Las ganancias anuales de tiempo de trabajo gracias a la IA alcanzan unos 2,7 billones de dólares, pero los beneficios siguen siendo desiguales

Google News ha destacado una estimación llamativa: la IA ya ahorra tiempo de trabajo valorado en 2,7 billones de dólares al año, pese al acceso profundamente desigual a esas ganancias.

La estimación procede de una investigación de los economistas Rachel Yuting Fan y Ha Nguyen. Su análisis valora el tiempo asistido por IA en distintas ocupaciones y en más de 100 países. El total resultante equivale a cerca del 3,4% del producto interno bruto mundial.

Esa cifra hace que la IA parezca una fuerza económica que ya ha llegado. Sin embargo, la distribución cuenta una historia menos cómoda. En muchas economías en desarrollo, casi todo el valor medido procede de un grupo reducido de profesionales muy bien remunerados.

Por tanto, la investigación cuestiona al mismo tiempo dos relatos populares. La IA no es ni una promesa vacía de productividad ni una herramienta distribuida de forma uniforme y disponible para todos los trabajadores. Su valor medible es elevado, pero su alcance sigue dependiendo de los ingresos, la ocupación, el idioma y la preparación de cada país.

La disputa central se da entre la rápida difusión técnica y la persistente desigualdad institucional. Las herramientas de IA pueden propagarse mediante software casi al instante. Las habilidades, la conectividad, los sistemas de trabajo y los datos de formación localmente relevantes se extienden mucho más despacio.

Qué mide realmente la nueva estimación sobre IA

La cifra de 2,7 billones de dólares mide el coste laboral asociado al tiempo ahorrado, no dinero adicional que entre en la economía mundial.

Fan y Nguyen publicaron sus conclusiones en un documento de trabajo del FMI. Analizaron cinco ediciones del Anthropic Economic Index que abarcan de enero de 2025 a febrero de 2026.

El Anthropic Economic Index estudia cómo las personas usan Claude en distintas tareas y ocupaciones. Emplea clasificaciones que preservan la privacidad en lugar de publicar conversaciones individuales.

Los investigadores combinaron esos patrones de uso con datos de empleo y salarios por ocupación. Después construyeron un equivalente de coste laboral, o LCE, para el tiempo asistido por IA.

El LCE asigna un valor basado en salarios al tiempo que la IA aparentemente ahorra. Si una herramienta acorta una tarea de una hora, el cálculo valora ese tiempo utilizando el coste laboral de la ocupación correspondiente.

Este enfoque produce una estimación mundial anualizada de aproximadamente 2,7 billones de dólares. Eso representa cerca del 3,4% del PIB mundial bajo los supuestos de los investigadores.

La estimación es relevante porque parte del uso observado, en lugar de una previsión sobre capacidades futuras. Pregunta dónde ya se está produciendo asistencia de IA y cuánto vale el tiempo laboral asociado.

Sin embargo, el LCE no equivale al crecimiento de productividad efectivamente materializado. Una hora ahorrada no se convierte automáticamente en otra hora de producción útil.

Una empresa podría emplear ese tiempo en trabajo adicional, jornadas más cortas, controles de calidad o tareas completamente ajenas. Algunos ahorros podrían beneficiar a los empleadores, mientras que otros podrían beneficiar a trabajadores o clientes.

El método tampoco descuenta el coste total de desplegar IA. Esos costes incluyen infraestructura, electricidad, suscripciones, trabajo de integración, controles de seguridad y revisión humana.

Los autores describen el LCE como una valoración indicativa. Captura el coste laboral del tiempo ahorrado bajo supuestos explícitos, no una medida completa del bienestar económico.

Esta distinción importa al interpretar el titular de Google News. La investigación no afirma que la IA añadiera 2,7 billones de dólares al PIB mundial medido durante un año.

En cambio, estima el valor laboral anual asociado al tiempo actualmente asistido por IA. La cifra muestra escala económica sin resolver quién termina capturando el beneficio.

La estimación también aumentó a lo largo de las cinco publicaciones de datos. El uso de IA se extendió más allá de su concentración inicial en el trabajo de software hacia ocupaciones de educación, ventas y oficina.

