Sobre mejora de la productividad, ahorros de costes y retorno de la inversión de la IA (generativa)
Posted: May 17th, 2026 | Author: Domingo | Filed under: Artificial Intelligence | Tags: AI Macroeconomics, Daron Acemoglu | Comments Off on Sobre mejora de la productividad, ahorros de costes y retorno de la inversión de la IA (generativa)Vivimos desde hace tiempo un momento de entusiasmo desbordado alrededor de la inteligencia artificial. Las grandes tecnológicas propietarias de los grandes modelos de lenguaje, junto con gobiernos y grandes corporaciones que empiezan a realizar inversiones multimillonarias en IA generativa, prometen (y esperan) aumentos espectaculares de productividad, retornos extraordinarios sobre la inversión, reducción significativa de costes, y una transformación radical del crecimiento económico. El relato dominante parece claro: la IA será la gran palanca de prosperidad de la próxima década. No obstante, a fin de tener una visión más racional de lo que está pasando, es bueno recuperar el artículo científico de Daron Acemoglu, premio Nobel de Economía en 2024 y profesor de esa misma materia en el MIT: The Simple Macroeconomics of AI. Denso, publicado hace un par de años, los argumentos y el marco analítico que presenta son perfectamente aplicables a lo que está pasando alrededor de la IA a día de hoy.
Acemoglu invita a contemplar estas expectativas con bastante más cautela. Su tesis central es sencilla e incómoda: los efectos macroeconómicos de la IA dependen, fundamentalmente, de dos variables muy concretas: qué porcentaje real de tareas podrá transformar dicha tecnología y cuánto ahorro de costes o mejora de productividad generará en esas tareas. Y cuando se aterrizan y se analizan los datos disponibles dentro de su marco analítico, las cifras resultan bastante menos espectaculares de lo que hoy suele afirmarse.
Utilizando estimaciones actuales sobre exposición ocupacional a la IA y mejoras de productividad observadas en tareas concretas, Acemoglu concluye que el incremento acumulado de productividad total de los factores podría situarse por debajo del 1% en diez años. Muy lejos, por tanto, de las narrativas casi revolucionarias que dominan hoy buena parte del debate tecnológico y financiero.
Uno de los aspectos más interesantes del artículo es su distinción entre tareas “fáciles de aprender” y tareas “difíciles de aprender”. La IA funciona especialmente bien en actividades donde los objetivos están claramente definidos y existen métricas objetivas de éxito; a saber, programación básica, clasificación de información, generación de texto o atención al cliente estructurada. Pero gran parte del trabajo humano valioso (diagnóstico, creatividad, toma de decisiones contextual, juicio experto) sigue siendo mucho más difícil de replicar.
Además, Acemoglu recuerda algo fundamental que suele olvidarse en medio de la euforia tecnológica: toda gran tecnología genera enormes costes de adaptación organizativa. Las empresas no se transforman automáticamente porque adopten una nueva herramienta. Procesos, estructuras, incentivos y capacidades humanas necesitan evolucionar, y eso suele ser lento y costoso. De hecho, retomando trabajos clásicos sobre digitalización, el autor recuerda que las ganancias de productividad suelen seguir una curva en J: largos periodos iniciales de adaptación antes de que aparezcan beneficios significativos. Greenwood, Yorukoglu y Brynjolfsson, entre otros, ya estimaban que, en el caso de las tecnologías digitales, la parte baja de esa curva podía prolongarse durante al menos 20 años. Si esto vuelve a cumplirse con la IA, incluso las actuales estimaciones de ahorro de costes podrían estar considerablemente sobrevaloradas para la próxima década.
Ojo, con los cantos de sirena y las cifras infladas. El Excel lo aguanta todo.
