La trampa de la eficiencia

El 27 de enero de 2025, mientras los mercados entraban en pánico por el modelo open-source de DeepSeek que recortaba los precios de la IA occidental en un orden de magnitud, Satya Nadella publicó cuatro palabras en X que reencuadraron todo el debate: "Jevons paradox strikes again!"

La referencia era a William Stanley Jevons, un economista de la era victoriana que notó algo contraintuitivo sobre la máquina de vapor de James Watt. El diseño de Watt era cuatro a cinco veces más eficiente en combustible que la vieja máquina Newcomen. La expectativa: Gran Bretaña quemaría menos carbón. Lo que realmente pasó: el consumo de carbón se disparó. La energía barata no conservó el combustible. Hizo viable el vapor para miles de nuevas aplicaciones. "Es una confusión total de ideas," escribió Jevons en The Coal Question (1865), "suponer que el uso económico del combustible equivale a un consumo reducido. La verdad es exactamente lo contrario."

El argumento de Nadella, en su esencia: a medida que la IA abarata el trabajo cognitivo, vamos a demandar enormemente más.

Eso fue hace trece meses. La evidencia desde entonces apoya a ambos bandos, y eso es exactamente el problema.

Los titulares de enero de 2026: 108,000 recortes de empleo en un solo mes, el peor enero desde 2009, con la IA citada en anuncio tras anuncio. La Directora Gerente del FMI, Kristalina Georgieva, dijo a CNBC que la IA estaba "golpeando al mercado laboral como un tsunami." Sam Altman reconoció el desplazamiento real mientras advertía sobre el "AI washing," su término para las empresas que culpan a la IA de despidos que habrían hecho de todas formas.

Los titulares de febrero de 2026: Erik Brynjolfsson, el economista de Stanford que acuñó la "Productivity J-Curve," escribió en el Financial Times que la productividad estadounidense creció aproximadamente 2.7% en 2025, casi el doble del promedio de 1.4% de la década anterior. Las proyecciones de inversión de capital de los hyperscalers alcanzaron $602 mil millones para 2026, un aumento del 36%. Las empresas están gastando más en infraestructura de IA, no menos, aun cuando los costos de inferencia por token cayeron aproximadamente dos órdenes de magnitud en menos de tres años. La paradoja de Jevons, desarrollándose en tiempo real.

Ambos conjuntos de titulares son ciertos. Desplazamiento y explosión de la demanda no son teorías que compiten entre sí. Son fases diferentes del mismo proceso, y distinguirlas requiere hacer una pregunta que ningún titular aborda: en un sector dado, ¿dónde se ubica el trabajo cognitivo en la estructura de costos? La respuesta determina si la IA más barata genera una explosión tipo Jevons o un colapso tipo agrícola — y quién captura el excedente en cualquiera de los dos escenarios. Trazar esa pregunta a lo largo de tres décadas de difusión económica probable es la tarea de este ensayo.

I. La era de la augmentación (2025–2035): La década de la J-Curve

El error más común al pronosticar el impacto de la IA en el mercado laboral es confundir capacidad con difusión. La IA ya puede generar código, redactar contratos y analizar imágenes médicas a niveles que rivalizan con profesionales entrenados. Sin embargo, la mayoría de los programadores, abogados y radiólogos todavía trabajan de formas reconocibles para sus pares de 2015. La tecnología ya llegó, pero las organizaciones apenas han cambiado cómo trabajan.

Brynjolfsson, Daniel Rock y Chad Syverson documentaron este rezago en su paper de 2021 "The Productivity J-Curve" (American Economic Journal: Macroeconomics). Las tecnologías de propósito general muestran una productividad medida inferior durante la adopción inicial porque las empresas deben invertir en complementos intangibles (capacitación, rediseño de procesos, reestructuración organizacional) antes de que los beneficios se materialicen.

El precedente histórico es ilustrativo. El estudio de Paul David de 1990, "The Dynamo and the Computer" (American Economic Review), demostró que la energía eléctrica tardó aproximadamente cuatro décadas en aparecer en las estadísticas de productividad después de que Edison abrió la Pearl Street Station en 1882. Las fábricas tuvieron que ser completamente rediseñadas, de plantas de varios pisos impulsadas por ejes a vapor a líneas de producción de un solo piso con motores individuales, antes de que llegaran las ganancias. La tecnología de la información siguió un arco comprimido pero similar. Robert Solow observó en 1987 que se podía "ver la era de las computadoras en todas partes excepto en las estadísticas de productividad." El boom de productividad de TI no llegó hasta mediados de los 90, aproximadamente dos décadas después de la adopción comercial masiva.

Si los rezagos de adopción siguen acortándose, la IA podría estar en un cronograma de diez a quince años, ubicando el punto de inflexión alrededor de 2035. Los datos de Brynjolfsson de febrero de 2026 (2.7% de crecimiento) sugieren que la curva ya podría estar curvándose hacia arriba. Pero como él advirtió, "se necesitan varios períodos más de crecimiento sostenido para confirmar una tendencia de largo plazo."

