Hay una pregunta que comenz\u00f3 para nosotros como consecuencia de un peque\u00f1o error empresarial.<\/p>\n
Mientras desarroll\u00e1bamos Roxy, un agente de inteligencia artificial para la operaci\u00f3n de Zherpa, comprobamos que t\u00e9cnicamente pod\u00edamos construir mucho m\u00e1s de lo que finalmente ten\u00eda sentido que construy\u00e9ramos. El laboratorio funcion\u00f3: aprendimos, desarrollamos, conectamos sistemas y conseguimos que la arquitectura hiciera lo que quer\u00edamos. El problema apareci\u00f3 despu\u00e9s, cuando tuvimos que preguntarnos qui\u00e9n pagar\u00eda por mantener aquello y por qu\u00e9 deber\u00eda hacerlo si algunas de las capacidades que necesit\u00e1bamos estaban comenzando a aparecer dentro de las propias plataformas que utilizamos. La experiencia completa de Roxy y lo que aprendimos al construirla puede leerse aqu\u00ed<\/a>.<\/p>\n La experiencia dio origen a una pregunta que va mucho m\u00e1s all\u00e1 de Roxy, Zoho o incluso del desarrollo de software: \u00bfqu\u00e9 ocurre cuando reducimos radicalmente el costo de producir antes de reducir el costo de decidir qu\u00e9 merece ser producido?<\/strong><\/p>\n La pregunta importa porque buena parte de la conversaci\u00f3n sobre inteligencia artificial est\u00e1 concentrada en la primera mitad del problema. Medimos cu\u00e1nto m\u00e1s r\u00e1pido podemos programar, dise\u00f1ar, escribir, analizar o producir. Celebramos que una persona pueda hacer el trabajo que antes requer\u00eda varias, que un prototipo pueda construirse en horas y que desarrollar una aplicaci\u00f3n sea cada vez m\u00e1s accesible.<\/p>\n Todo eso puede ser cierto y, al mismo tiempo, estar creando un problema diferente. Cuando producir era dif\u00edcil, el costo funcionaba como un filtro imperfecto. No pod\u00edamos fabricar todas las ideas que se nos ocurr\u00edan porque hacerlo requer\u00eda capital, personas, tiempo y capacidad. Cuando ese filtro comienza a desaparecer, la abundancia de producci\u00f3n no garantiza una abundancia equivalente de valor. Puede producir exactamente lo contrario: una enorme cantidad de cosas compitiendo por una cantidad limitada de atenci\u00f3n, mantenimiento, capital y demanda.<\/p>\n A esa posibilidad la llamaremos aqu\u00ed el efecto Roxy<\/strong>: la situaci\u00f3n en la que nuestra capacidad para producir crece m\u00e1s r\u00e1pido que nuestra capacidad para determinar qu\u00e9 merece existir. No proponemos el t\u00e9rmino como una nueva ley econ\u00f3mica. Es simplemente el nombre de una hip\u00f3tesis nacida de una experiencia concreta de Zherpa. La pregunta de esta investigaci\u00f3n es si existe evidencia suficiente para pensar que la inteligencia artificial est\u00e1 empezando a crear esas condiciones.<\/p>\n Si queremos examinar seriamente la hip\u00f3tesis, no podemos comenzar criticando la abundancia sin reconocer por qu\u00e9 est\u00e1 apareciendo. La evidencia disponible indica que las herramientas de inteligencia artificial pueden producir incrementos reales de productividad en determinadas actividades de desarrollo de software.<\/p>\n Un estudio publicado en Management Science<\/em> analiz\u00f3 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 programaci\u00f3n basado en IA completaron aproximadamente 26% m\u00e1s tareas. Los investigadores encontraron adem\u00e1s que los desarrolladores con menos experiencia tend\u00edan a mostrar mayores niveles de adopci\u00f3n y mayores incrementos de productividad.<\/p>\n Otro experimento controlado, realizado con 96 ingenieros de software de Google trabajando en una tarea empresarial compleja, estim\u00f3 una reducci\u00f3n 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 autom\u00e1ticamente a todo el desarrollo de software.