Inteligencia artificial y economía: por qué debemos prepararnos ahora.
Tiempo de lectura: 15 min
La inteligencia artificial ya no es solo una innovación tecnológica, un asistente de escritura o una nueva herramienta de marketing. Se está convirtiendo gradualmente en una infraestructura económica, capaz de cambiar la forma en que las empresas producen, reclutan, organizan el trabajo y distribuyen el valor.
El 13 de julio de 2026, más de 200 economistas, investigadores de inteligencia artificial y líderes tecnológicos publicaron una declaración conjunta titulada "Debemos actuar ahora ". Entre ellos se encontraban 16 premios Nobel, así como figuras de empresas como Google, OpenAI y Anthropic.
El texto consta de apenas unas pocas frases. Sin embargo, su mensaje es significativo: la IA podría provocar, en los próximos diez años, una transformación económica de una magnitud comparable o incluso mayor que la de la revolución industrial, pero en un plazo mucho más breve.
Los autores no pretenden conocer el futuro con exactitud. Más bien, hacen un llamamiento a economistas, responsables políticos y líderes tecnológicos para que no esperen a que las consecuencias sean visibles antes de empezar a prepararse para ellas.
Una advertencia, pero no una profecía catastrófica.
La declaración «Debemos actuar ahora» no predice la inevitable desaparición del trabajo ni el colapso de las economías contemporáneas. Por el contrario, reconoce que la inteligencia artificial podría generar importantes aumentos de productividad, fomentar la innovación científica y mejorar el nivel de vida.
Pero también pone de relieve el riesgo de un desplazamiento masivo de puestos de trabajo , una mayor concentración de la riqueza y una brecha cada vez mayor entre el ritmo del desarrollo tecnológico y el de las instituciones responsables de regularlo.
Por lo tanto, la verdadera cuestión no reside únicamente en lo que la IA será técnicamente capaz de lograr, sino en determinar cómo se utilizarán estas capacidades, quién las utilizará y con qué propósito.
La misma tecnología puede mejorar las habilidades de los trabajadores o, por el contrario, hacerlas prescindibles. Puede difundir el conocimiento por toda la organización o concentrar el poder de decisión en manos de unos pocos. Puede generar prosperidad generalizada o ampliar las brechas entre empresas, profesiones y regiones.
El resultado no dependerá únicamente del rendimiento de los modelos de IA. Dependerá de las decisiones de inversión, las políticas públicas, la legislación laboral, la fiscalidad, la formación y el gobierno corporativo.
¿La IA realmente mejora la productividad?
El trabajo empírico inicial proporciona evidencia alentadora.
En el estudio "Inteligencia Artificial Generativa en el Trabajo", Erik Brynjolfsson, Danielle Li y Lindsey Raymond observaron a más de 5000 agentes que trabajaban en un departamento de atención al cliente. La introducción de un chatbot con inteligencia artificial resultó en un aumento promedio de la productividad.
Pero el resultado más interesante reside en otro lugar: los beneficios fueron especialmente significativos para los empleados con menos experiencia . La herramienta les permitió beneficiarse rápidamente de formulaciones, métodos de resolución de problemas y mejores prácticas que generalmente se adquieren tras varios años de experiencia.
La IA actuó entonces menos como un sustituto y más como un mecanismo para transmitir el conocimiento tácito de la empresa. Capturó ciertas prácticas de los mejores empleados y las hizo accesibles a los demás.
Esta observación abre una perspectiva positiva. Si se utiliza correctamente, la IA puede reducir el tiempo necesario para desarrollar habilidades, mejorar la calidad del servicio y ayudar a los nuevos empleados a alcanzar niveles de experto con mayor rapidez.
Sin embargo, surge una pregunta: ¿qué ocurre con el aprendizaje humano cuando los principiantes reciben la respuesta directamente sin tener que elaborar su propio razonamiento?
