TL;DR
- Los estudios controlados siguen encontrando grandes aceleraciones individuales de tareas gracias a la IA: alrededor de 14% mas llamadas resueltas por hora, tareas terminadas hasta 55,8% mas rapido, tiempo de redaccion reducido en 40%. Sin embargo, la produccion a nivel de empresa y de la economia apenas se ha movido.
- El ensayo mas riguroso de 2025 encontro que los desarrolladores experimentados fueron 19% mas lentos con la IA, aunque creian ser 20% mas rapidos. La brecha entre la productividad percibida y la productividad medida es toda la historia.
- Una estimacion macroeconomica creible situa la ganancia de productividad total de los factores por la IA en no mas de 0,66% a lo largo de diez anos. 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 estadisticas de productividad.”
- La conclusion 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 mas productivas, y en 2025 apuntan en direcciones opuestas.
La primera es el experimento controlado: darle una herramienta de IA a un grupo, negarsela a otro, entregar a ambos la misma tarea y medir quien termina mas rapido o mejor. Estos estudios son casi uniformemente positivos. La segunda es la estadistica agregada: los datos nacionales de productividad laboral del Bureau of Labor Statistics y los modelos macroeconomicos de la productividad total de los factores. Estos no han detectado ningun auge.
Un CEO que lee un P&L conoce bien este patron. Un equipo de ventas puede estar mas ocupado que nunca, con mas llamadas, mas demostraciones, mas 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 linea de resultado esta 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 atencion al cliente a quienes se les dio un asistente conversacional de IA generativa. El acceso elevo la productividad, medida como problemas resueltos por hora, en un 14% en promedio. El efecto se concentro entre los trabajadores menos experimentados, que mejoraron un 34%, mientras que los agentes mas capacitados apenas vieron ganancia. La IA, en efecto, copiaba el conocimiento tacito de los mejores agentes y se lo entregaba a los novatos.
En un ensayo controlado aleatorizado dirigido por Sida Peng y colegas, se pidio a 95 desarrolladores construir un servidor HTTP en JavaScript. El grupo con GitHub Copilot termino 55,8% mas rapido, 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 redaccion con incentivos a 453 profesionales con educacion universitaria y le dieron ChatGPT a la mitad de ellos. El tiempo promedio de finalizacion cayo un 40% y la calidad evaluada de la produccion subio un 18%. Como en el estudio del centro de llamadas, quienes menos rendian fueron los que mas ganaron.
Leidos en conjunto, son las cartas mas fuertes de la mano “la IA funciona”. Cada cifra a continuacion es un numero real y publicado.
| Estudio (nombrado) | Entorno / tarea | n | Ganancia individual medida | Quien gano mas |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Atencion al cliente, problemas resueltos por hora | 5.179 agentes | +14% promedio | Novatos +34%; expertos cerca de 0 |
| Peng et al. 2023 (arXiv 2302.06590) | Programacion, construir un servidor HTTP | 95 desarrolladores | 55,8% mas rapido (IC 95% 21-89%) | Desarrolladores menos experimentados |
| Noy, Zhang 2023 (Science) | Tareas de redaccion 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% MAS LENTOS con IA | Nadie; todos se ralentizaron |
| Acemoglu 2024 (NBER w32487) | PTF macro, proyeccion a 10 anos | Modelo | No mas de +0,66% de PTF en total | Techo a escala de toda la economia |
Tabla: cifras verificadas, cada celda esta respaldada por el estudio nombrado indicado. Citas completas en Fuentes.
El estudio que rompio el consenso
Fijese en la quinta y sexta filas. Son la razon por la que “la IA hace a los trabajadores mas productivos” es ahora una afirmacion genuinamente disputada y no algo establecido.
En 2025, la organizacion de investigacion sin fines de lucro METR realizo un ensayo controlado aleatorizado con 16 desarrolladores open-source experimentados que trabajaban en bases de codigo maduras que conocian bien, con un promedio de cinco anos de experiencia previa en esos proyectos, a lo largo de 246 tareas reales. Cuando se les permitio usar herramientas de IA de principios de 2025 como Cursor Pro y Claude 3.5/3.7 Sonnet, tardaron 19% mas en terminar.
