• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Simulador FIRE (Financial Independence, Retire Early)
    • Herramientas
      • Formateador / Minificador de JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Actuar en GTD

noviembre 19, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

La última fase de GTD es actuar o hacer. El cual es el objetivo último de cualquier metodología de productivas personal, hacer el trabajo. En las cuatro fases anteriores de la metodología GTD se ha capturado, clarificado, organizado y reflexionado sobre todo las tareas, tanto las profesionales como las personales, y ahora llega el momento de actuar y aprovechar todo el trabajo que se ha realizado.

* En este artículo, nuestras recomendaciones son el resultado una evaluación rigurosa e independiente. Algunos enlaces incluidos en el texto son enlaces de afiliados, lo que significa que podemos recibir una comisión si decides realizar una compra a través de ellos. Esta comisión no afecta de ninguna manera a nuestra selección de productos ni influye en nuestra opinión sobre los mismos.

Esta entrada forma parte de una serie introductoria sobre GTD que consta de las siguientes entregas:

  • Productividad personal con GTD
  • Capturar en GTD
  • Clarificar en GTD
  • Organizar en GTD
  • Reflexionar en GTD
  • Actuar en GTD
  • La perspectiva del GTD
  • La implementación de GTD

Tabla de contenidos

  • 1 Hacer o actuar en GTD
  • 2 Las tres formas de trabajar en un trabajo del conocimiento
    • 2.1 Trabajar en un trabajo definido
    • 2.2 Trabajar en definir el trabajo
    • 2.3 Trabajar en un trabajo a medida que surge
  • 3 Problemas a la hora de implementar GTD
  • 4 Conclusiones

Hacer o actuar en GTD

En la traducción al castellano de la primera edición del libro “Organízate con eficiencia” de David Allen la última fase de la metodología GTD se tradujo como hacer, término que en la segunda se convirtió en actual. Ambos términos son adecuados para esta fase, aunque actuar posiblemente indique un mayor compromiso con la acción.

Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
En Analytics Lane
Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane

Hasta la aparición del trabajo del conocimiento, en el que nos encontramos los analistas y científicos de datos, el trabajo solía estar perfectamente definido. Lo habitual era saber claramente cuales eran las tareas para realizar en cada momento. Como pueden ser los casos de un pastor o un operario en una cadena de producción. Lo que ha cambiado con el trabajo del conocimiento en el que es necesario definir este antes actuar.

Un operario en una cadena de producción sabe cuales son sus tareas porque un equipo de expertos ha definido previamente su trabajo. Lo que le permite ejecutar su trabajo de una forma mecánica, permitiendo que el operario sea lo más productivo posible. En el trabajo del conocimiento es necesario que el propio trabajador defina previamente cuál es su trabajo. Siendo esto lo que se realiza en las cuatro primeras fases de la metodología GTD: definir el trabajo a realizar para que este se pueda ejecutar de una forma prácticamente mecánica, una de las formas más eficientes de trabajar.

Las cuatro primeras fases de la metodología GTD no es “trabajo productivo”, no se realizan tareas. Pero, al igual que los expertos que han definido el trabajo del operario, el trabajo realizado en estas fases permite ser más eficiente a la hora de llevar a cabo el “trabajo productivo”.

Las tres formas de trabajar en un trabajo del conocimiento

En el trabajo del conocimiento básicamente existen tres formas de trabajo, cada una de las cuales tiene un nivel diferente de productividad.

  • Trabajar en un trabajo definido
  • Trabajar en definir el trabajo
  • Trabajar en un trabajo a medida que surge

Veamos a continuación cómo son cada uno de estos tipos de trabajo.

Publicidad


Trabajar en un trabajo definido

La forma más eficiente de trabajar es hacerlo en un trabajo previamente definido. En estos casos únicamente es necesario centrarse en realizar las tareas asignadas, sin la necesidad de pararse a aclararlas, por lo que se consigue los mayores niveles de productividad. Este es el tipo de trabajo que se suele realizar en las cadenas de producción, donde todas las tareas están definidas previamente. En el trabajo del conocimiento esta no es la forma habitual, siendo necesario definir las tareas antes de poder trabajar en ellas. Justamente lo que define la metodología GTD.

Trabajar en definir el trabajo

Al trabajar en definir el trabajo no se realiza un “trabajo productivo”, por lo que este tipo de trabajo no se puede considerar estrictamente productivo. Aunque, si esta actividad se realiza de una forma correcta, el tiempo dedicado a definir el trabajo se recuperará con creces durante el “trabajo productivo”. Consiguiendo finalmente una mayor productividad.

La definición del trabajo es la actividad que se realiza durante las fases de clarificar, organizar y reflexionar de GTD. Por lo que es necesario dedicar a estas el tiempo requerido, evitando hacerlas de una manera rápida. El tiempo dedicado a las revisiones diarias y semanales de GTD se recuperará con creces.

