TL;DR
- Los estudios controlados siguen encontrando grandes aceleraciones individuales de tareas gracias a la IA: alrededor de 14% más llamadas resueltas por hora, tareas terminadas hasta 55,8% más rápido, tiempo de redacción reducido en 40%. Sin embargo, la producción a nivel de empresa y de la economía apenas se ha movido.
- El ensayo más riguroso de 2025 encontró que los desarrolladores experimentados fueron 19% más lentos con la IA, aunque creían ser 20% más rápidos. La brecha entre la productividad percibida y la productividad medida es toda la historia.
- Una estimación macroeconómica creíble sitúa la ganancia de productividad total de los factores por la IA en no más de 0,66% a lo largo de diez años. El crecimiento nacional de la productividad laboral sigue por debajo de su promedio de 1947-2024.
- Es el regreso de la paradoja de Solow: “La era de las computadoras se ve en todas partes menos en las estadísticas de productividad.”
- La conclusión CEO-y-estudiante: gestiona tu propio resultado como un CEO lee un estado de resultados (P&L) (mide los resultados entregados, no la actividad), mientras aprendes la herramienta como un estudiante. La actividad no es resultado, y solo el resultado aparece en las cifras que importan.
Las dos cifras que no coinciden
Hay dos maneras de medir si la IA hace a las personas más productivas, y en 2025 apuntan en direcciones opuestas.
La primera es el experimento controlado: darle una herramienta de IA a un grupo, negársela a otro, entregar a ambos la misma tarea y medir quién termina más rápido o mejor. Estos estudios son casi uniformemente positivos. La segunda es la estadística agregada: los datos nacionales de productividad laboral del Bureau of Labor Statistics y los modelos macroeconómicos de la productividad total de los factores. Estos no han detectado ningún auge.
Un CEO que lee un P&L conoce bien este patrón. Un equipo de ventas puede estar más ocupado que nunca, con más llamadas, más demostraciones, más tableros de actividad encendidos en verde, mientras los ingresos permanecen planos. La actividad es un insumo. El resultado es lo que aterriza en las cuentas. La paradoja de productividad de la IA es el mismo problema a escala civilizatoria: los medidores de insumos gritan, y la línea de resultado está en silencio.
Lo que los estudios controlados realmente encontraron
La evidencia a nivel individual es real y no debe descartarse. Tres estudios anclan el caso optimista.
En el mayor estudio de campo hasta la fecha, Erik Brynjolfsson, Danielle Li y Lindsey Raymond siguieron a 5.179 agentes de atención al cliente a quienes se les dio un asistente conversacional de IA generativa. El acceso elevó la productividad, medida como problemas resueltos por hora, en un 14% en promedio. El efecto se concentró entre los trabajadores menos experimentados, que mejoraron un 34%, mientras que los agentes más capacitados apenas vieron ganancia. La IA, en efecto, copiaba el conocimiento tácito de los mejores agentes y se lo entregaba a los novatos.
En un ensayo controlado aleatorizado dirigido por Sida Peng y colegas, se pidió a 95 desarrolladores construir un servidor HTTP en JavaScript. El grupo con GitHub Copilot terminó 55,8% más rápido, un resultado significativo con p = 0,0017, aunque con un amplio intervalo de confianza del 95% que iba del 21% al 89%.
En un experimento preregistrado publicado en Science, Shakked Noy y Whitney Zhang asignaron tareas de redacción con incentivos a 453 profesionales con educación universitaria y le dieron ChatGPT a la mitad de ellos. El tiempo promedio de finalización cayó un 40% y la calidad evaluada de la producción subió un 18%. Como en el estudio del centro de llamadas, quienes menos rendían fueron los que más ganaron.