Estas ocupaciones emplean a muchas más personas que el desarrollo de software por sí solo. Un alcance ocupacional más amplio puede elevar el valor total incluso cuando cada conversación conlleva un beneficio estimado menor.

Esta es la primera gran tensión de los resultados. El valor agregado puede aumentar mientras la interacción media se vuelve menos intensiva desde el punto de vista económico.

Ese patrón sería coherente con una tecnología que pasa del trabajo especializado a las tareas cotidianas. También vuelve más importante la distribución del acceso que el crecimiento del uso reflejado en los titulares.

Por qué Google News difunde una historia más amplia que la adopción de IA

El cambio importante no es simplemente que más personas usen IA, sino que su uso ya tiene suficiente amplitud para respaldar estimaciones de distribución mundial.

Los primeros estudios sobre el lugar de trabajo solían examinar una empresa, profesión o tarea controlada. Esos estudios ayudaron a demostrar que la IA generativa puede mejorar el rendimiento en condiciones específicas.

Un conocido estudio de atención al cliente siguió a 5.179 agentes. El acceso a un asistente de IA aumentó en promedio un 14% los casos resueltos por hora.

La mejora alcanzó el 34% entre los agentes novatos y de menor cualificación. Los agentes experimentados y altamente cualificados obtuvieron ganancias mucho menores.

Ese resultado sugirió que la IA podría reducir las diferencias de rendimiento dentro de un lugar de trabajo. El sistema transfería patrones de conversaciones exitosas a empleados con menos experiencia.

Otros experimentos hallaron mejoras significativas en redacción, consultoría y programación. Sin embargo, los resultados a nivel de tarea no pueden predecir automáticamente el crecimiento de toda la economía.

El nuevo documento adopta un enfoque distinto. Observa qué ocupaciones generan uso de IA en numerosos países y luego valora el tiempo asociado utilizando los salarios locales.

Sus cinco oleadas de datos crean una imagen dinámica en lugar de una instantánea única. Eso permite a los investigadores preguntarse si el alcance ocupacional de la IA se está ampliando.

La respuesta es sí, pero con importantes matices. El uso de IA se ha extendido a ocupaciones que abarcan partes más amplias de la fuerza laboral, aunque sigue inclinado hacia el trabajo mejor remunerado.

Esto importa porque los recuentos de adopción por sí solos pueden ocultar la concentración económica. Dos países podrían informar una actividad similar y, aun así, producir distribuciones de valor muy diferentes.

Un país puede mostrar uso entre docentes, administradores, trabajadores de ventas, ingenieros y directivos. Otro puede generar casi todo su uso entre una pequeña clase profesional.

Estos patrones generan perspectivas de productividad distintas. La adopción amplia da a más empresas y hogares la oportunidad de convertir el tiempo ahorrado en producción o mejores servicios.

La adopción limitada también puede generar un valor impresionante. Sin embargo, puede ampliar las brechas entre los profesionales conectados y quienes quedan fuera del segmento intensivo en IA.

La perspectiva mundial del documento también expone una limitación de los relatos populares sobre el trabajo. La evidencia de que la IA ayuda a los trabajadores con menor rendimiento dentro de una empresa no significa que llegue a los trabajadores de menores ingresos de toda una economía.

Dentro de un lugar de trabajo que utiliza IA, la herramienta puede reducir las diferencias de rendimiento basadas en habilidades. En todo el mercado laboral, el acceso puede seguir concentrado en ocupaciones ya favorecidas.

Ambos hallazgos pueden ser ciertos. Describen distintos niveles del mismo sistema.

Un agente de atención al cliente con IA puede alcanzar a un colega experimentado. Un agricultor, repartidor o comerciante informal puede no contar con una herramienta comparable integrada en su trabajo diario.

El resultado es una inversión distributiva. La IA puede igualar el rendimiento entre los usuarios mientras aumenta la distancia entre usuarios y no usuarios.

Google News da a esta investigación una audiencia más amplia, pero la cifra del titular no debería eclipsar esa inversión. La contribución más importante del documento es su mapa de quién participa.

