El valle de la curva J

La escena se está repitiendo en directorios de toda la región, con variaciones menores. Hace doce o dieciocho meses, la empresa lanzó su iniciativa de inteligencia artificial: licencias de copilotos para los equipos de desarrollo, pilotos de agentes en soporte y operaciones, un comité de adopción, un par de contrataciones caras. La inversión se ejecutó. Los pilotos funcionan, más o menos. Los tableros que el directorio mira cada trimestre (productividad, márgenes, tiempos de entrega) siguen obstinadamente planos. Entonces alguien dice en voz alta lo que varios venían pensando: ¿y si esto era humo? La moción de recorte empieza a circular.

La pregunta parece financiera, pero es más honda. Porque hay dos hipótesis que producen exactamente el mismo tablero plano. Una: la inversión está acumulando valor real en lugares donde las métricas no miran, y cortar ahora sería retirarse en el punto más bajo de una curva que estaba por subir. Otra: la inversión es un pozo sin retorno, y sostenerla es seguir tirando plata buena atrás de la mala. Las dos recomendaciones opuestas, sostener o cortar ya, pueden defenderse con la misma foto.

Para distinguirlas no alcanza con mirar el tablero con más atención. Hace falta entender por qué el valor de cierta clase de tecnologías tarda en aparecer, dónde se esconde mientras tanto, y qué señales separan la espera fértil de la espera vacía. Marc Bloch escribió en Apología para la historia que la incomprensión del presente nace, fatalmente, de la ignorancia del pasado. La historia, en ese sentido, no es un decorado erudito: es otro instrumento de medición. Devuelve las escalas que el presente, siempre convencido de su propia novedad, pierde. Sobre este presente tenemos, por suerte, más de un siglo de pasado al que preguntarle.

Una paradoja con historial

En 1987, Robert Solow escribió en una reseña del New York Times la frase que todavía organiza esta conversación: “se puede ver la era de las computadoras en todas partes menos en las estadísticas de productividad”. Décadas de inversión masiva en tecnología de la información convivían con un crecimiento de productividad estancado, y una generación de economistas entrenada para leer el progreso técnico en los índices se encontró con que el progreso más visible de su época no dejaba huella en ellos.

La respuesta más iluminadora no vino de la macroeconomía sino de la historia. Paul David, historiador económico de Stanford, publicó en 1990 un ensayo breve titulado The Dynamo and the Computer, cuya tesis cabe en una línea: la paradoja no tiene nada de inédita; vista con una escala temporal apropiada para transiciones entre regímenes tecnológicos, resulta “ni tan sin precedentes ni tan enigmática”. Y ofrecía la imagen espejo: en 1900, un observador contemporáneo bien podría haber comentado que las dinamos eléctricas se veían “en todas partes menos en las estadísticas de productividad”.

No exageraba. En 1899, veinte años después de la lámpara incandescente de Edison, la luz eléctrica llegaba al 3% de las residencias de Estados Unidos, y los motores eléctricos representaban menos del 5% de la potencia mecánica instalada en las fábricas. Alcanzar el 50% de difusión tomó otras dos décadas. Y el impacto sobre la productividad manufacturera no apareció antes de los años veinte: cuatro décadas después de que la primera central eléctrica abriera sus puertas.

David proponía además una regla de calibración que conviene actualizar. En 1900, ese observador de la “era eléctrica” estaba tan lejos de la lámpara de Edison como un lector de 1990 lo estaba del primer microprocesador de Intel. Hagamos nuestra cuenta: ChatGPT se lanzó a fines de 2022. En el reloj de la dinamo, estamos apenas en la década de 1880.

El motor no era el premio

¿Por qué tardó tanto la electricidad? La primera parte de la respuesta de David es tranquilizadora para cualquier CFO: la demora fue racional. Las fábricas existentes, construidas alrededor del vapor, todavía funcionaban y todavía rendían; reemplazar capital servible por capital nuevo no era negocio. Lo que las empresas hicieron durante décadas fue algo más barato y aparentemente más sensato: el group drive, motores eléctricos girando los mismos ejes y las mismas correas que antes giraba la máquina de vapor. Electricidad nueva sobre arquitectura vieja.

