La IA no replicará el boom de productividad de los años 90

Los números que le ponen freno al entusiasmo

El argumento optimista tiene un punto de apoyo estadístico aparentemente sólido: la productividad laboral en Estados Unidos creció a una tasa anualizada del 1,8% en el cuarto trimestre de 2025. Para quienes esperaban ver el impacto de la IA en los números macro, eso podría parecer una señal prometedora. Pero una medición más precisa del Banco de la Reserva Federal de San Francisco —que descarta el efecto cíclico de simplemente trabajar más duro y más horas— muestra que la productividad laboral creció apenas un 0,2% interanual. Esa diferencia no es menor: es la diferencia entre una señal de cambio estructural y ruido estadístico.

Para entender la magnitud de lo que se esperaba, hay que recordar qué hicieron las computadoras personales y el internet en su momento de auge. Entre finales de los 90 y principios de los 2000, la producción por hora de trabajo creció a un ritmo de aproximadamente el 3% anual en Estados Unidos. Ese fue el único salto de productividad sostenido que el país experimentó desde que la expansión de la posguerra se agotó en los 70. El boom de las punto com, con toda su irracionalidad especulativa, dejó una huella real en cómo trabajaban las empresas, cómo fluía la información y cuánto podía hacer un trabajador en un día.

¿Puede la IA replicar eso? Frey argumenta que, en el mejor de los casos, tendríamos suerte de ver que la tecnología iguala ese período corto y ya terminado de crecimiento acelerado. Y sus razones son más profundas que un simple pesimismo tecnológico.

El impuesto a la verificación: por qué la IA crea un cuello de botella nuevo

El concepto más útil que introduce Frey en este debate es lo que llama el verification tax: el impuesto a la verificación. La idea es sencilla pero sus implicaciones son profundas. En cualquier ámbito donde alguien sea responsable de un resultado —derecho, medicina, finanzas reguladas, ingeniería, políticas públicas—, el output de una IA no es un producto terminado. Es un borrador que debe ser revisado. El trabajo no desaparece; simplemente cambia de lugar: de producir a supervisar.

La productividad neta de la IA se convierte entonces en una ecuación: tiempo ahorrado en generación menos tiempo invertido en garantizar la confiabilidad del resultado. Y esa ecuación no siempre da positivo. En las tareas donde los errores son baratos y los outputs son fáciles de testear —la IA puede acelerar el trabajo de forma significativa. Donde los errores son costosos y la corrección es difícil de observar, el cuello de botella se desplaza de "hacer el trabajo" a "certificarlo".

Este no es un argumento teórico. En abril de 2026, el estudio de Sullivan & Cromwell —uno de los despachos de abogados más prestigiosos de Wall Street— fue descubierto presentando en un tribunal de quiebras de Manhattan un escrito lleno de citas fabricadas y errores generados por IA. Los errores no los detectó el propio equipo del estudio durante la revisión interna: los encontró el abogado de la parte contraria. El episodio no es una rareza: es un síntoma estructural del problema que Frey describe.

Frey cita también evidencia empírica directa. Un gran estudio de campo en atención al cliente mostró que un asistente de IA generativa aumentó la productividad en un 14% promedio, con ganancias mucho mayores para los trabajadores menos experimentados y beneficios mínimos para los más experimentados. En ese contexto, las tareas eran estandarizadas y los resultados fáciles de evaluar: el impuesto a la verificación era bajo.

Pero en el extremo opuesto del espectro, un experimento aleatorio con desarrolladores de software experimentados trabajando en sus propios repositorios mostró que el acceso a herramientas de IA de frontera los hizo aproximadamente un 19% más lentos. La mayor parte del tiempo extra se fue en formular prompts, esperar las respuestas, revisarlas y corregirlas. El impuesto a la verificación, en ese contexto de alta complejidad y alta responsabilidad, devoró por completo la ganancia de velocidad.

El riesgo oculto de los agentes autónomos

Si el problema del impuesto a la verificación ya es significativo cuando la IA genera texto o código bajo supervisión humana directa, se vuelve exponencialmente más grave con la siguiente generación de sistemas: los llamados agentes de IA autónomos.

Un chatbot que alucina un párrafo es un inconveniente. Un agente que modifica código en producción, mueve fondos entre cuentas, presenta documentos legales, borra registros de una base de datos o desencadena acciones en cadena a través de sistemas interconectados puede crear daño real a velocidad de máquina. Y lo puede hacer antes de que ningún humano tenga la oportunidad de intervenir.

Esto no implica que los agentes de IA no vayan a desplegarse masivamente: ya están siendo adoptados por empresas en todo el mundo. Pero sí implica que el costo de los errores está cambiando de naturaleza. Los errores que antes ocurrían en el plano de la redacción o el análisis ahora pueden ocurrir en el plano de la acción, con consecuencias que van más allá de la reputación profesional y tocan patrimonio, cumplimiento regulatorio y seguridad.

Los economistas Christian Catalini, Xiang Hui y Jane Wu formularon esta idea de forma precisa: cuando la IA empuja el costo de ejecución hacia cero, la restricción vinculante se convierte en el ancho de banda humano de verificación. Nuestra capacidad limitada para validar resultados y asumir responsabilidad sobre ellos se vuelve el cuello de botella que determina cuánta productividad real puede capturar una organización.

