Girişimcilikİş

El negocio de servicios aumentado con IA: cómo escalar la entrega sin contratar y qué dice la evidencia sobre las ganancias reales

Service business owner reviewing finished client deliverables at a sunlit desk with a laptop and tablet

TL;DR. La mejor evidencia controlada sobre la IA generativa en el trabajo muestra ganancias reales pero modestas: los agentes de atención al cliente resolvieron un 15 % más de incidencias por hora, los desarrolladores de tres experimentos de campo en empresas completaron un 26,08 % más de tareas y los consultores de BCG terminaron un 12,2 % más de tareas en trabajos situados dentro de la “frontera” de la IA. En una tarea fuera de esa frontera, los consultores que usaron IA dieron respuestas correctas el 60 % y el 70,6 % de las veces, frente al 84,5 % sin IA, y los desarrolladores de código abierto experimentados tardaron un 19 % más con herramientas de IA. Expresados como multiplicadores de producción, los efectos medidos van de 0,84x a 2,26x en la tarea estudiada, muy lejos de 10x. La jugada del CEO: aumentar las etapas de la entrega cuyo resultado es barato de comprobar, poner un control humano con nombre y apellidos delante de cada etapa en la que los errores salen caros y alejar los precios de las horas antes de que las horas se reduzcan. La jugada del estudiante: desarrollar la habilidad de evaluación, porque las ganancias son mayores para las personas con menos experiencia, que son precisamente las peor preparadas para detectar un error dicho con seguridad.

Esta guía se sitúa junto a tres piezas de CEOtudent: la economía de vender automatizaciones de IA como agencia unipersonal, el marco de precios para servicios productizados para ofertas de precio fijo y la habilidad de evaluación para juzgar los resultados de la IA. Los datos de adopción están en la primera.

¿Por qué “10 veces más producción” es la cifra equivocada para planificar?

La promesa de que la IA permite a una persona entregar lo que antes requería diez circula ampliamente en el marketing de herramientas. Tienta a quien trabaja en solitario porque sugiere que la decisión de contratar ha desaparecido. Ningún estudio controlado consultado para este artículo midió nada parecido, y los estudios que midieron la producción encontraron tres patrones que importan más:

  1. Las ganancias son reales, pero se miden en decenas de puntos porcentuales, no en múltiplos, una vez que la unidad es el trabajo terminado y no un esprint en una sola tarea.
  2. Las ganancias son desiguales. Son mayores para los trabajadores con menos experiencia y menor cualificación, y menores, a veces ligeramente negativas en calidad, para los más experimentados.
  3. Las ganancias pueden volverse negativas en tareas que quedan fuera de lo que el modelo hace bien, y a las personas les cuesta distinguir a qué lado de esa línea están.

Planificar para 10x conduce a cobrar de menos, aceptar demasiados encargos y revisar de menos. Planificar para el rango medido sigue aumentando la capacidad sin contratar, siempre que la IA vaya a las etapas adecuadas y los precios acompañen.

¿Qué miden realmente los estudios controlados sobre la IA generativa en el trabajo?

La tabla recoge los estudios de diseño más sólido que pudieron consultarse completos o en sus resúmenes publicados. Las cifras son las que aparecen en la versión indicada.

