Lista de reproducción
- No hay más artículos para escuchar
La semana pasada, OpenAI y Anthropic anunciaron que lanzarán empresas de consultoría respaldadas por capital privado para impulsar sus modelos en los flujos de trabajo de las empresas medianas. Con el respaldo de Blackstone, Hellman & Friedman y Goldman Sachs, Anthropic está recaudando, según se informa, 1,500 millones de dólares para la empresa, mientras que OpenAI Según se informa, ha recaudado 4,000 millones de dólares de 19 inversores, encabezados por TPG, Brookfield y Bain, con una valoración de 10,000 millones de dólares.
Los 5.,500 millones de dólares combinados tienen como objetivo resolver el único problema que los laboratorios de vanguardia no pueden solucionar con mejores modelos: la paradoja de la productividad de la IA. Si bien las herramientas de IA generativa ya están ampliamente disponibles, sus beneficios aún no se reflejan en las estadísticas de productividad. Gallup constató que el porcentaje de adultos estadounidenses que utilizan herramientas de IA en el trabajo al menos algunas veces al año aumentó de menos de una cuarta parte a principios de 2023 a casi la mayoría en 2026.
Sin embargo, el crecimiento de la productividad de las empresas no agrícolas de EE. UU. ha mostrado poca mejora sostenida. Aunque hubo una breve aceleración en la productividad del sector empresarial no agrícola en 2024, Se espera que vuelvan a su nivel base a mediados de 2025. Estas tendencias reflejan la paradoja de la productividad de TI de la década de 1990, que finalmente se resolvió cuando las empresas se reorganizaron en torno a nuevas capacidades de TI. La pregunta abierta es si las mismas condiciones se dan hoy en día y, de ser así, dónde.
¿Cuál es el problema? En este artículo identifico la plasticidad organizacional como la variable clave. El crecimiento de la productividad depende de la capacidad de una empresa para convertir las mejoras a nivel de tarea en rendimiento a nivel de sistema, y esa capacidad, a su vez, depende de si el trabajo es legible, los procesos son modulares, la asignación de tareas es sustituible y los gerentes tienen la autoridad para rediseñar los flujos de trabajo. Cuando estas condiciones no se dan, la IA ahorra tiempo a las personas sin cambiar lo que produce la empresa.
La literatura económica estándar tiene el mismo punto ciego. El canónico empírico estudios por David Autor, Erik Brynjolfsson, Shakked Noy, Whitney Zhang y sus coautores miden la productividad individual en tareas aisladas. Un agente de atención al cliente puede resolver más incidencias, un consultor puede redactar mejores informes y un programador puede entregar código utilizable con mayor rapidez. Las mejoras son reales, pero no necesariamente agilizan el trabajo de la empresa.
Un experimento aleatorio de seis meses realizado por Eleanor Dillon, Sonia Jaffe, Nicole Immorlica y Christopher Stanton ilustra el problema. Proporcionaron a 7,137 trabajadores del conocimiento de 66 grandes empresas acceso a Microsoft 365 Copilot, integrado con el correo electrónico, los documentos y las reuniones. El tiempo dedicado al correo electrónico disminuyó, pero el tiempo en reuniones se mantuvo igual, y la cantidad y la composición de las tareas permanecieron sin cambios. La mayor parte de las horas ahorradas se tradujeron en menos noches trabajando desde casa, en lugar de una mayor productividad. Si bien cada empleado logró una mayor eficiencia, el sistema en su conjunto funcionó al mismo ritmo.
Los nuevos vehículos de los laboratorios de IA reconocen que la venta de tokens no resuelve este problema. Con ingenieros desplegados en el terreno, contratos plurianuales, plantillas de implementación replicadas en todas las empresas de su cartera y un rediseño de los flujos de trabajo específicos para cada sector, las empresas de consultoría que están lanzando tendrán precios y personal acordes a estas necesidades. Los laboratorios han llegado a la conclusión de que el valor de los modelos que han desarrollado reside en la transformación de las empresas, más que en la rentabilidad unitaria de una API.