Leídos en conjunto, son las cartas más fuertes de la mano “la IA funciona”. Cada cifra a continuación es un número real y publicado.
| Estudio (nombrado) | Entorno / tarea | n | Ganancia individual medida | Quién ganó más |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Atención al cliente, problemas resueltos por hora | 5.179 agentes | +14% promedio | Novatos +34%; expertos cerca de 0 |
| Peng et al. 2023 (arXiv 2302.06590) | Programación, construir un servidor HTTP | 95 desarrolladores | 55,8% más rápido (IC 95% 21-89%) | Desarrolladores menos experimentados |
| Noy, Zhang 2023 (Science) | Tareas de redacción profesional | 453 | Tiempo -40%, calidad +18% | Redactores de menor habilidad |
| Bick, Blandin, Deming 2024 (NBER w32966) | Tiempo ahorrado autorreportado, trabajadores de EE. UU. | Encuesta grande | 5,4% de las horas de trabajo ahorradas (~2,2 h/semana) | Usuarios frecuentes de IA |
| METR 2025 (arXiv 2507.09089) | Desarrolladores open-source experimentados, repositorios reales | 16 desarrolladores, 246 tareas | 19% MÁS LENTOS con IA | Nadie; todos se ralentizaron |
| Acemoglu 2024 (NBER w32487) | PTF macro, proyección a 10 años | Modelo | No más de +0,66% de PTF en total | Techo a escala de toda la economía |
Tabla: cifras verificadas, cada celda está respaldada por el estudio nombrado indicado. Citas completas en Fuentes.
El estudio que rompió el consenso
Fíjese en la quinta y sexta filas. Son la razón por la que “la IA hace a los trabajadores más productivos” es ahora una afirmación genuinamente disputada y no algo establecido.
En 2025, la organización de investigación sin fines de lucro METR realizó un ensayo controlado aleatorizado con 16 desarrolladores open-source experimentados que trabajaban en bases de código maduras que conocían bien, con un promedio de cinco años de experiencia previa en esos proyectos, a lo largo de 246 tareas reales. Cuando se les permitió usar herramientas de IA de principios de 2025 como Cursor Pro y Claude 3.5/3.7 Sonnet, tardaron 19% más en terminar.
El hallazgo más importante no fue la ralentización. Fue la percepción errónea. Antes de empezar, los desarrolladores pronosticaron que la IA los haría 24% más rápidos. Después de terminar, tras haber sido realmente ralentizados, aún creían que la IA los había hecho aproximadamente 20% más rápidos. La productividad percibida se movió en la dirección exactamente opuesta al resultado medido.
Este es el mecanismo de toda la paradoja en miniatura. La IA hace que el trabajo se sienta de forma fiable más rápido y más fácil: la página en blanco desaparece, el código repetitivo se escribe solo, el primer borrador llega en segundos. Esa fluidez percibida es genuina, y es exactamente lo que capturan las encuestas cuando los trabajadores reportan ahorros de tiempo. El trabajo de encuesta de la Fed de San Luis por Alexander Bick, Adam Blandin y David Deming encontró que los trabajadores reportaban que la IA ahorraba 5,4% de sus horas de trabajo, aproximadamente 2,2 horas por semana. Pero el tiempo ahorrado autorreportado es una sensación, no una cifra de resultado auditada. El ensayo de METR es lo que ocurre cuando lo auditas.
Por dónde se escapa la ganancia
Si los individuos realmente terminan algunas tareas más rápido, ¿por qué nada de eso llega a la producción de la empresa o a las estadísticas de productividad de la nación? Porque una aceleración de tarea tiene que sobrevivir a un largo viaje antes de convertirse en resultado medido, y se filtra en cada etapa. La tabla siguiente es un marco de diagnóstico construido para este artículo, que asigna cada fuga a la disciplina que la tapa.
| Punto de fuga | Por qué desaparece la ganancia | Corrección CEO-y-estudiante |
|---|---|---|
| El tiempo ahorrado se reinvierte en más actividad, no se guarda | Redactar más rápido solo significa más borradores, más reuniones, más mensajes | Guarda la hora ahorrada frente a una meta de resultado real, como un CEO guarda un recorte de costos; no la gastes en movimiento |
| Retrabajo y verificación | La producción de la IA parece terminada pero necesita revisión; el tiempo senior se gasta revisando el trabajo junior-más-IA | Cuenta el tiempo neto incluida la revisión; mide la tarea de principio a fin, no el primer borrador |
| Fricción de coordinación | Una persona es más rápida, pero el equipo, las aprobaciones y los traspasos no lo son | Optimiza el cuello de botella, no tu propio paso; el P&L refleja el eslabón más lento |
| Atrofia de habilidades y exceso de confianza | La dependencia excesiva erosiona el juicio que detecta los errores de la IA | Quédate en modo estudiante: sigue haciendo tareas difíciles sin ayuda para preservar el criterio que exige el control de calidad |
| Tarea equivocada automatizada | Acelerar un trabajo que no debería hacerse en absoluto | Primero la pregunta del CEO: ¿vale la pena producir este resultado? La eficiencia en una tarea inútil es cero |
| Ilusión de medición | La velocidad percibida (encuestas) diverge de la velocidad medida (ensayos), como mostró METR | Confía más en tus propias cifras auditadas que en tu sensación de impulso |
Tabla: marco editorial de CEOtudent (síntesis de investigación pública).