El riesgo de largo plazo: erosionar el conocimiento que verifica la IA

Hay una dimensión del argumento de Frey que va más allá del corto plazo y que merece atención especial: si las organizaciones responden a la disponibilidad de IA contratando menos abogados junior, menos analistas en formación, menos trabajadores de nivel inicial en general —asumiendo que la máquina cubrirá los primeros borradores—, estarán erosionando gradualmente la expertise necesaria para verificar el output de la máquina.

Es una trampa elegante y lenta. En el corto plazo, la organización parece más eficiente: menos personal, mismos outputs. En el mediano plazo, los errores de la IA empiezan a filtrarse porque hay menos ojos entrenados para detectarlos. En el largo plazo, el error oculto emerge en público, con consecuencias que pueden ser devastadoras en sectores donde la confiabilidad no es opcional.

El caso Sullivan & Cromwell es un ejemplo temprano de este patrón. Pero en medicina, en ingeniería civil, en sistemas de control de tráfico aéreo o en gestión de riesgos financieros, los equivalentes podrían ser mucho más costosos.

¿Qué hace falta para que la IA sí genere ganancias de productividad amplias?

El argumento de Frey no es nihilista. No dice que la IA no tenga valor o que nunca impacte positivamente la productividad. Dice que el impacto depende de la estructura de la tarea, y que para que se generalice a la economía amplia hacen falta condiciones que todavía no existen a escala suficiente.

La primera condición es la infraestructura de verificación. Un juez federal en Texas ya exige que los abogados certifiquen que cualquier lenguaje generado por IA ha sido verificado usando investigación legal tradicional. Eso es un ejemplo de cómo puede construirse confianza institucional en los outputs de la IA: no prohibiendo la herramienta, sino estableciendo estándares de due diligence para su uso.

Lo mismo se necesita en el trabajo de oficina general: proveniencia de las afirmaciones, trazabilidad de los razonamientos, auditorías y estándares claros de responsabilidad. Cuando un agente de IA cambia código, mueve dinero o presenta documentos, debe existir un rastro verificable de quién autorizó qué y por qué. Esa infraestructura institucional —regulaciones, normas profesionales, seguros, jurisprudencia— no se construye a la velocidad de los ciclos de lanzamiento de modelos. Y hasta que no esté en pie, el potencial de la IA permanecerá acotado por el impuesto a la verificación.

Implicaciones para América Latina y la región

Para empresas y trabajadores en México, Brasil, Colombia, Argentina, Chile y Perú, el análisis de Frey tiene una relevancia específica que va más allá de la economía estadounidense. Los principales mercados laborales de la región tienen características que amplifican algunos de los efectos que describe.

En primer lugar, la infraestructura regulatoria e institucional en América Latina es, en general, más frágil que en Estados Unidos o Europa. Eso significa que los mecanismos de verificación que podrían contener el impuesto —marcos legales, normas profesionales, sistemas de auditoría— son más difíciles de construir y aplicar. Las empresas que adopten agentes de IA autónomos en la región lo harán, en muchos casos, sin la red de protección que la regulación madura provee.

En segundo lugar, el mercado laboral de la región tiene una mayor proporción de trabajadores en posiciones de nivel inicial y en sectores donde la IA podría desplazar puestos sin crear suficientes posiciones de supervisión y verificación para compensar. Las hubs tecnológicos de São Paulo, Ciudad de México, Buenos Aires, Santiago y Medellín ya están absorbiendo el impacto de la automatización, y la presión va a aumentar.

En tercer lugar, las empresas latinoamericanas que proveen servicios a clientes en Estados Unidos o Europa —desde estudios de abogados hasta agencias de software, desde firmas contables hasta consultoras— van a estar sujetas a los estándares de verificación que esos mercados impongan. Adaptarse a esas exigencias no es opcional para quienes quieran seguir operando en esos mercados.

Finalmente, hay una oportunidad en el argumento de Frey que merece subrayarse: si el cuello de botella real es la verificación, entonces quienes desarrollen competencias sólidas en auditoría de outputs de IA, en interpretación crítica de resultados algorítmicos y en diseño de sistemas de accountability para agentes autónomos tienen una ventaja competitiva real y sostenible en los mercados que vienen.

Conclusión: el optimismo necesita fricción

El entusiasmo del sector tecnológico sobre el impacto de la IA en la productividad no es irresponsable. Hay casos de uso reales, ganancias de eficiencia medibles y aplicaciones donde la tecnología está cambiando el trabajo para mejor. Pero ese entusiasmo necesita la fricción del análisis empírico y la perspectiva histórica para no convertirse en narrativa que distorsiona las decisiones de inversión, contratación y política pública.

Carl Benedikt Frey no dice que la IA vaya a fracasar. Dice que la IA va a tener un impacto más acotado de lo que el hype promete, porque automatiza algo diferente a lo que automatizó la revolución informática, porque crea un nuevo cuello de botella —la verificación— que consume parte de la ganancia de velocidad, y porque la infraestructura institucional necesaria para que ese cuello de botella se amplíe todavía está en construcción.

Entender esos límites no es pesimismo. Es el punto de partida para tomar decisiones inteligentes sobre cómo integrar la IA en los procesos reales de empresas reales, con resultados que puedan certificarse, defenderse y mejorar a lo largo del tiempo. Y eso, en definitiva, es lo que separa la innovación real de la anécdota viral.