Dieciséis desarrolladores experimentados. 246 tareas reales sobre repositorios que llevaban una media de cinco años tocando. Cuando se les permitía usar IA, tardaban un 19% más. Antes de empezar habían pronosticado un 24% de ahorro, y al terminar seguían estimando que la IA les había acelerado un 20%. Treinta y nueve puntos entre lo que pasó y lo que creyeron que pasaba.
Ese hueco, y no la capacidad del modelo, es hoy el problema de gobierno de la IA en las organizaciones.
La ganancia es real y tiene una forma reconocible
Conviene empezar por lo que sí está medido. El estudio de Brynjolfsson, Li y Raymond sobre agentes de soporte, publicado en el Quarterly Journal of Economics, registra un aumento medio del 15% en incidencias resueltas por hora sobre 5.172 agentes. El reparto importa más que la media: los trabajadores con menos experiencia mejoran en velocidad y en calidad, mientras que los más veteranos obtienen ganancias pequeñas en velocidad y ligeros retrocesos en calidad.
El patrón se repite en desarrollo. Tres experimentos de campo en Microsoft, Accenture y una Fortune 100, publicados en Management Science, arrojan sobre 4.867 desarrolladores un 26,08% más de tareas completadas, con un error estándar del 10,3%. De nuevo, los perfiles menos experimentados adoptan más y ganan más.
La lectura honesta es esta: el modelo redistribuye conocimiento tácito hacia abajo. Comprime la curva de aprendizaje. Ahí la ganancia es sólida y reproducible.
Dónde se evapora
El experimento de METR es el contraejemplo incómodo, porque está bien diseñado. Tarea real, repositorio propio, contexto implícito acumulado durante años, estándar de calidad alto. En ese escenario el coste de verificar y reencajar la propuesta del modelo supera el ahorro de generarla.
METR advirtió en febrero de 2026 que su experimento sucesor no da señal fiable: demasiados desarrolladores se niegan a participar sin IA, lo que sesga a la baja la estimación de aceleración. Es un dato metodológico, no un desmentido. Ese hueco de evidencia sigue abierto.
| Estudio | Diseño | Población | Efecto medido | Quién gana |
|---|---|---|---|---|
| Brynjolfsson, Li y Raymond (QJE 2025) | Despliegue escalonado | 5.172 agentes de soporte | +15% resoluciones/hora | Novatos; los expertos pierden algo de calidad |
| Cui et al. (Management Science 2026) | Tres RCT de campo | 4.867 desarrolladores | +26,08% tareas (SE 10,3%) | Menos experimentados |
| METR (RCT, 2025) | Aleatorización por tarea | 16 desarrolladores, 246 tareas | +19% tiempo de finalización | Nadie; brecha de percepción de 39 puntos |
| Humlum y Vestergaard (NBER 33777) | Registros administrativos daneses | 25.000 trabajadores | 2,8% de horas ahorradas | Efecto nulo en salarios y horas |
La lectura operativa no es que la IA funcione o no funcione. Es que su rendimiento depende de la densidad de contexto tácito de la tarea. Cuanto más sabe el operador que el modelo no puede ver, menor es la ganancia, y en algún punto se vuelve negativa.
Lo que ahorra el trabajador no siempre lo gana la organización
Dinamarca ofrece el mejor dato agregado disponible, porque enlaza encuestas representativas con registros administrativos de empleo. En el working paper 33777 del NBER, los usuarios declaran un ahorro medio del 2,8% de sus horas de trabajo. A dos años del lanzamiento de ChatGPT, el efecto sobre salarios y horas registradas es nulo, con precisión suficiente para descartar variaciones superiores al 2%.
Dos mecanismos explican la fuga. El primero es la reabsorción: los empleadores absorben la IA reorganizando tareas, con trabajo nuevo de generación de contenido, supervisión del modelo e integración. El segundo tiene nombre desde 2025. La investigación de BetterUp Labs y el Stanford Social Media Lab publicada en Harvard Business Review documenta el workslop: entregables generados con IA que parecen acabados y no lo están. El 41% de los trabajadores encuestados se había encontrado con este tipo de salida, con un coste cercano a las dos horas de rehacer por incidencia.