<\/p>\n Un estudio publicado en 2026 sobre programadores de Ant Group ofrece otro \u00e1ngulo. La introducci\u00f3n de CodeFuse produjo un incremento superior al 50% cuando la productividad se med\u00eda mediante l\u00edneas de c\u00f3digo, pero los propios investigadores reconocieron el problema de utilizar volumen de c\u00f3digo como sin\u00f3nimo de productividad. Cuando utilizaron una medida basada en tareas completadas, el incremento estimado fue de aproximadamente 22%, y los efectos fueron mucho m\u00e1s claros entre desarrolladores junior que entre los de mayor experiencia.<\/p>\n Los porcentajes cambian seg\u00fan la organizaci\u00f3n, la tarea, la herramienta y la forma de medir productividad, por lo que ser\u00eda un error convertir cualquiera de ellos en una cifra universal. Sin embargo, la direcci\u00f3n general de estos estudios es dif\u00edcil de ignorar: en determinadas tareas, la IA est\u00e1 reduciendo el tiempo y el esfuerzo necesarios para producir software<\/strong>.<\/p>\n La relaci\u00f3n entre eficiencia y consumo tiene una historia mucho m\u00e1s antigua que la inteligencia artificial. En el siglo XIX, William Stanley Jevons observ\u00f3 que mejorar la eficiencia con la que se utilizaba el carb\u00f3n no necesariamente reduc\u00eda su consumo total. Si una tecnolog\u00eda hac\u00eda econ\u00f3micamente m\u00e1s atractivo utilizar el recurso, pod\u00edan aparecer suficientes usos nuevos como para aumentar el consumo agregado.<\/p>\n No debemos trasladar mec\u00e1nicamente una teor\u00eda sobre recursos energ\u00e9ticos al software. El c\u00f3digo no es carb\u00f3n y un token no es una tonelada de combustible. Sin embargo, el mecanismo econ\u00f3mico b\u00e1sico ofrece una pregunta \u00fatil: si la IA reduce significativamente el costo de producir determinadas cosas, \u00bfpodemos esperar simplemente producir la misma cantidad utilizando menos recursos, o utilizaremos esa nueva eficiencia para producir muchas m\u00e1s?<\/strong><\/p>\n Aplicado al desarrollo, esto sugiere una posibilidad importante. Si crear una peque\u00f1a aplicaci\u00f3n interna requer\u00eda antes tres meses y un presupuesto considerable, probablemente ten\u00eda que competir contra otros proyectos por recursos. Si ma\u00f1ana podemos producir una primera versi\u00f3n en tres d\u00edas, el resultado no tiene por qu\u00e9 ser que gastemos una fracci\u00f3n del presupuesto para producir exactamente las mismas aplicaciones. Tambi\u00e9n podemos decidir producir diez, veinte o cien aplicaciones que antes nunca habr\u00edan superado el filtro econ\u00f3mico.<\/p>\n La productividad, entonces, no s\u00f3lo reduce costos. Tambi\u00e9n puede liberar demanda que antes permanec\u00eda reprimida por esos costos.<\/p>\n Es f\u00e1cil tratar cualquier reducci\u00f3n del costo de producci\u00f3n como algo inequ\u00edvocamente positivo. Desde el punto de vista de productividad, generalmente lo es. Desde el punto de vista de asignaci\u00f3n de recursos, la cuesti\u00f3n es m\u00e1s complicada.<\/p>\n Imagine una empresa que quisiera desarrollar una aplicaci\u00f3n para resolver un problema interno relativamente peque\u00f1o. Tradicionalmente necesitaba levantar requerimientos, conseguir presupuesto, asignar desarrolladores, dise\u00f1ar una base de datos, crear interfaces, probar la soluci\u00f3n y despu\u00e9s mantenerla. Todo ese costo pod\u00eda ser frustrante, pero obligaba a formular una pregunta bastante saludable: \u00bfel problema es suficientemente importante para justificar todo esto?<\/p>\n La barrera no garantizaba buenas decisiones. La historia de la tecnolog\u00eda empresarial est\u00e1 llena de proyectos costosos que nunca debieron construirse. Pero la dificultad de producir introduc\u00eda una fricci\u00f3n que obligaba, al menos algunas veces, a priorizar. La inteligencia artificial est\u00e1 reduciendo esa fricci\u00f3n.<\/p>\n Eso democratiza capacidades que antes estaban reservadas para organizaciones con grandes presupuestos y equipos especializados. Permite que una peque\u00f1a empresa construya herramientas espec\u00edficas, que un empleado automatice una tarea y que necesidades demasiado peque\u00f1as para justificar un proyecto tradicional puedan finalmente atenderse. \u00c9sa es una enorme creaci\u00f3n potencial de valor.