No todos aceptan la analogía histórica. Dario Amodei, CEO de Anthropic, argumentó en "Machines of Loving Grace" (2024) que la IA podría comprimir de cincuenta a cien años de progreso científico en cinco a diez — "un país de genios en un datacenter." En un ensayo posterior, "The Adolescence of Technology" (2025), predijo que la mitad de todos los empleos de oficina de nivel inicial podrían ser desplazados en uno a cinco años, un cronograma que colapsaría la J-Curve antes de que las instituciones tengan tiempo de adaptarse. Si las estimaciones de capacidad de Amodei son correctas, la era de la augmentación podría medirse en años, no en décadas. La pregunta es si la inercia organizacional — la misma fuerza que mantuvo a las fábricas funcionando con diseños de ejes a vapor durante décadas después de Edison — actúa como amortiguador o simplemente retrasa un aterrizaje más duro.

La evidencia micro se acumula más rápido que las estadísticas macro. Brynjolfsson, Li y Raymond encontraron que un asistente de IA para agentes de servicio al cliente produjo ganancias de productividad promedio del 14%, con ganancias del 34% para trabajadores con menos experiencia. Noy y Zhang mostraron que ChatGPT redujo el tiempo en tareas de escritura en un 40% entre profesionales con educación universitaria. Dell'Acqua y colegas en Harvard encontraron que los consultores de BCG con acceso a IA completaron 12% más tareas, 25% más rápido, con 40% mayor calidad.

Estos son efectos de augmentación. Los trabajadores siguen ahí. Están haciendo más.

Una advertencia necesaria: los tres estudios midieron tareas definidas de forma estrecha en organizaciones individuales. El estudio de Brynjolfsson cubrió servicio al cliente en una sola empresa. Noy y Zhang usaron 453 profesionales en un entorno de laboratorio. El experimento de Dell'Acqua con BCG involucró 758 consultores en tareas seleccionadas para estar dentro de la frontera de capacidad de la IA — y notablemente, en tareas fuera de esa frontera, los usuarios de IA rindieron 19 puntos porcentuales peor que el grupo de control. Si estas ganancias a nivel micro se agregan en crecimiento de productividad a nivel económico es precisamente la pregunta que el marco macro de Acemoglu (Sección VI) cuestiona. La teoría de la J-Curve ofrece una reconciliación parcial: las ganancias micro son reales pero los efectos macro se retrasan porque los costos de implementación, la reestructuración organizacional y la heterogeneidad de tareas absorben gran parte del excedente antes de que llegue a las estadísticas de productividad. La brecha entre la evidencia micro y los datos macro no es una contradicción. Es la J-Curve en acción.

La hipótesis para esta era: Para 2035, la IA impulsará el crecimiento de la productividad principalmente a través de la augmentación en lugar del reemplazo, con habilidades complementarias a la IA demandando primas salariales significativas y nuevas categorías de trabajo nativas de IA absorbiendo a los trabajadores desplazados. El AI Jobs Barometer 2025 de PwC encontró que los empleos que requieren habilidades de IA ya tienen una prima salarial del 56%, una cifra que se duplicó en un solo año. Y David Autor documentó en su paper de 2024 del Quarterly Journal of Economics "New Frontiers" que el 60% del empleo en 2018 existía en títulos de trabajo que no existían en 1940.

El hallazgo de Autor reencuadra la pregunta. La conversación asume un binario: augmentar o automatizar. Su evidencia histórica apunta a un tercer resultado que importa más: las tecnologías transformadoras crean categorías de trabajo completamente nuevas que nadie anticipó. Nadie en 1990 predijo que "social media manager" o "data scientist" serían categorías laborales importantes para 2020. Los efectos más significativos de la IA en el empleo podrían estar en roles que aún no tienen nombre.

La mayor amenaza para este cronograma es la robótica de propósito general. Si los sistemas de IA física igualan la flexibilidad de los modelos de lenguaje grandes en la manipulación del mundo material, la automatización total se vuelve más barata que la augmentación en la mayoría de las industrias y la ventana de diez años colapsa. La resistencia regulatoria en medicina y derecho también podría empinar la J-Curve. Y la concentración geográfica, con la actividad de IA agrupándose en un puñado de hubs de innovación, podría producir una divergencia peor que cualquier cosa vista con tecnologías de propósito general anteriores. El informe del Council of Economic Advisers de la Casa Blanca de enero de 2026, "Artificial Intelligence and the Great Divergence," traza paralelos explícitos con la división de la Revolución Industrial entre naciones que se industrializaron y las que no.

II. La era de la reestructuración (2035–2045): La explosión de Jevons

Supongamos que la historia de la augmentación se sostiene y que las organizaciones han pasado una década aprendiendo a usar la IA correctamente. ¿Qué pasa cuando el trabajo cognitivo se vuelve barato? No un 20% más barato. Un noventa por ciento más barato.

Jevons respondió esto en 1865. Carbón barato no significó menos carbón. Significó carbón para todo. Cuando un servicio se abarata dramáticamente, los usuarios existentes consumen más y surgen casos de uso completamente nuevos que antes eran prohibitivos. La combinación puede aumentar el gasto total a pesar de reducciones radicales en precios.

El patrón ya es visible en infraestructura de IA. La inversión de capital de los hyperscalers alcanzó $602 mil millones para 2026, un aumento del 36% interanual, aun cuando el costo por token de inferencia de IA cayó aproximadamente dos órdenes de magnitud en los tres años previos. Mientras más eficiente se vuelve la IA, más compran las empresas.

