El efecto Roxy: cuando producir se vuelve barato y decidir qué merece existir se vuelve más importante

Hay una pregunta que comenzó para nosotros como consecuencia de un pequeño error empresarial.

Mientras desarrollábamos Roxy, un agente de inteligencia artificial para la operación de Zherpa, comprobamos que técnicamente podíamos construir mucho más de lo que finalmente tenía sentido que construyéramos. El laboratorio funcionó: aprendimos, desarrollamos, conectamos sistemas y conseguimos que la arquitectura hiciera lo que queríamos. El problema apareció después, cuando tuvimos que preguntarnos quién pagaría por mantener aquello y por qué debería hacerlo si algunas de las capacidades que necesitábamos estaban comenzando a aparecer dentro de las propias plataformas que utilizamos. La experiencia completa de Roxy y lo que aprendimos al construirla puede leerse aquí.

La experiencia dio origen a una pregunta que va mucho más allá de Roxy, Zoho o incluso del desarrollo de software: ¿qué ocurre cuando reducimos radicalmente el costo de producir antes de reducir el costo de decidir qué merece ser producido?

La pregunta importa porque buena parte de la conversación sobre inteligencia artificial está concentrada en la primera mitad del problema. Medimos cuánto más rápido podemos programar, diseñar, escribir, analizar o producir. Celebramos que una persona pueda hacer el trabajo que antes requería varias, que un prototipo pueda construirse en horas y que desarrollar una aplicación sea cada vez más accesible.

Todo eso puede ser cierto y, al mismo tiempo, estar creando un problema diferente. Cuando producir era difícil, el costo funcionaba como un filtro imperfecto. No podíamos fabricar todas las ideas que se nos ocurrían porque hacerlo requería capital, personas, tiempo y capacidad. Cuando ese filtro comienza a desaparecer, la abundancia de producción no garantiza una abundancia equivalente de valor. Puede producir exactamente lo contrario: una enorme cantidad de cosas compitiendo por una cantidad limitada de atención, mantenimiento, capital y demanda.

A esa posibilidad la llamaremos aquí el efecto Roxy: la situación en la que nuestra capacidad para producir crece más rápido que nuestra capacidad para determinar qué merece existir. No proponemos el término como una nueva ley económica. Es simplemente el nombre de una hipótesis nacida de una experiencia concreta de Zherpa. La pregunta de esta investigación es si existe evidencia suficiente para pensar que la inteligencia artificial está empezando a crear esas condiciones.

Primero hay que reconocer lo evidente: la IA sí está reduciendo el costo de producir

Si queremos examinar seriamente la hipótesis, no podemos comenzar criticando la abundancia sin reconocer por qué está apareciendo. La evidencia disponible indica que las herramientas de inteligencia artificial pueden producir incrementos reales de productividad en determinadas actividades de desarrollo de software.

Un estudio publicado en Management Science analizó experimentos aleatorizados realizados en Microsoft, Accenture y una empresa Fortune 100. En conjunto participaron 4,867 desarrolladores y quienes tuvieron acceso a un asistente de programación basado en IA completaron aproximadamente 26% más tareas. Los investigadores encontraron además que los desarrolladores con menos experiencia tendían a mostrar mayores niveles de adopción y mayores incrementos de productividad.

Otro experimento controlado, realizado con 96 ingenieros de software de Google trabajando en una tarea empresarial compleja, estimó una reducción cercana al 21% en el tiempo requerido gracias a herramientas de IA, aunque los investigadores advierten que los resultados obtenidos en un entorno concreto no deben extrapolarse automáticamente a todo el desarrollo de software.

Un estudio publicado en 2026 sobre programadores de Ant Group ofrece otro ángulo. La introducción de CodeFuse produjo un incremento superior al 50% cuando la productividad se medía mediante líneas de código, pero los propios investigadores reconocieron el problema de utilizar volumen de código como sinónimo de productividad. Cuando utilizaron una medida basada en tareas completadas, el incremento estimado fue de aproximadamente 22%, y los efectos fueron mucho más claros entre desarrolladores junior que entre los de mayor experiencia.

