La previsión del PIB con IA de Anthropic apunta a 44,4 billones de dólares, con los trabajadores asumiendo el riesgo
El cofundador de Anthropic, Jack Clark, ha puesto una cifra llamativa al acelerado impacto de la IA: la producción de EE. UU. alcanzaría aproximadamente los 44 billones de dólares en 2030. La previsión del PIB con IA de Anthropic describe una economía que se expandiría mucho más allá de su nivel actual, de poco más de 30 billones de dólares. También plantea una cuestión más difícil. Si la IA crea tanta riqueza, ¿cuánto llegará a los trabajadores en lugar de a los propietarios de tecnología?
Clark presentó la estimación durante las reuniones anuales del Fondo Monetario Internacional y el Banco Mundial en Bangkok, el 17 de octubre. Según sus declaraciones en Bangkok, la cifra procede de un modelo económico interno de Anthropic. Reconoció que puede sonar extravagante, aunque sostuvo que las rápidas mejoras de la IA y el descubrimiento científico hacen que merezca la pena examinarla.
La cifra principal no es una previsión económica convencional. Representa el escenario más agresivo de un modelo cuyos resultados dependen de supuestos inciertos sobre capacidades, adopción, automatización y productividad. Los escenarios más moderados de Anthropic arrojan ganancias mucho menores.
Esta distinción importa porque el modelo también expone el conflicto central detrás del auge proyectado. El camino hacia los 44,4 billones de dólares implica una automatización inusualmente rápida, una menor demanda de algunos trabajadores del conocimiento y una gran transferencia de ingresos hacia el capital. Por tanto, la historia no consiste simplemente en que la IA haga más rica a Estados Unidos. Se trata de que el crecimiento general y la seguridad de los hogares pueden avanzar en direcciones opuestas.
Lo que realmente dice la previsión del PIB con IA de Anthropic
La cifra de 44,4 billones de dólares de Anthropic es un escenario extremo, no una predicción que la empresa afirme que ocurrirá con certeza.
El modelo económico de Anthropic comienza tratando los empleos como conjuntos de tareas. Algunas tareas permanecen sin cambios, otras reciben asistencia de IA y otras se automatizan. Después, el modelo estima cómo esos cambios afectan a la productividad, los salarios, el desempleo y la producción total.
Su modelo de escenarios público describe tres posibles economías estadounidenses en 2030. Todas las cantidades utilizan niveles de precios de 2025, lo que permite a los investigadores separar el crecimiento real de la inflación ordinaria.
En el escenario moderado, el PIB de EE. UU. alcanza los 34,1 billones de dólares. Eso supone un 1,6 por ciento más que la referencia sin IA del modelo. La IA asume una proporción limitada de las tareas económicas, mientras que la mayoría de los patrones de empleo siguen siendo reconocibles.
El escenario sustancial produce un PIB de 36,3 billones de dólares, una ganancia del 8,3 por ciento sobre la referencia. La IA se vuelve capaz de realizar la mitad del trabajo del conocimiento, pero las empresas la adoptan solo para una parte de ese trabajo. La mayoría de las tareas de conocimiento siguen realizándose sin IA.
El escenario extremo produce la cifra detrás de las declaraciones de Clark. El PIB alcanza los 44,4 billones de dólares, o un 32,4 por ciento por encima de la trayectoria sin IA. La IA realiza casi un tercio del trabajo de la economía, y la automatización sustituye más actividad humana de la que respalda la ampliación de capacidades.
Ese resultado requeriría que varios avances ocurrieran a la vez. Los modelos tendrían que seguir mejorando rápidamente. Las empresas tendrían que desplegarlos en numerosas industrias. La IA tendría que ahorrar un tiempo considerable en tareas valiosas, y las organizaciones tendrían que rediseñar sus operaciones en torno a esos ahorros.
Los nuevos productos e industrias también tendrían que absorber la capacidad resultante. Producir más barato una cantidad ya existente de informes, software, contratos e investigación no crea automáticamente una economía más grande. Los clientes deben demandar bienes y servicios adicionales, mientras que las empresas deben encontrar usos productivos para la mano de obra y el capital liberados.
El argumento de Clark se centra en el potencial de la IA para acelerar el descubrimiento científico. Una investigación más rápida podría producir nuevos medicamentos, materiales, sistemas energéticos y procesos industriales. Esas invenciones crearían fuentes de producción que no existen en la economía actual.
Este mecanismo separa el escenario de 44,4 billones de dólares de un simple cálculo de eficiencia de oficina. Redactar correos electrónicos más rápido no puede crear por sí solo esa escala de crecimiento. El modelo necesita que la IA eleve el ritmo de invención y amplíe lo que la economía puede producir.