Pero la paradoja de Jevons original era sobre un recurso físico agotable. El carbón es rival y excluible: quemarlo en un motor significa que no se puede quemar en otro. Los servicios cognitivos producidos por IA son no-rivales y tienen un costo marginal de reproducción cercano a cero. Un escrito legal generado por IA puede copiarse infinitamente a costo cero. Eso hace que el output de IA se parezca más al software que al carbón, y la economía de bienes de información (Shapiro y Varian, 1999) aplica mejor que la economía de recursos extractivos. La analogía de Jevons requiere una condición sobre la que el ensayo debe ser honesto: demanda suficientemente elástica.

La elasticidad de la demanda determina qué sectores cognitivos experimentan explosiones tipo Jevons y cuáles simplemente se abaratan.

Consideremos el ejemplo de la radiología, que aparece en casi todo pronóstico optimista sobre IA. Si la IA reduce los costos de interpretación en un 90%, ¿podrían las resonancias magnéticas volverse estándar para exámenes anuales y monitoreo de bienestar del consumidor? La matemática de expansión de demanda es seductora: los escaneos aumentan veinte veces, el costo por escaneo cae diez veces, el gasto total se duplica. Pero la interpretación es solo un componente del costo del escaneo. La máquina de resonancia, el tiempo del técnico y los costos de infraestructura (los componentes de costo dominantes) no se ven afectados por la interpretación con IA. Una reducción del 90% en el costo de interpretación no produce una reducción del 90% en el costo total del escaneo. Los efectos Jevons requieren que las ganancias de eficiencia impacten la restricción de costo vinculante. En radiología, puede que no lo hagan.

El marco de "retornos marginales a la inteligencia" de Amodei llega a la misma conclusión desde el lado de la oferta: incluso inteligencia de IA ilimitada enfrenta retornos decrecientes dondequiera que el progreso dependa de experimentos físicos, ciclos regulatorios o complejidad intrínseca en lugar de esfuerzo cognitivo. La radiología está restringida por máquinas e instalaciones. El software está restringido por el pensamiento. El mecanismo de Jevons opera en la segunda categoría, no en la primera.

Contrasta esto con el desarrollo de software, donde la restricción vinculante es el trabajo cognitivo: especificación, codificación, testing, debugging. O la creación de contenido, donde el costo de producción es casi enteramente tiempo humano. En estos dominios, la elasticidad de la demanda es plausiblemente lo suficientemente alta para efectos Jevons genuinos. En dominios donde el trabajo cognitivo es una proporción pequeña del costo total (manufactura, logística, construcción), los efectos serán atenuados. La pregunta para cada sector cognitivo es si se parece más al software (elástico, compatible con Jevons) o más a la agricultura (inelástico, propenso al desplazamiento). Cuando la productividad en un sector con demanda acotada mejora dramáticamente, el empleo colapsa en lugar de expandirse. La agricultura perdió el 95% de su fuerza laboral a lo largo de un siglo a pesar de enormes ganancias de productividad. Tratar el "trabajo cognitivo" como una categoría única con elasticidad uniforme es el error más común en las aplicaciones populares del marco de Jevons.

Una segunda condición: competencia suficiente para transferir las ganancias de eficiencia a los consumidores como reducciones de precio. Si los proveedores de IA capturan las ganancias de eficiencia como ganancias oligopólicas en lugar de pasarlas como precios más bajos, el mecanismo de estímulo de demanda se estanca. Dada la estructura de mercado actual, con un puñado de proveedores de modelos fundacionales y los Magnificent Seven controlando $19.6 billones en capitalización de mercado mientras absorben el 75% del crecimiento de ganancias del S&P 500 en 2024, esto no es una preocupación hipotética.

La IA open-source complica la historia del oligopolio de formas que cortan tanto a favor como en contra de la tesis de Jevons. El modelo R1 de DeepSeek, lanzado en enero de 2025, igualó el rendimiento propietario de frontera a una fracción del costo y forzó reducciones de precio inmediatas en toda la industria. La serie Llama de Meta y los modelos de pesos abiertos de Mistral tienen un efecto similar: establecen un piso de precio de aproximadamente cero para inferencia en hardware commodity, lo que hace más difícil para cualquier proveedor individual capturar ganancias de eficiencia como ganancia. Si los modelos open-source continúan acercándose a la capacidad de frontera — y la tendencia desde 2023 sugiere que lo harán, con aproximadamente seis a doce meses de rezago — entonces la condición de competencia para efectos Jevons se fortalece. Las ganancias de eficiencia llegan a los consumidores, los precios bajan, la demanda se expande. Pero el open-source también acelera el lado del desplazamiento. Cuando un startup puede ejecutar un modelo capaz en sus propios servidores por el costo de la electricidad, la barrera para automatizar tareas cognitivas baja de "¿podemos pagar la API?" a "¿podemos escribir el prompt?" El mecanismo de Jevons y el mecanismo de desplazamiento se intensifican simultáneamente. La pregunta de distribución se vuelve más urgente, no menos.

