Durante los últimos años hemos formulado una pregunta equivocada sobre inteligencia artificial: ¿cuánto más podremos producir cuando una parte del trabajo intelectual pueda automatizarse o acelerarse con IA? La evidencia disponible comienza a responderla con bastante claridad. En determinadas tareas profesionales, podemos producir considerablemente más y hacerlo en menos tiempo.
La pregunta difícil viene después: ¿quién captura el valor económico de esa productividad y qué sucede cuando todos pueden producir más al mismo tiempo?
La paradoja que empieza a aparecer detrás de la productividad con IA
En un experimento publicado en Science, Shakked Noy y Whitney Zhang estudiaron a 453 profesionales realizando tareas de escritura y encontraron que quienes utilizaron ChatGPT terminaron aproximadamente 40% más rápido y obtuvieron evaluaciones de calidad 18% superiores. En otra investigación, Erik Brynjolfsson, Danielle Li y Lindsey Raymond analizaron a 5,179 agentes de soporte y observaron un aumento promedio de productividad de 14%, con beneficios particularmente altos entre los trabajadores menos experimentados.
La conclusión inmediata parece irresistible: si podemos realizar el mismo trabajo en una fracción del tiempo, nuestra productividad aumenta y, en consecuencia, también debería aumentar nuestra rentabilidad. Sin embargo, esa segunda relación no está garantizada, porque una mejora en la capacidad de producir puede modificar simultáneamente el precio que el mercado está dispuesto a pagar por aquello que producimos.
Cuando una capacidad que antes era escasa comienza a volverse abundante, su valor económico puede disminuir aunque su utilidad permanezca intacta. La IA generativa está introduciendo precisamente esa tensión en una parte creciente del trabajo intelectual. El resultado es una paradoja que merece atención desde la C-Suite: una empresa puede hacerse radicalmente más productiva y, al mismo tiempo, tener que trabajar más para conservar el mismo beneficio.
Un proyecto que explica el problema
Consideremos un ejemplo simplificado basado en la economía de una firma de servicios profesionales. Hace un año, un proyecto podía venderse en $250,000 MXN y requerir aproximadamente tres meses de desarrollo. Si la estructura asignada al trabajo representaba gastos de $60,000 mensuales, completar el proyecto implicaba alrededor de $180,000 de costo, dejando una contribución aproximada de $70,000.
Supongamos ahora que la incorporación de IA, automatización y nuevas herramientas permite realizar técnicamente ese mismo trabajo en quince días y entregarlo dentro de un mes. Desde la perspectiva de productividad, la mejora es extraordinaria: una capacidad que antes ocupaba tres meses puede ejecutarse dentro de uno.
Pero el cliente también conoce la existencia de la inteligencia artificial. Aunque no necesariamente comprenda cuánto conocimiento, diseño, integración, verificación y responsabilidad existen detrás del resultado, percibe que una parte del trabajo se ha vuelto más sencilla. Incluso puede pensar que podría producir algo parecido solicitándolo directamente a una IA. Como consecuencia, comienza a cuestionar el precio histórico.
Si el mercado ya no acepta fácilmente los $250,000 y el proyecto termina vendiéndose en $80,000, mientras la estructura mensual continúa costando aproximadamente $60,000, la contribución económica del proyecto cae a $20,000. Para superar los $70,000 que antes producía un solo proyecto habría que completar cuatro proyectos de estas características.
La tecnología multiplicó la capacidad productiva, pero no multiplicó el beneficio. Además, esos cuatro proyectos no aparecen automáticamente: hay que encontrar prospectos, calificarlos, venderles, preparar propuestas, negociar condiciones, incorporarlos, coordinarlos y administrar cuatro relaciones diferentes. Una parte del tiempo que la IA liberó en producción comienza entonces a consumirse en adquisición y gestión de clientes.
La productividad no pertenece automáticamente a quien la produce
Este fenómeno permite distinguir algo que normalmente queda oculto cuando hablamos de retorno sobre inteligencia artificial: el excedente de productividad no pertenece necesariamente a la empresa que implementó la tecnología.
Cuando una firma consigue reducir drásticamente el tiempo necesario para entregar un servicio, el beneficio puede distribuirse de varias maneras. La empresa puede conservar el precio y capturar la mejora como margen; el cliente puede exigir un descuento y apropiarse de parte del beneficio; un competidor puede utilizar la misma tecnología para reducir sus precios; o el mercado completo puede incorporar gradualmente la nueva productividad a sus expectativas hasta convertirla en el estándar mínimo necesario para competir.
