IA / PRODUCTIVIDAD
ADOPTION → TASK
TASK → PROCESS
PROCESS → CAPACITY
CAPACITY → VALUE
La mayoría de organizaciones mide adopción de IA. La pregunta difícil es si la IA cambia la economía del trabajo.
Licencias, prompts y usuarios activos pueden mostrar difusión. No prueban que una institución pueda producir más, más rápido o mejor con los recursos que ya tiene.
Adopción de IA no es productividad. La productividad empieza cuando cambia la economía del trabajo.
Por José Ñáñez
Technology Advisor · Board Member
Publicado el 7 de abril de 2026 · Actualizado el 24 de agosto de 2026 · 11 min de lectura
EL PROBLEMA DE MEDICIÓN
La IA generativa crea un problema de medición particular. El uso aparece inmediatamente: se activan licencias, se ejecutan prompts y los empleados comienzan a experimentar. La productividad aparece después, y únicamente si la tecnología cambia la manera de ejecutar el trabajo.
Una persona puede completar una tarea más rápido sin que la organización procese más casos. Un equipo puede ahorrar horas sin reducir backlog. Un proceso puede mejorar sin modificar cost-to-serve. Y una empresa puede liberar capacidad sin decidir si esa capacidad absorberá crecimiento, mejorará servicio, evitará futuras contrataciones o reducirá costo.
Por eso el sistema de medición debe seguir la cadena causal desde uso hasta trabajo, desde trabajo hasta capacidad del proceso, y desde capacidad hasta resultado económico.
La métrica que importa no es cuánta IA se usa. Es cuánto más puede producir la institución con los recursos que tiene.
QUÉ NOS DICE YA LA EVIDENCIA
Los estudios empíricos ya muestran mejoras relevantes de productividad. También muestran por qué un benchmark único es una herramienta débil de gestión: los resultados cambian por trabajador, tarea y posición dentro de la cadena productiva.
01 · HETEROGENEITY
Casos resueltos por hora con asistencia de IA
Investigación NBER sobre aproximadamente 5.000 agentes encontró un incremento promedio de productividad de 13,8% y mejoras mucho mayores entre trabajadores menos experimentados.
NBER — Generative AI at Work →02 · TRANSLATION
Efecto acumulado de agentes autónomos de código
Un estudio NBER de 2026 con más de 100.000 desarrolladores encontró que las grandes mejoras de actividad de código se reducen de forma importante antes de convertirse en releases.
NBER — Writing Code vs. Shipping Code →El tiempo ahorrado puede quedarse local
En 66 empresas y 7.137 knowledge workers, los usuarios de una herramienta GenAI redujeron cerca de dos horas semanales de email, pero los investigadores no detectaron cambios más amplios en cantidad o composición de tareas. El ahorro individual no se convirtió automáticamente en rediseño organizacional.
NBER — Shifting Work Patterns with Generative AI →LA PILA DE PRODUCTIVIDAD
Cada nivel responde una pregunta gerencial distinta. El error es detenerse en el primero porque es el más fácil de instrumentar.
La mayoría de programas de medición de IA se detiene justo donde empieza el problema gerencial interesante.
¿Las personas están usando IA?
Licencias, usuarios activos, trabajo asistido
¿Mejoró la unidad de trabajo?
Minutos por tarea, calidad, rework
¿Mejoró el sistema operativo?
TAT, throughput, backlog, casos/FTE
¿Cambió la productividad de recursos?
Clientes/FTE, ingresos/FTE, cost-to-serve
¿La capacidad liberada fue capturada deliberadamente?
Crecimiento, contratación evitada, costo, margen, servicio
ANÁLISIS INTERACTIVO
Mueva tres supuestos. El gráfico muestra un despliegue ilustrativo de 12 meses y cómo se amplía o reduce la brecha entre capacidad teórica liberada y productividad realmente capturada por la organización.
SUPUESTOS
Mecánica del modelo
Capacidad potencial liberada
trabajo expuesto a IA × ganancia de eficienciaProductividad capturada
capacidad potencial liberada × tasa de capturaCapacidad no capturada
capacidad potencial liberada − productividad capturadaLa curva temporal utiliza un perfil ilustrativo de despliegue y una curva más lenta de captura organizacional. En el mes 12 el modelo converge a los supuestos seleccionados.
