Por qué la IA acelera tu trabajo pero no tu empresa

El martes 3 de noviembre, el fondo Menlo Ventures (inversor en firmas como Anthropic) estimó que las empresas ya gastan 177.000 millones de dólares anuales en usar inteligencia artificial (IA), más de cinco veces los 33.000 millones de 2025. ¿Por qué tanta gente siente que la IA acelera su trabajo y tan pocas organizaciones lo ven en sus resultados?

La consultora McKinsey midió esa brecha en su encuesta anual a 1.719 ejecutivos y profesionales. El 80% de quienes usaban IA dijo haber mejorado su productividad individual, pero solo el 6% de los encuestados le atribuyó un aporte significativo (al menos el 5% de su ganancia operativa), igual que en 2025.

Son respuestas declaradas, no balances auditados, y McKinsey vende transformación. Tampoco implica que el resto no gane nada: el 37% vio algún aporte en la ganancia (39% en 2025), aunque la IA hoy llega a más áreas.

Buena parte de la explicación está en cómo funciona una empresa: no es una suma de tareas sueltas, sino una cadena. Tres ideas muestran dónde se pierde el impulso.

Diez veces más rápido no rinde diez veces más

Pensá en una cocina: sumar cocineros acelera el picado, pero el horno tarda lo mismo. En 1967, el ingeniero de IBM Gene Amdahl planteó ese límite para las computadoras: agregar procesadores acelera las partes de un programa que pueden repartirse, pero no las que van en fila.

Las etapas que no se pueden repartir ponen el techo. Es la ley de Amdahl.

Llevalo a una oficina: un proceso de 100 horas donde redactar lleva 20 y las otras 80 se van en capturar datos, revisar, corregir y aprobar. Si la IA redacta diez veces más rápido, esa parte baja a 2 horas, pero el total pasa a 82: apenas un 18% menos, no un 90%. Ni siendo instantánea ahorraría más del 20%.

Hasta quienes venden IA marcan ese límite. Dario Amodei, CEO de Anthropic (creadora de Claude), citó varias veces esta ley este año. En febrero, hablando del futuro de los servicios informáticos con el empresario Nikhil Kamath, la resumió así: “Los componentes que todavía no se aceleraron se convierten en el factor limitante”.

El Challenger y el eslabón más débil

En enero de 1986, el transbordador Challenger se desintegró 73 segundos después del despegue y murieron sus siete tripulantes. Tenía miles de piezas, pero bastó que fallara una: un sello con anillos de goma (O-rings), demasiado sensible al frío según la comisión investigadora.

En 1993, el economista Michael Kremer (luego Nobel por otros trabajos) abrió con esa tragedia su estudio sobre por qué ciertas empresas y países logran resultados mucho mejores: cuando un error en cualquier etapa puede arruinar el producto, la calidad de cada paso no se suma, se multiplica (teoría O-Ring).

Cinco pasos que salen bien el 90% de las veces dan un resultado correcto solo el 59% de las veces (0,9 × 0,9 × 0,9 × 0,9 × 0,9). Si la IA lleva uno al 99%, sube al 65%. Pero si cuatro llegan al 99% y el quinto cae al 60% porque la revisión se satura, el resultado queda peor que al principio: 57,6%.

Esas dos primeras ideas se complementan: Amdahl mira el reloj; Kremer, la calidad. Por eso alguien puede trabajar mucho más rápido sin que su empresa gane más: la tarea acelerada pesa poco en el total, o el eslabón más flojo sigue igual y recibe más carga.

El freno, en GitHub y en las pymes argentinas

En el software ese embudo ya se midió. En mayo, economistas del MIT y de Wharton siguieron a más de 500.000 programadores en proyectos abiertos de GitHub, la mayor plataforma para desarrollar código.

Al sumar todas las herramientas de IA (del autocompletado a los agentes autónomos), los programadores propusieron un 240% más de cambios semanales de código, pero las versiones terminadas y listas para usar crecieron solo un 30%.

Para los autores, el dato calza con el eslabón débil: revisar esos cambios, integrarlos y aprobar la entrega final sigue en manos humanas. En las empresas, con más controles, el freno debería ser mayor.