Estudio (versión consultada) Contexto y muestra Tarea Efecto medido, según la publicación Quién ganó más
Brynjolfsson, Li y Raymond, QJE 2025 (arXiv v2, noviembre de 2024) Una empresa de atención al cliente, 5.172 agentes, implantación escalonada Atención al cliente por chat Incidencias resueltas por hora: +15 % de media Agentes con menos experiencia y menor cualificación (en torno al 30 %); los más experimentados registraron ligeros descensos de calidad
Noy y Zhang, Science 2023 Experimento en línea, 453 profesionales con estudios universitarios Tareas de redacción propias de cada ocupación Tiempo medio empleado: -40 %; calidad del resultado: +18 % Los trabajadores de menor capacidad se beneficiaron más (documento de trabajo)
Peng et al., 2023 (arXiv) 95 programadores profesionales reclutados a través de Upwork Implementar un servidor HTTP en JavaScript Tarea completada un 55,8 % más rápido (intervalo de confianza del 95 %: 21-89 %) Programadores con menos experiencia y de mayor edad
Cui, Demirer et al., Management Science 2026 Experimentos de campo en Microsoft, Accenture y una empresa de la lista Fortune 100; 4.867 desarrolladores Trabajo de software habitual con un asistente de autocompletado de código Tareas completadas: +26,08 % (error estándar del 10,3 %) Desarrolladores con menos experiencia; incorporaciones recientes y puestos más júnior
Dell’Acqua et al., Organization Science 2026 758 consultores de BCG 18 tareas de consultoría realistas dentro de la frontera Un 12,2 % más de tareas, completadas un 25,1 % más rápido y con una calidad significativamente mayor Los sujetos de la mitad inferior en habilidad ganaron más; la mitad superior también ganó
Mismo estudio Misma Una tarea compleja seleccionada para quedar fuera de la frontera Respuestas correctas: 84,5 % sin IA frente al 60 % y el 70,6 % en los dos grupos con IA Ningún grupo: quienes usaron IA lo hicieron peor
Dell’Acqua et al., “The Cybernetic Teammate”, NBER WP 33641 (2025) 776 profesionales de Procter and Gamble (791 en la versión publicada) Retos reales de innovación de producto, individualmente o en parejas Las personas con IA igualaron el rendimiento de los equipos sin IA; un 16,4 % menos de tiempo; calidad +0,37 desviaciones estándar Personas que trabajaban solas, que alcanzaron una calidad de nivel de equipo
Becker et al. (METR), 2025 16 desarrolladores de código abierto experimentados, 246 tareas en repositorios maduros Incidencias reales en proyectos que ya mantienen Las tareas tardaron un 19 % más con la IA permitida (intervalo de confianza: +2 % a +39 %) Ningún grupo de media; los desarrolladores habían previsto una reducción del tiempo del 24 %

Fuentes: elementos 1 y 3-9 de la lista de fuentes, en las versiones allí indicadas.

Dos advertencias. Primera: las cifras principales cambian de una versión a otra. El documento de trabajo del NBER de 2023 sobre el estudio de atención al cliente informaba de un 14 % de media y un 34 % para los trabajadores noveles y poco cualificados; la versión que corresponde al artículo publicado informa de un 15 % y de en torno al 30 %, que son las cifras que usa la tabla. El estudio de P&G pasó de 776 a 791 participantes entre versiones; sus cifras de tiempo y calidad proceden del documento de trabajo, porque el texto completo publicado no estaba en acceso abierto.

Segunda: las unidades son distintas. Una reducción del tiempo del 55,8 % en una tarea de programación estandarizada y un aumento del 26,08 % en las tareas completadas por semana entre miles de desarrolladores son tipos de evidencia diferentes, y la segunda se acerca más a lo que vende un negocio de servicios.

¿Cómo se ven esos efectos como multiplicadores de producción?

Para comparar los estudios con la promesa de 10x, cada efecto se convierte en un multiplicador de producción para la tarea estudiada: una ganancia del 15 % se convierte en 1,15x, y una reducción del tiempo r se convierte en 1 dividido por (1 menos r).

Estudio Efecto medido Multiplicador de producción en esa tarea 10x es esta cantidad de veces mayor
Brynjolfsson et al., todos los agentes +15 % de resoluciones por hora 1,15x 8,7
Brynjolfsson et al., agentes menos cualificados en torno al +30 % 1,30x 7,7
Cui et al. +26,08 % de tareas completadas 1,26x 7,9
Dell’Acqua et al., dentro de la frontera +12,2 % de tareas completadas 1,12x 8,9
Dell’Acqua et al., documento de trabajo de P&G 16,4 % menos de tiempo 1,20x 8,4
Noy y Zhang 40 % menos de tiempo 1,67x 6,0
Peng et al. 160,89 frente a 71,17 minutos 2,26x 4,4
Becker et al. (METR) 19 % más de tiempo 0,84x 11,9

Análisis de CEOtudent a partir de la tabla anterior. Los multiplicadores describen la tarea medida, no son acumulables y no describen un puesto de trabajo completo.