La hipótesis para esta era: Para 2045, el gasto global en servicios cognitivos de alta elasticidad (software, contenido, analytics, diseño) será 3–5x mayor en términos reales que los niveles de 2035, a pesar de que la IA sea órdenes de magnitud más barata. Surgirán nuevas industrias que solo son viables con costos cognitivos cercanos a cero. Pero los sectores de baja elasticidad verán la eficiencia capturada como ahorro de costos, no como expansión de demanda.

III. El muro energético: límites físicos de una paradoja digital

La paradoja de Jevons predice expansión de la demanda. Pero la demanda solo puede expandirse tan rápido como la infraestructura física lo permite. Y ahora mismo, la infraestructura está perdiendo la carrera.

La Agencia Internacional de Energía estima el consumo eléctrico global de data centers en 415 TWh en 2024, aproximadamente el 1.5% de la electricidad global. Para 2030, la AIE proyecta que esto se duplicará con creces a 945 TWh, equivalente a toda la demanda eléctrica actual de Japón. Goldman Sachs pronostica un aumento del 165% en la demanda energética de data centers en el mismo período, con la participación de la IA subiendo de aproximadamente el 14% de la carga de data centers al 35–50%.

Estas proyecciones chocan con un cuello de botella físico: la interconexión a la red. A finales de 2024, aproximadamente 2,600 GW de generación y almacenamiento propuestos estaban esperando en la cola de interconexión de EE.UU., más del doble de la capacidad instalada del país. El tiempo medio desde la solicitud de interconexión hasta la operación comercial se ha duplicado de menos de dos años a principios de los 2000 a más de cuatro años hoy. Solo el 13% de la capacidad que presentó solicitudes de interconexión de 2000 a 2019 había alcanzado operación comercial para fines de 2024. El resto fue retirado o quedó atascado.

La demanda de IA escala en ciclos de uno a dos años. La expansión de la red toma de cinco a diez. Los cronogramas están fundamentalmente desalineados.

Las consecuencias ya son visibles a nivel local. Virginia, el mercado de data centers más grande del mundo, destina más de una cuarta parte de las ventas de electricidad de Dominion Energy a data centers, según la Virginia Joint Legislative Audit and Review Commission. En Irlanda, EirGrid ha impuesto una moratoria de facto sobre nuevas conexiones de data centers en la región de Dublín hasta 2028 debido a preocupaciones de capacidad de la red. Estas no son proyecciones. Son restricciones actuales sobre dónde se puede ubicar nueva capacidad.

Este desajuste ha desencadenado un renacimiento nuclear. Microsoft firmó un acuerdo de compra de energía a 20 años para reiniciar la Unidad 1 de Three Mile Island (835 MW). Meta anunció "Prometheus," un programa de adquisición nuclear de 6.6 GW que abarca acuerdos con Oklo, Vistra y TerraPower. Google, Amazon y OpenAI han firmado sus propios acuerdos nucleares. La instalación insignia Stargate de OpenAI en Abilene, Texas incluye una planta de gas natural en el sitio porque la red no puede entregar suficiente energía. El patrón es claro: las empresas de IA se están convirtiendo en empresas de energía por necesidad.

La ironía es recursiva. Nvidia afirma una mejora de aproximadamente 100,000x en eficiencia energética de IA por watt desde 2016. Sin embargo, la empresa envió 3.76 millones de GPUs de data center solo en 2023, más de un millón más que el año anterior, y el capex de los hyperscalers alcanzó $602 mil millones para 2026. Chips más eficientes no reducen el consumo de energía. Hacen que sea económico ejecutar más chips. Khowaja et al. formalizaron esto en "From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate" (ACM FAccT 2025), argumentando que "las ganancias de eficiencia pueden paradójicamente estimular un mayor consumo."

Un doble Jevons: la IA más barata impulsa más demanda de servicios de IA, y los chips más eficientes impulsan más demanda de chips. Ambos están restringidos por la misma infraestructura física: capacidad de la red, agua de enfriamiento y empaque de chips.

¿El muro energético rompe la tesis de Jevons? No, pero la curva. La analogía correcta es la historia original del carbón. Jevons tenía razón en que las máquinas de vapor eficientes aumentaron la demanda de carbón. Pero las restricciones de oferta de carbón (capacidad minera, transporte, mano de obra) crearon pisos de precio que moderaron las tasas de crecimiento. La explosión de demanda fue real pero no infinita. La IA probablemente seguirá el mismo patrón: los efectos Jevons son reales, pero las restricciones de infraestructura crean un regulador natural de velocidad, manteniendo los costos de IA más altos de lo que la pura eficiencia algorítmica permitiría y moderando la explosión de demanda al ritmo al que la oferta física puede expandirse.

El análisis exhaustivo de Epoch AI concluyó que la energía eléctrica es "la restricción que probablemente se ajustará primero" entre todos los cuellos de botella de escalamiento de IA. Jensen Huang llamó a la energía "el cuello de botella" y la ubicó en la base de un "pastel de cinco capas" para la industria de la IA. Si la capa inferior restringe, todo lo que está encima también se restringe.

IV. La pregunta de la distribución: ¿quién captura el excedente?

Incluso si la explosión de Jevons se materializa, importa enormemente quién se beneficia. El excedente de eficiencia de la IA tiene que ir a algún lado: a los trabajadores como salarios más altos, a los consumidores como precios más bajos, a los dueños de capital como ganancias, o a geografías específicas como crecimiento concentrado. La evidencia temprana sugiere que los flujos son altamente desiguales.

