En un estudio de 2025 de METR con 16 desarrolladores de software experimentados, quienes podían usar herramientas de IA tardaron un 19 % más en resolver incidencias reales. Lo más llamativo no fue el retraso: esos mismos desarrolladores esperaban que la IA los acelerara un 24 % y, incluso después de terminar, seguían creyendo que los había acelerado un 20 %. Lo que uno cree que ahorra y lo que ahorra de verdad pueden ir en direcciones contrarias.
Otros estudios dicen justo lo opuesto, con mejoras muy grandes. Si diriges una pyme y quieres competir con empresas mayores produciendo como si tuvieras más gente, necesitas saber cuál de los dos tiene razón. La respuesta corta es que los dos pueden tenerla, porque miden cosas distintas en condiciones distintas. Este artículo recoge lo que dicen los datos verificados, cómo leerlos y cómo medir tú mismo antes de apostar.
Qué dicen los datos
Tareas de escritura, en un experimento en línea. En un experimento con 453 profesionales con estudios universitarios (de marketing, redacción de subvenciones, consultoría, análisis de datos, recursos humanos y dirección) que hicieron dos tareas de escritura propias de su ocupación, tener acceso a un asistente de IA redujo el tiempo para completarlas un 40 % y elevó la calidad del resultado un 18 %. Es el estudio de Noy y Zhang, publicado en Science en 2023.
Atención al cliente, en una empresa real. Con datos de 5.179 agentes de atención al cliente, la introducción escalonada de un asistente conversacional de IA generativa aumentó la productividad (incidencias resueltas por hora) un 14 % de media y un 34 % en los trabajadores noveles o menos cualificados, con un impacto mínimo en los más experimentados (Brynjolfsson, Li y Raymond, Quarterly Journal of Economics, 2025).
Consultores, con una tarea dentro y otra fuera de la frontera. En un experimento de BCG de 2023 con 758 consultores junior y un modelo de IA de aquel año, quienes lo usaron en una tarea de innovación creativa de producto alcanzaron un rendimiento un 40 % superior al de quienes no lo usaron. Pero al resolver un problema de negocio (identificar la causa raíz de los problemas de una empresa a partir de datos y entrevistas con directivos), una tarea fuera de lo que la IA hacía bien, rindieron un 23 % peor.
Pequeños empresarios de Kenia. En un experimento de campo con empresarios de Kenia a quienes se asignó al azar un asistente de negocio por WhatsApp, no se pudo rechazar que el efecto medio fuera nulo. Por subgrupos, quienes ya rendían bien antes de empezar mejoraron algo más de un 15 %, mientras que quienes rendían peor empeoraron en torno a un 8 % (Harvard Kennedy School, 2023).
Empresas, a nivel agregado. Un estudio del Banco de Pagos Internacionales (BIS, 2026) con datos emparejados de más de 12.000 empresas no financieras de la UE y EE. UU. estima que adoptar IA aumenta el nivel de productividad laboral de la empresa un 4 %. Las ganancias son mayores en las empresas medianas y grandes y dependen de inversiones complementarias en software, datos o formación de la plantilla. En una encuesta del NBER (2026) a casi 6.000 directivos de empresas de EE. UU., Reino Unido, Alemania y Australia, nueve de cada diez declaran que la IA no ha tenido impacto en el empleo ni en la productividad de su empresa en los últimos tres años, y esperan que en los próximos tres aumente la productividad de su empresa un 1,4 % de media.
Cómo leerlos (y qué no dicen)
La diferencia entre el laboratorio y un negocio real explica casi todas las contradicciones.
- Tarea corta frente a trabajo diario. El experimento de escritura mide dos tareas concretas hechas en una sesión. No mide qué pasa cuando esa persona vuelve a su mesa, con interrupciones, clientes y tareas de todo tipo: no recoge el efecto sostenido en el trabajo diario.
- Una media esconde quién gana. En atención al cliente, la media fue un 14 % y el efecto en noveles un 34 %; en los más experimentados, mínimo. Una cifra media puede ser real y, aun así, no aplicarse a tu mejor vendedor ni a tu equipo.
- Hay tareas donde la IA ayuda y otras donde estorba. El estudio de BCG enseña las dos caras en la misma muestra. La dificultad es que, desde fuera, la tarea que sirve y la que no se parecen mucho.
- Lo que se cree no es lo que se mide. Los desarrolladores de METR creían ir más rápido y fueron más lentos. En la encuesta a directivos, las respuestas son percepciones, no mediciones, y la previsión a tres años es una expectativa, no un resultado.
- Muestras muy distintas. Hay estudios con 16 personas y otros con miles de agentes o de empresas. El de 16 personas es de desarrolladores muy expertos en su propio código, con herramientas de principios de 2025. En febrero de 2026 la propia METR explicó que había cambiado el diseño de su experimento porque cada vez más desarrolladores no querían trabajar sin IA, lo que sesga a la baja la estimación; sus estimaciones de finales de 2025 apuntaban a una aceleración, pero METR las considera evidencia muy débil.
- La empresa pequeña suele ganar menos de lo que sugiere el titular. El estudio del BIS señala que las ganancias son mayores en las medianas y grandes, que las pequeñas capturan menos y que todo depende de invertir en software, datos o formación. Además, es una estimación estadística, no un experimento, y los propios autores aclaran que se trata de efectos a corto plazo. No dice que no merezca la pena: dice que no basta con comprar una herramienta.
- Fechas. Los experimentos citados usan herramientas de 2023 a 2025. Las de hoy son distintas, y sus resultados también pueden serlo.
Cuando alguien te enseñe una cifra de mejora, hazle estas preguntas:
- ¿A quién se midió y en qué tipo de tarea?
- ¿Cuánta gente había y cuándo se hizo?
- ¿Se midió tiempo, calidad o las dos cosas? ¿Se incluyó el tiempo de revisar y corregir?
- ¿Se comparó con un grupo que no usaba IA?
- ¿Es una medición o una opinión de quienes la usan?
- ¿Quién cuenta el resultado y qué vende?
Del laboratorio a tu negocio
Nada de lo anterior dice que la IA no sirva para competir. Dice que hay que medir antes de prometer, y que la mejora depende de la tarea, de quién la hace y de cómo se organiza el trabajo.
Un método sencillo para tu empresa:
- Elige una tarea concreta y repetitiva, como responder consultas habituales, preparar borradores de ofertas o resumir reuniones. Evita empezar por las que exigen juicio de negocio, como decidir a quién conceder crédito o diagnosticar por qué baja un cliente.
- Mide cómo está hoy. Cuánto tarda, cuánta revisión necesita, cuántos errores llegan al cliente. Con una semana basta para tener una foto honesta.
- Introduce la IA con una persona supervisando y deja que la use un mes. Anota también el tiempo de revisar y corregir, que es el que más suele olvidarse.
- Vuelve a medir y compara. Si hay mejora, comprueba quién la nota más (como en el estudio de atención al cliente, puede ser la gente con menos experiencia).
- Decide con tus números. No con los de un estudio ni con los de un proveedor.
Y una advertencia final sobre las promesas: ni tú ni nadie puede asegurar cuánto ahorrarás. Lo que sí puedes hacer es elegir tareas donde la IA suele ayudar, supervisar el resultado y medir. Si quieres profundizar en cómo hacer esa medición, tenemos un artículo sobre cómo medir el impacto real de la IA en la productividad. Para ver el otro lado, el de la ambición, puedes leer cómo implementar IA para competir con empresas más grandes y cómo la IA multiplica la capacidad de trabajo de tu equipo.
Fuentes
- MIT News, sobre el estudio de Noy y Zhang en Science (2023): Study finds ChatGPT boosts worker productivity for some writing tasks
- NBER / Quarterly Journal of Economics (2025): Generative AI at Work (NBER Working Paper 31161; QJE vol. 140, n.º 2, pp. 889-942)
- Boston Consulting Group (2023): How People Can Create—and Destroy—Value with Generative AI
- Harvard Kennedy School, Center for International Development (2023): The Uneven Impact of Generative AI on Entrepreneurial Performance
- METR (2025): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
- METR (2026): We are Changing our Developer Productivity Experiment Design
- Banco de Pagos Internacionales, BIS (2026): AI adoption, productivity and employment: evidence from European firms (BIS Working Papers n.º 1325)
- NBER (2026): Firm Data on AI (NBER Working Paper 34836)
Conclusión
Los estudios coinciden en que la IA puede ayudar mucho en tareas bien elegidas y puede estorbar en otras, y en que el resultado varía según quién la usa y cómo se organiza el trabajo. Una cifra de mejora es un punto de partida para hacerte preguntas, no una promesa. La forma más segura de apalancarte en la IA es elegir una tarea, medirla antes y después, y decidir con tus propios números.
En MG Solutions construimos agentes de IA específicos para cada empresa, adaptados a tu forma de trabajar y a tus herramientas, y formamos a tu equipo para sacarles partido.
Descubre cómo apalancarte en IA.
Si quieres ver cómo encajaría en tu caso, escríbenos y lo hablamos.