<\/p>\n Pero la misma tecnolog\u00eda elimina parcialmente uno de los filtros que imped\u00edan producir cosas de escaso valor. Cuando el costo de experimentar con una idea pasa de semanas a horas, resulta razonable experimentar mucho m\u00e1s. El problema comienza cuando confundimos el bajo costo de experimentar con un bajo costo de poseer todo lo que el experimento produce<\/strong>.<\/p>\n Una de las distinciones m\u00e1s importantes para entender esta nueva econom\u00eda es separar el costo de creaci\u00f3n del costo de propiedad. La IA puede reducir significativamente el primero. No existe evidencia equivalente de que elimine autom\u00e1ticamente el segundo.<\/p>\n Una aplicaci\u00f3n empresarial no termina cuando aparece la interfaz y funciona la primera demostraci\u00f3n. Si utiliza informaci\u00f3n real, alguien debe decidir qui\u00e9n tiene acceso. Si ejecuta acciones, alguien debe determinar qu\u00e9 acciones est\u00e1n permitidas. Si depende de APIs, habr\u00e1 que adaptarla cuando cambien. Si contiene reglas de negocio, esas reglas deber\u00e1n evolucionar. Si falla, alguien deber\u00e1 detectar el fallo y resolverlo. Si se convierte en parte de una operaci\u00f3n cr\u00edtica, habr\u00e1 que pensar en continuidad, seguridad, auditor\u00eda y responsabilidad.<\/p>\n El desarrollo inicial puede representar cada vez menos del costo total de propiedad. Y aqu\u00ed 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<\/strong>.<\/p>\n La literatura sobre deuda t\u00e9cnica ofrece razones para tomar esa posibilidad en serio. Una revisi\u00f3n multivocal publicada en 2025, basada en fuentes acad\u00e9micas e industriales, concluy\u00f3 que el desarrollo asistido por IA introduce nuevos desaf\u00edos relacionados con mantenibilidad, explicabilidad, gobernanza de datos y artefactos generados autom\u00e1ticamente. Esto no demuestra que el software generado con IA sea necesariamente peor ni que debamos producir menos. Demuestra algo m\u00e1s sobrio: la capacidad de generar un activo y la capacidad de sostenerlo siguen siendo problemas diferentes<\/strong>.<\/p>\n La propia investigaci\u00f3n sobre productividad obliga a introducir otra precauci\u00f3n. Cuando un estudio mide productividad mediante l\u00edneas de c\u00f3digo puede encontrar mejoras mucho mayores que cuando utiliza tareas completadas. Esa diferencia ilustra un viejo problema de ingenier\u00eda: producir m\u00e1s c\u00f3digo no necesariamente significa producir m\u00e1s valor.<\/p>\n El c\u00f3digo es un medio, no el resultado empresarial. Una organizaci\u00f3n podr\u00eda duplicar la cantidad de software que produce y empeorar simult\u00e1neamente su arquitectura. Podr\u00eda crear aplicaciones que duplican funciones existentes, automatizar procesos que deber\u00edan simplificarse, generar interfaces que casi nadie utiliza o construir agentes cuya aportaci\u00f3n econ\u00f3mica sea inferior al costo de supervisarlos.<\/p>\n La investigaci\u00f3n 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 tambi\u00e9n amplificar problemas existentes. La conclusi\u00f3n es que los mayores retornos no dependen solamente de adoptar herramientas, sino del sistema organizacional sobre el que esas herramientas act\u00faan.<\/p>\n \u00c9sta puede ser una de las claves del problema. La IA no necesariamente elimina el trabajo asociado con producir. Puede moverlo<\/strong>.<\/p>\n Supongamos que un departamento de una empresa puede ahora construir cinco veces m\u00e1s automatizaciones con los mismos recursos. Desde la perspectiva de ese departamento, existe un aumento evidente de productividad. Pero la organizaci\u00f3n completa tendr\u00e1 que convivir con esas automatizaciones.<\/p>\n Si ventas construye sus agentes, finanzas desarrolla sus peque\u00f1as aplicaciones, operaciones automatiza sus excepciones y cada empleado empieza a crear herramientas personales conectadas a informaci\u00f3n corporativa, el resultado podr\u00eda ser una empresa extraordinariamente productiva en la creaci\u00f3n de soluciones locales y simult\u00e1neamente cada vez m\u00e1s compleja como sistema.