La prima salarial es real pero concentrada. El AI Jobs Barometer 2025 de PwC, que analizó cerca de mil millones de anuncios de empleo en seis continentes, encontró que los empleos que requieren habilidades de IA tienen una prima salarial del 56% sobre roles comparables. Esa prima se duplicó en un solo año. Pero el análisis de Brookings y GovAI muestra que las ganancias alcanzan su pico alrededor de $90,000 de ingreso anual y se mantienen altas para los que ganan seis cifras. Los trabajadores que ganan menos tienen menos acceso a herramientas de IA en sus workflow existentes. Las personas mejor posicionadas para ganar con la IA son las que ya les iba bien.

El cambio más profundo es del trabajo al capital. El working paper del FMI de abril de 2025 encontró algo contraintuitivo: la IA en realidad podría reducir la desigualdad salarial al desplazar tareas cognitivas caras de altos salarios, comprimiendo la distribución salarial. Pero simultáneamente amplía la desigualdad de riqueza, porque el excedente de automatizar trabajo caro fluye hacia los dueños de capital a través de ganancias corporativas y apreciación de acciones. El 10% más rico de los hogares estadounidenses posee aproximadamente el 87% de todas las acciones corporativas, según las Distributional Financial Accounts de la Reserva Federal. Cuando la IA impulsa las ganancias corporativas, las ganancias se concentran entre personas que poseen acciones, no personas que ganan salarios. Como lo puso el FMI: "Es probable que la IA aumente sustancialmente la desigualdad de riqueza" incluso en escenarios donde las brechas salariales se reducen.

La concentración geográfica es marcada. Brookings encontró que 30 áreas metropolitanas de EE.UU. capturan el 67% de todas las publicaciones de empleo de IA. Solo el Bay Area absorbe el 82% del capital de riesgo global en IA generativa. Solo 15 ciudades representan dos tercios de los activos y capacidades de IA en Estados Unidos. Esta concentración es más extrema que la era de TI. La infraestructura de cómputo y el talento especializado requeridos para el desarrollo de IA de frontera son órdenes de magnitud más caros que lo que el boom de internet demandaba.

El panorama internacional es peor. La UE ha producido tres modelos fundacionales contra cuarenta de Estados Unidos y posee el 5% del cómputo global de IA de alta gama versus el 74% de Estados Unidos. La industria BPO de India de $227 mil millones, que emplea cinco millones de personas y contribuye el 7.4% del PIB, enfrenta disrupción directa, con un estimado de 1.65 millones de trabajadores de soporte por voz y procesamiento de datos en riesgo. Todo el mercado de IA de África se proyecta en $4.5 mil millones en 2025, aproximadamente el 1–1.5% del gasto global en IA. Los modelos open-source de DeepSeek y la Ruta de la Seda Digital de China ofrecen un camino alternativo para el Sur Global (20 proyectos de infraestructura digital anunciados con África en la Cumbre FOCAC de 2024), pero al costo de dependencia tecnológica de una superpotencia diferente.

China ofrece un experimento natural. El ecosistema de IA de China — el segundo más grande del mundo, con DeepSeek, Qwen y docenas de modelos fundacionales — opera bajo condiciones institucionales fundamentalmente diferentes: política industrial dirigida por el estado, un mercado laboral gestionado y una relación diferente entre el estado y las empresas tecnológicas. Cuando el desplazamiento golpea la manufactura o los servicios chinos, la respuesta involucra programas de recapacitación coordinados centralmente e inversión dirigida en nuevas industrias, no ajuste mediado por el mercado. Si el enfoque de China produce costos de desplazamiento más bajos y un redespliegue más rápido de trabajadores que el modelo occidental, la implicación es que la tesis de Jevons no se trata solo de tecnología y elasticidad — se trata de gobernanza. El marco de este ensayo es implícitamente occidental, y la trayectoria de China pondrá a prueba si ese encuadre se sostiene o si el diseño institucional es más determinante que la estructura de mercado.

La variable institucional es la que más importa. En los países nórdicos con sindicatos fuertes y políticas activas del mercado laboral, la adopción de IA se ha asociado con brechas salariales más estrechas. En Estados Unidos y el Reino Unido, la misma tecnología coincide con una polarización más aguda. El estudio de la OCDE de noviembre de 2024 encontró que la IA redujo la desigualdad dentro de las ocupaciones más expuestas a la IA durante 2014–2018, lo opuesto a lo que hicieron los robots. El mecanismo: la IA automatiza tareas cognitivas que complementan en lugar de reemplazar el trabajo físico, elevando los salarios relativos de los trabajadores menos calificados. Pero si este efecto igualador persiste depende enteramente de si los trabajadores o los dueños de capital capturan las ganancias de productividad. La misma tecnología, instituciones diferentes, resultados distributivos opuestos.