El multiplicador más alto, 2,26x, procede de una única tarea de programación bien especificada realizada lo más rápido posible. Los dos estudios de campo que cuentan trabajo real a lo largo de meses, en atención al cliente y en software, se sitúan entre 1,15x y 1,30x.

¿Por qué una tarea más rápida no crea un negocio 10x?

Una gran aceleración en una sola etapa tiene un techo, porque el resto del proyecto no se acelera. Si una proporción s de las horas del proyecto va k veces más rápido, el proyecto completo va 1 dividido por ((1 menos s) más s dividido por k) veces más rápido.

Proporción de horas del proyecto aumentada Multiplicador global si esa proporción va 2,26x más rápido Multiplicador global si esa proporción no requiriera ningún tiempo
25 % 1,16x 1,33x
40 % 1,29x 1,67x
50 % 1,39x 2,0x
75 % 1,72x 4,0x

Análisis de CEOtudent; 2,26x es el multiplicador más alto de la tabla anterior.

Para que un servicio completo fuera 10 veces más rápido, tendría que desaparecer al menos el 90 % de sus horas. Con una aceleración de 20x en la parte aumentada, el requisito es del 94,7 %; con 2,26x, 10x es aritméticamente imposible. La entrega siempre conserva horas que apenas se comprimen: definición del alcance, decisiones del cliente, revisión, correcciones y trabajo de relación.

La evidencia a escala de población coincide. Las encuestas representativas a nivel nacional en Estados Unidos de Bick, Blandin y Deming encontraron que entre el 1 % y el 5 % de todas las horas de trabajo cuentan con ayuda de la IA generativa, con un ahorro de tiempo declarado equivalente al 1,4 % del total de horas trabajadas. En Dinamarca, Humlum y Vestergaard vincularon encuestas de adopción con registros administrativos y estimaron efectos nulos precisos sobre los ingresos y las horas registradas, descartando efectos superiores al 2 % dos años después del lanzamiento de ChatGPT; el 85 % de los usuarios de chatbots afirma reasignar el tiempo ahorrado a otras tareas. El tiempo ahorrado no se convierte automáticamente en producción vendida.

La autoevaluación no sustituye a la medición. En el ensayo de METR, los desarrolladores previeron que la IA reduciría el tiempo de realización en un 24 %, estimaron después que lo había reducido en un 20 % y, en realidad, se ralentizaron un 19 %. El experimento de seguimiento de METR, iniciado en agosto de 2025, ofrece una señal poco fiable porque los desarrolladores se negaban cada vez más a trabajar sin IA; METR cree que es probable que los desarrolladores sean más rápidos a principios de 2026, pero califica sus datos de “solo una evidencia muy débil” sobre la magnitud del cambio. El resultado de la ralentización ha quedado anticuado; la aceleración posterior aún no está bien medida.

¿Qué está pasando con la demanda de servicios freelance?

La productividad es la mitad del panorama; la otra mitad es lo que compran los clientes una vez que tienen las mismas herramientas. Dos estudios sobre grandes plataformas de trabajo freelance lo analizaron.

  • Hui, Reshef y Zhou encontraron que, tras el lanzamiento de ChatGPT, los freelancers de las ocupaciones más afectadas registraron un descenso del 2 % en los trabajos mensuales y del 5,2 % en los ingresos mensuales, en comparación con las ocupaciones menos afectadas. Un servicio de alta calidad, medido por el rendimiento anterior, no los protegió, y los freelancers de mejor nivel se vieron, de forma indicativa, afectados de manera desproporcionada.
  • Demirci, Hannane y Zhu encontraron un descenso del 21 % en las ofertas de trabajos de redacción y programación susceptibles de automatización, en comparación con los trabajos intensivos en tareas manuales, en los ocho meses posteriores a la aparición de ChatGPT, y un descenso del 17 % en las ofertas de creación de imágenes tras la llegada de los generadores de imágenes. Los trabajos restantes eran más complejos y estaban mejor pagados, mientras que la competencia entre freelancers aumentó.