Las mejoras inmediatas en el rendimiento no garantizan necesariamente el desarrollo de habilidades duraderas. Una organización puede ahorrar unos minutos hoy, pero crear una dependencia tecnológica que la debilitará mañana.
La paradoja de la productividad
La presencia de tecnología potente no se traduce automáticamente en un aumento inmediato de la productividad general.
Erik Brynjolfsson, Daniel Rock y Chad Syverson describieron este fenómeno en su trabajo sobre la "paradoja de la productividad moderna". A pesar del rápido progreso de la inteligencia artificial, las estadísticas macroeconómicas no siempre reflejan las ganancias espectaculares que se habían pronosticado.
Este retraso no es necesariamente prueba de que la tecnología no funcione. Puede corresponder a un período de adaptación.
Las grandes innovaciones tecnológicas generalmente requieren inversiones adicionales: rediseño de procesos, capacitación de equipos, evolución de los sistemas de información, reorganización de responsabilidades y creación de nuevos productos o modelos de negocio.
No basta con instalar una herramienta. La organización debe reinventarse en torno a sus nuevas posibilidades.
La historia de la electricidad ofrece una comparación frecuentemente citada. Las primeras fábricas electrificadas a veces conservaban una organización diseñada para máquinas de vapor. Habían sustituido la fuente de energía sin modificar la distribución de los talleres ni el flujo de trabajo. Los avances más significativos surgieron cuando las empresas rediseñaron por completo su sistema de producción.
La inteligencia artificial podría seguir una trayectoria similar. Las empresas que simplemente incorporen un chatbot a sus procesos existentes probablemente obtendrán beneficios limitados. Aquellas que replanteen el flujo de información, los pasos de validación y la asignación de tareas podrán lograr transformaciones más profundas.
¿Aumentar las capacidades humanas o reemplazarlas?
En "La trampa de Turing", Erik Brynjolfsson advierte sobre una tendencia particular en el desarrollo tecnológico: el deseo de diseñar máquinas que imiten a los seres humanos para reemplazarlos.
Esta ambición es comprensible. La automatización permite reducir costes y ejecutar tareas repetitivas a gran escala. Sin embargo, puede llevar a las empresas a medir el progreso únicamente por el número de puestos de trabajo eliminados.
Otra estrategia consiste en crear sistemas que complementen las capacidades humanas . La IA puede analizar más información, detectar anomalías, sugerir escenarios o preparar una versión inicial. De esta forma, los humanos conservan la comprensión del contexto, el juicio, la responsabilidad y la capacidad de tomar decisiones.
Esta distinción es crucial en los entornos de tecnología de marketing . La IA puede generar segmentos, sugerir asuntos de correo electrónico o identificar comportamientos atípicos. Sin embargo, no debe decidir unilateralmente sobre la presión de venta aceptable, la interpretación ética de datos sensibles o la respuesta apropiada a un cliente vulnerable.
CITA
erik brynjolfsson“La trampa de Turing”, Laboratorio de Economía Digital de Stanford, 2022.
« Cuando la IA aumenta las capacidades humanas, permitiendo a las personas lograr cosas que antes no podían, los humanos y las máquinas se vuelven complementarios. »
Por lo tanto, el debate no se limita a la automatización de una profesión, sino que concierne a la distribución de tareas dentro de cada profesión.
Algunas actividades se automatizarán. Otras se acelerarán. Surgirán nuevas responsabilidades en torno al control, la validación, la calidad de los datos, la explicabilidad y el manejo de excepciones.
¿Por qué las previsiones siguen siendo tan diferentes?
Los economistas distan mucho de estar de acuerdo en la magnitud de las transformaciones que se avecinan.
Daron Acemoglu, en particular, adopta una postura cautelosa. En "La macroeconomía simple de la IA", argumenta que los efectos macroeconómicos podrían ser significativos, pero mucho más modestos de lo que sugieren algunos escenarios tecnológicos. Su estimación principal arroja un crecimiento limitado de la productividad general a lo largo de una década.
