Por qué la productividad no explota incluso cuando se adopta la IA [Artículo traducido]

1. La paradoja de la productividad de Brynjolfsson, versión de la era GenAI

• Incluso cuando se introdujeron TI y PCs en los años 90, los indicadores de productividad casi no subieron frente a la inversión, y el punto central de la paradoja de la productividad de Brynjolfsson es que, sin complementos como reorganización de la empresa, rediseño del trabajo y cambios de habilidades, la tecnología por sí sola no eleva la productividad.
• Ahora también se ha adoptado la IA generativa de forma explosiva, pero la productividad de toda la economía o los cambios estructurales en las empresas siguen siendo limitados, y este texto lo resume como “High Adoption, Low Transformation”.

2. MIT NANDA: la GenAI Divide (brecha de IA generativa)

• El informe MIT NANDA plantea el concepto de GenAI Divide: aunque se han invertido miles de millones de dólares en GenAI, “solo alrededor del 5% de las empresas genera valor real de negocio (ROI), mientras que el 95% restante no obtiene mejoras en ingresos ni productividad”.
• Esta brecha no se define tanto por la capacidad técnica, sino por si una empresa logra construir sistemas tipo agente que aprendan, recuerden y se adapten, e integrarlos profundamente en los flujos de trabajo reales para producir resultados; hoy, los cambios estructurales con sentido se concentran sobre todo en industrias centradas en la información, como tecnología y medios.

3. ¿Por qué fracasa el 95%?

1. Brecha de aprendizaje (Learning Gap)

   • Mucha IA empresarial es una herramienta estática, por lo que no puede acumular ni aprender del feedback de los usuarios, no logra adaptarse al contexto ni mejorar a largo plazo, y como resultado los empleados recurren a IA de consumo para tareas simples, mientras que para trabajos importantes y complejos siguen dependiendo de las personas.

2. Desconexión entre piloto y producción

   • Las grandes empresas hacen muchos pilotos (POC), pero el porcentaje que llega a un despliegue real en toda la organización es muy bajo, y apenas cerca del 5% de la IA empresarial personalizada logra consolidarse en producción.
   • La razón clave es que “la herramienta no encaja con los procesos reales de trabajo”; no es un problema de infraestructura o regulación, sino de integración en el workflow y de diseño organizacional.

3. Economía de la shadow AI

   • Como las herramientas internas oficiales son ineficientes o están muy restringidas, se expande la “shadow AI”, en la que los empleados usan a escondidas suscripciones personales a LLM o copilots para resolver trabajo real.
   • Esto se interpreta como una señal de una enorme demanda oculta por “herramientas flexibles, intuitivas, personalizadas e integradas de forma natural en el workflow real”.

4. Artículo Canaries: la primera señal de la IA en la contratación de personal junior

• “Canaries in the Coal Mine?” del equipo de Brynjolfsson analizó datos de salarios y empleo de alta frecuencia, y mostró que tras la adopción de la IA generativa, el empleo de jóvenes de 22 a 25 años disminuyó de forma significativa en ocupaciones con alta exposición a la IA (desarrollo de software, call centers/servicio al cliente, etc.).
• En particular, la caída del empleo juvenil fue mayor en tareas donde la IA se usa más para “automatización” que para “asistencia”, lo que sugiere que la IA, en una primera etapa, ya está reemplazando directamente algunos roles de entrada.

5. ¿Por qué los recién egresados reciben el mayor impacto?

• Los LLM actuales son fuertes en conocimiento formal bien descrito en libros de texto y documentos, así como en trabajos repetitivos basados en patrones, pero no reemplazan bien los “trucos” de expertos avanzados basados en experiencia de campo y conocimiento tácito.
• Tradicionalmente, los roles de recién egresados y personal junior incluyen muchas tareas de seguir reglas y manuales documentados, y como esa parte se automatiza rápidamente con LLM + toolchains, se observa un patrón en el que los trabajadores al inicio de su carrera reciben un choque laboral mayor que los perfiles con experiencia avanzada dentro del mismo puesto.