Los porcentajes cambian según la organización, la tarea, la herramienta y la forma de medir productividad, por lo que sería un error convertir cualquiera de ellos en una cifra universal. Sin embargo, la dirección general de estos estudios es difícil de ignorar: en determinadas tareas, la IA está reduciendo el tiempo y el esfuerzo necesarios para producir software.

Cuando baja el costo de hacer algo, normalmente hacemos más de ese algo

La relación entre eficiencia y consumo tiene una historia mucho más antigua que la inteligencia artificial. En el siglo XIX, William Stanley Jevons observó que mejorar la eficiencia con la que se utilizaba el carbón no necesariamente reducía su consumo total. Si una tecnología hacía económicamente más atractivo utilizar el recurso, podían aparecer suficientes usos nuevos como para aumentar el consumo agregado.

No debemos trasladar mecánicamente una teoría sobre recursos energéticos al software. El código no es carbón y un token no es una tonelada de combustible. Sin embargo, el mecanismo económico básico ofrece una pregunta útil: si la IA reduce significativamente el costo de producir determinadas cosas, ¿podemos esperar simplemente producir la misma cantidad utilizando menos recursos, o utilizaremos esa nueva eficiencia para producir muchas más?

Aplicado al desarrollo, esto sugiere una posibilidad importante. Si crear una pequeña aplicación interna requería antes tres meses y un presupuesto considerable, probablemente tenía que competir contra otros proyectos por recursos. Si mañana podemos producir una primera versión en tres días, el resultado no tiene por qué ser que gastemos una fracción del presupuesto para producir exactamente las mismas aplicaciones. También podemos decidir producir diez, veinte o cien aplicaciones que antes nunca habrían superado el filtro económico.

La productividad, entonces, no sólo reduce costos. También puede liberar demanda que antes permanecía reprimida por esos costos.

El antiguo costo de producción también funcionaba como filtro

Es fácil tratar cualquier reducción del costo de producción como algo inequívocamente positivo. Desde el punto de vista de productividad, generalmente lo es. Desde el punto de vista de asignación de recursos, la cuestión es más complicada.

Imagine una empresa que quisiera desarrollar una aplicación para resolver un problema interno relativamente pequeño. Tradicionalmente necesitaba levantar requerimientos, conseguir presupuesto, asignar desarrolladores, diseñar una base de datos, crear interfaces, probar la solución y después mantenerla. Todo ese costo podía ser frustrante, pero obligaba a formular una pregunta bastante saludable: ¿el problema es suficientemente importante para justificar todo esto?

La barrera no garantizaba buenas decisiones. La historia de la tecnología empresarial está llena de proyectos costosos que nunca debieron construirse. Pero la dificultad de producir introducía una fricción que obligaba, al menos algunas veces, a priorizar. La inteligencia artificial está reduciendo esa fricción.

Eso democratiza capacidades que antes estaban reservadas para organizaciones con grandes presupuestos y equipos especializados. Permite que una pequeña empresa construya herramientas específicas, que un empleado automatice una tarea y que necesidades demasiado pequeñas para justificar un proyecto tradicional puedan finalmente atenderse. Ésa es una enorme creación potencial de valor.

Pero la misma tecnología elimina parcialmente uno de los filtros que impedían producir cosas de escaso valor. Cuando el costo de experimentar con una idea pasa de semanas a horas, resulta razonable experimentar mucho más. El problema comienza cuando confundimos el bajo costo de experimentar con un bajo costo de poseer todo lo que el experimento produce.

Crear software y poseer software son actividades económicas diferentes

Una de las distinciones más importantes para entender esta nueva economía es separar el costo de creación del costo de propiedad. La IA puede reducir significativamente el primero. No existe evidencia equivalente de que elimine automáticamente el segundo.