Su razonamiento se basa en una distinción fundamental entre la capacidad técnica para automatizar una tarea y su rentabilidad real.
Una demostración exitosa en un entorno controlado no significa que un sistema pueda implementarse a gran escala. Algunas tareas son fáciles de medir y estandarizar. Otras requieren comprender el contexto, asumir responsabilidades legales, establecer una relación de confianza o tener la capacidad de gestionar situaciones excepcionales.
Las ganancias económicas también dependen de la calidad de los usos elegidos. Automatizar una operación de bajo valor no necesariamente genera mucho valor. Acelerar la producción de contenido mediocre puede incluso aumentar los costos de verificación, la confusión informativa y la fatiga del consumidor.
Incrementar el volumen de producción no siempre es sinónimo de aumentar la productividad. Una empresa puede lanzar más campañas, producir más variantes y generar más informes sin mejorar sus resultados financieros.
La productividad real significa producir más valor con recursos comparables, no solo producir más artículos cuantificables.
La IA como forma de reducir el coste de la predicción
Ajay Agrawal, Joshua Gans y Avi Goldfarb ofrecen otra interpretación en el libro "Máquinas de predicción".
Según ellos, la IA puede entenderse como una tecnología que reduce significativamente el coste de la predicción . No se trata solo de pronosticar el tiempo, las ventas o la pérdida de clientes. En un sentido más amplio, la predicción implica utilizar los datos disponibles para estimar información desconocida.
Un sistema de recomendaciones predice qué podría gustarle a un usuario. Una herramienta de puntuación estima la probabilidad de que un cliente potencial realice una compra. Un modelo antifraude evalúa el riesgo de que una transacción sea ilegítima. La IA generativa predice la continuación más relevante de un texto, código o imagen.
Cuando el coste de la predicción disminuye, las empresas pueden utilizarla en más decisiones. Pero este avance aumenta simultáneamente el valor de otros recursos: datos, criterio, establecimiento de objetivos y rendición de cuentas.
Una predicción no es una decisión. No especifica qué debe hacer la empresa, qué riesgos acepta ni qué consecuencias considera legítimas.
Cuanto más accesible sea la predicción, más crucial se vuelve la calidad del juicio humano y organizacional.
Empleo: ¿Desaparición de puestos de trabajo o reestructuración de tareas?
Los debates sobre el empleo suelen contraponer dos escenarios simplistas . En el primero, la inteligencia artificial eliminaría puestos de trabajo de forma masiva. En el segundo, sería simplemente una herramienta adicional, comparable a una hoja de cálculo o un motor de búsqueda.
La realidad probablemente será más heterogénea.
Un trabajo se compone de muchas tareas. Algunas son repetitivas y fácilmente automatizables. Otras dependen de la negociación, la empatía, la experiencia, la responsabilidad o el conocimiento de situaciones específicas.
Por lo tanto, la IA puede transformar un trabajo sin hacerlo desaparecer. También puede reducir el número de personas necesarias para realizar una actividad, al tiempo que aumenta la demanda de nuevas habilidades.
Los puestos y roles de nivel inicial dentro de las empresas merecen especial atención. Cuando una organización automatiza las tareas más sencillas, a veces elimina precisamente las actividades mediante las cuales los principiantes aprendieron el trabajo.
Una empresa que automatiza todos los niveles iniciales de trabajo debe preguntarse cómo formará a sus futuros expertos.
Este tema atañe directamente al marketing, la comunicación, el desarrollo de TI, la consultoría y el servicio al cliente. Las tareas de investigación, redacción inicial, elaboración de informes y preparación pueden recibir un amplio apoyo. Sin embargo, también constituyen pasos esenciales en el aprendizaje profesional.
Por lo tanto, la capacitación ya no puede considerarse un simple apoyo para la adopción. Debe integrarse en el propio diseño de los nuevos procesos.
