¿Cuál es la velocidad óptima para adoptar la IA? Muy rápido puede ser nocivo
Según un trabajo reciente del economista Eduardo Levy Yeyati, la velocidad de adopción de la IA puede determinar, por sí sola, si una economía sale bien parada de la transición o deja a millones de trabajadores permanentemente afuera del sistema
6 minutos de lectura'
PARA LA NACIONSebastián Campanario
“Compramos 200 licencias pagas premium del mejor LLM y lo usó menos del 15% del personal”. “Gastamos cientos de miles de dólares en un bot propio y quedó obsoleto en dos meses”. “La función que queríamos y en la que invertimos meses en una tarea ad hoc con programadores apareció gratis como una nueva funcionalidad de ChatGPT (o Claude)”. “Las personas que mejor se entrenaron en IA se terminaron yendo a la competencia por el doble de sueldo”.
Ya con un recorrido de dos años o más en la disponibilidad de herramientas de IA corporativas más maduras, estas son algunas de las quejas que se escuchan entre las firmas que empezaron más temprano (“Early Adopters”) con esta carrera. Son una minoría muy reducida, porque sólo menos del 0,3% de la población mundial paga o pagó alguna vez por una herramienta de IA premium. Pero da la pauta de que, en términos de transformación apalancada en IA, más rápido no necesariamente es lo mejor. Aunque esto vaya en contra del discurso y la presión que hoy baja de inversores y directorios.
El problema de la velocidad óptima de trasformación fue abordado recientemente en un paper que publicó el economista Eduardo Levy Yeyati, profesor de la Di Tella e investigador en Brookings, titulado “Too Fast to Adjust” (“demasiado rápido para adaptarse”). La tesis es incómoda para los entusiastas de la aceleración: la velocidad de adopción de la IA puede determinar, por sí sola, si una economía sale bien parada de la transición o deja a millones de trabajadores permanentemente afuera del sistema. No importa tanto el destino, importa la velocidad.
El modelo no es complejo. Cuando las firmas adoptan IA, los trabajadores desplazados entran a una especie de “tubo” de reentrenamiento: sistemas de formación, políticas laborales, programas de reconversión. Ese pipeline tiene capacidad finita. Si el flujo de desplazados que genera la adopción rápida supera la capacidad de absorción del sistema, el embudo se tapa.
Los trabajadores que esperan mucho tiempo en la cola, agotados y sin señales claras de cuándo volverán a estar empleados, terminan abandonando el mercado laboral para siempre. La salida permanente es el dato clave. Dos países pueden llegar exactamente al mismo nivel de automatización y terminar en lugares completamente distintos, dependiendo de cuántos años tardaron en recorrer ese camino.
Levy Yeyati sostiene que la electrificación fue la revolución tecnológica más comparable a la IA. Las turbinas eléctricas estuvieron disponibles décadas antes de que las fábricas reorganizaran su producción en torno a ellas. La disrupción real no llegó cuando apareció la tecnología, sino cuando llegó la reorganización. Henry Ford rediseñó Highland Park en 1913, y en 18 meses la productividad por trabajador se triplicó. Pero la rotación anual de empleados llegó al 370%.
Para el economista, la variable clave en 2026 no va a ser tanto cuánto avance la tecnología de los actuales modelos sino la tasa de absorción (a todo nivel). El divulgador y tecnólogo Azeem Ashar cree que en este terreno habrá un “tipping point” (punto de quiebre) a mediados de este año, cuando se cumplan dos años de la disponibilidad de herramientas corporativas maduras. Como muchos otros expertos en IA, Ashar cree que lo más interesante en 2026 va a ocurrir puertas adentro de las empresas, en tareas menos glamorosas y más “aburridas”.
Esta calibración de velocidades remite también a una idea trabajada por el creativo Carlos Pérez, que usa un concepto del surf: “next to peak”. No hay que entrar a la ola en el punto más alto, sino un poco antes, cuando la energía todavía está creciendo y la pendiente es aprovechable. Demasiado temprano y la ola te pasa por arriba. Demasiado tarde y ya no hay con qué surfear. La gracia está en sincronizar. El timing es la clave de la estrategia.
En el mundo de las empresas, este error de tiempos ya tiene víctimas conocidas. Las que apostaron demasiado rápido a chatbots en 2023 —antes de que los modelos fueran confiables para casos de uso complejos— hoy sufren por fricciones con usuarios desconfiados y procesos llenos de parches. Las que automatizaron call centers sin rediseñar los flujos de trabajo encontraron que la IA hacía la parte fácil y dejaba la parte difícil sin resolver. Las que lanzaron asistentes de código para equipos de desarrolladores junior descubrieron que la productividad inicial subía, pero la capacidad de razonamiento profundo del equipo se atrofiaba y los errores terminaban siendo más costosos. Primero hubo euforia, después hubo costos ocultos, después hubo marcha atrás parcial.
Esta tensión forma parte del discurso de Jensen Huang, el CEO de Nvidia, la empresa más valiosa del mundo. Huang, tal vez el más interesado en que la IA se adopte lo más rápido posible, tiene sin embargo una frase que matiza la idea de la conveniencia de “máxima velocidad”. Describiendo cómo piensa el “molinillo de viento” (“flywheel”) de inteligencia artificial —ese volante de inercia que acelera el aprendizaje cuando cada parte del sistema mejora en sincronía—, Huang dice que el resultado final del sistema va tan rápido como su eslabón más lento. No sirve de nada tener los mejores chips si el pipeline de datos está atascado, o contar con el mejor modelo si la infraestructura de inferencia es un cuello de botella. La aceleración requiere que todo el sistema avance junto, o al menos en forma acompasada.
Huang lo dice para el ecosistema tecnológico. Levy Yeyati lo dice para el ecosistema laboral. La lógica es idéntica: el rendimiento del sistema está limitado por el componente más lento. En la transición IA, ese componente lento no es el chip ni el modelo. Es la capacidad institucional de reasignar trabajadores: los sistemas de formación, las credenciales reconvertibles, las redes de contención, la confianza de la gente en que el proceso tiene salida. Cuando ese eslabón colapsa, el “molinillo de viento” se frena o, peor, tritura lo que encuentra a su paso.
La conclusión de política que extrae Levy Yeyati es contraintuitiva: el argumento no es contra la IA, sino a favor del tiempismo. Y hay dos palancas. La primera es expandir la capacidad de reentrenamiento antes del pico de desplazamiento, no durante. La infraestructura de reconversión construida antes de la crisis vale exponencialmente más que la misma infraestructura construida en medio del caos, cuando el desánimo ya está instalado y la gente ya salió del mercado laboral. La segunda es gestionar la velocidad de difusión, no frenarla. Entrar a la ola en el momento justo: los surfers lo supieron antes que surgiera la IA Generativa.
Más leídas de Economía
1Los economistas proyectan que la estabilidad del dólar se mantendrá en abril y destacan el rendimiento de algunos instrumentos en pesos
2Dólar hoy y dólar blue hoy: a cuánto cotiza este viernes 3 de abril
3Crisis del vino: las estrategias de las bodegas argentinas ante la caída histórica del consumo
4Inflación: la carne vacuna se desacelera tras el fuerte salto de febrero y podría aliviar el IPC de marzo