Una aplicación empresarial no termina cuando aparece la interfaz y funciona la primera demostración. Si utiliza información real, alguien debe decidir quién tiene acceso. Si ejecuta acciones, alguien debe determinar qué acciones están permitidas. Si depende de APIs, habrá que adaptarla cuando cambien. Si contiene reglas de negocio, esas reglas deberán evolucionar. Si falla, alguien deberá detectar el fallo y resolverlo. Si se convierte en parte de una operación crítica, habrá que pensar en continuidad, seguridad, auditoría y responsabilidad.

El desarrollo inicial puede representar cada vez menos del costo total de propiedad. Y aquí aparece una posible paradoja de la abundancia digital: podemos reducir tanto el costo de crear software que terminemos aumentando el costo agregado de mantener software.

La literatura sobre deuda técnica ofrece razones para tomar esa posibilidad en serio. Una revisión multivocal publicada en 2025, basada en fuentes académicas e industriales, concluyó que el desarrollo asistido por IA introduce nuevos desafíos relacionados con mantenibilidad, explicabilidad, gobernanza de datos y artefactos generados automáticamente. Esto no demuestra que el software generado con IA sea necesariamente peor ni que debamos producir menos. Demuestra algo más sobrio: la capacidad de generar un activo y la capacidad de sostenerlo siguen siendo problemas diferentes.

Más código no es necesariamente más valor

La propia investigación sobre productividad obliga a introducir otra precaución. Cuando un estudio mide productividad mediante líneas de código puede encontrar mejoras mucho mayores que cuando utiliza tareas completadas. Esa diferencia ilustra un viejo problema de ingeniería: producir más código no necesariamente significa producir más valor.

El código es un medio, no el resultado empresarial. Una organización podría duplicar la cantidad de software que produce y empeorar simultáneamente su arquitectura. Podría crear aplicaciones que duplican funciones existentes, automatizar procesos que deberían simplificarse, generar interfaces que casi nadie utiliza o construir agentes cuya aportación económica sea inferior al costo de supervisarlos.

La investigación de DORA sobre desarrollo asistido por IA refuerza precisamente la necesidad de mirar el sistema completo. Su estudio de 2025 describe la IA principalmente como un amplificador: puede potenciar organizaciones que ya funcionan bien, pero también amplificar problemas existentes. La conclusión es que los mayores retornos no dependen solamente de adoptar herramientas, sino del sistema organizacional sobre el que esas herramientas actúan.

Ésta puede ser una de las claves del problema. La IA no necesariamente elimina el trabajo asociado con producir. Puede moverlo.

La productividad local puede convertirse en complejidad global

Supongamos que un departamento de una empresa puede ahora construir cinco veces más automatizaciones con los mismos recursos. Desde la perspectiva de ese departamento, existe un aumento evidente de productividad. Pero la organización completa tendrá que convivir con esas automatizaciones.

Si ventas construye sus agentes, finanzas desarrolla sus pequeñas aplicaciones, operaciones automatiza sus excepciones y cada empleado empieza a crear herramientas personales conectadas a información corporativa, el resultado podría ser una empresa extraordinariamente productiva en la creación de soluciones locales y simultáneamente cada vez más compleja como sistema.

El problema ya no sería únicamente la tradicional proliferación de aplicaciones SaaS. Podríamos entrar en una etapa de proliferación de software generado internamente cuya creación fue tan barata que nunca atravesó los mecanismos de arquitectura, seguridad, integración y priorización que históricamente acompañaban a un proyecto tecnológico.

Cada pieza puede parecer racional aisladamente. La irracionalidad puede aparecer en el conjunto. Ésta es precisamente la diferencia entre productividad local y productividad sistémica. Ahorrar cuatro horas construyendo una automatización es una mejora local. Que otras veinte personas tengan que entenderla, mantenerla y adaptarla durante tres años pertenece a otra cuenta económica.

