Productividad con IA: funciona mejor para quienes están perdiendo su empleo  June 29th 2026

La versión corta

Cuatro de los estudios sobre el trabajo más citados de la era de la IA, leídos uno al lado del otro, cuentan la misma historia: las ganancias de productividad de la IA son reales pero radicalmente desiguales, y se inclinan hacia los inexpertos, las tareas bien acotadas y lo verificable. No hacia los expertos que hacen trabajo difícil y conocido, ni hacia las empresas que compran pilotos.

• Los agentes de atención al cliente fueron un 14 % más productivos en promedio, pero +34 % los novatos y casi cero los veteranos (Brynjolfsson, Li y Raymond, Generative AI at Work, NBER/QJE).
• Los consultores de BCG que usaron GPT-4 completaron un 12,2 % más de tareas, un 25 % más rápido y con mejor calidad, pero solo dentro de la "frontera irregular" de la IA. En una tarea elegida para quedar fuera de esa frontera, los consultores con IA tuvieron un 19 % menos de probabilidad de acertar (Dell'Acqua et al., SSRN).
• Los desarrolladores de open source con experiencia fueron un 19 % más lentos con IA en sus propios repositorios, mientras creían que iban un 20 % más rápido (ensayo aleatorizado de METR, arXiv 2507.09089).
• Y el 95 % de los pilotos empresariales de IA generativa no tuvo ningún impacto medible en las cuentas (MIT NANDA, State of AI in Business 2025, vía Fortune).

Súmalos y la respuesta a "¿para quién?" deja de ser un eslogan y se vuelve un mapa.

Quién se vuelve más rápido, y no es quien crees

El hallazgo más limpio de toda la literatura es también el más contraintuitivo: la IA nivela hacia arriba a los de abajo, no a los de arriba.

En el estudio de Brynjolfsson con 5.179 agentes de soporte, la ganancia media del 14 % la cargaron casi por completo los trabajadores con menos experiencia (+34 %), mientras que los más experimentados apenas se movieron. La IA funcionó codificando el saber tácito de los mejores agentes y entregándoselo a los más nuevos, comprimiendo en un prompt meses de aprendizaje en el puesto. El experimento de consultoría de BCG/HBS encontró la misma forma desde el otro lado: los de rendimiento por debajo del promedio fueron los que más ganaron, y la tecnología estrechó la brecha entre consultores flojos y fuertes.

Y luego los expertos. El ensayo aleatorizado de METR puso a 16 desarrolladores veteranos a resolver 246 tareas reales en repositorios que ellos mantienen. Con las herramientas de IA permitidas, tardaron un 19 % más. La parte que debería perseguir a cada publicación de LinkedIn del tipo "la IA me volvió 10x": los desarrolladores esperaban un 24 % de aceleración y, aun después de terminar más lento, seguían creyendo que la IA los había acelerado un 20 %. No podían sentir el impuesto que estaban pagando. METR es cuidadoso con el alcance: el resultado corresponde a herramientas de principios de 2025, desarrolladores expertos y bases de código conocidas, y explícitamente no se generaliza a juniors ni a código desconocido. Pero ese matiz es el hallazgo: la ralentización se concentra justo donde la experiencia y el contexto son mayores.

La idea que lo unifica todo es la "frontera irregular". La IA es brutalmente buena en algunas tareas y está segura de sí misma equivocándose en las contiguas, y el borde entre unas y otras es invisible e irregular. Dentro de la frontera, los consultores de BCG volaron. Empujados un poco fuera de ella, a una tarea que parecía similar pero exigía un criterio que la IA no tenía, los consultores con IA tuvieron una probabilidad medible mayor de equivocarse, porque la confianza fluida de la herramienta es la misma a ambos lados de la línea. La productividad, entonces, no es una propiedad de la IA. Es una propiedad del encaje entre la tarea, la herramienta y si el humano sabe darse cuenta de cuándo le está mintiendo.

Quién paga las ganancias que nunca aparecen

Si las personas ven ganancias reales (aunque desiguales), el panorama empresarial es más crudo. El estudio NANDA del MIT, 150 entrevistas a directivos, 350 encuestas a empleados y 300 despliegues públicos, halló que solo el 5 % de los pilotos de IA generativa produjo una aceleración rápida de ingresos; el otro 95 % se estancó con poco o ningún impacto medible en las cuentas. El obstáculo no era la calidad del modelo. Era la "brecha de aprendizaje": organizaciones que atornillan la IA a flujos de trabajo sin cambiar. Y algo revelador: los proyectos comprados a un proveedor tuvieron éxito cerca del 67 % de las veces; los desarrollos internos apenas un tercio de eso, y el verdadero retorno estaba en la nada glamorosa automatización administrativa, no en las herramientas de ventas y marketing que se comieron la mayor parte del presupuesto.

El mercado ya está sintiendo esa brecha en efectivo. Lo que compartieron los expertos esta semana: las empresas están "corriendo para dejar de gastar tanto en IA" a medida que las facturas de inferencia se disparan (el "Tokenpocalypse" de 404 Media), y la historia aleccionadora del ciclo, Ford "contrató IA y despidió humanos", y le salió muy mal, circula precisamente porque es lo contrario del pitch deck.