Las huelgas de SAG-AFTRA y WGA de 2023 produjeron las primeras negociaciones laborales exitosas sobre derechos de IA: requisitos de consentimiento, protecciones de compensación y reglas de transparencia para el uso de IA del trabajo creativo humano. Estas sirven como template, pero los escritores de Hollywood tienen más poder de negociación que los trabajadores de call centers en Manila. El kit de herramientas de política más amplio aún no ha producido una respuesta creíble a la pregunta de la distribución. Los impuestos a robots fueron rechazados por la UE. El piloto de UBI de Altman ($1,000/mes a 1,000 individuos de bajos ingresos) ayudó a cubrir necesidades esenciales pero no mejoró la calidad del empleo ni la salud. Brookings encontró que los trabajadores de empleos con alta exposición a IA ganan un 25% menos después de la recapacitación que los trabajadores de empleos de baja exposición. Los mecanismos para distribuir el excedente de la IA siguen siendo, por ahora, teóricos.

Incluso las proyecciones más optimistas reconocen la contingencia. El "Dream scenario" de Amodei para economías en desarrollo — crecimiento del PIB del 20% anual a través de difusión tecnológica impulsada por IA — viene con una advertencia explícita: requiere "esfuerzos fuertes de nuestra parte." Los beneficios no se distribuyen solos. También identifica un "opt-out problem": las poblaciones que resisten los servicios mejorados con IA quedan progresivamente más atrás, creando ciclos de retroalimentación que amplían la desigualdad existente. El paralelo con la resistencia a las vacunas es incómodo pero instructivo. Cuando los beneficios de una tecnología son grandes y su adopción es desigual, la brecha entre adoptantes y rezagados se amplía más rápido de lo que cualquier mecanismo de redistribución puede cerrar.

V. La era institucional (2045–2055): La transición de Perez

Supongamos que la explosión de Jevons ocurre en sectores elásticos y las restricciones energéticas se flexionan sin romperse. Las ganancias de productividad aún necesitan que las instituciones se pongan al día, y eso toma décadas.

La teoría del paradigma tecno-económico de Carlota Perez (2002) documenta este patrón: el vapor requirió corporaciones de responsabilidad limitada y sistemas ferroviarios; la electricidad requirió gestión científica y producción en masa; la tecnología de la información requirió producción lean y metodologías ágiles. Cada tecnología de propósito general requirió nuevas instituciones, no solo nuevas herramientas. La tecnología siempre llegó décadas antes de que las instituciones se pusieran al día, y las ganancias de productividad provinieron del emparejamiento entre ambas.

La adaptación institucional ya está en marcha, aunque en fragmentos. El EU AI Act, que entró en vigor en etapas comenzando en agosto de 2024, creó el primer marco regulatorio integral para sistemas de IA, clasificándolos por nivel de riesgo e imponiendo requisitos de transparencia y auditoría en aplicaciones de alto riesgo. La SB 1047 de California, debatida durante 2024 y vetada por el Gobernador Newsom, habría requerido pruebas de seguridad para modelos de frontera por encima de un umbral de cómputo — el primer intento de regular la IA a nivel de capacidad en lugar de nivel de aplicación. Los acuerdos de SAG-AFTRA y WGA de 2023 establecieron requisitos de consentimiento y protecciones de compensación para el uso de IA del trabajo creativo humano, un template que otras industrias aún no han replicado. El Model AI Governance Framework de Singapur toma un enfoque completamente diferente: voluntario, liderado por la industria, enfatizando la responsabilidad organizacional sobre reglas prescriptivas.

Ninguno de estos marcos aborda las preguntas estructurales más profundas. ¿Quién es dueño del output de un sistema de IA entrenado con trabajo con copyright? ¿Cómo deben las instituciones educativas preparar a los trabajadores para roles que aún no existen? ¿Qué mecanismos impositivos y de transferencia pueden redistribuir el excedente de las ganancias de productividad impulsadas por IA sin suprimir la inversión que las produce? La cuestión de copyright se está trabajando en los tribunales de EE.UU. — los casos New York Times v. OpenAI y Thomson Reuters v. Ross Intelligence establecerán precedente — pero el rediseño institucional más amplio apenas ha comenzado.

La hipótesis para esta era: Para 2055, las estructuras organizacionales que dominen la economía no se parecerán en nada a las corporaciones de 2025, al igual que una empresa tech de 2025 no se parece en nada a un conglomerado industrial de los 60. La pregunta no es si las instituciones se adaptarán sino cuánto daño se acumula durante el rezago entre la capacidad tecnológica y la preparación institucional.

El análisis histórico de Perez sugiere que estas transiciones rara vez son suaves. Involucran crisis financieras, agitación política y conflicto generacional antes de que un nuevo marco institucional se estabilice. La transición de la economía victoriana a la Era Progresista tomó décadas de agitación laboral, acción antimonopolio e invención regulatoria. La transición de la IA no será más suave.

VI. El caso pesimista: ¿qué pasa si los pesimistas tienen razón?

Los escenarios anteriores asumen que la IA seguirá el patrón histórico de las tecnologías de propósito general. Esa suposición puede ser incorrecta. Tres críticas son más fuertes de lo que el caso optimista suele admitir.