La vista desde toda la economía
Al alejar la vista al nivel macroeconómico, las fugas se suman en una notable planitud. El modelo basado en tareas de Daron Acemoglu, publicado como documento de trabajo del NBER, estima que la IA elevará la productividad total de los factores en no más de 0,66% en total a lo largo de diez años, aproximadamente 0,064% al año. No es cero, pero está muy lejos de la transformación que las cifras de tareas individuales podrían sugerir.
Los datos observados no lo han contradicho. La productividad laboral de las empresas no agrícolas de EE. UU. subió 2,0% del cuarto trimestre de 2023 al cuarto trimestre de 2024, y 2,4% en el segundo trimestre de 2025. Son cifras respetables, pero no son un salto. A lo largo del ciclo económico actual desde finales de 2019, la productividad ha crecido a un ritmo anualizado de 1,8%, lo que está por debajo de la tasa de largo plazo de 2,1% desde 1947. Sea lo que sea que esté haciendo la IA, aún no ha empujado el agregado por encima de su propia tendencia histórica.
Nada de esto es nuevo en su tipo. En 1987, el economista Robert Solow escribió que “la era de las computadoras se ve en todas partes menos en las estadísticas de productividad.” Tardó aproximadamente una década, y la difusión de internet y del software empresarial, antes de que la revolución informática finalmente apareciera en las cifras de productividad de finales de los años noventa. La versión de IA de la paradoja de Solow podría resolverse de la misma manera, mediante una lenta reorganización de cómo se hace el trabajo en lugar de una herramienta que hace a todos instantáneamente más productivos.
La brecha entre adopción e impacto
Los datos corporativos cuentan la misma historia desde dentro. El AI Index 2025 de Stanford HAI informa que la adopción organizacional de IA saltó a 78% en 2024, frente al 55% del año anterior, y que el uso de IA generativa en al menos una función del negocio se más que duplicó hasta 71%. La adopción es casi universal.
El impacto no lo es. La encuesta State of AI 2025 de McKinsey encontró que la gran mayoría de las organizaciones aún no ha visto un efecto material en las ganancias a nivel empresarial por su uso de IA, y solo una pequeña minoría de alto desempeño le atribuye un impacto significativo en el resultado final. La brecha entre “usamos IA” y “la IA cambió nuestros resultados” es el rostro corporativo de la paradoja de productividad. Comprar licencias es fácil. Recablear el flujo de trabajo para que los ahorros de tiempo sobrevivan hasta el P&L es la parte difícil, y la mayoría de las empresas no lo han hecho.
Cómo leer esto como un CEO y aprenderlo como un estudiante
La paradoja no es una razón para ignorar la IA. Es una razón para medirte honestamente. De la evidencia se derivan tres principios operativos.
Primero, mide el resultado, no la actividad. Los desarrolladores de METR se sentían 20% más rápidos mientras eran 19% más lentos. Tu propia sensación de impulso es un instrumento poco fiable. Define la unidad de resultado que realmente importa en tu rol, como funcionalidades entregadas, acuerdos cerrados, análisis publicados o decisiones tomadas, y rastréala antes y después de la IA, de principio a fin incluido el tiempo de revisión. Un CEO no reporta “estuvimos muy ocupados este trimestre”. No te lo reportes a ti mismo tampoco. Esta es exactamente la disciplina detrás de gestionar tu vida sobre un sistema operativo personal.
