AI en Todas Partes en el Trabajo. Solo 1 de Cada 10 Dice que Transformó su Empleo

Su equipo usa AI. Probablemente, muchos de ellos. Pero si usted se pregunta por qué eso no aparece aún en los números, no está solo ni está interpretando mal los datos.

Un documento de trabajo del National Bureau of Economic Research (NBER), basado en encuestas a casi 750 ejecutivos corporativos, encontró algo revelador: las ganancias de productividad percibidas gracias al AI superan consistentemente a las medidas. Los investigadores denominan esto la "paradoja de productividad" y la atribuyen a un retraso en la realización de ingresos. Las empresas adoptan AI más rápido de lo que rediseñan el trabajo a su alrededor, y esa discrepancia es exactamente la razón por la que el estado de resultados permanece plano aunque el número de licencias siga creciendo.

La paradoja no significa que el AI no funcione. Es una señal de que la adopción por sí sola no es el objetivo.

Los Números que Explican la Brecha

El documento del NBER (working paper w34984, copublicado con el Federal Reserve Bank of Atlanta) es uno de los análisis más rigurosos sobre esta cuestión hasta la fecha. La encuesta a nivel ejecutivo captura lo que realmente ocurre dentro de las organizaciones, no lo que los proveedores prometen en sus presentaciones de ventas.

Datos Clave

• Casi 750 ejecutivos corporativos reportan que las ganancias de productividad percibidas del AI superan a las medidas, con la brecha atribuida a un retraso en la realización de ingresos (NBER/Atlanta Fed, w34984, 2026)
• El AI generativo ahorra aproximadamente el 5,4% de las horas de trabajo, unas 2,2 horas semanales en una jornada estándar de 40 horas (Federal Reserve, 2026)
• Solo alrededor de 1 de cada 10 empleados en organizaciones que han adoptado AI coincide plenamente en que el AI transformó la manera en que realizan su trabajo (Gallup, 2026)

El dato de Gallup merece un momento de reflexión. Alrededor del 80% de los empleados afirma usar herramientas de AI en el trabajo. Sin embargo, solo el 10% aproximadamente dice que eso cambió realmente la forma en que hace su trabajo de manera significativa. El resto usa AI de la misma manera en que antes usaba Google: como una versión ligeramente más rápida de lo que ya hacía.

Por Qué Sus Números No Coinciden con Sus Registros de Uso

La brecha entre el impacto percibido y el medido no es un misterio una vez que se entiende el mecanismo. Cuando los empleados adoptan AI, tienden a automatizar las partes de su trabajo más fáciles de automatizar, no necesariamente las que generan mayor valor. Un vendedor usa AI para redactar correos de seguimiento más rápido. Un gerente lo usa para resumir las notas de una reunión. Son ahorros de tiempo reales, pero no mueven los ingresos directamente.

El análisis de la Reserva Federal respalda esto. El AI generativo ahorra unas 2,2 horas semanales en una jornada de 40 horas, lo que equivale a una ganancia de eficiencia de aproximadamente el 5,4% en tiempo de trabajo. Pero el ahorro de tiempo laboral no se convierte automáticamente en impacto en el estado de resultados. Solo se traduce en ingresos si las horas liberadas se redirigen hacia actividades de mayor valor, o si el flujo de trabajo subyacente se rediseña para que la ganancia se acumule.

La mayoría de las organizaciones omite ese paso de redirección. Los empleados ahorran dos horas y las llenan con trabajo de menor prioridad o reuniones. El tiempo se evapora en lugar de convertirse. Y como nada en el modelo de ingresos cambia, la ganancia de productividad queda atrapada dentro del flujo de trabajo.

El documento del NBER agrega otra capa: las ganancias que sí aparecen en la productividad medida fluyen principalmente a través de canales de demanda e innovación, no de la profundización de capital. En términos sencillos, el AI crea valor al habilitar cosas nuevas (mejores productos, iteración más rápida, segmentación de clientes más precisa) y no solo al hacer cosas antiguas de manera más barata. Las organizaciones que tratan el AI como una herramienta de reducción de costos tienden a medir únicamente la parte barata y pierden la parte de crecimiento.

Dónde Aparecen Realmente las Ganancias

No todos los sectores ni casos de uso son iguales. Los hallazgos del NBER muestran las mayores ganancias de productividad medidas en servicios de alta especialización y finanzas. Son áreas donde el AI asiste en trabajo de juicio complejo: análisis de acuerdos, revisión de contratos, modelado financiero, investigación de clientes, en lugar de tareas simples y repetitivas.

El patrón tiene sentido. Cuando el AI potencia a un analista de 300.000 dólares al año o a un gerente de relaciones sénior, la ganancia es suficientemente grande como para registrarse. Cuando ayuda a alguien a enviar un correo ligeramente mejor, no mueve la aguja en conjunto.

La implicación para los CEO: dónde se implementa el AI importa tanto como la amplitud de su despliegue. Distribuir licencias de AI en cada función es adopción empresarial. Concentrar el AI en el trabajo que se conecta directamente con los ingresos es transformación.

Las empresas pequeñas y grandes también están viendo realidades distintas. Los datos del NBER muestran que las empresas más grandes anticipan reducciones de personal impulsadas por AI con el tiempo, mientras que las más pequeñas realmente esperan modestos aumentos de plantilla, impulsados por el crecimiento derivado de las mejoras de productividad. La suposición común de que el AI principalmente recorta puestos de trabajo a escala resulta más compleja de cerca.