La capa rutinaria de primeros borradores de muchos servicios es la parte que los clientes ya pueden hacer por sí mismos, de modo que su precio está bajando, y la demanda restante se concentra en la complejidad, el criterio y la responsabilidad. Aumentar la entrega no es opcional, pero vender el tiempo que ahorra la IA a la antigua tarifa por hora no es una estrategia. La escalera del apalancamiento describe el recorrido más largo de vender tiempo a vender resultados; esta guía cubre el lado de la entrega de ese recorrido.

¿Qué etapas de la entrega debería aumentar un negocio de servicios y dónde se sitúa el control humano?

El mapa aplica una regla extraída de la evidencia: aumentar donde el resultado es barato de comprobar y mantener una decisión humana allí donde un error es costoso y difícil de ver. La prueba general de lo que está en juego y de la reversibilidad está en Aumentar, no automatizar; esta tabla la aplica a la entrega al cliente.

Etapa de la entrega Función predeterminada de la IA Se mantiene humano Control de calidad antes de la siguiente etapa Evidencia que orienta la decisión
1. Recepción y definición del alcance Resumir el encargo, enumerar las preguntas abiertas, redactar un esquema del alcance Decidir el alcance, las exclusiones y el precio El cliente confirma un alcance por escrito; las exclusiones se nombran La tarea en la que quienes usaron IA lo hicieron peor era un juicio de gestión complejo
2. Investigación y descubrimiento Recopilar, resumir y comparar material Elegir las fuentes y juzgar su pertinencia Cada dato utilizado remite a una fuente que una persona ha abierto Las ganancias de velocidad y calidad dentro de la frontera están bien documentadas
3. Primer borrador o construcción Generar borradores, código, maquetas y variantes Fijar la estructura y el estándar de aceptación El borrador se comprueba con una lista de aceptación escrita Aquí se sitúa el mayor ahorro de tiempo medido (estudios de redacción y programación)
4. Análisis y recomendación Proponer opciones, argumentar contra el borrador, poner a prueba los supuestos Formular la recomendación y asumirla Una persona redacta el razonamiento con sus propias palabras; toda cifra se contrasta con una segunda fuente En la tarea fuera de la frontera, las respuestas correctas cayeron del 84,5 % al 60 % y al 70,6 %
5. Revisión y control de calidad Ejecutar listas de verificación, comprobaciones de coherencia y casos de prueba Aceptar o rechazar el entregable Revisión línea por línea de una muestra; cada error detectado se anota en un registro Los agentes de atención al cliente más experimentados registraron ligeros descensos de calidad con IA
6. Comunicación con el cliente Redactar actualizaciones, órdenes del día y actas de reuniones Relación, malas noticias, negociación Nada llega al cliente sin haberse leído Ningún estudio de los anteriores midió esta etapa; tratarla como humana por defecto
7. Traspaso y captura de conocimiento Redactar documentación y procedimientos reutilizables Decidir qué se convierte en estándar El procedimiento se pone a prueba en el siguiente proyecto La ayuda de la IA facilitó el aprendizaje de los trabajadores en el estudio de atención al cliente

Marco editorial de CEOtudent. La columna de evidencia cita los estudios de la primera tabla; los límites entre etapas y los controles son criterio editorial, no resultados de investigación.

Del mapa se derivan tres reglas de funcionamiento:

  1. Los controles se nombran, no se dan por supuestos. Cada etapa necesita una persona y una condición de aprobación. Cómo dar instrucciones a la IA en cada etapa se explica en el manual de gestión de la IA.
  2. La etapa de borrador es la mayor palanca y la mayor trampa. Su ahorro de tiempo es el mayor, y su resultado parece terminado antes de haberse comprobado.
  3. El tiempo de revisión aumenta, no disminuye. Un plan que recorta a la vez el tiempo de redacción y el de revisión está planificando entregar trabajo sin comprobar.

¿Cómo fijar precios cuando se reducen las horas?

Todos los datos de partida que siguen son supuestos ilustrativos elegidos para mostrar el mecanismo, no una referencia del sector. Sustituya cada uno por sus propios registros de tiempo.