El resultado fue lo peor de ambos mundos: más capital instalado, casi ninguna ganancia de productividad. David señala que esta superposición de un sistema técnico nuevo sobre el estrato preexistente es un patrón recurrente de las transiciones tecnológicas, y ya en 1990 notaba su versión informática: oficinas que conservaban los procedimientos en papel funcionando en paralelo con los sistemas nuevos, “a veces en detrimento del desempeño de ambos”. Si la imagen te resulta familiar, es porque la estamos viviendo de nuevo: el copiloto agregado a un ciclo de desarrollo que nadie rediseñó, el chatbot pegado al proceso de soporte de siempre, la licencia nueva girando los ejes del vapor.

El premio verdadero de la electricidad estaba en otra parte. El unit drive (un motor individual por máquina) parecía apenas una mejora de eficiencia energética, pero sus ventajas, escribe David, se extendieron mucho más allá del ahorro de combustible. Sin ejes centrales que sostener, el edificio fabril entero podía repensarse: estructuras livianas, plantas de un solo piso, máquinas dispuestas según el flujo de los materiales y no según la tiranía del eje de transmisión, reconfiguración flexible cuando el producto cambiaba. La ganancia estaba en el layout que el motor hacía posible.

Y había un segundo insumo, menos visible todavía. El rediseño era claro en principio (los ingenieros visionarios venían anunciándolo desde el cambio de siglo), pero implementarlo a escala exigió resolver los detalles fábrica por fábrica, rubro por rubro, y formar en el camino un cuerpo de arquitectos industriales e ingenieros eléctricos con experiencia real en la nueva manera de fabricar. Ese saber colectivo no existía y no se podía comprar: hubo que producirlo, lentamente, caso por caso.

Cuando el rediseño y la gente maduraron juntos, el retorno llegó de golpe. Según los cálculos de David, cerca de la mitad de la aceleración de cinco puntos porcentuales en el crecimiento de la productividad manufacturera estadounidense entre 1919 y 1929 se explica estadísticamente por la capacidad de motores eléctricos instalada en esa década. Cuarenta años de valle, y después una de las subidas más pronunciadas del registro industrial estadounidense. Estados Unidos ya era para entonces la economía más grande del mundo; lo que la salida del valle le dio fue algo más duradero: la frontera de la productividad, el liderazgo técnico y organizacional que el resto del siglo XX no hizo más que confirmar.

La contabilidad del capital invisible

Lo que David contó como historia, Erik Brynjolfsson, Daniel Rock y Chad Syverson lo formalizaron como contabilidad. En The Productivity J-Curve (2021), parten de la característica que define a las tecnologías de propósito general (las GPTs de los economistas, mucho antes de que la sigla significara otra cosa): no generan valor al instalarse, sino que exigen co-invención. Las empresas deben crear nuevos procesos de negocio, desarrollar experiencia gerencial, entrenar trabajadores, construir intangibles. Y ahí el problema contable se vuelve de doble filo: nada de eso figura como activo en un balance ni en las cuentas nacionales, pero cada peso gastado en construirlo sí figura, puntualmente, en la cuenta de gastos. El activo es invisible; su costo no. Sin este marco, un período de co-invención es indistinguible de un deterioro de márgenes.

El mecanismo que proponen es elegante y perturbador a la vez. Mientras una organización acumula ese capital invisible, está gastando recursos perfectamente medibles (horas de ingeniería, sueldos, atención gerencial) para producir activos que ningún indicador registra. Insumos medidos, producción invisible: la productividad medida subestima la real. Años después, cuando esos activos empiezan a rendir, producen resultados perfectamente medibles cuyo origen nadie atribuye: la productividad medida sobreestima la real. El error de medición, graficado en el tiempo, dibuja una J.

Ajustando por intangibles, los autores calculan que la productividad total de los factores de Estados Unidos era un 15,9% más alta a fines de 2017 que lo que decían las estadísticas oficiales: billones de dólares de producción jamás contada, en forma de procesos, datos, capacitación y saber organizacional. Para estimar el iceberg recurren al mercado: cada dólar de capital de cómputo visible en los balances se asocia con unos doce dólares de valor de mercado. La diferencia no mide directamente el capital intangible, pero permite inferir su escala. La licencia que comprás es apenas la parte visible.