Segundo, guarda el tiempo ahorrado de forma deliberada. La mayor fuga individual es que los minutos ahorrados se gastan en más movimiento. Si la IA de verdad te devuelve dos horas por semana, la jugada de CEO es asignar esas horas a un resultado específico de mayor valor, no dejarlas disolverse en una bandeja de entrada más llena.
Tercero, sigue siendo estudiante donde cuenta. Las ganancias en los estudios de campo fueron mayores para los novatos precisamente porque la IA codifica una experiencia que les faltaba. Pero la ralentización de METR recayó sobre expertos que trabajaban en dominios que conocían a fondo, en parte porque revisar y corregir la producción de la IA costaba más que hacer el trabajo ellos mismos. La lección es seguir construyendo el juicio que te permite distinguir la buena producción de IA de la producción errónea con tono seguro, y seguir auditando tu propio trabajo para saber qué puede y qué no puede reemplazar la IA. Ese juicio es el único activo que la IA aún no puede entregarte, y es lo que convierte una aceleración de tarea en un resultado real y guardable.
Preguntas frecuentes
¿La afirmación es que la IA no mejora la productividad?
No. Los estudios controlados muestran ganancias claras a nivel de tareas individuales, especialmente para los trabajadores menos experimentados. La paradoja es que esas ganancias aún no se han traducido en crecimiento de la producción a nivel de empresa o de la economía.
¿Por qué la IA haría más lentos a los desarrolladores experimentados?
En el ensayo de METR de 2025, los desarrolladores experimentados que trabajaban en bases de código que conocían bien dedicaron tiempo extra a promptear, esperar y revisar producción de IA que necesitaba corrección. Para el trabajo que ya haces con fluidez, ese sobrecosto puede superar el tiempo que la IA ahorra.
¿Los trabajadores solo imaginan los ahorros de tiempo?
En parte. Los trabajadores de la encuesta de la Fed de San Luis realmente reportaron ahorrar 5,4% de sus horas, y los desarrolladores de METR creían que la IA los había acelerado. Pero medido contra un grupo de control, la aceleración percibida no siempre coincidía con el resultado real. La productividad percibida y la medida pueden divergir marcadamente.
¿Qué tan grande es el efecto esperado de la IA sobre el conjunto de la economía?
El modelo de Acemoglu proyecta no más de una ganancia de productividad total de los factores del 0,66% a lo largo de diez años, alrededor de 0,064% anual. Otros economistas son más optimistas, pero ninguna estimación creíble implica un auge instantáneo de la productividad.
¿Ya ha aparecido la IA en las cifras oficiales de productividad?
No de forma nítida. La productividad de las empresas no agrícolas de EE. UU. creció 2,0% en 2024 y 2,4% en el segundo trimestre de 2025, pero el ciclo económico actual sigue por debajo del promedio de largo plazo de 2,1% desde 1947.
¿Es lo mismo que la vieja paradoja de Solow?
Rima con ella. Solow observó en 1987 que las computadoras estaban en todas partes salvo en las estadísticas de productividad. Las ganancias finalmente aparecieron una vez que las empresas se reorganizaron en torno a la tecnología. La IA podría seguir el mismo camino diferido.
¿Qué debería hacer un individuo al respecto?
Rastrea una métrica concreta de resultado antes y después de adoptar la IA, cuenta el tiempo de revisión y retrabajo, reasigna deliberadamente cualquier tiempo ahorrado a un trabajo de mayor valor, y sigue practicando las habilidades fundamentales sin ayuda para poder detectar los errores de la IA.
Fuentes
- Erik Brynjolfsson, Danielle Li y Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, 2023.
- Sida Peng, Eirini Kalliamvakou, Peter Cihon y Mert Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv 2302.06590, 2023.
- Shakked Noy y Whitney Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023.
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv 2507.09089, 2025.
- Daron Acemoglu, The Simple Macroeconomics of AI, NBER Working Paper 32487, 2024.
- Alexander Bick, Adam Blandin y David Deming, The Rapid Adoption of Generative AI, NBER Working Paper 32966 y Federal Reserve Bank of St. Louis, 2024.
- US Bureau of Labor Statistics, Productivity and Costs, publicaciones del sector de empresas no agrícolas, 2024-2025.
- Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, 2025.
- McKinsey and Company, The State of AI: How Organizations Are Rewiring to Capture Value, 2025.
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:
