El dinero que la IA ahorra en tiempo, y a dónde desaparece

Por Turing Post · julio de 2026.

Este correo es la séptima entrega de la serie "The Org Age of AI", coescrita por Will Schenk (de TheFocus.AI) y Ksenia Se, dedicada a analizar por qué la inteligencia artificial generativa no siempre se traduce en retorno de inversión (ROI) visible para las empresas. El episodio arranca con una cita del economista Robert Solow: "Se puede ver la era de la informática en todas partes menos en las estadísticas de productividad", que sirve de hilo conductor para el argumento central del texto.

Los autores recuerdan que la serie comenzó planteando una contradicción: la IA se percibe como potente, pero el ROI sigue sin aparecer con claridad. Tras seis episodios previos, afirman poder responder con más precisión: la IA puede mejorar una tarea concreta sin mejorar el flujo de trabajo que la rodea, y puede mejorar ese flujo de trabajo sin cambiar ningún resultado que la empresa sepa capturar en sus cuentas. Es decir, la tecnología puede funcionar exactamente como se promete y aun así el valor se pierde en algún punto entre el empleado individual y la cuenta de resultados (P&L).

El correo también introduce la pregunta de qué es realmente una "empresa nativa de IA" (AI-native enterprise), tras la asistencia de los autores a varias conferencias del sector. Según su planteamiento, no se trata simplemente de una compañía donde mucha gente usa IA, o donde uno o varios agentes completan trabajo impresionante: eso no basta para considerarla nativa de IA. Una empresa nativa de IA sería aquella capaz de convertir la inteligencia artificial en resultados organizativos repetibles. Los autores llaman a esta brecha "the conversion gap" (la brecha de conversión), y sostienen que es ahí donde la mayoría de las empresas siguen siendo débiles.

El grueso del contenido visible se apoya en un estudio económico real: el trabajo de los economistas Anders Humlum y Emilie Vestergaard, publicado en 2025 como working paper del NBER, que analizó el uso de IA generativa en Dinamarca. El estudio combinó respuestas de encuestas de aproximadamente 25.000 trabajadores en unos 7.000 centros de trabajo con registros administrativos de ingresos y horas trabajadas, cubriendo 11 ocupaciones consideradas muy expuestas a los chatbots de IA.

Los trabajadores que usaron estas herramientas sí reportaron beneficios: en promedio, dijeron haber ahorrado alrededor del 2,8% de su tiempo total de trabajo. Dependiendo de la ocupación, entre el 64% y el 90% de los encuestados afirmó haber ahorrado al menos algo de tiempo, y la mayoría dijo haber redirigido ese tiempo hacia otras tareas.

Sin embargo, según el estudio, esas ganancias no se tradujeron en cambios detectables en las horas registradas o en los ingresos durante los primeros dos años tras el lanzamiento de ChatGPT. Las estimaciones fueron cercanas a cero, con intervalos de confianza que descartaban efectos promedio superiores a aproximadamente el 2%. El empleo y la masa salarial también se mantuvieron en gran medida estables.

Los autores son cuidadosos al interpretar este dato: subrayan que el estudio no demuestra que la IA no haya creado ningún valor empresarial, porque no midió variables como ingresos, beneficios, satisfacción del cliente, calidad del output, riesgo evitado o velocidad de ejecución. Solo muestra un patrón más estrecho: los trabajadores reportaron ahorros de tiempo a nivel de tarea individual, mientras que los registros administrativos no mostraron ningún cambio detectable en horas trabajadas o ingresos.

De ahí extraen la idea central del episodio: una tarea puede volverse más fácil mientras la economía que la rodea permanece igual; algo tiene que convertir una cosa en la otra, y esa conversión no ocurre automáticamente.

Para explicar este fenómeno, el texto retoma un modelo que los autores llaman "the Capacity-to-Outcome Chain" (la cadena de capacidad a resultado). Recuerdan que el primer episodio de la serie ya argumentaba que el cuello de botella se había desplazado de la capacidad del modelo de IA a la traducción organizativa, describiendo tres transformaciones necesarias: el conocimiento tácito debe convertirse en contexto utilizable, el contexto debe convertirse en acción acotada, y la corrección humana debe convertirse en un bucle de retroalimentación (feedback loop). Según los autores, estas transformaciones hacen posible un trabajo de IA fiable, pero por sí solas no determinan qué hace la organización con el resultado obtenido.

El correo enumera los temas que se desarrollarán a continuación en el episodio completo: la propia cadena de capacidad a resultado, seis formas en que esa capacidad puede convertirse en valor, un repaso a paradojas similares del pasado, la idea de que la organización explica más que el individuo, en qué consiste la "disciplina de conversión" y por qué el último eslabón de la cadena es la autoridad. No obstante, el desarrollo detallado de estos puntos queda detrás del muro de pago para suscriptores premium de Turing Post (mencionan como suscriptores destacados a personas de empresas como Microsoft, Nvidia, Google, Hugging Face, OpenAI, a16z, además de laboratorios de IA como Ai2, MIT, Berkeley y organismos gubernamentales), por lo que el cuerpo del correo no incluye el desarrollo completo de esos seis puntos.

Como contenido alternativo, el correo enlaza a un vídeo de YouTube del propio Turing Post titulado "Kimi K3 vs Inkling: Who Will Win Open Source AI?", dedicado a los lanzamientos de modelos open source más relevantes de la semana, dirigido a quienes no estén interesados en el tema principal del boletín.

Finalmente, el correo enlaza al episodio anterior de la serie, el número 6, titulado "The Flywheel: What Happens When Workflows Run Themselves", para quienes quieran seguir el hilo argumental completo desde el principio.