Ese mapa muestra que la difusión del software avanza más rápido que la inclusión económica. La diferencia determinará si la IA se vuelve ampliamente productiva o sigue siendo una infraestructura concentrada para el trabajo profesional.

La distribución de las ganancias de la IA sigue favoreciendo a las ocupaciones mejor remuneradas

Las ganancias medidas de la IA se inclinan hacia las ocupaciones mejor remuneradas en casi todos los países estudiados.

Fan y Nguyen crearon un índice de concentración de IA, o ACI, para medir esta inclinación. El índice compara la proporción de valor de IA de cada ocupación con su proporción del empleo.

Una puntuación positiva significa que las ganancias de la IA se inclinan hacia ocupaciones situadas más arriba en la distribución salarial. Una puntuación negativa indicaría una inclinación hacia el trabajo peor remunerado.

Casi todos los países registraron un ACI positivo en cada oleada observada. Por tanto, la dirección de la desigualdad fue notablemente consistente.

La magnitud del desequilibrio varió de forma marcada. Las economías de ingresos altos registraron por lo general niveles de ACI de entre 0,4 y 0,5.

Estados Unidos tuvo un ACI de 0,49 en el análisis presentado. Eso sigue indicando concentración, aunque el uso abarca una base ocupacional relativamente amplia.

Algunos países en desarrollo tuvieron puntuaciones cercanas a 1,0. A ese nivel, casi todo el valor medido de la IA procede de un pequeño enclave profesional.

Tanzania ofrece el ejemplo más claro del documento. Su ACI alcanzó 0,98, mientras que las ocupaciones profesionales empleaban a menos del 5% de los trabajadores.

Esa combinación significa que la mayoría de los trabajadores permanecía fuera del canal directo que genera valor medido de IA. Las ocupaciones agrícolas, elementales y de servicios aportaron poco uso registrado.

Esto no demuestra que esos trabajadores no reciban ningún beneficio indirecto. La logística, las finanzas, el gobierno o la educación asistidos por IA podrían acabar mejorando los servicios que consumen.

Sin embargo, los efectos indirectos quedaron fuera de la medición del documento. El valor directo observado siguió concentrado entre los usuarios profesionales.

Los ingresos ayudan a explicar parte de la diferencia. Los países más ricos suelen contar con más trabajadores del conocimiento, una infraestructura digital más sólida y más organizaciones capaces de desplegar IA.

También disponen de más sistemas complementarios. Estos incluyen registros digitalizados, servicios en la nube, presupuestos de formación, conectividad fiable y flujos de trabajo de software establecidos.

La IA no entra en un vacío institucional. Rinde mejor allí donde las tareas ya dejan rastros digitales utilizables y los trabajadores pueden verificar sus resultados.

Por tanto, el problema de la concentración implica más que el acceso a un chatbot. Refleja si las organizaciones pueden conectar la IA con trabajo valioso.

Las pequeñas empresas suelen afrontar mayores barreras. Pueden carecer de datos limpios, personal técnico, políticas de seguridad o tiempo para rediseñar los flujos de trabajo.

La evidencia de más de 12.000 empresas europeas apunta en la misma dirección. Un estudio de empresas europeas estimó un aumento medio del 4% en la productividad laboral entre los adoptantes.

Las empresas medianas y grandes registraron ganancias más fuertes que las pequeñas. Las inversiones complementarias en software, datos y formación de la plantilla amplificaron el efecto.

Estos hallazgos respaldan el mecanismo del documento mundial. El acceso a un modelo es solo un insumo dentro de un sistema de producción más amplio.

Un trabajador profesional en una empresa digitalmente madura puede usar IA muchas veces al día. Un trabajador de una empresa menos conectada puede carecer de una interfaz adecuada o de datos aprobados.

La división resultante es acumulativa. Un mayor uso genera más experiencia, lo que ayuda a las organizaciones a descubrir mejores tareas y desarrollar procesos más sólidos.

Los trabajadores fuera de ese ciclo reciben menos oportunidades para aprender a formular instrucciones eficaces, verificar resultados e integrar herramientas. Sus empleadores también recopilan menos evidencia que respalde una inversión adicional.

