Dos años después del estallido de entusiasmo por la inteligencia artificial generativa, las promesas siguen corriendo más rápido que sus resultados.
Millones de dólares fluyen hacia modelos, centros de datos y nuevos productos que llevan el sello de la IA, mientras en los informes económicos, en las planillas de productividad y en las ganancias empresariales, el impacto sigue siendo casi invisible.
«Se ve en todas partes, excepto en las estadísticas»
Por: Gabriel E. Levy B.
En 1987, el economista Robert Solow lanzó una sentencia que, por su lucidez, sigue vigente casi cuatro décadas después: «Se puede ver la era de las computadoras en todas partes, excepto en las estadísticas de productividad».
Esta observación, tan irónica como precisa, fue formulada en un momento donde la informática prometía cambiar la estructura misma de la economía global, pero aún no dejaba huella en los indicadores clave del crecimiento.
El analista JP Gownder, vicepresidente y analista principal de Forrester, lo resume con una referencia contundente: “la Paradoja de Solow parece repetirse”. Y si la historia se repite, el desencanto no tardará en tomar protagonismo.
A la informática le tomó casi dos décadas superar la Paradoja de Solow. Aunque las computadoras personales comenzaron a popularizarse en los años ochenta, no fue sino hasta principios de los 2000 que su impacto en la productividad se hizo evidente.
La clave no fue solo la adopción tecnológica, sino la transformación profunda de los procesos empresariales.
Las compañías debieron rediseñar flujos de trabajo, capacitar a sus empleados y adaptar sus modelos de negocio para aprovechar realmente el poder computacional.
Cuando estas condiciones maduraron, la informática dejó de ser solo herramienta de soporte y se convirtió en motor real de crecimiento económico.
Las cifras acompañaban su diagnóstico. Según datos de la Oficina de Estadísticas Laborales de Estados Unidos, entre 1947 y 1973 (una era pre-digital), la productividad laboral creció un 2.7 % anual. En cambio, entre 1990 y 2001, cuando las computadoras personales ya formaban parte de oficinas y hogares, esa cifra apenas llegó al 2.1 %. Entre 2007 y 2019, incluso con internet plenamente integrado al trabajo cotidiano, descendió a un modesto 1.5 %.
La paradoja de Solow se convirtió así en una especie de fantasma para cada nueva revolución tecnológica. Y ahora, ante el ascenso de la inteligencia artificial generativa, vuelve a hacerse presente.
Mucho ruido, pocas ganancias
Las cifras actuales refuerzan la sospecha de que el impacto de la inteligencia artificial sigue sin reflejarse en los datos duros.
Gownder, lo dice sin rodeos: “Simplemente no las estamos viendo”.
Mientras gigantes tecnológicos invierten miles de millones en chips especializados, entrenamiento de modelos y expansión de infraestructura, la productividad no experimenta un salto claro.
Aunque el tercer trimestre de 2025 mostró una mejora del 4.9 % en la productividad laboral del sector empresarial no agrícola, este repunte puntual no basta para sostener una narrativa de transformación estructural.
Más preocupante aún: según un estudio reciente del MIT Media Lab, el 95 % de los proyectos empresariales de IA generativa fracasan en generar un impacto medible en términos financieros.
La inversión, por ahora, parece estar más asociada a una búsqueda de posicionamiento estratégico o a evitar quedar atrás que a un retorno tangible.
Este fenómeno no solo preocupa a analistas financieros, también interpela a tecnólogos, gobiernos y trabajadores.
Los retornos que aún no llegan
El entusiasmo desbordado con el que las empresas recibieron a la inteligencia artificial generativa durante 2023 y 2024 se convirtió en una especie de carrera por adoptar herramientas, desde asistentes conversacionales hasta sistemas de automatización de contenido, pasando por analítica predictiva y personalización de servicios.
En teoría, estas implementaciones debían reducir costos, mejorar la eficiencia operativa y liberar capital humano para tareas de mayor valor agregado.