El hallazgo mas importante no fue la ralentizacion. Fue la percepcion erronea. Antes de empezar, los desarrolladores pronosticaron que la IA los haria 24% mas rapidos. Despues de terminar, tras haber sido realmente ralentizados, aun creian que la IA los habia hecho aproximadamente 20% mas rapidos. La productividad percibida se movio en la direccion 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 mas rapido y mas facil: la pagina en blanco desaparece, el codigo 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 encontro 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 sensacion, no una cifra de resultado auditada. El ensayo de METR es lo que ocurre cuando lo auditas.
Por donde se escapa la ganancia
Si los individuos realmente terminan algunas tareas mas rapido, por que nada de eso llega a la produccion de la empresa o a las estadisticas de productividad de la nacion? Porque una aceleracion 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 diagnostico construido para este articulo, que asigna cada fuga a la disciplina que la tapa.
| Punto de fuga | Por que desaparece la ganancia | Correccion CEO-y-estudiante |
|---|---|---|
| El tiempo ahorrado se reinvierte en mas actividad, no se guarda | Redactar mas rapido solo significa mas borradores, mas reuniones, mas 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 verificacion | La produccion de la IA parece terminada pero necesita revision; el tiempo senior se gasta revisando el trabajo junior-mas-IA | Cuenta el tiempo neto incluida la revision; mide la tarea de principio a fin, no el primer borrador |
| Friccion de coordinacion | Una persona es mas rapida, 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 eslabon mas lento |
| Atrofia de habilidades y exceso de confianza | La dependencia excesiva erosiona el juicio que detecta los errores de la IA | Quedate en modo estudiante: sigue haciendo tareas dificiles sin ayuda para preservar el criterio que exige el control de calidad |
| Tarea equivocada automatizada | Acelerar un trabajo que no deberia hacerse en absoluto | Primero la pregunta del CEO: vale la pena producir este resultado? La eficiencia en una tarea inutil es cero |
| Ilusion de medicion | La velocidad percibida (encuestas) diverge de la velocidad medida (ensayos), como mostro METR | Confia mas en tus propias cifras auditadas que en tu sensacion de impulso |
Tabla: marco editorial de CEOtudent (sintesis de investigacion publica).
La vista desde toda la economia
Al alejar la vista al nivel macroeconomico, 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 elevara la productividad total de los factores en no mas de 0,66% en total a lo largo de diez anos, aproximadamente 0,064% al ano. No es cero, pero esta muy lejos de la transformacion que las cifras de tareas individuales podrian sugerir.
Los datos observados no lo han contradicho. La productividad laboral de las empresas no agricolas de EE. UU. subio 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 economico actual desde finales de 2019, la productividad ha crecido a un ritmo anualizado de 1,8%, lo que esta por debajo de la tasa de largo plazo de 2,1% desde 1947. Sea lo que sea que este haciendo la IA, aun no ha empujado el agregado por encima de su propia tendencia historica.
Nada de esto es nuevo en su tipo. En 1987, el economista Robert Solow escribio que “la era de las computadoras se ve en todas partes menos en las estadisticas de productividad.” Tardo aproximadamente una decada, y la difusion de internet y del software empresarial, antes de que la revolucion informatica finalmente apareciera en las cifras de productividad de finales de los anos noventa. La version de IA de la paradoja de Solow podria resolverse de la misma manera, mediante una lenta reorganizacion de como se hace el trabajo en lugar de una herramienta que hace a todos instantaneamente mas productivos.
La brecha entre adopcion e impacto
Los datos corporativos cuentan la misma historia desde dentro. El AI Index 2025 de Stanford HAI informa que la adopcion organizacional de IA salto a 78% en 2024, frente al 55% del ano anterior, y que el uso de IA generativa en al menos una funcion del negocio se mas que duplico hasta 71%. La adopcion es casi universal.
