El crecimiento de la productividad de la IA no igualará la revolución informática

¿Podría la IA ser diferente? Los optimistas señalan la productividad laboral general, que creció a una tasa anualizada del 1.8 por ciento en el cuarto trimestre de 2025. Pero una medición más precisa del Banco de la Reserva Federal de San Francisco, que elimina la intensidad cíclica (el efecto de simplemente exigir más a las personas y las máquinas), muestra que la productividad laboral creció apenas un 0.2 por ciento interanual. Esto difícilmente sugiere «algo importante».

Por el contrario, seríamos afortunados si la tecnología igualara siquiera la efímera revolución informática. Es probable que el crecimiento de la productividad sea decepcionante, no porque la tecnología sea débil, sino porque automatiza algo fundamentalmente distinto de lo que hacían el ordenador personal e internet. Más concretamente, la IA crea un cuello de botella que las herramientas digitales anteriores evitaron en gran medida.

Consideremos qué automatizó realmente la revolución informática: cálculos más rápidos y un mayor acceso al conocimiento. Los ordenadores personales, el correo electrónico, las hojas de cálculo e internet eliminaron las dificultades para encontrar, almacenar y transmitir información. Un investigador que necesitaba una fuente ya no tenía que buscarla en una biblioteca ni esperar a que llegara por correo. El aumento de la productividad fue relativamente sencillo, ya que los humanos podían simplemente sustituir el método más rápido (Google) por el más lento (una biblioteca). La información encontrada en línea era la misma que se encontraría en una estantería.

Fundamentalmente, cuando las computadoras realizaban tareas esenciales, lo hacían de forma determinista. Una hoja de cálculo podía propagar datos erróneos, pero no inventaba la aritmética. Los motores de búsqueda podían mostrar material irrelevante, pero no fabricaban fuentes. El principal riesgo era el error humano, no la invención persuasiva.

La IA automatiza algo distinto: la producción de resultados cognitivos, desde la escritura hasta la codificación. A menudo realiza estas tareas con bastante eficacia. Pero, dado que también puede equivocarse con seguridad de maneras que parecen plausibles, crea una tensión que quienes navegan por la revolución informática nunca enfrentaron: si los humanos necesitan participar en la verificación de los resultados de la IA, seguirán necesitando el conocimiento del dominio que supuestamente la IA sustituye. Garantizar la fiabilidad aún requiere experiencia y tiempo limitados. Por lo tanto, parte del tiempo ahorrado en la generación se ve parcialmente —y a veces totalmente— compensado por el tiempo dedicado a reconstruir el razonamiento, probar las afirmaciones y asumir la responsabilidad del resultado.

El informe de quiebras de Manhattan ofreció este mismo mes el ejemplo más reciente de este problema. Sullivan & Cromwell, una de las firmas más prestigiosas de Wall Street, presentó una moción de emergencia plagada de citas falsas y otros errores generados por IA. Los errores no fueron detectados por el proceso de revisión de la propia firma, sino por la parte contraria. El episodio fue absurdo, pero también revelador. Demostró lo que sucede cuando una herramienta que produce resultados fluidos se enfrenta a un mundo que exige veracidad verificable.

El problema de fondo no radica simplemente en que la IA pueda equivocarse, sino en que el coste de los errores está cambiando. A medida que los sistemas se vuelven más autónomos —en lugar de limitarse a generar texto o código en respuesta a instrucciones específicas—, los errores tienen consecuencias más graves. Un chatbot que genera un párrafo de forma ilógica resulta molesto. Un agente que modifica código, transfiere dinero, archiva documentos, elimina bases de datos o activa acciones en distintos sistemas puede causar daños reales a la velocidad de la máquina.

Podríamos llamarlo el impuesto de verificación. En cualquier ámbito donde alguien sea responsable de un resultado —derecho, medicina, finanzas reguladas, ingeniería o políticas públicas—, el resultado de una IA no es un producto terminado. Es un borrador que debe revisarse. El trabajo no desaparece; simplemente pasa de producir a supervisar. La productividad neta se reduce al tiempo ahorrado en la generación del borrador, menos el tiempo dedicado a garantizar su fiabilidad.

Por lo tanto, en un amplio estudio de campo sobre atención al cliente, un asistente de IA generativa aumentó la productividad en un 14 por ciento de media, con beneficios mucho mayores para los principiantes y escaso beneficio para los trabajadores más experimentados. Gracias a la estandarización de las tareas, los resultados fueron más fáciles de evaluar y la herramienta pudo distribuir rápidamente las mejores prácticas.

Pero cuando el contexto es más complejo y la corrección es más difícil de observar, la carga de verificación puede superar el beneficio. Un ensayo aleatorio con desarrolladores experimentados de código abierto que trabajaban en sus propios repositorios descubrió que el acceso a herramientas de IA de vanguardia los hacía aproximadamente un 19 por ciento más lentos, principalmente porque dedicaban su tiempo a solicitar información, esperar, revisar y corregir.

Estos resultados implican que la rentabilidad de la IA depende de la estructura de la tarea. Cuando los errores son baratos y los resultados fáciles de comprobar, la IA puede acelerar el trabajo. Cuando los errores son costosos y la corrección es difícil de observar, el cuello de botella pasa de «hacer el trabajo» a «certificarlo». La máquina puede producir resultados ilimitados, pero la organización no puede absorber una verificación interminable. Como argumentan los economistas Christian Catalini, Xiang Hui y Jane Wu, cuando la IA reduce el coste de ejecución a cero, la limitación principal se convierte en la capacidad de verificación humana: nuestra limitada capacidad para validar los resultados y garantizar la responsabilidad.

Este planteamiento también aclara un riesgo a largo plazo. Si las empresas responden a la IA contratando menos abogados y analistas junior, reduciendo la formación y dando por sentado que la máquina se encargará del primer borrador, erosionan la experiencia necesaria para revisar el resultado de la máquina. La organización parecerá más eficiente hasta que el error oculto salga a la luz pública.

¿Qué se necesitaría, entonces, para que la IA generara mejoras sustanciales en la productividad, en lugar de mucha actividad y un sinfín de riesgos sin cuantificar? La respuesta es una infraestructura de verificación. Por ejemplo, un juez federal en Texas ahora exige que los abogados certifiquen que cualquier texto redactado por IA ha sido verificado mediante investigación jurídica tradicional.

Se necesita un cambio similar en el ámbito laboral administrativo. Si las empresas desean que los agentes de IA modifiquen código, transfieran fondos y presenten documentación, requerirán trazabilidad de las reclamaciones, registros de auditoría y estándares claros de diligencia debida. Este tipo de cambio institucional no se produce al ritmo de los lanzamientos de modelos. Hasta que las regulaciones, los departamentos de cumplimiento normativo, las normas profesionales, las aseguradoras y los tribunales se adapten, el potencial de la IA seguirá siendo limitado.

El autor es profesor asociado de IA y trabajo en el Oxford Internet Institute y director del programa El futuro del trabajo en la Oxford Martin School, es autor, entre otras obras, de Cómo termina el progreso: tecnología, innovación y el destino de las naciones. (Princeton University Press, 2025).

Copyright: Project Syndicate, 2026.
www.project-syndicate.org