" Es improbable que los salarios aumenten cuando los trabajadores no pueden reclamar la parte que les corresponde de las ganancias de productividad. "
Daron Acemoglu y Simon Johnson, citado por el Departamento de Economía del MIT, 2024.
Los efectos varían según la empresa.
No todas las organizaciones se beneficiarán de la inteligencia artificial de la misma manera.
Las grandes empresas suelen tener más datos, capacidad informática, recursos legales y habilidades especializadas. Pueden entrenar o adaptar modelos, negociar con proveedores y absorber más fácilmente los costos asociados a la experimentación.
Las pequeñas empresas también se benefician de los servicios de IA accesibles en la nube. Sin embargo, corren el riesgo de depender de unas pocas plataformas para sus herramientas, datos y procesos de toma de decisiones.
Esta concentración podría fortalecer el poder de los proveedores de infraestructura y de las empresas con los modelos de mejor rendimiento. Además, plantea interrogantes sobre la competencia, la soberanía, la portabilidad de los datos y el reparto del valor.
Los autores de «La macroeconomía de la inteligencia artificial», publicado por el Fondo Monetario Internacional, hacen hincapié precisamente en este posible punto de inflexión. La IA puede conducir a un crecimiento inclusivo o a una mayor concentración de la renta y el poder económico. Las instituciones y las políticas públicas contribuirán a determinar el camino que se tome finalmente.
¿Qué deben preparar ahora las empresas?
Prepararse no significa predecir con exactitud de qué serán capaces los modelos dentro de cinco o diez años. Significa construir organizaciones capaces de adaptarse a diferentes escenarios.
La prioridad principal es mapear las tareas, no solo los puestos de trabajo. La empresa debe identificar qué operaciones pueden recibir asistencia, cuáles pueden automatizarse y cuáles requieren validación humana.
El segundo paso consiste en medir los beneficios más allá del tiempo ahorrado. También deben tenerse en cuenta la calidad, la tasa de errores, la satisfacción del cliente, el aprendizaje del equipo, la resiliencia y los costes de control.
La tercera prioridad se refiere a la retención de habilidades. Cuando un sistema asume una tarea, la organización debe asegurarse de conservar el conocimiento interno suficiente para detectar un error, recuperar el control o cambiar de proveedores.
Finalmente, la gobernanza debe preceder a los incidentes . Las normas relativas a los datos, las validaciones, la propiedad intelectual, la trazabilidad y la responsabilidad no pueden improvisarse después de la implementación.
En un entorno de tecnología de marketing, estos principios implican, en particular, conocer:
- ¿Qué datos se pueden transmitir a un modelo?
- qué contenido necesita ser validado por un ser humano;
- ¿Cómo se controlan los segmentos y las puntuaciones?
- quién sigue siendo responsable de una decisión automatizada;
- cómo medir errores, sesgos y falsos positivos;
- ¿Qué procedimiento se debe aplicar cuando un sistema produce un resultado inesperado?
El objetivo no es frenar sistemáticamente la innovación, sino lograr que su adopción sea sostenible.
Preparar las instituciones tanto como las tecnologías.
La declaración "Debemos actuar ahora" también está dirigida a los gobiernos y las instituciones.
Los sistemas educativos deberán capacitar a los estudiantes no solo en el uso de la IA , sino también en el pensamiento crítico, la verificación y la comprensión de las limitaciones de los modelos. La legislación laboral deberá abordar nuevas formas de supervisión, evaluación y asignación de responsabilidades. La tributación deberá adaptarse si el capital y las plataformas tecnológicas capturan una proporción cada vez mayor del valor.
Las políticas de competencia también deberán abordar la concentración de infraestructuras, modelos de negocio y datos. En cuanto a los sistemas de protección social, deberán ser capaces de respaldar transiciones profesionales potencialmente más rápidas y frecuentes.
Estas medidas no parten de la premisa de que se producirá el escenario más extremo. Son una forma de gestión de riesgos.