  • Tarifa: $100 por hora (supuesto ilustrativo).
  • Un proyecto requiere 20 horas: definición del alcance 2, investigación 4, redacción o construcción 8, revisión y correcciones 4, comunicación con el cliente 2 (supuesto ilustrativo).
  • Con IA, la investigación requiere un 30 % menos de tiempo y la redacción un 40 % menos, y la revisión suma 1 hora adicional de verificación (supuestos ilustrativos).
  • Las herramientas de IA cuestan $200 al mes; el negocio vende 5 proyectos al mes y dispone de 100 horas de entrega (supuestos ilustrativos).

Así, un proyecto pasa de 20,0 a 16,6 horas, un ahorro de 3,4 horas o un 17,0 %: un multiplicador de capacidad de aproximadamente 1,2x, espacio para un proyecto más al mes, no para diez. Incluso si la redacción, el 40 % de las horas originales, no requiriera ningún tiempo, el techo sería de 1,67x.

Escenario (todos los datos son supuestos ilustrativos) Horas por proyecto Precio por proyecto Proyectos al mes Ingreso mensual neto tras el coste de las herramientas Ingreso neto por hora de entrega Horas de entrega restantes de 100
A. Facturación por horas, sin IA 20,0 $2.000 5 $10.000 $100,00 0,0
B. Facturación por horas, con IA, misma tarifa 16,6 $1.660 5 $8.100 $97,59 17,0
C. Precio fijo mantenido en el precio anterior 16,6 $2.000 5 $9.800 $118,07 17,0
D. Precio fijo rebajado un 10 % para compartir la ganancia 16,6 $1.800 5 $8.800 $106,02 17,0
E. Precio fijo anterior, horas liberadas vendidas como sexto proyecto 16,6 $2.000 6 $11.800 $118,47 0,4

Análisis de CEOtudent; cálculos en calc.py.

Lo que muestra la tabla:

  • La facturación por horas entrega la ganancia al cliente y te deja a ti el coste de las herramientas. El escenario B ingresa $1.900 menos al mes que el A por los mismos cinco proyectos. Esa es la razón para pasar a un precio fijo antes de aumentar la entrega; el marco de precios para servicios productizados citado más arriba y la fórmula desarrollada del precio basado en el valor explican cómo hacerlo.
  • Un precio fijo solo conserva la ganancia si el alcance se mantiene. El escenario C eleva el ingreso neto por hora de entrega a $118,07; las rondas de correcciones no facturadas son lo primero que se lo come, como muestra la economía del scope creep.
  • Vender las horas liberadas requiere demanda. El escenario E suma $1.800 al mes, un 18,0 % más que el A, solo si existe un sexto cliente. A la vista de la evidencia de las plataformas, es más probable que ese proyecto sea trabajo complejo que redacción rutinaria.
  • Compartir parte de la ganancia puede ser una decisión deliberada. El escenario D sigue superando al A por hora, y una rebaja moderada puede conseguir el sexto proyecto. Registra el coste de las herramientas y la tarifa efectiva en la plantilla de cuenta de resultados del negocio unipersonal.

La tarjeta de puntuación de preparación para el aumento

Úsala antes de añadir IA a cualquier etapa de la entrega. Puntúa cada pregunta con 0 (no), 1 (en parte) o 2 (sí).

# Pregunta Por qué importa
1 ¿Puede detectarse un resultado erróneo en minutos con una lista de verificación escrita? Que comprobar sea barato es lo que hace rentable el aumento
2 ¿Un error no detectado en esta etapa es barato y reversible para el cliente? Los errores caros y ocultos necesitan una decisión humana
3 ¿Se ha probado la herramienta con varios ejemplos anteriores de esta tarea cuyas respuestas correctas se conocen? La frontera es irregular; solo las pruebas muestran por dónde pasa
4 ¿Podrías hacer bien esta etapa sin IA? Evaluar el resultado exige la habilidad que ese resultado sustituye
5 ¿La etapa ocupa una parte significativa de las horas del proyecto? Las etapas pequeñas no pueden mover mucho la capacidad total
6 ¿El trabajo se cobra por entregable y no por hora? Si no, el tiempo ahorrado es ingreso perdido
7 ¿El contrato con el cliente permite usar herramientas de IA con su material? Las cláusulas de confidencialidad van antes que la eficiencia
8 ¿Se registrará cada error detectado y se revisará cada mes? El registro convierte la revisión en un proceso mejor

Cómo interpretar el total (marco editorial de CEOtudent; las franjas son puntos de partida, no umbrales de investigación):

  • 13-16: aumentar ahora, con el control del mapa de etapas en marcha.
  • 8-12: hacer primero una prueba piloto con trabajo interno o de poco riesgo, y corregir las preguntas con menor puntuación.
  • 0-7: mantener la etapa en manos humanas por ahora, y volver a puntuar dentro de un trimestre.