El ahorro es individual y visible. El coste es colectivo, difuso, aguas abajo, y no aparece en el panel de quien firmó la licencia.
El coste que no aparece en el panel: la pérdida de habilidad
En agosto de 2025, The Lancet Gastroenterology & Hepatology publicó un estudio observacional multicéntrico en cuatro centros polacos. Diecinueve endoscopistas con más de 2.000 colonoscopias cada uno vieron caer su tasa de detección de adenomas sin asistencia del 28,4% al 22,4% tras la implantación de la IA: seis puntos absolutos, un 20% relativo. En tres meses. En profesionales expertos.
Es observacional, no causal, y así lo declaran los autores. Pero es la primera medición de campo de un efecto que conviene tomarse en serio: la habilidad no asistida se degrada cuando la asistencia es continua.
El segundo frente es el acceso. El trabajo de Brynjolfsson, Chandar y Chen con datos de nómina de ADP, publicado por el Stanford Digital Economy Lab, documenta una caída relativa del 16% en el empleo de trabajadores de 22 a 25 años en ocupaciones expuestas a IA, con el empleo de los perfiles experimentados estable, y el ajuste produciéndose vía empleo y no vía retribución. Los autores lo presentan como evidencia descriptiva, no causal; en su actualización de febrero de 2026 sitúan la significación estadística a partir de 2024 con el conjunto de controles más amplio.
Aquí está la tesis, y es mía, no de los datos: si la ganancia se concentra en el perfil junior y la organización deja de contratar juniors, se está quemando la escalera que produce al senior capaz de verificar la salida del modelo. El ahorro de este trimestre se paga con la capacidad de auditoría del año que viene.
Qué medir antes de firmar la licencia
En 2025, el 19,95% de las empresas de la UE usaba tecnologías de IA, cifra que sube al 55,03% entre las grandes empresas, según Eurostat. El INE sitúa a España en el 21,1% en empresas de diez o más empleados en el primer trimestre de 2025, 8,7 puntos más que un año antes. La adopción ya no es el problema. La medición sí.
Criterios que un despliegue serio instrumenta desde el día uno:
- Tiempo de ciclo medido, no percibido. El estudio de METR existe porque alguien grabó pantallas en lugar de pasar una encuesta. La autopercepción se equivocó en 39 puntos.
- Tasa de reproceso aguas abajo. Porcentaje de entregables asistidos que el siguiente eslabón devuelve o rehace, y horas que cuesta.
- Segmentación por seniority. Una media agregada oculta que el mismo despliegue acelera a unos y frena a otros.
- Baseline sin asistencia, trimestral. Una muestra de trabajo sin herramienta para detectar degradación de habilidad antes de que la detecte un incidente.
- Residencia de la inferencia. Si los prompts salen de la organización, cambian el registro de actividades de tratamiento y el análisis de riesgos del RGPD; en entornos ENS cambia además el alcance de la evidencia auditable.
El Imperativo Estratégico
La diferencia entre un despliegue de IA que rinde y uno que solo se percibe rentable no está en el modelo. Está en si alguien midió el antes con el mismo rigor con el que presenta el después. Casi ningún despliegue lo hizo, y por eso el debate sigue apoyado en encuestas de satisfacción.
Si llevas meses con asistentes en producción y la única evidencia de retorno es que la gente dice que va más rápido, no tienes un dato: tienes una impresión. En Pumpún Dixital hacemos auditoría de impacto real: instrumentación del tiempo de ciclo, medición del reproceso aguas abajo, segmentación por perfil y revisión de dónde corre la inferencia frente a tus obligaciones de cumplimiento. Sale un número. A veces el número incomoda. Siempre es mejor que la impresión.. Si en septiembre te toca notificar en 24 horas, más vale saber hoy qué estás sirviendo exactamente.