Cuando una transformación puede ser profunda, pero su alcance sigue siendo incierto, la inacción no es una postura neutral. Equivale a dejar que las decisiones del mercado y las dinámicas de poder existentes determinen por sí solas su trayectoria.
No elijas entre optimismo y pesimismo.
El trabajo de Brynjolfsson, Acemoglu, Korinek, Agrawal y muchos otros economistas no converge hacia una única previsión.
Brynjolfsson destaca la capacidad de la IA para potenciar la fuerza laboral y difundir las mejores prácticas. Acemoglu advierte que no se deben sobreestimar los beneficios macroeconómicos y que no todas las formas de automatización generan el mismo valor. Korinek analiza las posibles consecuencias para el trabajo, la desigualdad, la competencia y la gobernanza. Agrawal analiza la IA como una reducción en el costo de la predicción, lo que está transformando gradualmente todo el espectro de la toma de decisiones económicas.
Estos enfoques son menos contradictorios de lo que parecen.
Demuestran que la IA tiene un potencial significativo, pero que este potencial no se traducirá espontáneamente en progreso colectivo. Entre las capacidades de un modelo y una mejora real en el nivel de vida se encuentran las empresas, los sistemas educativos, las instituciones, las normas y las decisiones políticas.
En conclusión: una transformación que debe ser guiada, no simplemente soportada.
La principal lección de la declaración "Debemos actuar ahora" no reside necesariamente en que la inteligencia artificial vaya a eliminar millones de empleos, sino en que las decisiones tomadas antes de que la transformación sea plenamente visible influirán decisivamente en sus consecuencias.
Esperar una certeza absoluta sería ilusorio. Cuando las estadísticas confirman inequívocamente un colapso del mercado laboral, puede ser demasiado tarde para reconstruir rápidamente las habilidades, los sistemas de capacitación y los mecanismos de redistribución necesarios.
La inteligencia artificial no es una fuerza externa que impondrá mecánicamente un único futuro. Su impacto dependerá de cómo las organizaciones decidan automatizar, compartir las ganancias de productividad y preservar las capacidades humanas.
Por lo tanto, la pregunta ya no es simplemente: "¿Qué podrá hacer la IA?".
La pregunta es: "¿Qué tipo de economía queremos construir con esto?"
Algunas referencias
- “Debemos actuar ahora: Declaración sobre la transformación de la economía por la IA” – Laboratorio de Economía Digital de Stanford y firmantes – Laboratorio de Economía Digital de Stanford – Julio de 2026.
- "Inteligencia artificial generativa en acción" – Erik Brynjolfsson, Danielle Li y Lindsey R. Raymond – The Quarterly Journal of Economics – Mayo de 2025.
- “Inteligencia artificial y la paradoja de la productividad moderna: un choque entre expectativas y estadísticas” – Erik Brynjolfsson, Daniel Rock y Chad Syverson – Oficina Nacional de Investigación Económica – Noviembre de 2017.
- “La macroeconomía básica de la IA” – Daron Acemoglu – Oficina Nacional de Investigación Económica – Mayo de 2024.
- “La trampa de Turing: la promesa y el peligro de la inteligencia artificial similar a la humana” – Erik Brynjolfsson – Dædalus, Academia Estadounidense de Artes y Ciencias – primavera de 2022.
- “Máquinas de predicción: La economía básica de la inteligencia artificial” – Ajay Agrawal, Joshua Gans y Avi Goldfarb – Harvard Business Review Press – Abril de 2018.
- “La macroeconomía de la inteligencia artificial” – Erik Brynjolfsson y Gabriel Unger – Finanzas y Desarrollo, Fondo Monetario Internacional – diciembre de 2023.
- “Una agenda de investigación para la economía de la IA transformadora” – Erik Brynjolfsson, Anton Korinek y Ajay Agrawal – Oficina Nacional de Investigación Económica – septiembre de 2025.
