1
El efecto farol en la economía del cambio: qué hay más allá de la automatización de la IA
La implementación de inteligencia artificial en las empresas tiende a comportarse como un copiloto para optimizar tareas; qué pasa cuando es utilizada para crear un nuevo producto o servicio
7 minutos de lectura'
PARA LA NACIONSebastián Campanario
En plena noche cerrada, un borracho mira con atención la vereda porque se le perdió algo. Un transeúnte que pasa por ahí le pregunta qué está buscando.
- Se me perdieron las llaves, indica el borracho.
- ¿Y está seguro que se le cayeron por acá?
-No, pero es el único lugar donde hay luz.
La escena es muy conocida en estadísticas y en economía, y sirve para graficar lo que se conoce como “efecto farol” (streetlight effect), esa tendencia que tenemos a buscar soluciones donde nos sentimos cómodos, donde podemos medir y hay criterios de decisión estandarizados, pero no donde realmente están las opciones más ricas. Vale para los negocios, las políticas públicas, la vida cotidiana; y también sirve para la economía del cambio y la revolución de la Inteligencia Artificial (IA).
¿Qué sería el lugar “donde hay luz” en este territorio? Probablemente lo obvio: la automatización, algo que va a estar al alcance de todos (y cada vez a menor precio), pero que por eso mismo no va a generar un diferencial.
El fundador de Twitter, Jack Dorsey, enunció este concepto (no lo del efecto farol, sino el peligro de reducir la estrategia de IA a automatización) en una conversación que tuvo con Roelof Botha (managing partner de Sequoia Capital) y que se publicó como podcast a comienzos de abril de 2026, bajo el título “Cada empresa puede ser ahora una mini-IAG” (por la Inteligencia Artificial General). La discusión se aceleró porque venía con un antecedente concreto: en febrero de 2026 Dorsey había anunciado que Block (su empresa actual, dueña de Square, Cash App y Tidal) recortaba alrededor de 4000 puestos (cerca del 40% sus empleados) justamente para “embeber IA en el corazón de la operación”.
El textual de Dorsey fue que “la mayoría de las empresas que hoy usan IA le están dando un copiloto a cada uno. Eso hace que la estructura existente funcione un poco mejor… sin cambiarla. Nosotros estamos buscando otra cosa: una compañía construida como una inteligencia (o mini-AGI)“.
El concepto de “modo copiloto” es exactamente eso, en sentido peyorativo: la trampa de pensar la IA como un asistente que se suma al lado del trabajador, sin tocar el organigrama, los procesos, la jerarquía ni el modelo de negocio. Para Dorsey, esa es la forma más cómoda y más cara de adoptar IA, porque genera una falsa sensación de transformación. Las ganancias de productividad son marginales, los costos no bajan estructuralmente y se pierde la oportunidad de rediseño profundo.
Hay varios puntos críticos sobre esta pretensión. Por un lado, es algo mucho más fácil de decir que de hacer. Si fuera más sencillo, deberíamos estar viendo ahora decenas de empresas con IA desde cero en su ADN reemplazando a los incumbentes, y eso por ahora no se está registrando.
Luego, un punto que marcó el economista Eduardo levy Yeyati en un ensayo publicado en esta sección: la velocidad óptima de cambio no necesariamente es la más rápida (hay costos asociados, embudos de reentrenamiento y más). Y finalmente, hay un punto más político: economistas como Daron Acemoglu vienen diciendo que el discurso “rediseñá tu empresa alrededor de la IA” termina siendo, en la práctica, una racionalización para recortes que no necesariamente vienen acompañados de las ganancias de productividad prometidas.
Jugando con esta hipótesis de buscar “el tesoro al final del arco iris” donde no hay una luz clara, es interesante ver algunos modelos de negocios incipientes que van más allá de la automatización, y que implican ofrecer un nuevo producto o servicio que era imposible de generar en la era anterior, con la IA no ubicua. Algunos ejemplos:
1) Flox Intelligence: es una startup sueca con sede en Lund, fundada en 2024, que levantó una ronda de tres millones de dólares en febrero. Combina bioacústica con IA para identificar especies, decodificar sus vocalizaciones y emitir respuestas sintéticas especie-específicas que ahuyentan “sin estrés ni daño físico”, con lo cual tratan de evitar accidentes muy costosos con el trasporte humano. Ya fue desplegada en el aeropuerto Gerald R. Ford (de Michigan) contra colisiones con avesy en infraestructura vial. Primera plataforma comercial “capaz de sostener un diálogo audible bidireccional con fauna salvaje no entrenada en tiempo real”.
2) El desafío del Vesuvio: parte de un concurso lanzado en 2023 por Nat Friedman (ex-CEO de GitHub), Daniel Gross y el académico Brent Seales (Universidad de Kentucky), con premios por encima del millón de dólares. Combina tomografía de sincrotrón de alta resolución con modelos de visión por computadora para “desenrollar” virtualmente los papiros de Herculano carbonizados por la erupción del Vesubio en el 79 d.C., manuscritos que se pulverizan al menor contacto físico. En 2024 los primeros equipos decodificaron párrafos en griego antiguo de un tomo completo; en 2025-2026 siguen abriendo capas.
3) FaceAgeM: algoritmo de deep learning desarrollado por el laboratorio AIM de Mass General Brigham/Harvard, liderado por el oncólogo Hugo Aerts. Se trata de un modelo entrenado con cerca de 59.000 fotos de personas sanas, que estima la “edad biológica facial” a partir de una selfie. Su métrica clave, el Face Aging Rate, mostró que en pacientes oncológicos con envejecimiento facial acelerado la sobrevida es significativamente menor que la predicha por marcadores clínicos convencionales, incluso después de ajustar por edad cronológica y comorbilidades. La estrategia de comercialización apunta a licenciar el modelo a sistemas de salud y aseguradoras como herramienta de triage no invasivo y capa diagnóstica complementaria.
4) Genie 3: es un “world model” presentado por Google DeepMind en agosto 2025, sucesor de Genie 2 (diciembre 2024). Genera entornos 3D interactivos persistentes a partir de un prompt de texto o imagen. La diferencia con un modelo de video tipo Sora es radical: el mundo no se “reproduce”, se “simula” -el usuario puede caminarlo, modificarlo y volver, y los objetos siguen donde los dejó-. DeepMind lo posiciona como infraestructura para entrenar robots, vehículos autónomos y otros dispositivos en simulaciones generativas baratas y como plataforma creativa para gaming y educación inmersiva. World Labs, la startup de Fei-Fei Li, lanzó Marble en paralelo.
5) Sony AI “Project Ace”: Es un robot autónomo presentado por Sony AI en abril 2026, capaz de jugar tenis a nivel competitivo amateur avanzado. Sony AI nació en 2020 como brazo de investigación corporativa de Sony Group, con antecedente fuerte: GT Sophy, la IA que venció a pilotos profesionales humanos en Gran Turismo. Project Ace combina visión por computadora, control motor y aprendizaje por refuerzo sin reglas pre-codificadas: aprende coordinación óculo-manual a velocidad de deporte real con iluminación variable.
Muchos de estos casos en la práctica ya están rompiendo lo que se denomina “la paradoja de Moravec” (lo trivial para humanos, como el movimiento, era lo más difícil para máquinas), que fue formulada en los 80 por el científico y experto en IA Hans Moravec. Más allá de lo vistoso del ejemplo del tenis, esta nueva tecnología abre aplicaciones directas en cirugía mínimamente invasiva, agricultura de cultivos delicados y manufactura de precisión.
