IA en el trabajo: una mejora de productividad no garantiza más beneficio

Introducción

Un asistente generativo ayudó a resolver más incidencias por hora en una empresa de atención al cliente. El resultado merece atención: el estudio de Erik Brynjolfsson, Danielle Li y Lindsey Raymond estima una mejora media del 15 % entre 5.172 agentes. Pero producir más por hora y ganar más dinero responden a cuentas distintas.

La empresa que adopta una herramienta paga su uso, aprende a trabajar con ella y reorganiza procesos. El valor que conserve dependerá de cuánto cueste ese cambio y de qué consiga hacer con el tiempo liberado. El estudio permite examinar una mejora concreta. Convertirla en una promesa de rentabilidad para cualquier organización dejaría esos costes fuera de la explicación.

El beneficio observado fue concreto y desigual

Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron la introducción escalonada de un asistente generativo entre 5.172 agentes de atención al cliente de una empresa. Su artículo de 2025 estima un aumento medio del 15 % en incidencias resueltas por hora, «con diferencias importantes entre trabajadores» (traducción propia) Generative AI at Work, The Quarterly Journal of Economics 140(2), 2025 [3]. Los menos experimentados mejoraron más, mientras que los de mayor experiencia obtuvieron pequeñas ganancias de velocidad y pequeñas caídas de calidad.

La heterogeneidad importa económicamente. Si una herramienta ayuda más a quienes tienen menos experiencia, el efecto de extenderla dependerá también de la composición de la plantilla y de las tareas. El promedio es evidencia de aquella intervención. No una tasa que pueda aplicarse a cualquier equipo.

El resultado tampoco mide por sí solo el coste total de adopción o su reparto entre empresa, trabajadores y clientes. Reconocer ese alcance permite tomar en serio la mejora observada sin convertirla en una estimación del PIB.

La cuenta que falta después de resolver más incidencias

El BLS distingue productividad laboral —producción por hora— y productividad total de los factores, que relaciona producción con insumos combinados What’s the difference between Labor Productivity and Total Factor Productivity? [2]. Un trabajador equipado con más capital puede producir más por hora sin que toda la mejora proceda de utilizar mejor el conjunto de recursos.

Por eso el aumento de incidencias resueltas no es todavía una cuenta completa de rentabilidad. Hay que añadir el coste de la herramienta y del trabajo necesario para adoptarla, manteniendo la calidad de lo que se entrega.

Aprender a usar la herramienta, supervisarla y corregir sus errores consume recursos. Una reducción del tiempo por tarea solo mejora el resultado neto si su valor supera esos costes y mantiene una calidad suficiente. El estudio citado no permite dar por resuelta esa cuenta para una empresa distinta.

También cambia el resultado según el destino del tiempo liberado. Atender más demanda, mejorar el servicio o reducir horas de trabajo reparten el valor de manera diferente. Una ganancia técnica puede terminar en menores precios, en mejores condiciones de trabajo, en margen empresarial o consumida por los costes de adopción.

Del piloto a una comparación que permita aprender

Para seguir una implantación proponemos empezar por una tarea delimitada y una referencia anterior. Comparar tiempo y calidad exige mantener claro qué se está contando y durante qué periodo. Después se añaden aprendizaje, supervisión y correcciones. Es una pauta de lectura y seguimiento, no un procedimiento experimental validado por esta revista.

Una comparación antes y después puede orientar sin demostrar por sí sola que la herramienta causó toda la diferencia. La plantilla puede haber cambiado, el equipo puede haber recibido formación y la demanda puede ser distinta. Cuando sea viable, una comparación adecuada ayuda a separar esos efectos. Una mejora que solo aparece al cambiar la tarea o al excluir el tiempo de revisión merece otra interpretación.

La observación continuada también puede cambiar la conclusión inicial. Ganancias persistentes de calidad y menores costes de adopción acortarían el desfase. Si los ahorros desaparecen al sumar supervisión, errores y mantenimiento, la rentabilidad esperada tendría que revisarse. Ambas posibilidades mantienen abierta una evaluación que un buen resultado aislado no termina.

El contexto: inversión y capacidad no llegan a la vez

El 20 de octubre, Edward S. Robinson, economista jefe de la autoridad monetaria de Singapur, señaló el contraste entre la demanda impulsada por la inversión en IA y sus efectos futuros sobre la oferta. También subrayó la incertidumbre sobre el tipo de interés neutral Some Observations on the AI Economy & Monetary Policy, 20/10/2026 [1]. Robinson cita precisamente el estudio de Brynjolfsson, Li y Raymond: reconoce ganancias en aplicaciones concretas y considera prematuro identificar un salto decisivo de productividad en toda la economía. La diferencia es de escala y de pregunta. Su discurso no refuta el resultado empresarial ni lo convierte en una estimación del PIB.

Hay una ganancia que importa, aunque no sea una promesa universal

La difusión puede ser rápida cuando una herramienta aprovecha infraestructura disponible, y algunas mejoras de calidad pueden quedar mal recogidas en las estadísticas. La falta de una cifra agregada concluyente no demuestra que los beneficios sean inexistentes.

La mejora de una tarea puede ser real antes de que la adopción resulte rentable para toda la organización. El estudio de atención al cliente muestra una ganancia concreta y desigual entre trabajadores. No demuestra una rentabilidad universal de la IA. El coste de aprender, supervisar y corregir forma parte de la inversión. Descartar el resultado porque no prueba un salto del PIB sería tan poco justificado como convertir ese 15 % en una promesa para cualquier empresa.