El estancamiento secular de Robert Gordon. El argumento de Gordon en The Rise and Fall of American Growth (2016) no es que la innovación se haya desacelerado. Es que los inventos "únicos e irrepetibles" de 1870–1970 (agua potable, electricidad, combustión interna, telecomunicaciones) transformaron la existencia material de formas que son, por definición, irrepetibles. La plomería interior solo se puede inventar una vez. Gordon también identifica vientos en contra estructurales (desigualdad creciente, estancamiento educativo, demografía envejecida, deuda gubernamental creciente) que suprimen el crecimiento independientemente del progreso tecnológico. Los entusiastas de la IA deben explicar no solo por qué la IA es transformadora sino por qué supera vientos en contra que han estado frenando la productividad durante cincuenta años.

La dirección de la innovación de Daron Acemoglu. La crítica de Acemoglu es más específica y más dañina cuantitativamente de lo que la mayoría de los relatos populares sugieren. En "The Simple Macroeconomics of AI" (NBER Working Paper 32487, 2024; publicado en Economic Policy, enero 2025), estima que la IA aumentará la productividad total de factores en como máximo 0.53–0.66% en una década, con ganancias acumuladas de PIB de solo 1.1–1.6%. Estos números son un orden de magnitud por debajo de las proyecciones optimistas.

El mecanismo: el marco basado en tareas de Acemoglu (desarrollado con Pascual Restrepo) identifica desplazamiento, productividad y creación de nuevas tareas como las tres fuerzas que dan forma al impacto de la automatización en el mercado laboral. La idea clave: la automatización puede producir ganancias de productividad y aún así perjudicar a los trabajadores si el desplazamiento excede la creación de nuevas tareas. Su concepto de "so-so technologies," automatización que desplaza trabajadores sin generar grandes ganancias de productividad (como las máquinas de auto-cobro que no son dramáticamente más eficientes que los cajeros pero sí eliminan empleos), aplica incómodamente bien a muchos despliegues actuales de IA. El análisis de HBR de enero de 2026 encontró que el 60% de las organizaciones encuestadas ya habían reducido personal en anticipación del potencial de la IA, mientras solo el 2% reportó despidos grandes vinculados a la implementación real de IA. Las empresas están recortando trabajadores por lo que la IA podría hacer, no por lo que ha hecho.

El problema de medición. El PIB no captura las mejoras de calidad de la IA. Mejores recomendaciones, contenido personalizado, servicio más rápido, herramientas de IA gratuitas: nada de esto aparece en las estadísticas de productividad. Pero los costos (desplazamiento, recapacitación, consumo de energía) sí. William Nordhaus probó empíricamente si los datos económicos apoyan un crecimiento acelerado consistente con escenarios de IA transformadora (American Economic Journal: Macroeconomics, 2021). Su conclusión: no lo hacen.

Las tres críticas apuntan en direcciones diferentes. Gordon dice que las grandes ganancias quedaron atrás. Acemoglu dice que las ganancias son más pequeñas de lo proyectado y van a los lugares equivocados. Nordhaus dice que los datos no muestran aceleración. Ninguno de ellos está obviamente equivocado. Pero también tienen que explicar el salto de productividad del 2.7% en 2025 y los $602 mil millones en capex de hyperscalers. Algo está pasando. El debate es sobre magnitud, dirección y distribución.

VII. Rastreando la trayectoria: cómo saber qué escenario está ganando

Estos escenarios generan predicciones comprobables.

Para 2030, cuatro indicadores distinguirán los caminos. El primero es el empleo en desarrollo de software y creación de contenido — los dominios donde el trabajo cognitivo es la restricción de costo vinculante. Si ambos sectores han crecido a pesar de herramientas de IA que ya recortan el tiempo de producción en un tercio, la demanda está superando al desplazamiento. Si ambos se han contraído, el modelo agrícola se sostiene. El segundo es la prima salarial de IA. PwC la midió en 56% en 2025; si se mantiene por encima del 20%, la era de la augmentación está avanzando. Si colapsa a cerca de cero, la fluidez en IA se ha comoditizado demasiado rápido para que la augmentación impulse una transición sostenida. El tercero es la emergencia de nuevas categorías de empleo — si el BLS empieza a codificar ocupaciones nativas de IA que no existen hoy, como predice el marco de Autor. El cuarto es la participación energética de los data centers. Si los data centers de EE.UU. consumen más del 12% de la electricidad nacional, el muro energético está mordiendo. Por debajo del 8%, las restricciones físicas se están flexionando.

Para 2035, el panorama macro se aclara. Un crecimiento sostenido de la productividad total de factores por encima del 2% validaría la inflexión de la J-Curve. Un crecimiento del gasto en servicios cognitivos de 3x o más en software, analytics y contenido (ajustado por inflación) confirmaría los efectos Jevons en dominios de alta elasticidad. La proporción de capital de riesgo en IA que fluye hacia las 10 principales áreas metropolitanas versus el resto del país — actualmente alrededor de 70/30 — mostrará si la concentración geográfica se intensifica o se dispersa. Y la participación del trabajo en el ingreso, que cayó del 53% al 52.4% entre 2014 y 2024, indicará si los trabajadores o los dueños de capital están capturando el excedente.

Conclusión: la restricción vinculante

Todo en este ensayo gira alrededor de dónde se ubica el trabajo cognitivo en la estructura de costos.