Pero, en la práctica, la implementación resultó mucho más compleja.
Los sistemas requieren entrenamiento específico, supervisión constante y adaptación al entorno particular de cada empresa.
Muchos ejecutivos, seducidos por demostraciones espectaculares en conferencias o artículos virales, descubrieron que las herramientas generativas no eran plug-and-play.
El tiempo de integración, los errores de interpretación, los sesgos algorítmicos y la falta de alineación con los procesos internos ralentizaron los beneficios prometidos.
Al mismo tiempo, la expectativa de que la IA reemplazaría tareas humanas a gran escala, un miedo compartido por millones de trabajadores, no se materializó del todo.
En muchos casos, las personas simplemente cambiaron su flujo de trabajo, pero no desaparecieron del proceso productivo.
El trabajo aumentó en complejidad, no en velocidad. Las promesas de eficiencia se enfrentaron con una realidad menos maleable de lo que los modelos parecían anticipar.
Además, surge un dilema estructural: ¿quién captura el valor generado por la IA? Si los beneficios se concentran en un puñado de empresas capaces de desarrollar o implementar estos sistemas a escala, el efecto económico agregado será limitado.
Esto también ocurrió en la era de las computadoras personales: mientras los fabricantes y desarrolladores ganaban, muchas industrias tradicionales apenas se transformaban.
Promesas, fracasos y silencios corporativos
Los casos más ilustrativos del desencanto con la IA se repiten en distintos sectores.
En la industria legal, varias firmas probaron integrar sistemas de redacción automática para contratos y dictámenes.
Sin embargo, los errores semánticos y la dificultad de contextualizar casos específicos terminaron generando más trabajo de revisión que ahorro de tiempo.
En el ámbito médico, los sistemas de ayuda al diagnóstico mostraron resultados dispares.
Mientras algunas clínicas lograron mejoras marginales en la precisión de diagnósticos, otras enfrentaron problemas éticos y operativos relacionados con la toma de decisiones algorítmicas.
En varios casos, el personal médico optó por desactivar los sistemas tras notar inconsistencias con criterios clínicos establecidos.
En el sector financiero, bancos y aseguradoras invirtieron en herramientas de análisis de riesgo y detección de fraude alimentadas por IA.
Los resultados, en general, fueron positivos en tareas muy específicas, pero lejos de una transformación integral del negocio.
Según datos internos filtrados en 2024 por una firma de inversión de Silicon Valley, solo el 8 % de las compañías que implementaron IA generativa en procesos de atención al cliente reportaron una mejora significativa en la satisfacción del usuario.
Y no hay que olvidar los silencios.
Numerosas empresas que en 2023 anunciaron con bombos y platillos la adopción masiva de IA han dejado de mencionar sus iniciativas en los reportes de resultados de 2025.
El entusiasmo mediático fue reemplazado por una prudencia discreta, un síntoma claro de que los retornos no justificaron el ruido.
En conclusión, la inteligencia artificial generativa aún no cumplió su promesa de dinamizar la economía a gran escala. Como ocurrió con las computadoras personales en el pasado, la tecnología avanza, pero sus beneficios reales tardan en manifestarse. Esto no implica que la IA no tenga potencial, sino que su impacto requiere tiempo, ajustes y realismo. La Paradoja de Solow, más que un juicio definitivo, es un llamado a mirar más allá del entusiasmo y evaluar, con datos en mano, cuándo una revolución tecnológica realmente se convierte en transformación económica.
Referencias
- Solow, R. M. (1987). We’d better watch out. New York Times Book Review, July 12.
- U.S. Bureau of Labor Statistics (2025). Labor Productivity and Costs, Third Quarter 2025. https://www.bls.gov/news.release/prod2.nr0.htm
- MIT Media Lab (2024). Generative AI in Business: A Performance Review. Massachusetts Institute of Technology. https://www.media.mit.edu
- The Register (2026). Forrester analyst: We’re still waiting for AI productivity gains. https://www.theregister.com