El paralelo con los bienes físicos ayuda, siempre que no lo llevemos demasiado lejos

Algo parecido puede observarse en el mundo físico. Las cadenas globales de suministro, la automatización industrial y la extraordinaria capacidad manufacturera desarrollada en Asia han hecho posible producir cantidades enormes de objetos a precios que décadas atrás habrían resultado difíciles de imaginar. Eso ha creado muchísimo valor: productos antes inaccesibles se democratizaron y millones de consumidores pudieron acceder a tecnología, herramientas y comodidades a precios bajos.

Pero la misma capacidad permite fabricar económicamente objetos cuya utilidad es pequeña, temporal o impulsiva. Un gadget puede existir no porque resuelva una necesidad particularmente importante, sino porque su costo de fabricación y distribución es suficientemente bajo para encontrar compradores. Mientras alguien lo compre, existe un mercado. El problema aparece si confundimos la existencia de una transacción con la existencia de valor duradero.

Con el software generado mediante IA podríamos observar un fenómeno relacionado, aunque no idéntico. Cuando producir una aplicación, un agente o una automatización cuesta muy poco, su umbral para llegar al mundo también disminuye. Ya no necesita resolver un problema de cien mil dólares; quizá basta con que parezca útil durante una tarde.

La diferencia es que el objeto físico que dejamos de utilizar puede terminar en un cajón. Una aplicación empresarial abandonada puede conservar credenciales, datos, dependencias, permisos e integraciones. La abundancia digital puede producir residuos con comportamiento.

Pero hay que considerar la hipótesis contraria: quizá estamos subestimando el valor que esa abundancia puede crear

Una investigación seria no puede detenerse en los riesgos. Existe una interpretación mucho más optimista y perfectamente plausible: gran parte de lo que hoy parece producción excesiva podría representar necesidades reales que anteriormente permanecían sin atender porque era demasiado caro resolverlas.

Hay millones de procesos empresariales sostenidos con hojas de cálculo, correos electrónicos, trabajo manual y conocimiento informal no porque sean la mejor solución, sino porque nunca justificaron el costo de desarrollar una herramienta específica. Si la IA reduce suficientemente ese costo, una larga cola de necesidades pequeñas puede convertirse por primera vez en un mercado económicamente atendible.

Lo mismo ocurrió en otros sectores cuando disminuyeron los costos de producción y distribución. La abundancia no sólo genera desperdicio; también permite variedad, personalización, experimentación y acceso. Muchas cosas que parecían innecesarias antes de existir terminaron creando categorías enteras de valor.

Por eso sería prematuro concluir que estamos produciendo “demasiado software”. Puede ocurrir algo diferente: quizá todavía estamos descubriendo cuánto software útil no producíamos porque su costo era artificialmente alto.

Las dos fuerzas pueden coexistir. La IA puede desbloquear una enorme cantidad de valor latente y, simultáneamente, producir una enorme cantidad de complejidad innecesaria. La cuestión empresarial consiste en distinguir una de otra.

Si producir deja de ser el cuello de botella, el cuello de botella se desplaza

Ésta es quizá la consecuencia económica más interesante. Durante buena parte de la era digital, una capacidad escasa era la capacidad de construir. Necesitábamos programadores, diseñadores, especialistas en datos y equipos capaces de convertir requerimientos en sistemas funcionales. Esa escasez elevaba el valor económico de la producción tecnológica.

La inteligencia artificial no elimina esa capacidad profesional, pero puede aumentar enormemente su productividad y permitir que muchas más personas participen en el proceso de construcción. Cuando una restricción disminuye, otra suele hacerse visible.

Podemos producir mucho más código, pero seguimos teniendo una cantidad limitada de atención directiva. Podemos crear cientos de automatizaciones, pero la organización sigue teniendo una capacidad limitada para gobernarlas. Podemos generar miles de ideas, pero el capital, el tiempo de los clientes y la capacidad de absorber cambios siguen siendo finitos.