Un 0 en la pregunta 4 o en la 7 prevalece sobre el total: sin la habilidad para juzgar el resultado, o sin permiso para usar la herramienta, la etapa sigue siendo humana.

¿Cuál es la habilidad de estudiante que hace seguro el aumento?

El patrón es coherente: quienes tienen menos experiencia ganan más, y quienes confían en su propia impresión de cómo ha ido son los que peor juzgan la IA. Los desarrolladores de METR creían que habían ido más rápido cuando en realidad habían ido más despacio. Los consultores de BCG, en la tarea fuera de la frontera, dieron peores respuestas con IA que sin ella. El estudio publicado de P&G concluye que la IA mejora sobre todo la calidad de las ideas generadas, mientras que el juicio humano conserva su valor en la selección evaluativa.

Eso convierte la evaluación en la habilidad que protege el negocio: saber cómo es una respuesta correcta antes de leer la de la IA, contrastar las cifras con fuentes primarias y darse cuenta de cuándo una tarea ha salido de la frontera. La guía de evaluación enlazada más arriba explica cómo desarrollarla. Tres hábitos la mantienen en práctica:

  1. Llevar un registro de errores por etapa: qué hizo mal la IA, cómo se detectó y cuánto tardó la comprobación. Al cabo de un mes muestra qué etapas están dentro de la frontera para tu trabajo.
  2. Cronometrar una muestra de tareas con y sin IA durante unas semanas. En el ensayo de METR, la aceleración percibida y la medida apuntaron en direcciones opuestas.
  3. Resolver primero sin IA la decisión más difícil de cada mes y comparar después. Así se conserva la habilidad de la que depende el control de revisión.

Lo que esto no significa

  • No significa que las ganancias sean triviales. Un aumento del 26,08 % en las tareas completadas, mantenido durante un año, es grande para un negocio unipersonal; es un porcentaje, no un múltiplo.
  • No significa que la ralentización de 2025 siga vigente. METR cree que es probable que los desarrolladores sean más rápidos a principios de 2026; falta una medición fiable.
  • No significa que contratar nunca sea la respuesta. El estudio de P&G encontró que la IA puede suplir algunos de los beneficios de un compañero de equipo, pero midió un taller virtual de desarrollo de producto de un día, no la responsabilidad ante un cliente durante meses.
  • No significa que todo ahorro tenga que ir al cliente. El precio es una decisión; el escenario D es una opción.
  • No significa que estos estudios describan tu servicio. Cada uno abarca una tarea, una generación de herramientas y una población; lo que más cuenta es tu propia muestra cronometrada y tu registro de errores.

Preguntas frecuentes

¿De verdad puede la IA permitir que una persona entregue 10 veces más trabajo a clientes?
Ningún estudio consultado para este artículo lo midió. Los efectos medidos equivalen a 0,84x-2,26x en las tareas estudiadas, y los dos estudios de campo de varios meses se sitúan en 1,15x-1,30x.

¿Qué parte de un proyecto de servicios gana más con la IA?
Los primeros borradores y las tareas de construcción bien especificadas: una reducción del tiempo del 40 % en tareas de redacción profesional y una realización un 55,8 % más rápida de una tarea de programación estandarizada. También son las que necesitan el control de revisión más estricto.

¿Por qué ganan más las personas con menos experiencia?
En los estudios de atención al cliente, redacción, consultoría y desarrollo, los trabajadores con menos experiencia ganaron más; el estudio de atención al cliente aporta evidencia indicativa de que la herramienta difunde las prácticas de los trabajadores más capaces. Por eso los principiantes son quienes más necesitan la habilidad de evaluación.