En la Argentina hay señales parecidas. Un relevamiento de la Universidad Di Tella y Fundar sobre 402 pymes industriales y de software halló que el 41,6% usaba IA, sobre todo en fase experimental: allí, el 65% percibía más productividad, pero solo el 22% había medido resultados positivos.

El informe advierte que muchas pueden estancarse en las pruebas por falta de inversión en organización, capacidades y gobernanza. Dicho con Kremer: mejorar un eslabón rinde poco si el resto sigue flojo.

La ley de Parkinson y el tiempo que se evapora

Ahí entra la tercera idea: aun donde la IA ahorra tiempo, esas horas no vuelven solas a la empresa. Si alguien arma en una hora el informe que antes le llevaba tres, ¿adónde van las otras dos? En 1955, el historiador británico C. Northcote Parkinson respondió con ironía en The Economist: “El trabajo se expande hasta llenar el tiempo disponible”.

Los datos van en esa dirección. En un experimento con 7.137 empleados de 66 grandes empresas, quienes usaron el asistente Copilot pasaron dos horas menos por semana en el correo. Pero no respondieron más mensajes, ni fueron a más reuniones, ni terminaron más documentos.

Pasa porque casi nadie gestiona ese ahorro: según Gartner, solo el 7% de las organizaciones consultadas da pautas sobre cómo usar el tiempo que ahorra la IA. La CEPAL y el centro chileno CENIA lo llamaron en octubre “disipación del tiempo liberado”, un riesgo hoy mayor en la región que el desempleo masivo. ¿Por qué es un riesgo? Porque nos vuelve menos competitivos que el resto.

Lo que hacen distinto los que más ganan

McKinsey comparó a ese 6% con el resto de los encuestados: casi tres de cada cuatro habían rediseñado a fondo sus flujos de trabajo por el uso de IA, contra uno de cada cuatro de los demás.

Claramente hay tres prácticas fundamentales que hacen a una organización exitosa con la IA: una alta dirección comprometida con los proyectos de IA, mandos medios comprometidos con capitalizar la IA y procesos redefinidos para capturar su impacto.

Esas tres prácticas responden directo a las tres ideas: redefinir procesos ataca lo que la IA no acelera y cuida el eslabón débil, mientras que la dirección y los mandos medios se aseguran de que ese cambio ocurra y evitan que el tiempo ahorrado se evapore.

Dónde queda el valor cuando producir se abarata

Cuando la IA abarata producir textos, análisis o código, lo escaso pasa a ser todo lo que lo rodea: elegir qué hacer, conectarla con datos y sistemas, validar lo que sale, responder por el resultado y capitalizar el tiempo ganado. Es el horno de la cocina, la revisión en GitHub y las horas que se disipaban con Copilot.

Queda una objeción razonable: que sea cuestión de tiempo. En 1990, el historiador económico Paul David mostró que la electricidad tardó cuatro décadas en mover la productividad fabril en Estados Unidos: la ganancia llegó recién cuando rediseñaron las plantas, con un motor para cada máquina.

Mi lectura, discutible, es que el 6% dice más sobre cómo funcionan las organizaciones que sobre cuán buena es la IA. La mayoría de los que más ganan miró el proceso completo, no solo la tarea que el modelo resuelve rápido. Por eso, antes de sumar otra herramienta, conviene hacerse tres preguntas que salen de Amdahl, de Kremer y de Parkinson.

La primera: ¿cuánto pesa en el total la tarea que vas a acelerar? (Si lleva el 20% del tiempo, el ahorro nunca pasará del 20%). La segunda: ¿cuál es el paso más flojo de la cadena y quién responde cuando la IA se equivoca? La tercera: ¿Quién se ocupa de capitalizar el tiempo liberado y medir si mejoró el proceso completo?

Si la respuesta a la primera es “poco”, a la segunda “no sé” y a la tercera “nadie”, probablemente la IA acelere una tarea suelta y el balance casi no se mueva. Es donde hoy está la mayoría: entre el 80% que siente que trabaja más rápido y el 6% que ya convierte esa velocidad en ganancias significativas.