Capacidad potencial liberada
15,0%
del trabajo base
Productividad capturada
6,0%
del trabajo base
Capacidad no capturada
9,0%
del trabajo base
Curva de captura de productividad a 12 meses
La exposición objetivo se despliega progresivamente. Se asume que la captura organizacional va detrás de la eficiencia técnica.
Interpretación
Con los supuestos seleccionados, la IA puede liberar potencialmente 15,0% de la capacidad asociada al trabajo base. Si la organización captura 40% de esa capacidad liberada, la productividad observable llega a 6,0%, dejando 9,0 puntos porcentuales que todavía no se traducen en output operativo.
El reto de gestión no es únicamente aumentar la eficiencia de la IA, sino mejorar cómo el modelo operativo reasigna y absorbe la capacidad liberada.
¿Dónde terminó la capacidad no capturada?
Este es un modelo determinístico de escenario, no un benchmark, forecast ni estimación contable. La carga se normaliza a 100 unidades para aislar la lógica operativa.
TIEMPO AHORRADO NO ES VALOR
La expresión “horas ahorradas” oculta varias preguntas operativas. ¿Esas horas están suficientemente concentradas para modificar staffing o throughput? ¿Ocurren en un cuello de botella? ¿La demanda puede absorber la capacidad? ¿La dirección cambió expectativas de carga? ¿La capacidad se redirige a crecimiento, calidad, servicio o costo?
Por eso la eficiencia teórica y la productividad capturada deben reportarse por separado. La brecha entre ambas no necesariamente es fracaso. Parte de la capacidad puede conservarse deliberadamente para calidad, resiliencia, aprendizaje o control. Pero la dirección debería saber dónde terminó.
Un programa de productividad se vuelve creíble cuando puede reconciliar la mejora técnica con el resultado operativo.
Tiempo ahorrado es un input. Capacidad liberada es un efecto operativo. Valor es una decisión de gestión.
PRODUCTIVIDAD EMPRESARIAL
Si la IA se vuelve material para el modelo operativo, su efecto debería terminar apareciendo en ratios ordinarios del negocio. La métrica exacta depende de la institución, pero el principio es estable: más output útil con la misma base de recursos.
Este estándar es más fuerte que preguntar si los empleados disfrutan una herramienta de IA. También evita confundir mejoras locales de eficiencia con productividad empresarial.
La productividad real de IA debería terminar apareciendo en ratios empresariales — no únicamente en dashboards de IA.
¿Puede el mismo equipo absorber más trabajo operativo?
¿Puede la institución atender más clientes sin headcount proporcional?
¿Puede crecer complejidad y amplitud sin la misma carga operativa?
¿La capacidad se convierte en output económicamente valioso?
¿Cambia estructuralmente el costo operativo por cliente o proceso?
¿La capacidad liberada elimina cuellos de botella que el cliente percibe?
CÓMO MEDIRLA
Caso, transacción, documento, decisión, interacción de servicio o workflow.
Tiempo, calidad, rework, throughput, cola y costo de recursos antes de IA.
Mida ejecución realmente asistida por IA, no uso esperado.
Una tarea más rápida importa si cambia el bottleneck o la capacidad.
Crecimiento, servicio, calidad, contratación evitada, costo o resiliencia.
Confirme si el proceso se convierte en productividad de recursos y resultado económico.
PRODUCTIVIDAD CON CONTROL
La productividad debe medirse neta de rework, errores, resultados adversos, revisión humana y nuevos costos de control. Un proceso que se mueve más rápido pero genera más remediación no necesariamente se volvió más productivo.
La misma disciplina de evidencia utilizada en gobierno de IA debe soportar la medición: qué sistema cambió el trabajo, dónde intervino una persona, qué umbral de calidad aplicó y qué resultado ocurrió.
DISCIPLINA DE MEDICIÓN
Productividad neta = output útil ganado − rework − carga de control − efectos operativos adversos
CONTEXTO DE INVESTIGACIÓN
Los estudios siguientes soportan la lógica de medición. Sus resultados no deberían copiarse a un business case sin datos observados del workflow y baselines propios de la institución.
TESIS
La pregunta real no es si los empleados usan IA. Es si la institución puede producir más, más rápido o mejor con los mismos — o menos — recursos.
Mida adopción, pero no la confunda con productividad. Mida mejoras de tarea, pero sígalas hasta el proceso. Mida capacidad liberada, pero haga explícito cómo se captura. Ahí es donde la IA se convierte en operating leverage.
José Ñáñez