717–734. doi: https://doi.org/10.1108/IJCHM-07-2020-0789
Kumar, A., Krishnamoorthy, B., Bhattacharyya, S. S. (2024). Machine learning and artificial intelligence-induced technostress in organizations: a study on the automation–augmentation paradox with socio-technical systems as coping mechanisms. Int. J. Organ. Anal. 32, 681–701. doi: https://doi.org/10.1108/IJOA-01-2023-3581
Lingmont, D. N. J., Alexiou, A. (2020). The contingent effect of job automating technology awareness on perceived job insecurity: exploring the moderating role of organizational culture. Technol. Forecast. Soc. Change 161:120302. doi: https://doi.org/10.1016/j.techfore.2020.120302
Liu, H., Ding, N., Li, X., Chen, Y., Sun, H., Huang, Y., et al.. (2024). Artificial intelligence and radiologist burnout. JAMA Netw. Open 7:e2448714. doi: , https://doi.org/10.1001/jamanetworkopen.2024.48714
Martinez, M. F., O’Shea, K. J., Kern, M. C., Chin, K. L., Dinh, J. V., Bartsch, S. M., et al.. (2025). The health and economic burden of employee burnout to US employers. Am. J. Prev. Med. 68, 645–655. doi: https://doi.org/10.1016/j.amepre.2025.01.011
Meduri, K., Nadella, G. S., Gonaygunta, H., Kumar, D., Addula, S. R., Satish, S., et al.. (2024). Human-centered AI for personalized workload management: a multimodal approach to preventing employee burnout. J. Infrastruct. Policy Dev. 8:6918. doi: https://doi.org/10.24294/jipd.v8i9.6918
Méndez-Suárez, M., Ćukušić, M., Ninčević-Pašalić, I. (2026). AI FoMO (fear of missing out) in the workplace. Technol. Soc. 84:103052. doi: https://doi.org/10.1016/j.techsoc.2025.103052
Misurac, J., Knake, L. A., Blum, J. M. (2025). The effect of ambient artificial intelligence notes on provider burnout. Appl. Clin. Inform. 16, 252–258. doi: , https://doi.org/10.1055/a-2461-4576
Nazareno, L., Schiff, D. S. (2021). The impact of automation and artificial intelligence on worker well-being. Technol. Soc. 67:101679. doi: https://doi.org/10.1016/j.techsoc.2021.101679
Olson, K. D., Meeker, D., Troup, M., Barker, T. D., Nguyen, V. H., Manders, J. B., et al.. (2025). Use of ambient AI scribes to reduce administrative burden and professional burnout. JAMA Netw. Open 8:e2534976. doi: , https://doi.org/10.1001/jamanetworkopen.2025.34976
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al.. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ 372:n71. doi: , https://doi.org/10.1136/bmj.n71
Payá Castiblanque, R., Pizzi, A. (2024). Relationship between certain uses of artificial intelligence and psychosocial risk factors in European work environments. Archivos Prevención de Riesgos Laborales 27, 233–249. doi: , https://doi.org/10.12961/aprl.2024.27.03.02
Shanafelt, T. D., Goh, J., Sinsky, C. (2017). The business case for investing in physician well-being. JAMA Intern. Med. 177, 1826–1832. doi: , https://doi.org/10.1001/jamainternmed.2017.4340
Stamate, A. N., Sauvé, G., Denis, P. L. (2021). The rise of the machines and how they impact workers’ psychological health: an empirical study. Hum. Behav. Emerg. Technol. 3, 942–955. doi: https://doi.org/10.1002/hbe2.315
Stults, C. D., Deng, S., Martinez, M. C., Wilcox, J., Szwerinski, N., Chen, K. H., et al.. (2025). Evaluation of an ambient artificial intelligence documentation platform for clinicians. JAMA Netw. Open 8:e258614. doi: , https://doi.org/10.1001/jamanetworkopen.2025.8614
Thorpe, D., Bean, C., Krieg, J. (2026). Associations between generative artificial intelligence usage, job demands, job control and burnout. AI Soc. 41, 4077–4086. doi: https://doi.org/10.1007/s00146-025-02764-2
Wang, D., Zhou, X. (2025). The impact of AI awareness on employees’ job burnout: a chain mediation of perceived organizational support and organizational commitment. SAGE Open 15:21582440251400532. doi: https://doi.org/10.1177/21582440251400532
Wu, W., Yang, Y., Yang, L., Su, L., Chen, Z. (2026). The inverted U-shaped relationship between AI and job satisfaction: empirical evidence from China’s CLDS microdata. Emerg. Mark. Finance Trade. 62, 2554–2569. doi: https://doi.org/10.1080/1540496X.2025.2548427
You, J. G., Dbouk, R. H., Landman, A., Ting, D. Y., Dutta, S., Wang, J. C., et al.. (2025). Ambient documentation technology in clinician experience of documentation burden and burnout. JAMA Netw. Open 8:e2528056. doi: , https://doi.org/10.1001/jamanetworkopen.2025.28056
Zerilli, J., Bhatt, U., Weller, A. (2022). How transparency modulates trust in artificial intelligence. Patterns 3:100455. doi: , https://doi.org/10.1016/j.patter.2022.100455
Zhang, R., Liu, Y., Qasim, M., Wang, X. (2026). More than a tool: how generative AI shapes employees’ work-goal progress. Pers. Rev. 55, 418–454. doi: https://doi.org/10.1108/PR-05-2025-0478
Zheng, J., Zhang, T. (2025). Association between AI awareness and emotional exhaustion: the serial mediation of job insecurity and work interference with family. Behav. Sci. 15:401. doi: , https://doi.org/10.3390/bs15040401
Zheng, J., Zhang, J. Z., Kamal, M. M., Liang, X., Alzeiby, E. A. (2025). Unpacking human–AI interaction: exploring unintended consequences on employee well-being in entrepreneurial firms through an in-depth analysis. J. Bus. Res. 196:115406. doi: https://doi.org/10.1016/j.jbusres.2025.115406
Zhou, Y., Lyu, B. (2025). How does leadership AI awareness shape employee voice behavior? A study based on the framework of hindrance and challenge stressors. Work 82, 289–305. doi: , https://doi.org/10.1177/10519815251341816
Licencia y atribución
Versión en español de Artificial intelligence-driven work systems and employee burnout: a systematic review of mechanisms, moderators, and a dynamic meta-system framework (Fang, Z., Han, L., Ma, T., 2026), publicado en Frontiers in Psychology, vol. 17, art. 1922281, doi:10.3389/fpsyg.2026.1922281. El artículo original se distribuye bajo licencia Creative Commons Atribución 4.0 (CC BY 4.0), que permite su traducción y difusión pública con atribución.
© 2026 Fang, Han y Ma. Artículo original publicado en acceso abierto en Frontiers in Psychology (vol. 17, art. 1922281) bajo licencia Creative Commons Atribución 4.0 (CC BY 4.0). Esta página es una traducción completa al español con el mismo orden de secciones, tablas y figuras; los títulos de las referencias se mantienen en su idioma original. Se han añadido el resumen en 3 líneas y las implicaciones prácticas con una nota editorial de Psicoevidencia. La traducción no ha sido revisada por los autores originales.