Esta última posibilidad transforma una ventaja tecnológica temporal en una nueva línea base competitiva. Lo que durante unos meses permite hacer algo extraordinariamente rápido puede convertirse después en aquello que todos los clientes esperan como condición normal del servicio. La cuestión estratégica ya no puede limitarse, por tanto, a medir cuánto tiempo ahorró una herramienta. Necesitamos observar cuánto del excedente creado por ese ahorro permanece realmente en la empresa después de considerar precios, competencia, adquisición comercial, coordinación, ampliación de alcance y nuevas expectativas del cliente.
La trampa de responder a la abundancia con más volumen
Existe una solución aparentemente obvia para el ejemplo anterior: si ahora podemos completar en un mes aquello que antes requería tres, vendamos tres o cuatro veces más proyectos. La aritmética productiva funciona, pero la economía completa del negocio puede no hacerlo.
Multiplicar proyectos significa multiplicar oportunidades comerciales, propuestas, negociaciones, procesos de incorporación, expectativas, comunicaciones, revisiones y relaciones que administrar. Parte de estas actividades también podrá automatizarse con IA, pero existe una diferencia importante: la capacidad de producción puede multiplicarse mucho más rápido que la demanda disponible en el mercado.
Además, la empresa no experimenta esta transformación en aislamiento. Sus competidores tienen acceso a modelos similares, automatizaciones comparables y herramientas cuyo costo disminuye constantemente. Si todos aumentan simultáneamente su capacidad de entrega mientras cada uno necesita vender más unidades para conservar sus ingresos, la oferta agregada crece precisamente cuando todos comienzan a perseguir con mayor intensidad a los mismos compradores.
La consecuencia potencial es un círculo difícil de romper: la productividad permite bajar costos y precios; los precios menores obligan a aumentar volumen; el volumen requiere más clientes; conseguir más clientes eleva el costo comercial y la presión competitiva; esa competencia vuelve a reducir precios y obliga a buscar todavía más volumen. En esas condiciones, la IA no destruye margen porque sea incapaz de producir valor. Puede destruirlo precisamente porque hace abundante una parte del trabajo cuya escasez contribuía anteriormente a justificar su precio.
De la guerra por productividad a la guerra por atención
Esta dinámica económica conecta con otro problema que aparece dentro de las organizaciones. Cuando producir documentos, análisis, presentaciones, propuestas y comunicaciones se vuelve extraordinariamente barato, aumenta también la cantidad de artefactos que alguien debe recibir, interpretar, verificar y convertir en decisiones.
Antes de la expansión de la IA generativa, producir un informe de veinte páginas implicaba suficiente esfuerzo como para introducir cierta fricción natural. La IA reduce radicalmente ese costo, mientras el costo humano de evaluar el resultado disminuye mucho menos. Podemos generar diez informes en el tiempo que antes necesitábamos para producir uno, pero seguimos teniendo ejecutivos con veinticuatro horas disponibles, equipos con capacidad limitada para absorber cambios y clientes con una cantidad finita de atención.
La nueva asimetría puede resumirse de esta manera: generar se abarata mucho más rápido de lo que se abarata evaluar.
Cuando ahorrar tiempo no significa recuperar capacidad
Acelerar una actividad no transforma automáticamente el sistema organizacional que la rodea. Podemos redactar un correo más rápido y conservar la misma reunión, resumir automáticamente esa reunión y seguir asistiendo a ella, o generar una presentación en treinta minutos sin cuestionar por qué existe un proceso que exige producirla cada semana.
La pregunta ejecutiva relevante no es únicamente cuánto tiempo consiguió ahorrar la inteligencia artificial, sino qué hizo la organización con el tiempo que quedó disponible. Si cada minuto liberado es inmediatamente ocupado por más comunicaciones, más proyectos, más clientes, más reuniones o más iniciativas, la empresa habrá incrementado actividad sin necesariamente aumentar capacidad estratégica.
El workslop y la transferencia invisible del costo
Durante 2025 ganó visibilidad un fenómeno que ayuda a explicar esta externalidad. BetterUp Labs, en colaboración con Stanford Social Media Lab, encuestó a 1,150 trabajadores de escritorio estadounidenses y utilizó el término workslop para describir contenido generado con IA que parece trabajo terminado, pero carece del contexto o la sustancia necesarios para hacer avanzar realmente una tarea. El 40% de los encuestados afirmó haber recibido este tipo de contenido durante el mes anterior.