La parte que las demos esconden

Tres costos no aparecen en ningún panel de productividad, pero salen por todas partes en los reportajes:

• La nómina humana oculta. Buena parte de la "productividad de la IA" es en realidad productividad humana, reubicada y vuelta invisible: los sistemas los entrenan y corrigen ejércitos de trabajadores de datos, muchos en el Sur Global y pagados con una fracción de los salarios occidentales, cuyo trabajo el Instituto DAIR documentó en detalle. El resultado parece autónomo; la nómina detrás casi nunca lo es.
• Las ganancias se gastan en más trabajo, no en menos. La "era del burnout por IA" de Bloomberg documenta que las personas más cercanas a la IA trabajan más que nunca; el CEO de una startup cuenta que durmió en la oficina tres semanas seguidas. Cuando la IA despeja el trabajo de relleno, las horas liberadas se rellenan con trabajo de mayor riesgo y ciclos más rápidos. El tiempo ahorrado se convierte en producción exigida.
• Atrofia de habilidades. Los ingenieros empiezan a escribir ensayos sobre esto (uno fue tendencia en Hacker News esta semana) que argumentan que la IA erosiona el "estado de flujo" que hacía que el oficio valiera la pena, y que delegar las partes difíciles vacía en silencio la experiencia que una organización necesitará cuando la herramienta se equivoque.

La simetría cruel

Aquí está el giro que debería anclar cómo lees todo esto. El economista cuya investigación muestra con más claridad que la IA vuelve más productivos a los trabajadores junior, Erik Brynjolfsson de Stanford, también dirige el panel que muestra a la IA dejando sin empleo a los trabajadores junior. Su indicador Canaries, construido sobre datos de nómina de ADP que cubren a cerca de 1 de cada 6 trabajadores de EE. UU., encuentra que el empleo de los jóvenes de 22 a 25 años en los puestos más expuestos a la IA cae mientras sube para sus pares menos expuestos: evidencia temprana y a gran escala de que están retirando los primeros peldaños (Fortune, 27 de junio). Los dos hallazgos no se contradicen; son el mismo hecho. La IA le da su mayor impulso de productividad al novato, y por eso mismo el puesto del novato es el primero que una empresa decide que puede eliminar. Estamos automatizando de la forma más eficiente el peldaño que solías subir para convertirte en el experto que la IA no puede reemplazar. Nadie ha respondido qué pasa con la cantera de expertos cuando el aprendizaje es justo lo que optimizamos hasta hacerlo desaparecer.

Entonces, ¿de verdad funciona? Una guía de campo

La síntesis honesta no es "sí" ni "no". Es un conjunto de condiciones. La IA sube la productividad de forma fiable cuando: la tarea está bien acotada y el resultado es verificable (puedes distinguir rápido lo bueno de lo malo); cae dentro de la competencia del modelo; y quien trabaja es un novato en tareas rutinarias o un experto que trata a la IA como un borrador que hay que revisar, no como un oráculo. Falla o sale por la culata cuando: el trabajo es de criterio abierto, el humano no puede verificar fácilmente la respuesta, el experto ya va más rápido que el ciclo de revisar-a-la-IA, o una organización compra una herramienta sin rediseñar el flujo de trabajo a su alrededor. Los que ganan no son ni los más ni los menos técnicos: son quienes saben exactamente dónde está la frontera irregular y nunca confían en la herramienta más allá de ella.

Puntos clave

• Las ganancias son reales, pero pesan hacia abajo. Los mayores impulsos de productividad medidos de la IA van a los novatos y a los de rendimiento por debajo del promedio; para los expertos en trabajo conocido, el efecto se reduce a cero o se invierte.
• No puedes sentirlo. Los desarrolladores de METR fueron un 19 % más lentos y estaban un 20 % seguros de ir más rápido. Las ganancias "10x" autoinformadas no son evidencia; el rendimiento verificable sí.
• El cuello de botella es la organización, no el modelo. El 95 % de los pilotos empresariales no devuelve nada, y el 5 % que funciona compra herramientas enfocadas y rediseña el flujo de trabajo en lugar de atornillarle la IA encima.
• La historia de la productividad y la del empleo son una sola. La IA ayuda más al trabajador junior, que es exactamente por lo que el puesto junior se recorta primero. Planifica ya para la cantera de expertos que faltará.

Vale la pena leer

• Generative AI at Work — Brynjolfsson, Li y Raymond. El estudio fundacional del "los novatos ganan más" (NBER / Quarterly Journal of Economics).
• Measuring the Impact of Early-2025 AI on Experienced Developers — METR. El ensayo del 19 %-más-lento-pero-se-sintió-más-rápido, con sus propias advertencias honestas.
• Navigating the Jagged Technological Frontier — Dell'Acqua et al., Harvard Business School / BCG. Dónde ayuda la IA y dónde perjudica en silencio.
• The GenAI Divide: State of AI in Business 2025 — MIT NANDA. El número del 95 % y qué hace distinto el 5 %.
• Canaries in the Coal Mine — Stanford Digital Economy Lab. Evidencia en vivo, con datos de nómina, sobre la IA y el empleo de nivel inicial.

Wait, What?

A partir del 8 de julio, Claude podría pedirte el pasaporte. Y tu cara. Para las cuentas marcadas por abuso, Anthropic exigirá una identificación oficial más un selfie con reconocimiento facial, procesado por el proveedor externo Persona, que construye una plantilla de geometría facial: datos que varios estados de EE. UU. clasifican como información biométrica legalmente protegida (TechCrunch). Es una exigencia inusualmente física para un chatbot, y una pequeña señal de hacia dónde va la relación: la herramienta que se supone que trabaja para ti cada vez quiere saber mejor quién eres exactamente.

La encuesta de esta semana

¿Dónde te ha hecho la IA de verdad más productivo a ti?

Hasta aquí la edición especial. Responde y cuéntame en qué bando estás: las respuestas honestas son lo más útil que publicamos.

— Alexis