Anthropic ha encontrado indicios de que la IA funciona bien en tareas profesionales complejas. Su Economic Index informó de que Claude aceleró por un factor de 12 las tareas que requieren conocimientos de nivel universitario. Las tareas que requieren conocimientos de nivel de secundaria se aceleraron por un factor de nueve.
Esos resultados tienen una limitación importante. Claude completó con éxito las tareas de nivel universitario el 66 por ciento de las veces, frente al 70 por ciento en las tareas más sencillas. La velocidad solo importa cuando el resultado es lo bastante preciso para utilizarse.
Las mediciones también proceden de interacciones con Claude, en lugar de una muestra representativa de toda la economía. Es más probable que los usuarios de Claude trabajen en tecnología y otros sectores con alta carga de información. La construcción, la hostelería, la salud, la logística y los servicios físicos afrontan distintas restricciones de adopción.
Por tanto, la previsión del PIB con IA de Anthropic describe un posible destino. No establece que todas las industrias hayan encontrado una ruta fiable para llegar allí.
Por qué Anthropic cree que el impacto de la IA se está acelerando
El argumento económico se apoya en un ciclo de retroalimentación en el que la IA mejora el trabajo del conocimiento, incluido el trabajo necesario para crear una IA mejor.
La evidencia más reciente de Anthropic destaca una gran brecha de expectativas entre las personas que trabajan dentro de la empresa y el público general. Esa brecha ayuda a explicar por qué las perspectivas económicas de Clark parecen más agresivas que muchas previsiones convencionales.
En una encuesta de agosto de 2026, Anthropic preguntó a 10.980 adultos estadounidenses y a 1.334 empleados sobre las futuras capacidades de la IA. La muestra pública se ponderó para representar a los adultos estadounidenses. La encuesta a empleados fue un sondeo interno sin ponderar.
Ambos grupos tenían opiniones similares sobre lo que los sistemas actuales pueden hacer. Sus expectativas divergieron drásticamente cuando los investigadores preguntaron por los próximos cuatro años.
Para 2030, el 91 por ciento de los empleados de Anthropic esperaba que la IA realizara un descubrimiento científico digno de un Nobel. Solo el 39 por ciento de los adultos estadounidenses compartía esa expectativa. Los usuarios habituales de IA en el trabajo eran más optimistas que quienes nunca habían utilizado la tecnología.
Los empleados de Anthropic también esperaban que la IA asumiera una media del 75 por ciento de su trabajo actual para 2030. Los trabajadores estadounidenses situaron la cifra comparable en el 28 por ciento. Más de la mitad de los empleados de Anthropic esperaba que la IA realizara al menos el 80 por ciento de su trabajo.
La encuesta de expectativas de la empresa no mide lo que la IA logrará realmente. Mide las creencias de dos poblaciones con exposiciones muy diferentes a sistemas de frontera.
Las personas dentro de un laboratorio de IA pueden ver capacidades emergentes antes de que lleguen a productos comerciales. También tienen incentivos, culturas profesionales y experiencias diarias que pueden hacer que el rápido progreso parezca más probable.
La encuesta contiene evidencias para ambas interpretaciones. Los investigadores de Anthropic estimaron que la IA ya realiza el 60 por ciento del trabajo de desarrollo de modelos de frontera, basándose en respuestas de empleados de investigación. En toda la empresa, la estimación mediana fue del 51 por ciento.
Estas cifras incluyen más que generar código. El desarrollo de modelos también requiere orientación de investigación, diseño de experimentos, evaluaciones y trabajo operativo. Los empleados de Anthropic proyectaron que la proporción de IA en ese esfuerzo combinado aumentaría al 80 por ciento para finales de 2027.
Si esas expectativas resultan acertadas, el desarrollo de IA adquiere un mecanismo de refuerzo. Los mejores modelos ayudan a los investigadores a escribir código y ejecutar experimentos. Esa asistencia permite a los equipos producir otra generación más rápido, que luego contribuye más a su sucesora.
Sin embargo, las expectativas internas siguen siendo opiniones, no mediciones directas de productividad. Anthropic las etiqueta explícitamente como estimaciones personales, no como una previsión de la empresa. La distinción evita tratar la confianza de laboratorio como evidencia económica consolidada.
La adopción crea otra barrera. Un modelo capaz no genera ningún retorno económico hasta que una organización cambia sus flujos de trabajo, el acceso a datos, los controles de seguridad y los sistemas de rendición de cuentas. Muchas empresas todavía utilizan la IA como un asistente opcional añadido a procesos existentes.
La encuesta pública identificó las preferencias de los clientes, la seguridad de los datos, la fiabilidad, la regulación y la responsabilidad legal como grandes obstáculos para la adopción. Entre los usuarios habituales de IA en el trabajo, el 42 por ciento situó la privacidad y las preocupaciones de seguridad entre sus tres principales barreras.