Al tratarse de una encuesta, los resultados no permiten determinar la prevalencia universal del fenómeno ni establecer causalidad, pero la idea económica que revela merece atención. Si alguien tarda cinco minutos en generar una presentación que posteriormente obliga a varios directivos a invertir tiempo para comprender qué significa, verificar sus afirmaciones y determinar qué decisión pretende provocar, el productor puede haber ahorrado tiempo individualmente mientras la organización pierde tiempo en términos agregados.
La IA permite entonces una forma particularmente peligrosa de productividad aparente: reducir el costo del emisor trasladándolo hacia el receptor. Por eso, medir únicamente cuántas horas ahorra una persona mediante IA puede ofrecer una imagen incompleta; el costo relevante debe observar el flujo completo, incluyendo producción, revisión, corrección, interpretación, coordinación y decisión.
Del ejecutivo consumidor al arquitecto de señales
La abundancia informativa modifica el propósito que la IA debería tener dentro de la C-Suite. El ejecutivo aumentado no necesita simplemente una herramienta capaz de resumir doscientos mensajes para que pueda consumirlos más rápido, sino un sistema capaz de cuestionar por qué esos doscientos mensajes merecieron llegar hasta él.
Podemos llamar arquitectura de señales al diseño deliberado de qué información merece consumir atención humana y cuál puede ser filtrada, agregada, contrastada, delegada o descartada antes de llegar a una persona con responsabilidad de decisión. Un enfoque convencional preguntaría cómo resumir cuarenta informes para que un director pueda revisarlos rápidamente; una arquitectura de señales preguntaría qué cambió materialmente respecto de las hipótesis, expectativas o umbrales establecidos para justificar que alguno de esos informes llegue al director.
La primera aproximación utiliza inteligencia artificial para comprimir información; la segunda intenta utilizarla para proteger capacidad cognitiva y dirigirla hacia las excepciones que requieren juicio. Este diseño tampoco está libre de riesgo: cualquier sistema encargado de decidir qué merece atención obtiene simultáneamente capacidad para ocultar información, por lo que sus criterios necesitan límites, trazabilidad y mecanismos de revisión humana.
De la atención a la capacidad de absorción
El problema se vuelve todavía más importante cuando la IA deja de producir únicamente información y comienza a producir cambios. Una firma puede descubrir que ahora es capaz de construir en horas una automatización que anteriormente requería semanas, desarrollar rápidamente una integración, rediseñar un flujo, crear un agente o proponer decenas de optimizaciones. Técnicamente, esa capacidad representa progreso; organizacionalmente, puede convertirse en una nueva fuente de saturación.
La velocidad con la que podemos construir una mejora no es necesariamente la velocidad con la que una empresa puede comprenderla, adoptarla, incorporarla a sus hábitos, observar sus consecuencias y medir si produjo el resultado esperado. Este desacoplamiento introduce otro recurso escaso: la capacidad de absorción del cambio.
Una organización puede tener veinte mejoras técnicamente disponibles y ser capaz de absorber responsablemente sólo cuatro. Implementar las otras dieciséis no necesariamente acelera la transformación; puede aumentar simultáneamente fatiga, complejidad, resistencia, errores y dificultad para atribuir resultados. La abundancia tecnológica convierte entonces la selección en una competencia superior a la producción.
Por qué cobrar por resultados tampoco elimina automáticamente el problema
Frente a la caída del precio percibido de proyectos tradicionales, una respuesta natural consiste en abandonar el precio por esfuerzo y trasladarse hacia mensualidades, suscripciones o esquemas vinculados a resultados. La dirección tiene sentido porque intenta desacoplar el valor económico del número de horas necesarias para producirlo, pero cambiar la unidad de cobro no elimina la restricción de absorción.
Si una mensualidad incentiva al proveedor a producir continuamente nuevas automatizaciones, análisis, experimentos y mejoras, la IA puede hacer que cada mes exista una cantidad mayor de iniciativas disponibles. El cliente puede terminar recibiendo más cambios de los que puede integrar y el proveedor puede sentirse obligado a demostrar actividad constante para justificar la mensualidad. El riesgo consiste en sustituir el antiguo modelo de horas facturables por otro igualmente problemático de cambios entregables.