Cuatro Acciones que los CEO Pueden Tomar Este Trimestre

La brecha entre adopción e impacto medido tiene solución. Pero requiere tratar el AI como un problema de diseño operativo, no de compras.

1. Audite dónde van realmente sus horas de AI. Extraiga los datos de uso de sus herramientas de AI y mapéelos a función de trabajo. ¿Sus roles de mayor apalancamiento usan AI en sus tareas de mayor apalancamiento? En la mayoría de las empresas, la respuesta es no. El uso intensivo de AI tiende a concentrarse en comunicaciones y documentación, no en el trabajo que cierra acuerdos o gana clientes.

2. Rediseñe al menos un flujo de trabajo vinculado a ingresos. Elija un flujo de trabajo que toque directamente los ingresos, un proceso de ventas, un proceso de éxito del cliente, un ciclo de desarrollo de producto, y redíseñelo desde cero con AI. No incorpore AI a los pasos existentes. Pregúntese: si tuviéramos que construir este flujo de trabajo hoy conociendo lo que puede hacer el AI, ¿cómo sería? El hallazgo del NBER de que las ganancias fluyen a través de canales de demanda e innovación sugiere que este tipo de rediseño es donde vive el verdadero potencial.

3. Mida resultados, no uso. La mayoría de los paneles de AI reportan conteos de licencias y volúmenes de consultas. Estas son métricas de adopción empresarial, no de impacto. Cambie su reporte a métricas de resultados: ingresos por empleado en roles asistidos por AI, tiempo de ciclo en flujos de trabajo rediseñados con AI, costo de adquisición de clientes en canales apoyados por AI. Si no puede vincular su inversión en AI a uno de esos números, aún no sabe si está funcionando.

4. Cierre el ciclo del tiempo liberado. Las 2,2 horas semanales que ahorra el AI solo tienen valor si van a algún lugar deliberado. Establezca acuerdos explícitos de tiempo-a-valor con los equipos: cuando el AI reduce el tiempo que dedica a la tarea X, aquí es donde va ese tiempo después. Sin esa dirección, las horas desaparecen y la ganancia de productividad se va con ellas.

El Retraso en la Realización de Ingresos Es Real, pero Tiene un Límite

El encuadre de "paradoja de productividad" del documento del NBER no significa que las ganancias no lleguen. Significa que llegan más tarde y a través de canales distintos de los que la mayoría de los ejecutivos espera. Los investigadores encuentran efectos positivos de productividad laboral en las empresas encuestadas. La brecha es una cuestión de tiempo, no un fracaso fundamental.

Pero "eventualmente funcionará" no es una estrategia. Los CEO que esperan a que las ganancias se materialicen solas probablemente seguirán viendo cómo la curva de adopción empresarial sube mientras el estado de resultados se mantiene plano. Las empresas que cierren el retraso más pronto serán las que traten el rediseño de flujos de trabajo, la medición de resultados y el despliegue enfocado en ingresos como el trabajo real de la adopción de AI, no algo que sucede después de adoptarlo.

El AI ya está en todas partes en el trabajo. La pregunta ahora es si está funcionando.

Preguntas Frecuentes

¿Por qué los empleados perciben mayores ganancias de productividad del AI que las que muestran los datos? Las personas tienden a notar cuando el AI les ahorra tiempo en una tarea específica y extrapolan mentalmente eso a todo su trabajo. Pero la ganancia medida refleja si la producción total o los ingresos realmente aumentaron. Cuando el ahorro de tiempo no se redirige a trabajo de mayor valor, la ganancia percibida es real, pero la ganancia medida no aparece. Este es el núcleo de lo que la investigación del NBER llama el retraso en la realización de ingresos.

¿Qué industrias ven las ganancias de productividad de AI más medibles ahora mismo? La encuesta del NBER a casi 750 ejecutivos encontró las mayores ganancias medidas en servicios de alta especialización y finanzas. Estos sectores ven el mayor impulso porque el AI potencia trabajo de juicio complejo y de alto valor, donde incluso mejoras incrementales mueven la aguja en términos de ingresos.

¿Deberían los CEO impulsar más licencias de AI si el impacto medido es bajo? Probablemente no todavía. La evidencia sugiere que la restricción no es el acceso a herramientas de AI, sino cómo se integran en los flujos de trabajo y si están conectadas a tareas vinculadas a ingresos. Más licencias sin rediseño de flujos de trabajo y medición de resultados tiende a ampliar la brecha entre adopción e impacto, no a cerrarla.

Para Saber Más

• Por Qué el ROI del AI es Difícil de Demostrar: las razones estructurales por las que los retornos medidos del AI quedan rezagados frente a las curvas de adopción empresarial
• Tiempo Ahorrado vs. Impacto en Ingresos: Midiendo el AI: un marco para convertir las ganancias de eficiencia del AI en resultados visibles en el estado de resultados
• Las Facturas de AI Empresarial Suben Aunque los Precios por Token Caen: el lado del costo de la ecuación de inversión en AI
• Informe de Brecha de Liderazgo en AI de PwC: cómo las empresas líderes se están adelantando a las rezagadas en desempeño medido de AI

Fuente: NBER Working Paper w34984, "Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives" (2026) | Gallup, "Rising AI Adoption Spurs Workforce Changes" (2026) | Federal Reserve FEDS Note, "Monitoring AI Adoption in the U.S. Economy" (2026)