La IA tiene dos relojes: el gasto de hoy y la productividad de mañana

La factura llega antes que la mejora

Una empresa compra una herramienta de inteligencia artificial.

La factura llega este mes. El trabajo de aprender a utilizarla, cambiar procesos y comprobar sus resultados empieza después.

Ese desfase abre una pregunta económica: ¿qué parte del entusiasmo describe gasto que ya se está realizando y qué parte describe mejoras que todavía hay que demostrar?

Pueden existir las dos cosas. Lo difícil es medirlas sin confundirlas.

Una pregunta para la política monetaria

El 20 de octubre, Edward S. Robinson, economista jefe de la autoridad monetaria de Singapur, planteó el contraste entre la demanda que impulsa la inversión en IA y sus efectos futuros sobre la oferta. También advirtió que el efecto neto sobre el tipo de interés neutral sigue siendo incierto [1]. Es un análisis atribuido, no una estimación causal de esta revista.

Para entender el mecanismo, imaginemos una empresa que construye una instalación. Mientras la prepara, contrata equipos y trabajo. La capacidad de prestar el nuevo servicio puede llegar más tarde. Este ejemplo hipotético distingue dos momentos, sin demostrar que todo gasto en IA presione los precios ni que explique la inflación actual.

Si existen recursos disponibles, el gasto puede encontrar una respuesta rápida. Si algunos componentes escasean, el ajuste puede ser distinto. Para pasar de esa posibilidad a una conclusión sobre una economía concreta hacen falta datos sobre capacidad, utilización y costes.

Producir más por hora no significa una sola cosa

El Bureau of Labor Statistics distingue productividad laboral, producción por hora trabajada, y productividad total de los factores, que relaciona la producción con los insumos combinados. La primera puede mejorar cuando cada trabajador dispone de más capital, sin que toda la ganancia corresponda a una mayor eficiencia conjunta [2].

La intensificación del capital describe ese aumento del capital disponible por unidad de trabajo. Nos ayuda a formular una pregunta: ¿estamos logrando más con recursos adicionales o usando mejor el conjunto de recursos? Ambas mejoras pueden ser valiosas, pero no cuentan la misma historia.

Imaginemos un equipo que pasa de resolver cien tareas a ciento veinte en el mismo número de horas, gracias a una herramienta nueva. Ha aumentado su producción por hora bajo ese supuesto. Para valorar el resultado económico todavía debemos conocer el coste de la herramienta y comprobar que las tareas mantienen una calidad comparable. El ejemplo no es una medición real ni una predicción.

Lo que sí encontró un estudio en el trabajo real

Brynjolfsson, Li y Raymond estudiaron la introducción escalonada de un asistente generativo entre 5.172 agentes de atención al cliente de una empresa. El artículo, publicado en 2025, estima un aumento medio del 15 % en incidencias resueltas por hora. Los efectos fueron heterogéneos: los trabajadores menos experimentados mejoraron más, mientras que los de mayor experiencia obtuvieron pequeñas ganancias de velocidad y pequeñas caídas de calidad [3].

El resultado aporta evidencia sobre esa herramienta, tarea y organización. No equivale a afirmar que la IA eleva un 15 % el PIB, que todas las empresas lograrán lo mismo o que la tecnología actual reproduce exactamente aquella intervención.

Para un lector que decide cómo adoptar una herramienta, la pregunta que deja abierta es concreta: qué tarea quiere mejorar, con qué medida y qué diferencia observa entre personas y situaciones. El promedio no sustituye ese examen.

Del piloto al resultado económico

Nuestra propuesta de seguimiento empieza por una tarea delimitada y una referencia anterior. Después hay que examinar el tiempo necesario, la calidad y los costes completos, incluidos aprendizaje, supervisión y correcciones. Es una pauta editorial, no un procedimiento experimental validado.

También importa qué ocurre con el tiempo liberado. Puede destinarse a atender más demanda, mejorar el servicio o reducir trabajo repetitivo. Ahorrar minutos en una tarea no demuestra por sí solo que toda la organización produzca más ni que la misma mejora llegue al cliente.

Una comparación antes y después puede orientar, pero otros cambios simultáneos pueden explicar parte del resultado. Cuando sea viable, conviene buscar comparaciones que permitan separar mejor el efecto de la herramienta del de la formación, el cambio de personal o una demanda distinta.

Tres preguntas para no mezclar los relojes

Primera: ¿qué se ha pagado? El CAPEX y el gasto en herramientas describen recursos comprometidos. No certifican por sí solos el beneficio que producirán.

Segunda: ¿qué mejora se ha observado? Una medida de producción por hora necesita una tarea, un periodo y un criterio de calidad. Conviene distinguir el resultado comprobado de la promesa comercial.

Tercera: ¿quién conserva el valor? Una mejora puede repartirse entre clientes, trabajadores y propietarios, o consumirse en costes. Sin estudiar precios, competencia y organización, no podemos deducir cuánto se convertirá en margen o caja.

Qué nos haría revisar esta lectura

Una difusión rápida, mejoras persistentes de calidad y menores costes de adopción podrían acortar el desfase. Evidencias amplias y comparables de eficiencia justificarían dar más peso a la capacidad productiva ya materializada.

También habría que revisar expectativas si las ganancias desaparecen al sumar supervisión, errores y mantenimiento, o si una herramienta útil en un entorno no se transfiere a otros. Son condiciones para comprobar, no resultados que este artículo haya encontrado.

Aquí no calculamos una contribución de la IA al crecimiento ni una trayectoria de inflación o tipos. La conclusión es una exigencia de lectura: fechar el gasto y fechar la mejora antes de dar por probado que avanzan juntos.