¿Debería un freelancer bajar sus precios porque la IA le ahorra tiempo?
No de forma automática. Con la facturación por horas, el ahorro va al cliente; con un precio fijo, se queda en el negocio, como muestra el ejemplo desarrollado.

¿Está cayendo la demanda de trabajo freelance por culpa de la IA?
Dos estudios de plataformas encontraron descensos en las categorías afectadas: un 2 % menos de trabajos mensuales y un 5,2 % menos de ingresos mensuales en uno, y un 21 % menos de ofertas de trabajos de redacción y programación en el otro. Los trabajos restantes eran más complejos y estaban mejor pagados.

¿Cómo se comprueba si una tarea encaja con la “frontera irregular”?
Poniéndola a prueba. Ejecuta la herramienta en varias tareas anteriores cuya respuesta correcta se conoce, registra cada error y puntúa la etapa con la tarjeta de puntuación de preparación antes de usar la IA en trabajo para clientes.

Fuentes

  1. Brynjolfsson, E., Li, D. y Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics 140(2), 889-942. Versión consultada: arXiv 2304.11771v2 (noviembre de 2024) y el resumen publicado.
  2. Brynjolfsson, E., Li, D. y Raymond, L. (2023). Generative AI at Work. NBER Working Paper 31161. Versión anterior, citada solo por las cifras revisadas.
  3. Noy, S. y Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654), 187-192 (solo el resumen, a través de PubMed); versión del documento de trabajo de marzo de 2023 consultada completa.
  4. Peng, S., Kalliamvakou, E., Cihon, P. y Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv 2302.06590. Tres de los cuatro autores pertenecen a Microsoft Research y GitHub, el fabricante de la herramienta.
  5. Cui, K. Z., Demirer, M. et al. (2026). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science 72 (resumen a través de Crossref); versión del documento de trabajo de febrero de 2025 consultada completa.
  6. Dell’Acqua, F., McFowland III, E., Mollick, E. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2), 403-423. Acceso abierto; originalmente HBS Working Paper 24-013 (2023).
  7. Dell’Acqua, F., Ayoubi, C., Lifshitz, H. et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641.
  8. Dell’Acqua, F. et al. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science (solo el resumen, a través de Crossref).
  9. Becker, J., Rush, N., Barnes, B. y Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Model Evaluation and Threat Research (METR), arXiv 2507.09089v2.
  10. Becker, J., Rush, N. et al. (2026). We are Changing our Developer Productivity Experiment Design. METR, 24 de febrero de 2026.
  11. Hui, X., Reshef, O. y Zhou, L. (2024). The Short-Term Effects of Generative Artificial Intelligence on Employment: Evidence from an Online Labor Market. Organization Science 35(6), 1977-1989 (resumen a través de Crossref); CESifo Working Paper 10601 (agosto de 2023) consultado completo.
  12. Demirci, O., Hannane, J. y Zhu, X. (2025). Who Is AI Replacing? The Impact of Generative AI on Online Freelancing Platforms. Management Science 71(10), 8097-8108 (solo el resumen, a través de Crossref).
  13. Bick, A., Blandin, A. y Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966, revisado en febrero de 2025; publicado en Management Science 72(10), 2026 (solo el resumen, página del NBER).
  14. Humlum, A. y Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Documento de trabajo, 13 de marzo de 2026; difundido anteriormente como Large Language Models, Small Labor Market Effects.

Nota sobre los métodos: la tabla de multiplicadores de producción, la tabla del techo de capacidad y los escenarios de precios son análisis de CEOtudent de las cifras de la tabla de datos verificados, recalculados con un script; el mapa de etapas de la entrega y la tarjeta de puntuación de preparación son marcos editoriales de CEOtudent. Todos los datos del ejemplo de precios son supuestos ilustrativos. Las cifras del documento de trabajo de 2023 del estudio de atención al cliente (14 % y 34 %) se sustituyeron por las cifras posteriores de la versión publicada (15 % y en torno al 30 %). No se utilizaron las ganancias porcentuales muy repetidas para los consultores de BCG por debajo y por encima de la media, porque no aparecen en la versión publicada consultada. Ningún estudio consultado informó de un efecto de “10x”.


Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.

This post is also available in: Türkçe English Français Deutsch

Benzer içerikler