6. Implicaciones para el futuro del trabajo

• La transición hacia la IA se interpreta no tanto como una simple “reducción del volumen total de empleos”, sino como un proceso de reasignación en el que algunas tareas son absorbidas por la IA, otras nuevas aparecen y la ventaja relativa humana se desplaza hacia áreas como conocimiento tácito, coordinación y juicio.
• Por eso, desde la perspectiva de la educación y el diseño de carrera, es muy probable que cobren mayor importancia capacidades como “comprensión del contexto real, estructuración de problemas, alineación de intereses y especialización compleja por dominio” frente a habilidades de respuesta correcta o memorización.

7. Estrategias de ejecución para fundadores de IA

1. Pasar de la simple generación al aprendizaje y los agentes

   • El núcleo de la GenAI Divide no es el rendimiento del modelo, sino si se cuenta con un sistema tipo agente capaz de “aprendizaje continuo, memoria, adaptación y orquestación”.
   • Se enfatiza que los equipos capaces de estructurar el feedback de usuarios y los logs reales de uso para crear un “sistema vivo”, que entienda cada vez mejor el workflow y se ajuste automáticamente con el tiempo, tendrán una ventaja abrumadora.

2. Diseñar no para el usuario (persona), sino para el workflow

   • Muchos productos de IA empresarial tienen el problema de que “la demo se ve increíble, pero se desechan porque no encajan con la forma real de trabajar del equipo”.
   • Los productos exitosos profundizan en los flujos de trabajo detallados, las estructuras de permisos y los requisitos de compliance de una industria o función específica, y adoptan una forma que se integra naturalmente allí; priorizan “no caerse en producción real” por encima de una UX llamativa.

3. Usar la shadow AI como activo de investigación

   • Observar qué prompts y combinaciones de herramientas usan los empleados de forma personal permite identificar necesidades reales que la organización no ha logrado reflejar en las herramientas oficiales, como velocidad, libertad y nivel de automatización.
   • Desde la perspectiva de una startup, estos patrones de “shadow AI” funcionan de inmediato como un canal masivo de investigación de usuarios y como una pista de posicionamiento de producto.

4. Más oportunidad en el back office que en el frente vistoso

   • Muchas empresas primero aplican IA en áreas visibles como marketing y ventas, pero MIT señala que el ROI real es mayor en departamentos de soporte centrados en procesos, como finanzas, compras y operaciones.
   • En estas áreas hay abundancia de datos y mucha lógica de negocio basada en reglas, por lo que soluciones bien diseñadas de agentes/automatización tienden a traducirse directamente en reducción de costos y menos errores.

5. Pensar no como “venta de software”, sino como socio de BPO

   • Los clientes empresariales exitosos tratan a los proveedores de IA no como vendedores de licencias, sino como “socios de business process outsourcing”, y exigen personalización profunda, contratos basados en resultados y una cooperación operativa estrecha.
   • Por eso, el argumento es que los fundadores también deben diseñar su producto no como una herramienta instalable, sino como un “servicio/asociación que comparte la responsabilidad por los resultados”, ya que así pueden crear grandes acuerdos enterprise y barreras de entrada (moat) de largo plazo.

8. Resumen: la paradoja cambió, y las oportunidades también

• Incluso en la era de la IA generativa, la paradoja de la productividad sigue vigente, pero cambió la ubicación de los “complementos insuficientes”, y ahora esos complementos existen tanto dentro del producto (aprendizaje, memoria, orquestación) como dentro de la empresa (compra como servicio, ownership distribuido, KPI centrados en resultados).
• El mensaje es que solo los fundadores que diseñen ambas capas al mismo tiempo podrán convertir una “demo impresionante” en “ventaja competitiva sostenible y mejoras de productividad visibles en las estadísticas”, y hacer realidad la revolución de la IA no como un simple evento tecnológico, sino como una transformación económica que coevoluciona junto con las organizaciones y las personas.

[mhj5730]

Al desarrollar con IA, me identifico muchísimo con los puntos 2, 3 y 4. Si se trata de una empresa, creo que es mucho más útil enfocarse en la automatización y analizar para crear funciones sólidas de automatización para usuarios de back office.