Dos hallazgos más completan el cuadro. Primero, la escala temporal: las curvas J del hardware y del software, iniciadas en los noventa, todavía no habían llegado a territorio positivo en 2017. “Seguimos en la fase de acumulación de capital de una curva J profunda”, escriben los autores sobre el software, un cuarto de siglo después de su despegue. Segundo, la dirección de la sorpresa: cuanto más transformadora es una tecnología nueva, más probable es que sus efectos sobre la productividad sean subestimados al principio.

Leído desde la sala de directorio, esto no vuelve bueno un tablero plano, pero sí lo vuelve ambiguo. A los dieciocho meses, la falta de retorno es compatible tanto con una tecnología de propósito general en fase de acumulación como con una adopción que no está produciendo nada valioso. El modelo no absuelve la inversión: impide condenarla con una métrica que registra el costo pero todavía no reconoce lo construido.

El valle y el pozo

Hasta acá el argumento parece un cheque en blanco: cualquier inversión sin retorno visible puede ampararse en la curva J y pedir paciencia indefinida. Ese uso es contrario a la evidencia del propio paper.

Porque Brynjolfsson, Rock y Syverson analizaron también el caso que rompe la ilusión: la inversión en I+D, que es enorme, está asociada a intangibles gigantes… y no genera curva J. La razón es que la I+D es un activo maduro: las empresas invierten en investigación desde hace décadas a tasas estables, los complementos ya están construidos, el sistema está en régimen. La mera presencia de inversión, escriben, no garantiza la existencia de la curva. La J aparece solo cuando una organización está acumulando complementos nuevos más rápido de lo que maduran: cuando está, efectivamente, construyendo algo que antes no existía.

Y hay un segundo resultado, más incómodo para el optimismo fácil: el famoso enfriamiento de la productividad posterior a 2005 sobrevive al ajuste por intangibles. La serie corregida se desacelera incluso un poco más que la oficial: pierde 1,49 puntos de crecimiento anual contra los 1,23 de la serie medida. Los autores no usan los intangibles para negar los problemas reales; distinguen con cuidado el valor que tarda en aparecer del valor que no existe. Quien invoca la curva J para proteger un proyecto muerto la está usando contra su propia evidencia. David, por su parte, ya había desactivado el uso ingenuo de su analogía: las computadoras no son dinamos, advertía; el espejo histórico calibra la paciencia, no garantiza el resultado.

De esta honestidad sale, casi gratis, un criterio práctico. Los autores proponen la curva J como demarcación: si la inversión en una tecnología no genera intangibles económicamente significativos, esa tecnología no califica como de propósito general. Invertido a escala de empresa, el criterio muerde: si tu adopción de IA no está generando activos intangibles nombrables, no estás adoptando una tecnología de propósito general; estás comprando un producto. El paper trabaja con agregados, no certifica proyectos individuales; aun así, la pregunta por esos activos sobrevive al cambio de escala.

Nombrables es la palabra que carga el peso. Para la próxima reunión de presupuesto, el criterio es dejar de preguntarle al tablero si la IA rinde y pedir, en cambio, el inventario de capital invisible. ¿Qué procesos se rediseñaron de punta a punta este año (no qué herramientas se agregaron a procesos intactos)? ¿Qué datos se limpiaron, se curaron, quedaron disponibles para los sistemas que vienen? ¿Qué evaluaciones existen para saber si los agentes hacen bien su trabajo, y quién las mantiene? ¿Qué sabe hacer el equipo hoy que hace un año no sabía? ¿Quedó escrito en algún lado, o vive solo en las tres personas que se pueden ir? Si esas preguntas tienen respuestas concretas, la inversión está comprando activos reales que el tablero no ve: eso es un valle, y se cruza. Si no las tienen, lo que hay es un pozo con forma de J dibujada en las diapositivas.

Hay una advertencia final de David que suele pasarse por alto y que vuelve el criterio más urgente. Las fábricas de vapor, al menos, se desgastaban: tarde o temprano la depreciación física forzaba la ocasión de rediseñar. Las estructuras de información de una organización (sus procesos, sus rutinas, sus modos de operar) no se desgastan solas. No se puede depender del mero paso del tiempo para crear la ocasión del rediseño radical, escribe. El valle se cruza construyendo.