China se está moviendo en la misma dirección, aunque a través de un canal diferente. En marzo, el agente de IA de código abierto OpenClaw escapó de la comunidad de desarrolladores y logró estatus de mercado masivo entre los usuarios chinos. En cuestión de días, estalló una guerra de plataformas. Zhipu lanzó AutoClaw, una instalación local con un solo clic que incluía docenas de habilidades precargadas. ByteDance lanzó ArkClaw como software en la nube. Tencent lanzó WorkBuddy para usuarios empresariales e integró QClaw y ClawBot en WeChat. Y Alibaba respondió con sus propias herramientas de orquestación. Dado que el código fuente abierto era gratuito, el modelo dejó de ser una fuente de ingresos sostenible. El valor se trasladó a otros ámbitos: a las instalaciones predeterminadas, la interfaz de usuario, la integración con aplicaciones de mensajería, etc.
La política industrial china también se ha adaptado. Durante dos décadas, los gobiernos locales compitieron por fábricas, sedes corporativas y nodos clave de la cadena de suministro ofreciendo concesiones de terrenos, infraestructura e incentivos fiscales. Luego, a principios de 2026, varios distritos y zonas de desarrollo comenzaron a implementar paquetes de subsidios para la adopción de OpenClaw, dirigidos no a empresas sino a operadores individuales. Hefei ofreció vales de computación. El distrito de Xiaoshan de Hangzhou fue más allá. Shenzhen posicionado Guangdong se consolida como un centro para empresas unipersonales impulsadas por IA. Con un marco provincial para el emprendimiento individual impulsado por la IA, Sichuan adoptó medidas similares.
Este enfoque funciona porque la infraestructura física ya está implementada. Un solo operador con una computadora portátil en Shanghái puede conectarse a las cadenas de suministro de Dongguan o Suzhou. Recursos informáticos subvencionados (capacidad de procesamiento), un agente preinstalado, mensajería integrada, pagos incorporados y acceso directo a fabricantes, proveedores de logística y mercados son suficientes para convertir a un individuo en una unidad de producción viable. Los agentes de IA transforman la empresa externamente, en lugar de rediseñarla internamente.
La apuesta estadounidense se centra en la experiencia. Las empresas con poca flexibilidad deben volverse flexibles desde dentro, con equipos remunerados de ingenieros desplegados en el terreno que trabajen en una empresa mediana a la vez. Pero si bien este enfoque podría generar un gran valor, es lento y requiere una gran inversión de capital.
La estrategia china es más radical. Parte de la premisa de que la propia empresa es el cuello de botella. En lugar de aumentar la flexibilidad de las empresas establecidas, China está reduciendo la escala organizativa mínima necesaria para producir. El resultado es un auge de agentes independientes, instalación por defecto, integración de superaplicaciones, subsidios públicos y millones de microempresas que operan en paralelo.
Ninguno de los dos enfoques garantiza el éxito. Los consultores estadounidenses podrían descubrir que el cambio organizacional se resiste a la escala, independientemente del número de ingenieros que incorporen. Los gobiernos locales chinos podrían subvencionar una oleada de automatización de baja calidad y emprendimientos especulativos unipersonales que fracasen estrepitosamente. En ambos casos, el problema fundamental es el mismo: convertir el ahorro de tiempo en tareas concretas en resultados económicos cuantificables. La competencia en IA ha superado la etapa de los chips, la capacidad de los centros de datos y el rendimiento de los modelos de vanguardia. Lo que importa ahora es la arquitectura social a través de la cual se implementa la inteligencia.
El autor es director ejecutivo de Stonal, una empresa tecnológica europea, asesor en inteligencia artificial de la confederación empresarial francesa MEDEF y miembro del grupo de expertos Fondapol, con sede en París. Es autor de ocho libros.
Copyright: Project Syndicate, 2026.
www.project-syndicate.org