<\/p>\n El problema ya no ser\u00eda \u00fanicamente la tradicional proliferaci\u00f3n de aplicaciones SaaS. Podr\u00edamos entrar en una etapa de proliferaci\u00f3n de software generado internamente<\/strong> cuya creaci\u00f3n fue tan barata que nunca atraves\u00f3 los mecanismos de arquitectura, seguridad, integraci\u00f3n y priorizaci\u00f3n que hist\u00f3ricamente acompa\u00f1aban a un proyecto tecnol\u00f3gico.<\/p>\n Cada pieza puede parecer racional aisladamente. La irracionalidad puede aparecer en el conjunto. \u00c9sta es precisamente la diferencia entre productividad local y productividad sist\u00e9mica. Ahorrar cuatro horas construyendo una automatizaci\u00f3n es una mejora local. Que otras veinte personas tengan que entenderla, mantenerla y adaptarla durante tres a\u00f1os pertenece a otra cuenta econ\u00f3mica.<\/p>\n Algo parecido puede observarse en el mundo f\u00edsico. Las cadenas globales de suministro, la automatizaci\u00f3n industrial y la extraordinaria capacidad manufacturera desarrollada en Asia han hecho posible producir cantidades enormes de objetos a precios que d\u00e9cadas atr\u00e1s habr\u00edan resultado dif\u00edciles de imaginar. Eso ha creado much\u00edsimo valor: productos antes inaccesibles se democratizaron y millones de consumidores pudieron acceder a tecnolog\u00eda, herramientas y comodidades a precios bajos.<\/p>\n Pero la misma capacidad permite fabricar econ\u00f3micamente objetos cuya utilidad es peque\u00f1a, temporal o impulsiva. Un gadget puede existir no porque resuelva una necesidad particularmente importante, sino porque su costo de fabricaci\u00f3n y distribuci\u00f3n es suficientemente bajo para encontrar compradores. Mientras alguien lo compre, existe un mercado. El problema aparece si confundimos la existencia de una transacci\u00f3n con la existencia de valor duradero.<\/p>\n Con el software generado mediante IA podr\u00edamos observar un fen\u00f3meno relacionado, aunque no id\u00e9ntico. Cuando producir una aplicaci\u00f3n, un agente o una automatizaci\u00f3n cuesta muy poco, su umbral para llegar al mundo tambi\u00e9n disminuye. Ya no necesita resolver un problema de cien mil d\u00f3lares; quiz\u00e1 basta con que parezca \u00fatil durante una tarde.<\/p>\n La diferencia es que el objeto f\u00edsico que dejamos de utilizar puede terminar en un caj\u00f3n. Una aplicaci\u00f3n empresarial abandonada puede conservar credenciales, datos, dependencias, permisos e integraciones. La abundancia digital puede producir residuos con comportamiento.<\/p>\n Una investigaci\u00f3n seria no puede detenerse en los riesgos. Existe una interpretaci\u00f3n mucho m\u00e1s optimista y perfectamente plausible: gran parte de lo que hoy parece producci\u00f3n excesiva podr\u00eda representar necesidades reales que anteriormente permanec\u00edan sin atender porque era demasiado caro resolverlas.<\/p>\n Hay millones de procesos empresariales sostenidos con hojas de c\u00e1lculo, correos electr\u00f3nicos, trabajo manual y conocimiento informal no porque sean la mejor soluci\u00f3n, sino porque nunca justificaron el costo de desarrollar una herramienta espec\u00edfica. Si la IA reduce suficientemente ese costo, una larga cola de necesidades peque\u00f1as puede convertirse por primera vez en un mercado econ\u00f3micamente atendible.<\/p>\n Lo mismo ocurri\u00f3 en otros sectores cuando disminuyeron los costos de producci\u00f3n y distribuci\u00f3n. La abundancia no s\u00f3lo genera desperdicio; tambi\u00e9n permite variedad, personalizaci\u00f3n, experimentaci\u00f3n y acceso. Muchas cosas que parec\u00edan innecesarias antes de existir terminaron creando categor\u00edas enteras de valor.<\/p>\n Por eso ser\u00eda prematuro concluir que estamos produciendo \u201cdemasiado software\u201d. Puede ocurrir algo diferente: quiz\u00e1 todav\u00eda estamos descubriendo cu\u00e1nto software \u00fatil no produc\u00edamos porque su costo era artificialmente alto.