Resumen
La respuesta corta es: sí en el nivel micro, todavía no de forma concluyente en el nivel macro.
El estudio de Brynjolfsson, Li y Raymond sobre 5.172 agentes de soporte al cliente muestra que una herramienta de IA generativa aumentó la productividad, medida por casos resueltos por hora, alrededor de 15% en promedio. Los mayores beneficios aparecieron entre trabajadores con menor experiencia o menor desempeño inicial.
La nota FEDS de la Reserva Federal muestra que la adopción ya es relevante: cerca de 18% de las empresas usaban IA a finales de 2025; alrededor de 41% de los trabajadores reportaban uso laboral de GenAI; y, ponderado por empleo, aproximadamente 78% de los trabajadores estaban en empresas que habían adoptado IA y 54% en empresas que usaban LLMs.
La Fed de Kansas City añade cautela. La productividad laboral de EE. UU. ha superado la tendencia prepandemia desde finales de 2022, pero la mejora aún no es amplia. La adopción de IA se asocia con mayor crecimiento de productividad por industria, pero todavía explica poco del cambio agregado.
La Fed de San Francisco resume la lección de política: no basta mirar datos agregados de productividad, empleo e inflación. Hay que observar datos sectoriales, evidencia micro y señales de empresas antes de que el cambio aparezca plenamente en la estadística macro.
Cómo encajan las cuatro piezas
| Fuente | Capa | Pregunta | Respuesta |
|---|---|---|---|
| Generative AI at Work | Trabajo real | ¿La IA eleva productividad? | Sí, en flujos concretos |
| FEDS Notes | Adopción | ¿Cuánto se usa la IA? | Ya es material, pero desigual |
| Fed de Kansas City | Productividad industrial | ¿La mejora macro es por IA? | Relación positiva, prueba incompleta |
| Fed de San Francisco | Política | ¿Qué debe mirar la Fed? | Datos desagregados y señales empresariales |
La evidencia micro
La IA no solo automatizó respuestas. Elevó el desempeño de trabajadores menos experimentados y redujo brechas de habilidad. En lenguaje de inversión, esto es compresión de habilidades: el conocimiento tácito de los mejores trabajadores empieza a distribuirse por el sistema.
El efecto fue especialmente útil en problemas moderadamente raros: tareas donde hay patrones suficientes para que la IA ayude, pero donde el trabajador promedio no tiene repetición suficiente para dominar el caso.
La adopción ya importa
La diferencia entre 18%, 41%, 78% y 54% no es contradicción. Son unidades distintas: empresas, individuos y empleo ponderado. La adopción ponderada por empleo es alta porque las grandes empresas emplean a muchos trabajadores.
Además, la adopción es más intensa en finanzas y servicios profesionales. Eso sugiere que la primera ola de IA se concentra en trabajo cognitivo de alto valor: investigación, análisis, cumplimiento, contabilidad, asesoría, código y comunicación con clientes.
La macro aún no confirma una revolución completa
La Fed de Kansas City muestra que la productividad laboral ha mejorado, pero la mejora está concentrada. Eso no invalida la tesis de IA. Es lo normal en una tecnología de propósito general en fase temprana.
mejoras por tarea
→ rediseño de procesos
→ adopción por industria
→ productividad macro
La economía sigue en medio de esa cadena.
Implicación para inversión
La inversión en infraestructura de IA puede seguir justificada, pero ya no basta decir que los modelos son mejores. La justificación debe venir de productividad real en flujos de trabajo.
Para Corea, esto respalda la lógica de HBM, DRAM de servidor, eSSD, redes, energía, centros de datos, nube de IA y software empresarial. Pero también sube el listón: el mercado debe premiar a las empresas que convierten IA en productividad repetible, no a las que solo añaden una etiqueta de IA.
Conclusión
La productividad de la IA es real en tareas específicas. La adopción ya es suficiente para importar. Pero la revolución macro de productividad aún no está demostrada.
La siguiente fase del ciclo de IA no se decide por demos. Se decide por difusión: si la IA cambia procesos, márgenes, producción por trabajador y, finalmente, las estadísticas nacionales de productividad.