La escasez se desplaza. En un entorno de producción abundante, seleccionar puede convertirse en una actividad económicamente más importante que producir.

Eso implicaría un cambio profundo en la naturaleza del trabajo tecnológico. El profesional valioso no sería únicamente quien sabe construir, sino quien puede determinar qué merece construirse, qué debe comprarse, qué conviene integrar, qué puede automatizarse y qué debería simplemente dejar de hacerse.

El efecto Roxy no dice “construye menos”. Dice “separa exploración de inversión”

Nuestra experiencia original ayuda a introducir una última distinción. Experimentar se vuelve extraordinariamente valioso precisamente cuando experimentar se vuelve barato. Si podemos construir un prototipo en horas, deberíamos probablemente probar muchas más hipótesis que antes. La abundancia de capacidad de producción puede mejorar nuestra capacidad para aprender.

El error consiste en asumir que todo experimento exitoso merece convertirse en un activo permanente. Una organización puede construir diez prototipos y conservar uno. Puede probar cinco agentes y operar solamente el que demuestra valor. Puede generar aplicaciones efímeras para aprender y eliminarlas después. Puede utilizar IA para reducir radicalmente el costo del descubrimiento sin convertir cada descubrimiento en nueva infraestructura.

Esto requiere aceptar algo culturalmente difícil: código que funciona también puede ser código que debe eliminarse.

En una economía de producción cara, descartar un desarrollo funcional parece desperdicio. En una economía de producción barata, la capacidad de descartar puede convertirse en una competencia fundamental. El laboratorio optimiza aprendizaje. La operación optimiza valor sostenible. Confundir ambos objetivos puede hacer que la facilidad para innovar termine produciendo una acumulación de obligaciones.

Entonces, ¿qué ocurre cuando producir se abarata antes que decidir?

La evidencia disponible todavía no permite afirmar que estemos entrando inevitablemente en una era de sobreproducción digital. Tampoco permite concluir que la inteligencia artificial vaya a llenar las empresas de software innecesario. Muchas de las tecnologías que hoy están apareciendo son demasiado nuevas y los estudios longitudinales sobre sus costos de mantenimiento, adopción y retorno todavía son limitados.

Sí podemos afirmar algo más acotado. Existe evidencia de que la IA puede aumentar significativamente la productividad en determinadas tareas de desarrollo. Existe evidencia de que esos beneficios no se trasladan automáticamente y sin fricciones al rendimiento del sistema organizacional. Existe una literatura consolidada sobre deuda técnica y una literatura emergente sobre nuevos problemas de mantenibilidad y gobernanza asociados con sistemas y artefactos producidos mediante IA. Y sabemos, por la economía de otras tecnologías, que reducir el costo unitario puede aumentar el consumo total en lugar de reducirlo.

La conclusión, por tanto, no debería ser una advertencia contra construir. Debería ser una advertencia contra utilizar la capacidad de producción como sustituto del criterio de inversión.

La inteligencia artificial puede hacer económicamente posibles productos, aplicaciones y soluciones que antes no podían existir. Ésa podría convertirse en una de sus mayores contribuciones a la productividad. Pero precisamente porque podremos construir más cosas, tendremos que mejorar nuestra capacidad para decidir cuáles merecen sobrevivir.

Quizá ésa sea la paradoja más interesante de la abundancia tecnológica: cuanto menos escasa sea nuestra capacidad de producir, más valiosa puede volverse nuestra capacidad de elegir.

El efecto Roxy comenzó para nosotros con una pregunta incómoda frente a algo que habíamos conseguido hacer funcionar: “¿quién va a pagar por esto?” Después de investigar el problema, creemos que conviene formularla de una manera más amplia:

Ahora que podemos construir mucho más, mucho más rápido y mucho más barato, ¿hemos mejorado con la misma velocidad nuestra capacidad para decidir qué merece existir?

La evidencia disponible todavía no responde completamente esa pregunta. Pero ya tenemos suficientes razones para empezar a hacerla.