For quite some time now, we have been living through a moment of almost unrestrained enthusiasm surrounding artificial intelligence. Big Tech companies that own the major large language models, together with governments and large corporations making multi-billion-dollar investments in generative AI, promise — and expect — spectacular productivity gains, extraordinary returns on investment, significant cost reductions, and a radical transformation of economic growth. The dominant narrative seems clear: AI will become the great engine of prosperity for the next decade.
However, if we want a more rational perspective on what is actually happening, it is worth revisiting Daron Acemoglu’s -winner of the 2024 Nobel Prize in Economics and professor of economics at MIT- paper The Simple Macroeconomics of AI. Dense and published a couple of years ago, its arguments and analytical framework remain perfectly applicable to today’s AI landscape.
Acemoglu invites us to view these expectations with far greater caution. His central thesis is both simple and uncomfortable: the macroeconomic effects of AI depend fundamentally on two very concrete variables — what real percentage of tasks AI will actually be able to transform, and how much cost reduction or productivity improvement it will generate in those tasks. And once the available data are analyzed within his framework, the numbers turn out to be far less spectacular than current discourse often suggests.
Using current estimates of occupational exposure to AI and observed productivity improvements in specific tasks, Acemoglu concludes that aggregate total factor productivity growth could remain below 1% over ten years. That is a long way from the almost revolutionary narratives dominating much of today’s technological and financial debate.
One of the paper’s most interesting contributions is its distinction between “easy-to-learn” and “hard-to-learn” tasks. AI performs particularly well in activities where objectives are clearly defined and there are objective metrics of success: basic programming, information classification, text generation, or structured customer support. But much of valuable human work — diagnosis, creativity, contextual decision-making, expert judgment — remains far more difficult to replicate.
Acemoglu also reminds us of something fundamental that is often forgotten amid technological euphoria: every major technology generates enormous organizational adjustment costs. Companies do not transform automatically simply because they adopt a new tool. Processes, structures, incentives, and human capabilities must evolve as well — and that process is usually slow and expensive. Drawing on classic research on digitalization, the author reminds us that productivity gains often follow a J-curve: long initial periods of adaptation before meaningful benefits materialize. Greenwood, Yorukoglu, and Brynjolfsson, among others, already estimated that, in the case of digital technologies, the lower part of that curve could last at least 20 years. If the same pattern holds for AI, even today’s cost-saving estimates may be significantly overstated for the next decade.
Be careful with the siren songs and the inflated numbers. Spreadsheets can justify almost anything.
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.