La aritmética del escéptico

Queda una objeción más seria que cualquier proyecto muerto: ¿y si el premio, incluso bien construido, es chico? Para esa pregunta conviene invitar a la mesa al antagonista más riguroso disponible. Daron Acemoglu (uno de los padres del marco con el que la economía piensa la automatización) publicó en The Simple Macroeconomics of AI (2025) la respuesta más incómoda a los pronósticos de bonanza que circularon por los directorios en 2023: los siete billones de dólares de Goldman Sachs con su punto y medio de productividad anual durante una década, los hasta veinticinco billones de McKinsey. Su pregunta es la nuestra, mirada desde la otra orilla: ¿cuánto de esto resiste la aritmética?

Su método es una vara de disciplina contable. Mientras las ganancias de la IA vengan de ahorros de costos en tareas, el efecto macroeconómico no puede exceder la porción del PIB de las tareas impactadas multiplicada por el ahorro promedio en ellas, una versión del teorema de Hulten que ningún relato entusiasta puede esquivar. Y la cadena de estimaciones disponibles es menos generosa de lo que sugiere el discurso: un 19,9% de las tareas de la economía estadounidense está expuesto a la IA, pero solo una fracción es automatizable con rentabilidad en diez años, lo que deja un 4,6% del PIB impactado con ahorros promedio del orden del 15%. El resultado es un techo de 0,71% de productividad total acumulada en diez años. No por año: en total. Cuando Acemoglu distingue entre tareas fáciles y difíciles, el techo baja a 0,55%. Contra el punto y medio anual de Goldman, la distancia es de un orden de magnitud. “Nontrivial, but modest”, resume.

Uno esperaría que un argumento así demoliera también la curva J. Ocurre lo contrario. En el camino hacia su conclusión escéptica, Acemoglu anota que toda tecnología mayor genera costos de ajuste organizacional lentos y caros, cita el paper de Brynjolfsson, Rock y Syverson, y recuerda que Greenwood y Yorukoglu (1997) estimaron que la parte plana de la curva J de las tecnologías digitales dura no menos de veinte años, razón por la cual, escribe, hasta sus propios números modestos pueden estar sobreestimando la próxima década. El escéptico más serio del debate no niega el valle: lo alarga. Lo que está en disputa entre Acemoglu y los optimistas no es si el retorno tarda (en eso hay un consenso incómodo) sino cuán alto es el otro lado de la J. Y agrega un dato de calibración que podría venir directo de la historia de la dinamo: en 2019, menos del 1,5% de las empresas estadounidenses tenía inversión alguna en IA. La difusión real, como la electricidad en 1899, recién arrancaba la pendiente.

Para una organización concreta, sin embargo, la contribución más útil de Acemoglu no es el techo sino la distinción con la que lo deriva. Las ganancias medidas hasta ahora vienen de tareas “fáciles de aprender”: las que tienen un mapeo simple entre acción y resultado, y una métrica de éxito observable. En las tareas difíciles, dependientes de contexto y sin métrica objetiva, la IA solo puede aprender de cómo actúan los humanos en promedio, y por eso, argumenta, tenderá a rendir como el promedio humano. Una evaluación no vuelve fácil cualquier tarea ni elimina la necesidad de contexto. Pero parte de esa frontera puede moverse cuando una organización construye las métricas que vuelven observable el resultado, cura los datos que definen qué es “bien” y convierte algo del juicio tácito en criterio chequeable. El techo de Acemoglu es el techo del promedio, y el promedio no construye complementos.

Su modelo, además, habla de agregados: no distingue entre la firma que rediseñó sus procesos y la que compró licencias, y un promedio macro modesto es perfectamente compatible con una dispersión enorme entre esas dos. En un mundo de ganancias agregadas modestas, construir los complementos puede ser precisamente lo que separa a quienes las capturan de quienes las miran pasar.

Acemoglu insiste en que sus resultados no deben leerse como que la IA carece de beneficios (medio punto de productividad total está lejos de ser trivial, aclara) y sostiene que las ganancias grandes existen pero seguirán esquivas sin “una reorientación fundamental de la industria”: modelos que den información confiable a electricistas, enfermeras y educadores, en lugar de conversación fluida y sonetos de Shakespeare. Conviene escuchar el eco. El historiador de la dinamo dijo que el premio estaba en rediseñar la fábrica, no en el motor. Los contadores de los intangibles dijeron que el valor está en los complementos, no en la licencia. Y el escéptico de la aritmética dice que las ganancias grandes exigen reorganizar el trabajo alrededor de tareas nuevas, no instalar la herramienta de moda.