Un verdadero modelo orientado a resultados tendría que introducir también una disciplina explícita sobre cuánto cambio merece producirse, qué hipótesis intenta validar cada intervención, durante cuánto tiempo necesita observarse y bajo qué evidencia merece continuar, modificarse o detenerse. Cobrar por resultado puede alinear mejor los incentivos, pero sólo cuando también aprendemos a gobernar la velocidad del cambio.
La IA como adversario intelectual, no como fábrica de respuestas
La misma lógica puede aplicarse al trabajo del ejecutivo. Uno de los usos más valiosos de los modelos generativos aparece cuando dejamos de pedirles únicamente respuestas y comenzamos a utilizarlos para crear fricción cognitiva deliberada alrededor de nuestras decisiones.
Antes de comprometer recursos, un líder puede utilizar IA para identificar qué supuestos está tratando como hechos, buscar qué tendría que ser falso para que su estrategia fracase, construir interpretaciones alternativas de los mismos datos, simular respuestas competitivas o explorar efectos de segundo y tercer orden que podrían pasar inadvertidos.
Esto no convierte al modelo en estratega ni garantiza que los escenarios generados sean correctos. Su utilidad no reside en sustituir la decisión humana sino en ampliar económicamente el espacio de hipótesis que posteriormente debe contrastarse con evidencia. La IA puede convertirse así en un sparring intelectual que obliga al ejecutivo a defender mejor sus propias convicciones.
El Arquitecto del Valor frente a la abundancia
Dentro del Método Nautilius, el Arquitecto del Valor representa al líder que deja de depender de la intervención permanente sobre cada componente y pasa a diseñar y orquestar sistemas de creación de valor. No se trata de abandonar la operación, sino de cambiar el nivel desde el cual se ejerce la dirección: menos resolución compulsiva de tareas y mayor diseño de capacidades, decisiones y mecanismos que permitan que el sistema produzca resultados.
La inteligencia artificial introduce una nueva dimensión a ese mandato porque convierte la capacidad de hacer en algo progresivamente abundante. El ejecutivo aumentado no debería medirse por cuántas cosas adicionales consigue producir mediante IA, sino por su capacidad para determinar cuáles merecen existir, cuáles pueden ejecutarse automáticamente, cuáles necesitan juicio y cuáles deberían rechazarse aunque técnicamente sean posibles.
Algunas actividades deben automatizarse cuando son suficientemente repetibles, controlables y reversibles; otras deben augmentarse cuando el juicio humano continúa siendo importante pero puede beneficiarse de mayor capacidad analítica; y determinadas actividades necesitan protegerse, porque su principal restricción no es tecnológica sino la disponibilidad de atención humana profunda. A esas categorías debemos añadir otra posibilidad: algunas capacidades necesitan deliberadamente no utilizarse todavía, porque la organización, el mercado o el cliente carecen de capacidad suficiente para absorber el cambio adicional.
Producción, atención, absorción y captura de valor
Todo lo anterior permite proponer un modelo conceptual para comprender la paradoja de la productividad generativa: Producción → Atención → Absorción → Valor capturado.
La IA comprime radicalmente la primera etapa. Podemos producir análisis, software, contenido, automatizaciones y alternativas a una velocidad antes imposible, pero esa aceleración desplaza el cuello de botella hacia las etapas siguientes. La atención determina qué parte de todo lo producido puede ser evaluada adecuadamente; la absorción determina cuánto cambio puede incorporar una organización sin perder coherencia ni capacidad de aprendizaje; finalmente, la captura de valor determina cuánto del beneficio creado permanece económicamente en la empresa después de que clientes, competidores, proveedores y mercado respondan a la nueva abundancia.
Esta secuencia explica por qué una mejora extraordinaria de productividad puede producir un resultado financiero mediocre. Si multiplicamos producción por diez, pero el precio cae, la adquisición comercial se encarece, la organización se satura y el cliente no puede absorber el volumen de cambio disponible, la capacidad tecnológica aumentó mientras el valor capturado pudo permanecer igual o incluso disminuir.
La métrica que falta: ¿qué hicimos con la capacidad liberada?
Durante años hemos medido productividad preguntando cuánto output obtenemos por unidad de recurso. En un mundo de abundancia generativa, esa relación sigue siendo importante, pero empieza a resultar insuficiente para dirigir organizaciones cuyo principal problema puede dejar de ser producir.