<\/p>\n Las dos fuerzas pueden coexistir. La IA puede desbloquear una enorme cantidad de valor latente y, simult\u00e1neamente, producir una enorme cantidad de complejidad innecesaria. La cuesti\u00f3n empresarial consiste en distinguir una de otra.<\/p>\n \u00c9sta es quiz\u00e1 la consecuencia econ\u00f3mica m\u00e1s interesante. Durante buena parte de la era digital, una capacidad escasa era la capacidad de construir. Necesit\u00e1bamos programadores, dise\u00f1adores, especialistas en datos y equipos capaces de convertir requerimientos en sistemas funcionales. Esa escasez elevaba el valor econ\u00f3mico de la producci\u00f3n tecnol\u00f3gica.<\/p>\n La inteligencia artificial no elimina esa capacidad profesional, pero puede aumentar enormemente su productividad y permitir que muchas m\u00e1s personas participen en el proceso de construcci\u00f3n. Cuando una restricci\u00f3n disminuye, otra suele hacerse visible.<\/p>\n Podemos producir mucho m\u00e1s c\u00f3digo, pero seguimos teniendo una cantidad limitada de atenci\u00f3n directiva. Podemos crear cientos de automatizaciones, pero la organizaci\u00f3n 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.<\/p>\n La escasez se desplaza. En un entorno de producci\u00f3n abundante, seleccionar puede convertirse en una actividad econ\u00f3micamente m\u00e1s importante que producir<\/strong>.<\/p>\n Eso implicar\u00eda un cambio profundo en la naturaleza del trabajo tecnol\u00f3gico. El profesional valioso no ser\u00eda \u00fanicamente quien sabe construir, sino quien puede determinar qu\u00e9 merece construirse, qu\u00e9 debe comprarse, qu\u00e9 conviene integrar, qu\u00e9 puede automatizarse y qu\u00e9 deber\u00eda simplemente dejar de hacerse.<\/p>\n Nuestra experiencia original ayuda a introducir una \u00faltima distinci\u00f3n. Experimentar se vuelve extraordinariamente valioso precisamente cuando experimentar se vuelve barato. Si podemos construir un prototipo en horas, deber\u00edamos probablemente probar muchas m\u00e1s hip\u00f3tesis que antes. La abundancia de capacidad de producci\u00f3n puede mejorar nuestra capacidad para aprender.<\/p>\n El error consiste en asumir que todo experimento exitoso merece convertirse en un activo permanente. Una organizaci\u00f3n puede construir diez prototipos y conservar uno. Puede probar cinco agentes y operar solamente el que demuestra valor. Puede generar aplicaciones ef\u00edmeras para aprender y eliminarlas despu\u00e9s. Puede utilizar IA para reducir radicalmente el costo del descubrimiento sin convertir cada descubrimiento en nueva infraestructura.<\/p>\n Esto requiere aceptar algo culturalmente dif\u00edcil: c\u00f3digo que funciona tambi\u00e9n puede ser c\u00f3digo que debe eliminarse<\/strong>.<\/p>\n En una econom\u00eda de producci\u00f3n cara, descartar un desarrollo funcional parece desperdicio. En una econom\u00eda de producci\u00f3n barata, la capacidad de descartar puede convertirse en una competencia fundamental. El laboratorio optimiza aprendizaje. La operaci\u00f3n optimiza valor sostenible. Confundir ambos objetivos puede hacer que la facilidad para innovar termine produciendo una acumulaci\u00f3n de obligaciones.<\/p>\n La evidencia disponible todav\u00eda no permite afirmar que estemos entrando inevitablemente en una era de sobreproducci\u00f3n digital. Tampoco permite concluir que la inteligencia artificial vaya a llenar las empresas de software innecesario. Muchas de las tecnolog\u00edas que hoy est\u00e1n apareciendo son demasiado nuevas y los estudios longitudinales sobre sus costos de mantenimiento, adopci\u00f3n y retorno todav\u00eda son limitados.