En el desarrollo de software, es la estructura de costos. Especificación, codificación, testing, debugging — estas no son partidas secundarias subordinadas a máquinas e instalaciones. Son el producto. Reduce esos costos a la mitad y una empresa que no podía justificar un equipo de ingeniería de cinco personas entrega con dos. Redúcelos en un noventa por ciento y negocios que nunca tuvieron presupuesto de software empiezan a construir herramientas a medida. La creación de contenido sigue la misma lógica: escritura, diseño, producción de video son trabajo cognitivo puro. Cuando los costos de producción colapsan en dominios donde el trabajo es la restricción vinculante, más barato no significa menos. Significa más. Ese es el mecanismo de Jevons, y el software y el contenido son donde enfrenta su prueba más limpia.

Los números serán inequívocos. Si Estados Unidos emplea más desarrolladores de software y creadores de contenido en 2030 que hoy, a pesar de herramientas que ya recortan el tiempo de producción en un tercio, entonces la demanda está superando al desplazamiento. Si ambos sectores se han achicado, el precedente no es el carbón. Es la agricultura — un siglo de ganancias de productividad, noventa y cinco por ciento de la fuerza laboral eliminada, porque la demanda de alimentos tiene un techo. Lo que importa es si el trabajo cognitivo más barato abre nuevos mercados o simplemente baja costos en los existentes.

La proyección de Acemoglu — 0.53 a 0.66 por ciento de crecimiento de TFP en una década — no es una medida de lo que la IA puede hacer. Es una medida de lo que la IA hará si los incentivos actuales se mantienen. Si las empresas automatizan para reducir personal en lugar de expandir mercados. Si las ganancias de eficiencia se acumulan en un puñado de empresas en lugar de llegar a los consumidores como precios más bajos. Si la red no puede escalar lo suficientemente rápido para alimentar la explosión de demanda que la cognición más barata produciría de otro modo. Cada una de esas condiciones es una decisión, no un destino.

Jevons tenía razón sobre el carbón porque el mercado funcionó: el vapor más barato abrió industrias que quemaron más carbón del que las viejas jamás habían usado. Que tenga razón sobre la inteligencia depende de si las ganancias de una cognición más barata llegan a una economía más amplia o se asientan en las cuentas de las empresas que ya la dominan.

Sources:

Amodei, Dario, "Machines of Loving Grace" (darioamodei.com, October 2024)
Amodei, Dario, "The Adolescence of Technology" (darioamodei.com, January 2025)
Acemoglu, Daron, "The Simple Macroeconomics of AI" (NBER Working Paper 32487, 2024; Economic Policy, January 2025)
Acemoglu, Daron & Restrepo, Pascual, "Automation and New Tasks: How Technology Displaces and Reinstates Labor" (Journal of Economic Perspectives, 2019)
Autor, David, Chin, Caroline, Salomons, Anna & Seegmiller, Bryan, "New Frontiers: The Origins and Content of New Work, 1940–2018" (Quarterly Journal of Economics, Vol. 139, Issue 3, 2024)
Brookings Institution & GovAI, "AI and the Labor Market" (2025)
Brynjolfsson, Erik, Li, Danielle & Raymond, Lindsey, "Generative AI at Work" (NBER Working Paper 31161, 2023)
Brynjolfsson, Erik, Rock, Daniel & Syverson, Chad, "The Productivity J-Curve: How Intangibles Complement General Purpose Technologies" (American Economic Journal: Macroeconomics, 2021)
Challenger, Gray & Christmas, "January 2026 Job Cuts Report" (February 2026)
David, Paul A., "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox" (American Economic Review, 1990)
Dell'Acqua, Fabrizio et al., "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality" (Harvard Business School Working Paper 24-013, 2023)
Epoch AI, "Can AI Scaling Continue Through 2030?" (2025)
Federal Reserve, Distributional Financial Accounts (2024)
Goldman Sachs, "AI, Data Centers and the Coming US Power Demand Surge" (2024)
Gordon, Robert J., The Rise and Fall of American Growth (Princeton University Press, 2016)
International Energy Agency, "Energy and AI" (2025)
IMF Working Paper WP/25/68, "AI Adoption and Inequality" (April 2025)
Jevons, William Stanley, The Coal Question (1865)
Khowaja, Sunder Ali et al., "From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate" (ACM FAccT, 2025)
Marguerit, David, "Augmenting or Automating Labor?" (arXiv:2503.19159, 2025)
Nordhaus, William, "Are We Approaching an Economic Singularity?" (American Economic Journal: Macroeconomics, Vol. 13, No. 1, 2021)
Noy, Shakked & Zhang, Whitney, "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence" (Science, Vol. 381, 2023)
OECD, "What Impact Has AI Had on Wage Inequality?" (November 2024)
Perez, Carlota, Technological Revolutions and Financial Capital (Edward Elgar, 2002)
PwC, "2025 Global AI Jobs Barometer" (2025)
Rogers, Everett M., Diffusion of Innovations (1962; 5th Edition, 2003)
Shapiro, Carl & Varian, Hal, Information Rules (Harvard Business School Press, 1999)
Solow, Robert, "We'd Better Watch Out" (New York Times Book Review, July 12, 1987)
TechInsights, "Nvidia Data Center GPU Shipments" (2024)
Virginia Joint Legislative Audit and Review Commission, "Data Centers in Virginia" (2024)
Council of Economic Advisers, "Artificial Intelligence and the Great Divergence" (White House, January 2026)