El impacto no lo es. La encuesta State of AI 2025 de McKinsey encontro que la gran mayoria de las organizaciones aun no ha visto un efecto material en las ganancias a nivel empresarial por su uso de IA, y solo una pequena minoria de alto desempeno le atribuye un impacto significativo en el resultado final. La brecha entre “usamos IA” y “la IA cambio nuestros resultados” es el rostro corporativo de la paradoja de productividad. Comprar licencias es facil. Recablear el flujo de trabajo para que los ahorros de tiempo sobrevivan hasta el P&L es la parte dificil, y la mayoria de las empresas no lo han hecho.
Como leer esto como un CEO y aprenderlo como un estudiante
La paradoja no es una razon para ignorar la IA. Es una razon para medirte honestamente. De la evidencia se derivan tres principios operativos.
Primero, mide el resultado, no la actividad. Los desarrolladores de METR se sentian 20% mas rapidos mientras eran 19% mas lentos. Tu propia sensacion de impulso es un instrumento poco fiable. Define la unidad de resultado que realmente importa en tu rol, como funcionalidades entregadas, acuerdos cerrados, analisis publicados o decisiones tomadas, y rastreala antes y despues de la IA, de principio a fin incluido el tiempo de revision. Un CEO no reporta “estuvimos muy ocupados este trimestre”. No te lo reportes a ti mismo tampoco. Esta es exactamente la disciplina detras 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 mas movimiento. Si la IA de verdad te devuelve dos horas por semana, la jugada de CEO es asignar esas horas a un resultado especifico de mayor valor, no dejarlas disolverse en una bandeja de entrada mas 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 ralentizacion de METR recayo sobre expertos que trabajaban en dominios que conocian a fondo, en parte porque revisar y corregir la produccion de la IA costaba mas que hacer el trabajo ellos mismos. La leccion es seguir construyendo el juicio que te permite distinguir la buena produccion de IA de la produccion erronea con tono seguro, y seguir auditando tu propio trabajo para saber que puede y que no puede reemplazar la IA. Ese juicio es el unico activo que la IA aun no puede entregarte, y es lo que convierte una aceleracion de tarea en un resultado real y guardable.
Preguntas frecuentes
La afirmacion 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 aun no se han traducido en crecimiento de la produccion a nivel de empresa o de la economia.
Por que la IA haria mas lentos a los desarrolladores experimentados?
En el ensayo de METR de 2025, los desarrolladores experimentados que trabajaban en bases de codigo que conocian bien dedicaron tiempo extra a promptear, esperar y revisar produccion de IA que necesitaba correccion. 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 creian que la IA los habia acelerado. Pero medido contra un grupo de control, la aceleracion percibida no siempre coincidia con el resultado real. La productividad percibida y la medida pueden divergir marcadamente.
Que tan grande es el efecto esperado de la IA sobre el conjunto de la economia?
El modelo de Acemoglu proyecta no mas de una ganancia de productividad total de los factores del 0,66% a lo largo de diez anos, alrededor de 0,064% anual. Otros economistas son mas optimistas, pero ninguna estimacion creible implica un auge instantaneo de la productividad.
Ya ha aparecido la IA en las cifras oficiales de productividad?
No de forma nitida. La productividad de las empresas no agricolas de EE. UU. crecio 2,0% en 2024 y 2,4% en el segundo trimestre de 2025, pero el ciclo economico 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 observo en 1987 que las computadoras estaban en todas partes salvo en las estadisticas de productividad. Las ganancias finalmente aparecieron una vez que las empresas se reorganizaron en torno a la tecnologia. La IA podria seguir el mismo camino diferido.
Que deberia hacer un individuo al respecto?
Rastrea una metrica concreta de resultado antes y despues de adoptar la IA, cuenta el tiempo de revision 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 agricolas, 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 investigacion exhaustiva, y luego redactado y preparado para su publicacion por el equipo editorial de CEOtudent.