Necesitamos observar qué ocurre después del ahorro: cuánto tiempo liberado terminó convertido en más reuniones, mensajes y proyectos; cuánto margen producido por la automatización fue transferido al cliente mediante menores precios; cuánto incremento de capacidad obligó a elevar el gasto comercial para encontrar suficiente demanda; cuántas mejoras fueron implementadas más rápido de lo que la organización podía adoptarlas; y cuánto contenido generado automáticamente trasladó trabajo hacia quienes tuvieron que revisarlo.
Estas preguntas apuntan hacia una métrica más exigente que el simple ahorro de horas: la capacidad liberada que finalmente consigue convertirse en valor capturado. Todavía no existe una fórmula universal para medirla y sería prematuro fingir que la tenemos, pero reconocer el fenómeno obliga a distinguir productividad tecnológica de productividad económica y capacidad disponible de capacidad realmente aprovechable.
Cuando hacer menos se convierte en una capacidad competitiva
La conversación sobre inteligencia artificial ha estado dominada por verbos expansivos: generar, acelerar, automatizar, escalar y multiplicar. Todos describen capacidades reales y potencialmente valiosas, pero resultan insuficientes para gobernar una economía en la que producir deja progresivamente de ser la principal restricción.
Cuando todos pueden producir más, la ventaja comienza a desplazarse hacia quienes seleccionan mejor. Cuando todos pueden generar respuestas, aumenta el valor de formular preguntas difíciles. Cuando todos pueden construir rápidamente, adquiere importancia saber qué no merece construirse. Cuando todos pueden cambiar continuamente, la disciplina consiste en saber cuánto cambio puede absorber realmente una organización.
La nueva escasez no está necesariamente en producir trabajo intelectual. Está en disponer de atención suficiente para seleccionarlo, capacidad organizacional para absorberlo y una posición económica suficientemente diferenciada para capturar el valor que produce.
La pregunta que queda abierta
La inteligencia artificial puede permitir que una empresa haga en quince días aquello que antes necesitaba tres meses. Técnicamente, eso constituye una extraordinaria victoria de productividad. Económicamente, sin embargo, todavía necesitamos saber si el cliente continuará pagando lo mismo, si los competidores reducirán sus precios, si habrá suficiente demanda para utilizar toda la nueva capacidad y si la organización podrá absorber el incremento de velocidad sin destruir atención, calidad o margen.
Por eso, quizá la pregunta decisiva de esta etapa de la inteligencia artificial no sea cuánto trabajo podremos automatizar ni cuántas veces podremos multiplicar nuestra producción. La pregunta que determinará qué empresas convierten esta tecnología en una ventaja económica sostenible es considerablemente más incómoda: si la IA vuelve abundante una parte creciente del trabajo intelectual, ¿qué seguirá siendo suficientemente escaso como para sostener el valor de una empresa?
La respuesta provisional que emerge de la evidencia no parece estar en producir todavía más. Apunta hacia una combinación de juicio, atención, contexto, confianza, capacidad de absorción, responsabilidad y habilidad para convertir posibilidades técnicas en decisiones económicas que realmente merezcan ejecutarse.
Ahí cambia también el significado del ejecutivo aumentado. El Arquitecto del Valor no es quien consigue que su organización haga todo lo que ahora puede hacer con inteligencia artificial, sino quien aprende a gobernar esa nueva abundancia para que la capacidad adicional no termine convertida en más ruido, más complejidad, más clientes necesarios para sostener el mismo margen y más trabajo disfrazado de productividad.
En una economía donde hacer se vuelve barato, elegir qué merece hacerse puede convertirse en una de las capacidades más valiosas de todas.
Fuentes
- Shakked Noy y Whitney Zhang, Experimental evidence on the productivity effects of generative artificial intelligence, Science, 2023. Consultar estudio en Science / DOI.
- Erik Brynjolfsson, Danielle Li y Lindsey R. Raymond, Generative AI at Work, NBER Working Paper 31161; publicado posteriormente en The Quarterly Journal of Economics. Consultar working paper en NBER.
- BetterUp Labs × Stanford Social Media Lab, Workslop: The Hidden Cost of AI-Generated Busywork, encuesta a 1,150 trabajadores de escritorio de EE. UU., septiembre de 2025. Consultar investigación sobre workslop.