Al sur del valle

Todo esto tiene una traducción regional que duele un poco más. En América Latina operamos con presupuestos más cortos, capital más caro y horizontes de inversión más impacientes. Cuando llega el ajuste (y siempre llega), lo visible resulta más fácil de defender: las licencias son “la iniciativa de IA”; cancelarlas obliga a admitir un error. Lo otro parece accesorio: la capacitación, el tiempo de rediseño de procesos, la curaduría de datos, la documentación, las horas que el equipo senior dedicaba a construir criterio compartido. La tentación es proteger el motor y recortar el nuevo layout. Así se vuelve perpetuo el group drive: importamos lo tangible sin lo que lo hace rendir, y después usamos el tablero plano como prueba de que la tecnología no funcionaba.

Los números de Brynjolfsson, Rock y Syverson le ponen escala al malentendido. En sus simulaciones, para que la IA explicara el crecimiento perdido de la economía estadounidense en 2017, la inversión intangible correlacionada debía ser entre 2,7 y 4,1 veces la inversión visible, un rango plausible frente a la relación histórica entre capital informático y valor de mercado. No es una fórmula para repartir el presupuesto de una empresa. Es una advertencia sobre cuánto puede quedar afuera cuando llamamos “inversión en IA” solo al costo de las licencias y las APIs.

Pero hay una lectura menos sombría disponible para quien llega después, y conviene no regalarla. La generación de la dinamo tuvo que inventar el unit drive fábrica por fábrica, sin manual, pagando cada error. Nosotros tenemos a disposición el catálogo de co-invención que otros ya están pagando: patrones de rediseño de procesos con agentes, arquitecturas de evaluación, formas de organizar equipos que ya mostraron sus límites en otra parte. La ventaja del que llega tarde existe y es real, pero se cobra únicamente en la moneda de los complementos. Copiar la licencia es instantáneo. Copiar el layout organizacional nuevo es el trabajo, y nadie puede hacerlo por nosotros.

Los dos precipicios

David cerraba su ensayo advirtiendo contra dos trampas simétricas: la confianza indebida y la impaciencia irrealista. Son, casi punto por punto, los dos errores disponibles hoy en cualquier directorio que discute su inversión en IA. Sostener por fe (“el valor va a llegar, es la curva J”) sin verificar que los complementos se estén construyendo. O cortar por ansiedad (“dos años y nada”) midiendo con un reloj de trimestres una transición que la evidencia histórica mide en décadas. Los dos errores comparten la raíz: se deciden mirando un tablero que no registra ni el capital que se está construyendo ni el que nunca se construyó.

A los dos precipicios de David, esta década les agregó un tercero: medir el valle contra una cima que nadie serio prometió. El directorio que espera el punto y medio anual de las diapositivas puede declarar fracasada una inversión que rinde más lento y de manera más modesta en el agregado. Contra esa cima imaginaria, cualquier valle parece pozo.

Brynjolfsson y sus coautores terminan su paper devolviéndole la frase a Solow: en el futuro, después de hacer los ajustes que la curva J exige, veremos las nuevas tecnologías en todas partes, incluidas las estadísticas de productividad. La contabilidad macro puede terminar cerrando, con los años. La de cada organización, no.

Tal vez la próxima reunión de presupuesto necesite, junto al tablero, otra hoja: los procesos rediseñados, los datos curados, las evaluaciones vivas, el criterio nuevo del equipo, lo que quedó escrito. Una lista larga no garantiza la subida de la curva. Una lista vacía deja otra pregunta: ¿qué estuvimos comprando todo este tiempo?

Lecturas recomendadas

• Daron Acemoglu. (2025). The Simple Macroeconomics of AI. Economic Policy, 40(121). https://doi.org/10.1093/epolic/eiae042
• Marc Bloch. (1949). Apologie pour l’histoire ou Métier d’historien. (Trad. esp.: Apología para la historia o el oficio de historiador.)
• Erik Brynjolfsson, Daniel Rock y Chad Syverson. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1). https://doi.org/10.1257/mac.20180386
• Paul A. David. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2). https://www.jstor.org/stable/2006600
• Robert Solow. (1987). We’d Better Watch Out. New York Times Book Review.