Cuando la productividad individual se convierte en éxito colectivo

En 1987, el economista y premio Nobel Robert Solow hizo una observación que se volvería célebre: “Se puede apreciar la era de la informática en todas partes, excepto en las estadísticas de productividad”. Casi cuatro décadas después, la inteligencia artificial ha generado su propia versión. Es la paradoja de la abundancia: más productividad con IA a nivel individual no siempre implica mejores resultados colectivos.

A nivel individual, la evidencia de esa abundancia impulsada por la IA es cada vez más visible. Investigadores encontraron aumentos de productividad de entre 15% y 30% en tareas específicas dentro de entornos laborales reales, y de entre 20% y 60% en estudios controlados. Al mismo tiempo, ocho de cada 10 profesionales afirman que la IA los ha hecho más productivos en el trabajo, de acuerdo con la encuesta State of AI 2026 de McKinsey, que reunió a más de 1,700 participantes en 97 países.

Sin embargo, cuando se observa a las empresas completas, el panorama cambia. Solo 37% de los participantes en la encuesta de McKinsey puede vincular el uso de IA con un impacto positivo en las utilidades de su organización antes de intereses e impuestos (EBIT), una cifra que prácticamente no cambió frente al año anterior.

El contraste se repite en otros estudios. El National Bureau of Economic Research (NBER) encontró que, en una muestra de empresas de Estados Unidos, Reino Unido, Alemania y Australia, 69% utilizaba IA, pero 89% de los ejecutivos no reportó impacto alguno en la productividad durante los tres años anteriores. Además, la Encuesta Global de CEO 2026 de PwC, realizada entre más de 4,400 directores ejecutivos de 95 países, reveló que 56% no había observado que la IA generara mayores ingresos ni menores costos durante el último año.

En otras palabras: los beneficios que obtienen las personas gracias a la IA todavía no necesariamente se convierten en beneficios para las empresas donde trabajan. En México, donde la adopción empresarial de inteligencia artificial ya avanza con rapidez, cerrar esa distancia será una de las tareas más importantes para los líderes. La pregunta ya no es únicamente quién tiene acceso a la tecnología, sino quién sabe construir una organización capaz de aprovecharla.

Productividad con IA: de las herramientas a los sistemas

La abundancia colectiva no proviene solo de las herramientas, sino del sistema que una empresa construye alrededor de ellas. Es el siguiente paso de una conversación empresarial que ya empieza a moverse de los experimentos hacia una IA integrada realmente en la operación.

La historia ofrece un precedente claro. En un artículo clásico sobre la paradoja de la productividad, el historiador económico Paul David explicó que la electricidad atravesó una transformación parecida.

Cuando las fábricas antiguas comenzaron a electrificarse, sus propietarios simplemente conectaron motores eléctricos a sistemas existentes de ejes y correas, y en muchos casos conservaron incluso las viejas máquinas de vapor. La distribución de las fábricas siguió siendo prácticamente la misma y el impacto sobre el crecimiento de la productividad manufacturera fue limitado.

El verdadero salto llegó cuando los fabricantes rediseñaron las fábricas y dieron a cada máquina su propio motor. Eso permitió construir fábricas más ligeras, de un solo nivel y organizadas alrededor del flujo de trabajo. Según los cálculos de David, la expansión de los motores eléctricos contribuyó aproximadamente a la mitad del fuerte incremento de la productividad manufacturera durante la década de 1920.

1. Enfócate en lo que la IA hace posible

En la encuesta State of AI in the Enterprise 2026 de Deloitte, realizada entre más de 3,200 líderes de 24 países, 66% reportó mejoras en eficiencia y productividad. Sin embargo, solo 20% afirmó que la IA estaba ayudando a mejorar productos y servicios o a innovar.

Esos ahorros son valiosos, pero tienen un límite: solo puedes reducir aquello que ya gastas. El potencial más interesante aparece cuando la IA vuelve posible un trabajo que antes simplemente no era viable.

Lo experimenté recientemente con mi propio equipo. Durante seis meses desarrollamos un conjunto de aplicaciones que, sin IA, habrían costado aproximadamente cinco veces más y habrían requerido cerca de dos años adicionales de trabajo. Bajo esas condiciones, el producto habría sido inviable desde el primer día.