<\/p>\n S\u00ed podemos afirmar algo m\u00e1s 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 autom\u00e1ticamente y sin fricciones al rendimiento del sistema organizacional. Existe una literatura consolidada sobre deuda t\u00e9cnica y una literatura emergente sobre nuevos problemas de mantenibilidad y gobernanza asociados con sistemas y artefactos producidos mediante IA. Y sabemos, por la econom\u00eda de otras tecnolog\u00edas, que reducir el costo unitario puede aumentar el consumo total en lugar de reducirlo.<\/p>\n La conclusi\u00f3n, por tanto, no deber\u00eda ser una advertencia contra construir. Deber\u00eda ser una advertencia contra utilizar la capacidad de producci\u00f3n como sustituto del criterio de inversi\u00f3n<\/strong>.<\/p>\n La inteligencia artificial puede hacer econ\u00f3micamente posibles productos, aplicaciones y soluciones que antes no pod\u00edan existir. \u00c9sa podr\u00eda convertirse en una de sus mayores contribuciones a la productividad. Pero precisamente porque podremos construir m\u00e1s cosas, tendremos que mejorar nuestra capacidad para decidir cu\u00e1les merecen sobrevivir.<\/p>\n Quiz\u00e1 \u00e9sa sea la paradoja m\u00e1s interesante de la abundancia tecnol\u00f3gica: cuanto menos escasa sea nuestra capacidad de producir, m\u00e1s valiosa puede volverse nuestra capacidad de elegir.<\/p>\n El efecto Roxy comenz\u00f3 para nosotros con una pregunta inc\u00f3moda frente a algo que hab\u00edamos conseguido hacer funcionar: \u201c\u00bfqui\u00e9n va a pagar por esto?\u201d Despu\u00e9s de investigar el problema, creemos que conviene formularla de una manera m\u00e1s amplia:<\/p>\n Ahora que podemos construir mucho m\u00e1s, mucho m\u00e1s r\u00e1pido y mucho m\u00e1s barato, \u00bfhemos mejorado con la misma velocidad nuestra capacidad para decidir qu\u00e9 merece existir?<\/strong><\/p>\n La evidencia disponible todav\u00eda no responde completamente esa pregunta. Pero ya tenemos suficientes razones para empezar a hacerla.<\/p>\n La IA est\u00e1 reduciendo el costo de producir software, contenido y automatizaciones. Investigamos qu\u00e9 ocurre cuando nuestra capacidad para producir crece m\u00e1s r\u00e1pido que nuestra capacidad para decidir qu\u00e9 merece existir.<\/p>\n","protected":false},"author":2,"featured_media":125,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[13],"class_list":["post-124","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-investigacion","tag-ia"],"_links":{"self":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts\/124","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/comments?post=124"}],"version-history":[{"count":2,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts\/124\/revisions"}],"predecessor-version":[{"id":127,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts\/124\/revisions\/127"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/media\/125"}],"wp:attachment":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/media?parent=124"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/categories?post=124"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/tags?post=124"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Primero hay que reconocer lo evidente: la IA s\u00ed est\u00e1 reduciendo el costo de producir<\/h2>\n
Cuando baja el costo de hacer algo, normalmente hacemos m\u00e1s de ese algo<\/h2>\n
El antiguo costo de producci\u00f3n tambi\u00e9n funcionaba como filtro<\/h2>\n
Crear software y poseer software son actividades econ\u00f3micas diferentes<\/h2>\n
M\u00e1s c\u00f3digo no es necesariamente m\u00e1s valor<\/h2>\n
La productividad local puede convertirse en complejidad global<\/h2>\n
El paralelo con los bienes f\u00edsicos ayuda, siempre que no lo llevemos demasiado lejos<\/h2>\n
Pero hay que considerar la hip\u00f3tesis contraria: quiz\u00e1 estamos subestimando el valor que esa abundancia puede crear<\/h2>\n
Si producir deja de ser el cuello de botella, el cuello de botella se desplaza<\/h2>\n
El efecto Roxy no dice \u201cconstruye menos\u201d. Dice \u201csepara exploraci\u00f3n de inversi\u00f3n\u201d<\/h2>\n
Entonces, \u00bfqu\u00e9 ocurre cuando producir se abarata antes que decidir?<\/h2>\n
\nFuentes consultadas<\/h2>\n
\n