Opinión

La computadora está en todas partes, menos en las estadísticas de productividad: la lección que la IA todavía no termina de aprender

En 1987, el economista Robert Solow resumió en una sola frase la paradoja de la inversión masiva en computadoras sin una aceleración visible de la productividad agregada. Esa paradoja tardó más de una década en resolverse, y no se resolvió por la tecnología misma, sino por el rediseño organizacional que la acompañó. La misma estructura, con otro nombre, vuelve a aparecer en la conversación actual sobre inteligencia artificial.

En una mirada
~10-15 añosTiempo que tomó, según la historia económica de la informatización, para que la inversión en computadoras se tradujera en una aceleración medible de la productividad agregada en Estados UnidosBrynjolfsson, Rock y Syverson (2019); David (1990)
1987Año de la frase de Robert Solow sobre la ausencia de la era de las computadoras en las estadísticas de productividadRobert Solow, New York Times Book Review
La tesis del artículo

Que la inversión en computadoras durante los años ochenta no se tradujo de inmediato en productividad agregada medible es un hecho documentado por la historia económica; que ese mismo patrón se esté repitiendo hoy con la inteligencia artificial es una hipótesis razonable dado el parecido estructural —tecnología de propósito general, adopción desigual, necesidad de capital organizacional complementario—, pero no una certeza: la velocidad de difusión del software y la escala de la inversión actual podrían acortar, o en teoría también alargar, ese mismo rezago.

En 1987, el economista Robert Solow escribió, en una reseña para el New York Times Book Review, una frase que sobrevivió mucho más tiempo que el libro que la motivó: "se puede ver la era de las computadoras en todas partes, excepto en las estadísticas de productividad." No era una boutade retórica. Para entonces, las empresas estadounidenses llevaban más de una década invirtiendo con fuerza en hardware y software —terminales, minicomputadoras, las primeras redes corporativas—, y sin embargo el crecimiento de la productividad laboral agregada en Estados Unidos se había desacelerado, no acelerado, desde principios de los años setenta. La tecnología estaba, literalmente, en todas partes. El beneficio económico agregado que se esperaba de ella, no.

Una paradoja que tardó más de una década en resolverse

La frase de Solow le dio nombre a lo que la literatura económica terminó llamando la "paradoja de la productividad informática", y generó una pregunta incómoda que ocupó a varios economistas durante los siguientes quince años: ¿estaba mal medida la productividad, o la tecnología simplemente no estaba entregando lo que prometía? Erik Brynjolfsson, entonces en el MIT, documentó en un artículo de 1993 que la inversión en tecnología de la información había crecido de forma sostenida durante los ochenta sin que apareciera un correlato claro en las cifras de productividad por hora trabajada. La resolución de esa paradoja no llegó por una sola vía. Llegó, en buena medida, hacia la segunda mitad de los noventa, cuando la productividad estadounidense finalmente mostró una aceleración visible —coincidiendo, no por casualidad, con una ola de rediseño de procesos empresariales, no solo con más gasto en hardware. El historiador económico Paul David, en un artículo de 1990 que comparó explícitamente la computadora con la electrificación de las fábricas a principios del siglo XX, había anticipado ya ese patrón: la dinamo eléctrica tampoco elevó la productividad industrial de inmediato, sino varias décadas después de su adopción masiva, una vez que las fábricas dejaron de simplemente sustituir el motor de vapor por electricidad en el mismo layout y rediseñaron por completo la disposición física de sus líneas de producción alrededor de la nueva fuente de energía.

El patrón que ambos casos comparten

Lo que la electrificación industrial y la informatización empresarial comparten no es la tecnología en sí, sino la estructura del rezago. En ambos casos, la innovación central era lo que los economistas llaman una "tecnología de propósito general": no una herramienta para resolver un problema específico, sino una capacidad habilitante que requiere, para rendir su beneficio económico completo, que las organizaciones que la adoptan rediseñen a su alrededor procesos, jerarquías y flujos de trabajo enteros. Comprar la tecnología es relativamente rápido y barato. Rediseñar la organización alrededor de ella —qué decisiones se toman dónde, qué habilidades se necesitan, qué tareas desaparecen y cuáles se vuelven más importantes— es lento, costoso, y no aparece como una línea separada en ningún estado de resultados. Brynjolfsson llamaría después a ese rediseño organizacional "capital complementario": una inversión invisible, no capitalizada en los libros contables, sin la cual la tecnología de propósito general simplemente no entrega su potencial.