La discusión se vuelve todavía más importante conforme los profesionales aprenden no solo a utilizar herramientas, sino a dividir mejor el trabajo entre personas e inteligencia artificial.

El principio de abundancia: no preguntes únicamente cómo la IA puede reducir costos. Pregúntate qué cosas permite hacer que antes no eran posibles.

2. Crea componentes reutilizables

Una buena práctica de ingeniería de software consiste en no escribir dos veces el mismo código. Los sistemas eficientes son inevitablemente modulares: se crea un componente una vez y después se reutiliza en todos los productos que lo necesitan.

La IA está empujando a muchas organizaciones en la dirección contraria. Como generar contenido nuevo se ha vuelto relativamente barato, cada persona puede comenzar desde cero una y otra vez: un nuevo borrador, una nueva presentación, una solución recién programada para el mismo problema que alguien más resolvió en otra parte de la empresa una semana antes.

Unilever ofrece un ejemplo de otra forma de hacerlo. La compañía creó gemelos digitales de sus productos: réplicas 3D impulsadas por IA que reúnen variantes, etiquetas, formatos de empaque y versiones en distintos idiomas dentro de un mismo archivo.

Cada gemelo se crea una vez y después puede utilizarse para generar imágenes destinadas a diferentes canales de venta y marketing. En lugar de producir y desechar, la empresa construye un activo reutilizable cuyo valor puede multiplicarse.

El principio de abundancia: piensa de forma modular. Construye activos que puedan reutilizarse para distintos productos, equipos y propósitos.

3. Reorganiza los recursos alrededor del flujo de trabajo

La presión pasa hacia las siguientes etapas del proceso: revisión, pruebas, aprobación, edición y ensamblaje de las piezas. Las organizaciones que no se adaptan pueden terminar produciendo mucho más trabajo del que realmente son capaces de terminar.

El desarrollo de software ofrece un buen ejemplo. Después del lanzamiento de GitHub Copilot, un estudio sobre proyectos de código abierto encontró que la productividad aumentó, pero también creció la necesidad de reelaborar código.

La carga adicional terminó concentrándose en los desarrolladores con mayor experiencia: revisaron 6.5% más código, mientras su producción de código original disminuyó 19%.

El programa de investigación DORA de Google ha identificado un patrón similar a mayor escala: parte del tiempo que se ahorra escribiendo código termina utilizándose para revisarlo.

El problema aparece cuando el sistema alrededor de la tecnología no puede absorber ese incremento de volumen. Esa misma tensión puede surgir en cualquier organización donde la IA permita a una sola persona producir lo que antes requería a un equipo.

El principio de abundancia: cuando la producción se multiplica en una parte del sistema, el cuello de botella simplemente se traslada a otra.

Cuatro acciones para mejorar la productividad con IA

1. Retoma ideas anteriores. Haz una lista de los proyectos que descartaste durante los últimos tres años porque eran demasiado caros o requerían demasiado tiempo. Vuelve a evaluarlos utilizando IA y comprueba si la ecuación cambió.

2. Crea una biblioteca de componentes. Elige una función y haz un inventario de aquello que vale la pena reutilizar: frameworks, investigaciones, lenguaje aprobado, plantillas o código. Haz que todo sea fácil de encontrar y establece una regla sencilla: antes de crear algo nuevo, revisa qué existe.

3. Localiza la fila de espera. Analiza de principio a fin un flujo de trabajo acelerado por IA y detecta dónde se acumula el trabajo terminado mientras espera revisión, aprobación o pruebas. Después, mueve recursos hacia ese punto.

4. Cambia el marcador. No midas solamente cuánto dinero o tiempo ahorra la IA. Incluye al menos una métrica relacionada con las nuevas posibilidades que está creando: lanzamiento de productos, proyectos que antes eran inviables o nuevos servicios. Las organizaciones también tendrán que reconsiderar qué KPI importan realmente en la era de la IA.

El sistema es la verdadera ventaja

Ahora el reto para las empresas no es simplemente entregar herramientas de IA a más personas. Es diseñar organizaciones capaces de convertir esa capacidad adicional en mejores productos, nuevos proyectos, innovación y crecimiento real.