Estas restricciones se vuelven más serias a medida que los sistemas reciben mayor autonomía. Un chatbot puede sugerir un párrafo mientras una persona sigue siendo responsable del documento terminado. Un agente autónomo puede tomar decisiones conectadas entre sistemas corporativos, creando costes de fallo mucho mayores.
El escenario de 44,4 billones de dólares supone que las organizaciones superan suficientes de estos problemas antes de 2030. Es un calendario exigente para industrias reguladas, organismos públicos y empresas físicas con infraestructura antigua.
Aun así, la advertencia de Clark sobre la aceleración merece atención. Los datos económicos suelen ir por detrás del desarrollo tecnológico. Las estadísticas nacionales pueden registrar la inversión en software y la producción, pero no pueden aislar de inmediato la contribución de la IA generativa.
La Oficina de Estadísticas Laborales de EE. UU. afirma que la IA entra actualmente en sus mediciones de manera indirecta a través del capital de software. Sus datos de productividad también muestran que las industrias adoptan nuevas tecnologías a diferentes velocidades.
Ese retraso en la medición crea una posibilidad real de que las capacidades de laboratorio avancen antes que los indicadores nacionales. También deja espacio para que el entusiasmo se adelante a los retornos demostrados. Ambas condiciones pueden coexistir al mismo tiempo.
El auge frente al salario
El resultado más trascendente del modelo no es el tamaño del PIB. Es la reducción de la proporción de esa producción que se paga a los trabajadores.
En el escenario moderado de Anthropic, el trabajo recibe el 59,4 por ciento de la renta nacional. El capital recibe el 40,6 por ciento. Este resultado se mantiene cerca de la distribución inicial del modelo.
En el escenario sustancial, la participación del trabajo cae al 56,1 por ciento. La porción del capital aumenta al 43,9 por ciento. La economía en general crece, pero los propietarios de infraestructura informática, modelos, propiedad intelectual y otros activos productivos capturan una fracción mayor.
El escenario extremo hace que la división sea mucho más marcada. El trabajo recibe el 45,2 por ciento del PIB, mientras que el capital se queda con el 54,8 por ciento. Esto representa un cambio de 14,8 puntos porcentuales hacia el capital.
Los trabajadores en conjunto pueden recibir unos ingresos totales similares a los de la referencia sin IA, aun representando una proporción mucho menor de una economía más rica. Ese resultado matemático captura la tensión central de la previsión del PIB con IA de Anthropic.
El PIB mide el valor de los bienes y servicios producidos. No muestra quién posee los activos productivos, quién pierde poder de negociación ni cuán equitativamente llegan los ingresos a los hogares. Un aumento de la producción puede coexistir con perspectivas laborales más débiles para comunidades concretas.
El mismo escenario que crea el PIB más alto también genera la mayor disrupción laboral. El modelo de Anthropic sitúa el desempleo cerca del 12 por ciento en su caso extremo. El empleo entre los trabajadores del conocimiento cae más de un 20 por ciento con respecto a la referencia.
El escenario sustancial es menos grave. Sitúa el desempleo en el 4,6 por ciento, al tiempo que reduce el empleo de los trabajadores del conocimiento en alrededor de un 4 por ciento. El escenario moderado mantiene la disrupción dentro de rangos históricos más conocidos.
Estas diferencias surgen del equilibrio entre la ampliación de capacidades y la automatización. La ampliación permite a un trabajador producir más con asistencia de IA. La automatización permite al sistema realizar una tarea con poca intervención humana continua.
Ambas elevan la productividad medida, pero distribuyen las ganancias de forma diferente. La ampliación puede reforzar la demanda de trabajadores cualificados que supervisan la tecnología. La automatización puede reducir el empleo incluso cuando incrementa la producción total.
La distinción se vuelve concreta dentro de un equipo de software. Un ingeniero que utiliza IA para revisar código y buscar documentación puede completar proyectos más rápido. El empleador puede emplear esa capacidad para crear más productos o contratar a menos ingenieros.
Decisiones similares aparecen en la investigación jurídica, la atención al cliente, el análisis financiero, el marketing y el trabajo administrativo. La tecnología no determina por sí sola el resultado laboral. La demanda, la estrategia de gestión, la competencia y las instituciones laborales configuran el resultado.
Los trabajadores del conocimiento afrontan una presión temprana porque los actuales sistemas generativos operan mediante texto, código, imágenes e información estructurada. Los datos de uso de Anthropic muestran que las tareas más complejas suelen recibir mayores ahorros de tiempo que las más sencillas.