La misma figura, con otro nombre, en la conversación de 2026

La razón por la que esta historia importa hoy no es nostalgia económica. Es que la estructura argumental de hace cuatro décadas reaparece, casi intacta, en la conversación actual sobre inteligencia artificial. Las estimaciones más citadas sobre el potencial agregado de la IA generativa —el informe de 2023 del McKinsey Global Institute, por ejemplo, que proyectó un rango amplio de billones de dólares en valor económico anual potencial— describen justamente eso: un potencial, condicionado a una adopción organizacional que todavía está en curso, no un resultado ya observado en las estadísticas nacionales de productividad. Las cifras oficiales de productividad laboral en las economías desarrolladas, hasta ahora, no muestran una aceleración agregada proporcional al volumen de inversión en infraestructura y modelos de IA de los últimos tres años. Eso no demuestra que la IA no esté funcionando a nivel de empresas individuales —hay evidencia de productividad en tareas específicas, de programación a atención al cliente—, pero sí reproduce exactamente el mismo desacople entre inversión visible y beneficio agregado medible que documentó Solow sobre las computadoras.

Por qué la tecnología sola nunca fue, ni es ahora, suficiente

El error más común al interpretar este desacople es asumir que significa que la tecnología "no funciona" o que las proyecciones son exageradas. Una lectura más precisa, consistente con la historia de la informatización, es que la tecnología por sí sola nunca fue el mecanismo completo. Una empresa que instala herramientas de IA generativa sobre procesos y jerarquías diseñados para un mundo sin ellas —donde la aprobación todavía pasa por cinco niveles de revisión, donde las métricas de desempeño siguen midiendo actividad en lugar de resultado, donde nadie redefinió qué decisiones puede tomar un agente autónomo sin escalamiento humano— está, en esencia, repitiendo el error de electrificar una fábrica sin mover una sola máquina de su lugar original. El beneficio de la nueva fuente de energía existe, pero queda atrapado detrás de un diseño físico que todavía pertenece a la tecnología anterior.

El costo que ningún balance contable registra

Brynjolfsson, junto con Daniel Rock y Chad Syverson, formalizó esta dinámica en un artículo de 2019 que llamaron la "curva en J de la productividad": cuando una tecnología de propósito general se adopta a gran escala, la productividad medida tiende primero a estancarse o incluso a caer brevemente —porque la inversión en capital complementario intangible (rediseño de procesos, capacitación, experimentación con nuevos modelos de negocio) consume recursos reales sin aparecer como un activo capitalizable— antes de acelerar una vez que ese capital complementario madura. Es una curva que, vista en el momento equivocado del proceso, parece evidencia de que la tecnología fracasó, cuando en realidad describe la fase más cara y menos visible de su adopción: la que no se factura, no se licita, y no tiene una línea propia en ningún presupuesto de TI.

La pregunta que depende de quién la responda

Hay, sin embargo, una diferencia real entre el escenario de los años ochenta y el actual que vale la pena nombrar sin resolverla de antemano: el software se distribuye y actualiza a una velocidad que el hardware industrial de los noventa, o la maquinaria eléctrica de los años veinte, no podía igualar. Eso podría acortar la curva en J actual frente a sus precedentes históricos. Pero también es cierto que la escala de la inversión de capital en infraestructura de IA —centros de datos, chips, energía— ya supera, en proporción, buena parte de los ciclos de inversión tecnológica anteriores, lo cual eleva la apuesta de que el capital complementario organizacional madure a tiempo para justificarla. Ninguna de las dos fuerzas —la velocidad de distribución del software o la escala sin precedente de la inversión física— permite predecir con certeza si el rezago de esta ola durará la mitad de tiempo que el de las computadoras, o el doble.

Lo que sí se puede vigilar, aunque la respuesta final tarde en llegar

Lo que la historia económica sí ofrece, más allá de la incertidumbre sobre cuánto durará esta versión de la paradoja, es una señal concreta a la que prestar atención: el riesgo real no es que la inversión en IA no produzca eventualmente un beneficio agregado, sino que las organizaciones midan ese beneficio demasiado pronto, en el punto más bajo de la curva en J, y concluyan erróneamente que el experimento fracasó antes de que el capital complementario —el rediseño de procesos, la redefinición de roles, la curva de aprendizaje organizacional— tenga tiempo de madurar. Esa es, en última instancia, la lección que Solow describió sin saberlo que tardaría más de una década en resolverse del todo: la pregunta nunca fue si la tecnología funcionaba, sino cuánto tiempo —y cuánta paciencia institucional— tomaría construir lo que la rodea.

Fuentes

  • Robert M. Solow, reseña de Manufacturing Matters: The Myth of the Post-Industrial Economy, New York Times Book Review, 12 de julio de 1987
  • Erik Brynjolfsson, "The Productivity Paradox of Information Technology", Communications of the ACM, 1993
  • Paul A. David, "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox", American Economic Review, 1990
  • Erik Brynjolfsson, Daniel Rock y Chad Syverson, "The Productivity J-Curve: How Intangibles Complement General Purpose Technologies", NBER Working Paper No. 25148, 2019
  • The economic potential of generative AI: The next productivity frontier — McKinsey Global Institute, 2023
También te puede interesar 01 / 05

← Volver al blog