Por eso, la distribución de las ganancias de la IA no puede separarse de la capacidad organizativa. La herramienta puede estar ampliamente disponible en línea y, al mismo tiempo, seguir siendo económicamente escasa.

Las ganancias se están ampliando, pero el idioma determina la velocidad

La distribución de la IA se volvió menos concentrada en un número creciente de países, aunque el progreso siguió siendo desigual e incompleto.

Entre agosto y noviembre de 2025, 32 de 108 países registraron una caída de su índice de concentración de IA. Eso representaba el 30% de los países observados.

Entre noviembre de 2025 y febrero de 2026, 53 de 110 países registraron un descenso. La proporción había aumentado hasta casi la mitad.

Una caída del ACI significa que el valor generado por la IA se desplaza hacia niveles más bajos de la distribución salarial ocupacional. No significa que la distribución se haya igualado.

El índice se mantuvo positivo en casi todos los países. Las ocupaciones mejor remuneradas continuaron recibiendo una parte desproporcionada de las ganancias medidas.

Otro grupo de países no mostró cambios porque todas las conversaciones observadas se asignaban a una sola categoría ocupacional. Por tanto, su aparente estabilidad no indicaba un acceso amplio.

El movimiento fue más fuerte allí donde la IA se expandió hacia la educación, el apoyo administrativo y las ventas. Estos campos emplean a muchos más trabajadores que la base inicial de usuarios, dominada por el software.

El estudio vincula una expansión más rápida con el estatus oficial del inglés. Los autores interpretan esta relación a través de la composición de los datos de entrenamiento.

Los modelos dominados por el inglés contienen abundante material jurídico, educativo, comercial y administrativo procedente de instituciones angloparlantes. Esto puede mejorar la relevancia local en más ocupaciones.

Un modelo puede responder bien a las preguntas sobre software de un país porque los recursos de programación están estandarizados a escala global. Las tareas locales de impuestos, derecho, salud o administración requieren conocimientos más específicos.

Si los documentos relevantes escasean en los datos de entrenamiento, los trabajadores reciben una asistencia menos fiable. Las organizaciones deben dedicar más esfuerzo a verificar resultados o crear sistemas especializados.

Por tanto, la cobertura lingüística se convierte en infraestructura económica. La traducción por sí sola no puede sustituir por completo la familiaridad con la terminología, las normas y las prácticas institucionales locales.

El estudio no establece que el estatus del inglés cause directamente una difusión más rápida. Su relación entre países sigue siendo observacional y requiere más pruebas.

Otros factores pueden solaparse con el idioma. Entre ellos se incluyen la historia colonial, los sistemas educativos, el contenido en internet, la capacidad de gobernanza y los vínculos empresariales multinacionales.

Aun así, el hallazgo identifica un cuello de botella práctico. Un modelo que rinde de forma desigual entre idiomas distribuirá las ganancias de productividad de forma desigual entre países.

El Anthropic Economic Index proporciona las publicaciones de uso subyacentes empleadas por los investigadores. Sus datos capturan la actividad de Claude, no la totalidad del mercado de IA.

Esta limitación es considerable. ChatGPT, Gemini, Copilot, los modelos abiertos, los sistemas locales y las herramientas específicas de cada sector pueden generar patrones geográficos diferentes.

Los usuarios de Claude también pueden diferir de la fuerza laboral mundial. Probablemente cuentan con mayor acceso digital y más familiaridad con productos avanzados de IA.

No obstante, los datos ofrecen una valiosa señal longitudinal. Pocas fuentes conectan el uso real de la IA con tareas ocupacionales en tantos países.

El siguiente paso analítico debería comparar múltiples plataformas utilizando clasificaciones compatibles. Esto revelaría si el patrón de concentración refleja la base de usuarios de Claude o la economía de IA en general.

El rendimiento en idiomas locales también necesita una medición directa. Los investigadores podrían evaluar modelos en tareas administrativas, educativas, comerciales y profesionales basadas en países concretos.

Un mejor rendimiento no garantizaría la adopción. Eliminaría una barrera de una cadena mucho más larga que incluye confianza, asequibilidad, formación y diseño de flujos de trabajo.

Las organizaciones también pueden reducir la fricción lingüística mediante conocimiento interno seleccionado. Una base de conocimientos de IA con capacidad de búsqueda puede basar la asistencia en documentos que los trabajadores ya utilizan.

Este enfoque ayuda a equipos individuales, pero no puede sustituir una inversión pública amplia. Los códigos legales nacionales, los materiales educativos y la información de servicios públicos también deben ser accesibles para las máquinas.

Lo que no demuestra la estimación de 2,7 billones de dólares

La investigación revela la posible huella económica de la IA, pero no establece un aumento equivalente de la producción, los salarios o el bienestar de los trabajadores.

La primera incertidumbre se refiere al ahorro de tiempo. Completar una tarea más rápido solo importa si el tiempo ahorrado produce algo valioso.

Algunos trabajadores pueden completar tareas adicionales. Otros pueden emplear ese tiempo en revisar resultados, corregir errores del modelo o cumplir expectativas de carga de trabajo más altas.

Un lugar de trabajo podría incluso convertir la eficiencia en plazos más ajustados. En ese caso, el ahorro laboral medido no se traduciría en más tiempo libre.

Una investigación basada en registros del mercado laboral danés ilustra la brecha entre la productividad declarada y los resultados observables. El estudio detectó una adopción generalizada en los lugares de trabajo y nuevas tareas relacionadas con la IA.

Sin embargo, no detectó ningún efecto medio sobre los ingresos u horas registrados dos años después del lanzamiento de ChatGPT. Las estimaciones descartaron cambios superiores al 2%.

El estudio laboral danés no contradice la investigación sobre productividad a nivel de tareas. Muestra que el ajuste del mercado laboral puede absorber mejoras sin modificar rápidamente los salarios o las horas.

Las empresas pueden reorganizar tareas en lugar de reducir plantilla. Los trabajadores pueden producir más mientras los contratos y la compensación permanecen sin cambios.

La segunda incertidumbre se refiere a la calidad. Una producción rápida tiene poco valor económico cuando los errores exigen correcciones costosas.

La IA generativa puede producir material verosímil pero incorrecto. El riesgo aumenta cuando los usuarios no tienen suficiente experiencia para reconocer una respuesta deficiente.

Esto crea otro problema de distribución. Los trabajadores altamente capacitados pueden obtener más valor porque saben formular solicitudes, evaluar resultados e integrar elementos útiles.

Los usuarios con menos experiencia pueden beneficiarse considerablemente en entornos estructurados. Sin embargo, esas ganancias dependen de salvaguardas, tareas adecuadas y material de referencia fiable.

La tercera incertidumbre se refiere a los costes. La estimación de LCE no ofrece un cálculo completo del bienestar tras los gastos de infraestructura y operación.

Los sistemas de IA requieren centros de datos, electricidad, chips, redes, ingeniería, ciberseguridad y gobernanza. Las organizaciones también pagan por la integración y la supervisión humana.

Esos costes no invalidan la estimación de 2,7 billones de dólares. Impiden que los lectores la traten como un excedente económico neto.

La cuarta incertidumbre se refiere a la cobertura del mercado. Cinco conjuntos de datos de Claude no pueden representar todas las herramientas de IA, usuarios o países con la misma precisión.

El uso fuera de los lugares de trabajo formales puede estar infracontabilizado. También pueden estarlo los despliegues en empresas privadas que nunca aparecen en datos de plataformas públicas.

A la inversa, la actividad conversacional no demuestra que cada interacción ahorrara tiempo. Algunos usuarios pueden experimentar, repetir indicaciones fallidas o utilizar IA para tareas de bajo valor.

Los autores abordan estas cuestiones al calificar LCE como una medida indicativa. Su aportación es una estimación estructurada, no un resultado definitivo de contabilidad nacional.

La quinta incertidumbre se refiere a quién captura las ganancias. Una mayor productividad puede beneficiar a trabajadores, empleadores, consumidores o proveedores de IA.

Los trabajadores se benefician cuando aumentan los salarios, mejoran los horarios o los empleos se vuelven más fáciles. Los empleadores se benefician cuando la producción crece sin aumentos equivalentes en el coste laboral.

Los consumidores se benefician cuando bajan los precios o mejora la calidad del servicio. Las empresas tecnológicas pueden capturar valor mediante tarifas y el control de infraestructura esencial.

La distribución entre estos grupos sigue sin resolverse. Los datos de uso ocupacional muestran dónde ocurre la actividad, no cómo el poder de negociación divide sus rendimientos.

Esta distinción debería orientar la cobertura de Google News y otros medios. Una gran estimación de productividad no es automáticamente prueba de prosperidad compartida.

Quién afronta presión a medida que se concentra el valor de la IA

Los gobiernos y empleadores enfrentan ahora presión para convertir el uso profesional limitado en una capacidad organizacional más amplia.

Para los gobiernos, los hallazgos convierten la preparación regulatoria en una variable económica, más que en un detalle de cumplimiento normativo. El estudio asocia una mayor preparación con un LCE más alto en relación con el PIB.

La preparación regulatoria también se correlaciona con una distribución menos concentrada de las ganancias. Los países preparados parecen estar mejor posicionados para capturar valor y extender el uso entre ocupaciones.

La preparación puede incluir normas claras, capacidad institucional, infraestructura digital, gobernanza de datos y política laboral. El estudio no la reduce a una regulación más ligera.

La incertidumbre puede retrasar una adopción productiva cuando las empresas no pueden evaluar los requisitos de responsabilidad, privacidad o contratación pública. Las protecciones débiles también pueden reducir la confianza y exponer a los trabajadores a daños.

Por tanto, el objetivo es una gobernanza utilizable. Las organizaciones necesitan normas que les permitan experimentar al tiempo que preservan la rendición de cuentas por decisiones de gran impacto.

Para los empleadores, la presión es operativa. Comprar acceso a un modelo no crea las inversiones complementarias necesarias para la productividad.

Los directivos deben identificar tareas adecuadas, conectar información fiable, formar a los trabajadores y medir los resultados. También necesitan vías de escalamiento cuando la salida de la IA es incierta.

Este trabajo favorece a las organizaciones más grandes porque los costes fijos de integración pueden repartirse entre más empleados. Las empresas más pequeñas necesitan herramientas compartidas, proveedores de servicios o apoyo público.

La formación merece especial atención. Los trabajadores necesitan más que plantillas de indicaciones.

Deben saber cuándo usar IA, qué información pueden proporcionar y cómo verificar los resultados. También necesitan suficientes conocimientos del dominio para detectar errores expresados con seguridad.

Para los desarrolladores de IA, la presión se refiere a la cobertura. Los próximos mil millones de usuarios aportarán idiomas, instituciones y ocupaciones poco representados en los sistemas actuales.

Las mejoras en benchmarks de tareas profesionales en inglés no resolverán esas carencias. Los desarrolladores necesitan evaluaciones basadas en el trabajo local y en documentos institucionales reales.

Para los trabajadores, la división pasa cada vez más por el diseño del puesto. La exposición no depende solo de si un modelo puede realizar una tarea.

Depende de si un empleador incorpora la IA a flujos de trabajo aprobados. Por tanto, dos personas en la misma ocupación pueden recibir beneficios muy distintos.

Esto crea una nueva forma de desigualdad organizacional. Los trabajadores de empresas digitalmente maduras acumulan experiencia con IA, mientras que sus pares en otros lugares se quedan atrás.

La formación transferible y las competencias reconocidas podrían reducir esa división. Los trabajadores no deberían depender por completo de un solo empleador para acceder a herramientas cada vez más comunes.

Los sistemas educativos también enfrentan presión. La alfabetización en IA debe incluir verificación, evaluación de fuentes, manejo de datos y colaboración con sistemas automatizados.

La instrucción centrada únicamente en herramientas quedará obsoleta rápidamente. La habilidad duradera es el criterio para decidir cuándo el material generado por máquinas es útil, arriesgado o incompleto.

La investigación también presiona las previsiones macroeconómicas optimistas. Las ganancias amplias requieren adopción más allá de los enclaves profesionales de altos salarios.

Si la IA sigue concentrada, aún puede crear un valor enorme. Sin embargo, puede profundizar las diferencias de productividad entre empresas, regiones y países.

Un análisis de productividad de CEPR estimó anteriormente que la IA podría añadir entre 0,25 y 0,6 puntos porcentuales al crecimiento anual de la productividad total de los factores.

Esa proyección dependía de la velocidad de adopción, la cobertura sectorial y el ajuste organizacional. La nueva evidencia de uso muestra que esas hipótesis se están volviendo medibles.

También muestra por qué no se puede dar por sentada una difusión amplia. La disponibilidad técnica es solo el comienzo de la adopción económica.

Qué vigilar después del titular de Google News

Tres señales mostrarán si el creciente valor de la IA se convierte en productividad ampliamente compartida o permanece concentrado entre trabajadores favorecidos.

La primera señal es el próximo movimiento del índice de concentración de IA. Un descenso sostenido en muchos países reforzaría el argumento a favor de una difusión más amplia.

La composición importa más que el promedio. La expansión hacia la educación, las ventas, la administración y los servicios públicos alcanzaría a segmentos más amplios de la fuerza laboral.

Los investigadores también deberían seguir si los países de bajos ingresos se alejan de puntuaciones cercanas a 1,0. Pequeños cambios en ese ámbito podrían representar una expansión significativa más allá de los círculos profesionales.

Un ACI estable o en aumento debilitaría la tesis de la difusión amplia. Sugeriría que mejores modelos están generando más valor sin ampliar el acceso ocupacional.

La segunda señal es si los ahorros de tiempo se reflejan en salarios, horas, precios o producción medida. Los datos de uso por sí solos no pueden identificar al destinatario final.

Los experimentos empresariales deberían informar sobre la calidad de los resultados y la remuneración, además de la velocidad. Con el tiempo, las estadísticas nacionales necesitarán mejores medidas del trabajo asistido por IA.

Si los salarios aumentan o las horas de trabajo disminuyen, los empleados están captando parte del beneficio. Si los precios bajan, los clientes podrían recibir el retorno.

Si la producción aumenta mientras la remuneración y los horarios permanecen sin cambios, los empleadores podrían captar una mayor parte de la ganancia. Ese resultado intensificaría las preocupaciones sobre la distribución.

La tercera señal es el rendimiento en lenguas locales y contextos institucionales. Las evaluaciones más amplias deberían poner a prueba los modelos frente a tareas reales en países subrepresentados.

El progreso significaría más que una conversación fluida. Los modelos deben manejar correctamente las normas, formularios, terminología y estándares profesionales locales.

Sistemas locales más capaces reforzarían la interpretación del artículo de que el idioma es una barrera para la difusión. Un rendimiento persistentemente débil mantendría la adopción concentrada.

La próxima publicación del Anthropic Economic Index ofrecerá otra comprobación direccional. Conjuntos de datos comparables de otros proveedores de modelos reforzarían mucho más la evidencia.

Es probable que Google News siga ofreciendo estimaciones más elevadas a medida que se expanda el uso de la IA. Los lectores deberían preguntarse qué representa cada cifra antes de tratarla como producción económica.

La cifra de 2,7 billones de dólares marca un umbral importante. El uso observado de la IA ya es lo suficientemente amplio como para implicar un valor laboral global considerable bajo supuestos razonables.

Sin embargo, los beneficios de la IA todavía siguen las líneas existentes de ingresos, infraestructura y acceso profesional. La tecnología se está extendiendo, pero la inclusión económica queda rezagada.

La pregunta para empleadores y responsables de políticas públicas ya no es si la IA crea valor. Es si pueden desarrollar las competencias, los sistemas y la cobertura lingüística necesarios para distribuir ese valor.

Observe la composición ocupacional, no solo el total destacado. Ahí es donde se hará visible la próxima fase de la economía de la IA.