Trabajar en un trabajo a medida que surge

La forma más ineficiente de trabajar es hacerlo a medida que surge el trabajo. Aunque en muchas situaciones es algo inevitable. Al igual que el resto del trabajo del conocimiento, antes de poder ocuparse de él, es necesario definirlo. Lo que, al realizar sobre la marcha, no es eficiente. Puede ser que en el momento que surge no nos encontremos en el contexto adecuado, por lo que será necesario movernos al adecuado.

Con el trabajo a medida que surge es habitual aplicar de una forma incorrecta la regla de los dos minutos. Pensado que como la actividad requiere menos de dos minutos, cosa que en muchos casos no es cierta, es mejor hacerla ya. Pero, la regla de los dos minutos se debe aplicar durante la fase de clarificar cuando ya se conoce cual es la tarea por realizar, no durante la fase de captura. Evitar estos problemas es uno de los motivos por los que la captura de las tareas y su aclarado se encuentran separados en GTD.

Publicidad


Problemas a la hora de implementar GTD

Uno de los problemas más habituales a la hora de implementar GTD es realizar las cuatro primeras fases de la metodología de una forma adecuada, pero seguir trabajando a medida que surge el trabajo. Perdiendo todo lo anterior su valor. Si las primeras fases se han ejecutado de una forma correcta ahora debería haber tareas en el calendario y listas de tareas por contexto. Tareas que además deberían ser fácilmente tachables al estar completamente definidas. Por lo tanto, la forma más eficiente de trabajar debería ser seleccionar el contexto y ejecutar una a una todas las tareas de esa lista.

Al ser las tareas de las listas fácilmente tachables, esto es, se pueden realizar de una manera casi mecánica, se obtiene una sensación de haber trabajado. Así se puede cuantificar fácilmente el número de tareas realizadas. Siendo este uno de los motivos por el que los objetivos que requieren más de una acción se convierten en proyectos. En caso contrario, si no se divide en tareas sencillas los proyectos, seleccionar como siguiente acción un proyecto siempre será más difícil que una tarea sencilla, porque esta última es más sencilla de tachar. Por lo que los proyectos nunca serían realizados.

Otro problema habitual a la hora de implementar GTD es contar con tareas con una dificultad diferente en un mismo contexto. Lo que hace que sea más fácil elegir unas frente a otras, lo que puede hacer que estas últimas no se realicen. Por ejemplo, si en el contexto llamas hay unas que solamente requieren cinco minutos y otra media hora puede que estas últimas se dejen. En este caso habrá que pensar si es necesario dividir el contexto en varios, una para las llamadas cortas y otras para las largas, seleccionado uno u otro dependiendo del tiempo disponible.

Conclusiones

Hacer o actuar es la última de las cinco fases de la metodología GTD. La fase en la que se lleva a cabo el “trabajo productivo”. Aunque al principio parece una fase sencilla, no lo es, pudiendo arruinar todo el trabajo realizado hasta ahora para organizar las tareas si no se ejecuta de una forma correcta.

Con esta entrada ya se han explicado las cinco fases de GTD, la parte de la metodología con la que se consigue control sobre las tareas. La próxima semana se verán las perspectivas en GTD, con lo que además se puede conseguir visión.

Imagen de StockSnap en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
  • Nueva calculadora de préstamos e hipotecas en el laboratorio de aplicaciones de Analytics Lane
  • Hardening avanzado de NGINX: CSP, OCSP Stapling y defensa en profundidad
  • Nuevo generador y verificador de hashes en el laboratorio de aplicaciones de Analytics Lane
  • Nueva simulación de la estrategia Martingala en ruleta en el laboratorio de aplicaciones de Analytics Lane
  • Exactitud, precisión, recall… y los errores que cometemos al interpretarlas en proyectos reales
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador interactivo de K-Means en el laboratorio de aplicaciones de Analytics Lane
  • Por qué los chatbots de inteligencia artificial parecen estar siempre de acuerdo contigo – Conversar con una inteligencia artificial – Parte I

Publicado en: Productividad Etiquetado como: GTD

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Nueva herramienta: Comparador y Formateador de Texto y JSON en el laboratorio de Analytics Lane

abril 21, 2026 Por Daniel Rodríguez

Chatbots vs redes sociales: la diferencia clave entre la inteligencia artificial y los algoritmos de recomendación – Conversar con una inteligencia artificial – Parte II

abril 21, 2026 Por Daniel Rodríguez

Nueva Calculadora de Estadísticos Descriptivos en el laboratorio de aplicaciones de Analytics Lane

abril 20, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Gráfica con los datos y las anomalías detectadas con OneClass SVM One-Class SVM: Detección de anomalías con máquinas de vector soporte publicado el marzo 15, 2024 | en Ciencia de datos
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • La similitud de Jaro–Winkler publicado el junio 24, 2020 | en Ciencia de datos, R

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto