Cuatro paradojas, una misma conclusión

Casi todas las discusiones sobre IA que terminan mal tienen el mismo origen: alguien habla desde un piso y le contesta alguien parado en otro. No hay desacuerdo real, hay capas mezcladas.

Las cuatro paradojas que se citan todo el tiempo —Jevons, Solow, Acemoglu, Bauman— suelen presentarse como diagnósticos enfrentados: «la IA va a crear trabajo», «no, no se ve en las estadísticas», «no, el efecto agregado es mínimo», «no, eso es pánico». Leídas así, se anulan. Leídas como niveles de análisis distintos, se complementan, y además apuntan al mismo lugar: la IA, por vertiginosa que sea, necesita tiempo, y lo peor no es la IA. No es el apocalipsis que nos quieren vender.

Capa 1 — Jevons: qué hacemos cuando algo se abarata

En 1865, William Stanley Jevons publicó The Coal Question y notó algo contraintuitivo: las mejoras en la eficiencia del uso del carbón no reducían su consumo, lo aumentaban. Abaratar un recurso multiplica sus usos, y ese efecto puede superar el ahorro que traía la eficiencia.

Con la IA pasa lo mismo. Si producir código, textos, análisis o diseños cuesta menos, el resultado esperable no es «menos trabajo» sino «mucho más de todo». Un equipo que tardaba dos semanas en un refactor lo hace en dos días, y en vez de irse antes aprovecha para tocar tres módulos que llevaban años en la lista de «no vale la pena». La eficiencia no se traduce en menos uso: se traduce en usos nuevos.

Jevons no dice «siempre habrá más trabajo». Dice que el resultado depende de la elasticidad de la demanda: si cada punto de eficiencia abre tareas nuevas, el consumo sube; si la necesidad ya está saturada, el efecto se agota. Es una capa de comportamiento, y se responde mirando qué hace la gente cuando el costo baja.

Lectura: el trabajo se transforma antes de desaparecer, y las transformaciones llevan tiempo.

Capa 2 — Solow: por qué el cambio tarda en aparecer

En 1987, Robert Solow ironizó que la era de las computadoras se veía en todas partes menos en las estadísticas de productividad. Con la IA pasa algo parecido: millones de personas la usan a diario y sienten que trabajan mejor, pero el impacto macroeconómico es difícil de leer. Hay al menos tres motivos, y conviene separarlos:

• Reorganización lenta. La herramienta llega rápido; rediseñar los procesos alrededor de ella tarda años.
• Calidad, no cantidad. Parte del beneficio aparece como menos errores, menos retrabajo o mejor documentación. Eso no entra fácil en un indicador de volumen.
• Absorción. La productividad ganada se reinvierte en tareas nuevas, que es justo lo que describe Jevons desde la otra capa. Si un dev escribe el doble de código pero el cuello de botella está en revisión, despliegue o soporte, la empresa no duplica nada: el código extra se acumula en cola. La medición no falla por ideología; mide una cadena donde un solo eslabón se aceleró.

Lectura: la tecnología corre más rápido que las organizaciones, y ese desfase es el que nos protege del cambio de un día para el otro.

Capa 3 — Acemoglu: el resultado depende de decisiones

Daron Acemoglu, Nobel de Economía 2024, puso un número incómodo sobre la mesa: en sus estimaciones más citadas, la IA suma en torno al 1 % de productividad en una década, muy por debajo del entusiasmo del sector.

Su argumento no es que la tecnología no sirva. Es que solo una fracción de las tareas puede automatizarse de forma rentable, y que buena parte del uso actual apunta a reemplazar trabajadores en lugar de ampliar sus capacidades. El marco es de tareas, no de profesiones: un puesto es un conjunto de tareas, algunas automatizables y otras no, y el saldo depende de qué se hace con las que quedan.

Lo central de esta capa es que el resultado depende de decisiones. La misma herramienta aplicada de dos maneras produce trayectorias opuestas. Una empresa usa IA para no contratar juniors y comprimir costos. Otra la usa para que un junior haga trabajo de semi-senior bajo supervisión y libera a los seniors para diseño y arquitectura. Misma IA, misma época, dos futuros en la misma cuadra.

Lectura: el riesgo no está en la herramienta sino en cómo decidimos usarla, y esas decisiones todavía se están tomando.

Capa 4 — Bauman: el miedo que se adelanta a los hechos

Zygmunt Bauman sostiene en Miedo líquido que en la modernidad líquida nuestros miedos son más numerosos que los peligros que los provocan: temores difusos, sin objeto claro, alimentados por la incertidumbre, la precariedad y la velocidad del cambio.

La IA es terreno fértil para eso. Angustia perder el empleo, quedar obsoleto, ser reemplazado, muchas veces antes de que exista una amenaza concreta y comprobable. Y el relato del apocalipsis inminente también se vende: el miedo es un buen producto.

Esto no significa que el miedo sea irracional ni que haya que pedirle a nadie que se calme. Significa que tiene su propia lógica y merece nombrarse. Una preocupación dicha en voz alta se puede discutir; un pánico difuso decide por vos cómo te relacionás con la herramienta, y ahí ya perdiste margen.

Lectura: lo peor no es la IA, es el miedo que decide por nosotros.

Una conclusión, no cuatro

Cada paradoja responde una pregunta distinta, pero todas dicen lo mismo sobre el tiempo:

Paradoja	Pregunta que responde	Lo que dice sobre el tiempo
Jevons	¿Qué pasa con el uso cuando el costo baja?	El trabajo se transforma antes de desaparecer.
Solow	¿Por qué el agregado no refleja lo que se ve en el día a día?	Las organizaciones tardan más que la tecnología.
Acemoglu	¿Cómo se reparte el resultado según cómo se implemente?	El impacto depende de decisiones que todavía se toman.
Bauman	¿Qué hacemos con la angustia mientras todo eso ocurre?	El miedo llega antes que los hechos.

Puestas en fila, las cuatro convergen: la IA es vertiginosa, pero necesita tiempo, y en ese tiempo hay margen para decidir. Lo peor no es la IA; es llegar tarde a esas decisiones o tomarlas con pánico. No es el apocalipsis que nos quieren vender: es una transición, y las transiciones se gestionan.