Ese patrón cuestiona la idea tranquilizadora de que la automatización siempre comienza con trabajo rutinario y de baja cualificación. La IA puede ayudar a trabajadores con alta formación precisamente porque su producción suele existir en formato digital. Sus tareas son más fáciles de integrar en el entorno operativo de un modelo.
La distribución desigual también se extiende entre regiones y organizaciones. Anthropic descubrió que un aumento del 1 por ciento en el PIB nacional por persona se asociaba con un 0,7 por ciento más de uso de Claude por persona. Se trata de una correlación, no de una prueba de que los ingresos causen la adopción.
Las empresas y los países más ricos pueden adquirir capacidad de cómputo, preparar datos, contratar personal técnico y absorber los costes de experimentación. Las organizaciones sin esos recursos pueden convertirse en clientes de sistemas controlados en otros lugares, en vez de propietarias de activos productivos de IA.
El análisis de crecimiento del Banco Mundial llega a una conclusión igualmente cautelosa. La contribución de la IA depende de la infraestructura, las capacidades, los sistemas regulatorios, la velocidad de adopción y la persistencia de las ganancias de productividad.
Su revisión concluyó que las estimaciones económicas van desde mejoras modestas hasta un crecimiento transformador. Los distintos supuestos sobre las tareas expuestas y la adopción explican buena parte de ese rango. Precisamente ahí se separan los tres escenarios de Anthropic.
Este problema de distribución presiona a los responsables políticos de forma más directa que la competencia entre Anthropic, OpenAI, Google y otros desarrolladores de modelos. Mejores modelos pueden intensificar el problema sin importar qué empresa lidere una referencia comparativa.
Para los compradores empresariales, la cuestión también va más allá de elegir un proveedor. Los ejecutivos deben decidir si las ganancias de productividad amplían la producción, mejoran el servicio, reducen las horas de trabajo o disminuyen la nómina. Esas decisiones convierten el rendimiento técnico en distribución económica.
Los trabajadores se enfrentan a su propia versión de esa decisión. Necesitan sistemas que preserven el contexto útil, las pruebas y la rendición de cuentas a medida que la IA gestiona más trabajo. Una base de conocimientos de IA bien mantenida puede ayudar a los equipos a revisar las entradas y conservar el conocimiento institucional.
Eso no elimina el riesgo de desplazamiento. Sin embargo, puede hacer más creíble la ampliación de capacidades al mantener a las personas conectadas con el material de origen y las decisiones que sustentan el resultado automatizado.
Lo que no demuestra el escenario de 44,4 billones de dólares
La previsión combina mecanismos plausibles con supuestos que no se han validado a escala nacional.
La primera incertidumbre se refiere al progreso técnico. Los modelos actuales pueden producir trabajo útil, pero también cometen errores factuales y tienen dificultades con encargos largos y ambiguos. La fiabilidad suele disminuir cuando una tarea requiere más pasos y menos supervisión.
Una demostración de laboratorio no establece un rendimiento fiable dentro de un hospital, una fábrica, un tribunal o una institución financiera. Los despliegues reales deben cumplir normas de privacidad, estándares profesionales, requisitos de seguridad y controles de responsabilidad.
La segunda incertidumbre se refiere a la difusión. Las tecnologías de propósito general rara vez se propagan por una economía a la velocidad de una actualización de software. Las organizaciones necesitan inversiones complementarias antes de captar todo el beneficio.
La electricidad transformó la producción industrial solo después de que las fábricas cambiaran sus diseños y su maquinaria. Los ordenadores requirieron nuevos procesos empresariales, capacidades, bases de datos y redes. La IA también exige un rediseño organizativo, en lugar de un simple acceso a un modelo.
La tercera incertidumbre se refiere a la demanda. Ahorrar el 80 por ciento del tiempo necesario para una tarea no garantiza cinco veces más producción valiosa. Es posible que los clientes no necesiten cinco veces más informes, presentaciones, anuncios o funcionalidades de software.
Los precios también pueden caer a medida que producir se vuelve más fácil. Los precios más bajos benefician a los compradores, pero reducen los ingresos medidos asociados a cada unidad. Las empresas deben descubrir nuevos usos que amplíen la demanda más rápido de lo que la automatización reduce los costes.
La cuarta incertidumbre implica la sustitución fuera del trabajo del conocimiento. El modelo de Anthropic no incluye un futuro de robots de propósito general altamente capaces. Por tanto, gran parte de la economía física seguiría limitada por los equipos, el tiempo de construcción, la energía, el transporte y la prestación de servicios humanos.
El quinto problema es la atribución. Anthropic desarrolla y vende la tecnología cuyos efectos modelan sus investigadores. Eso no invalida el trabajo, pero hace esencial una evaluación independiente.
Los investigadores necesitan acceso a datos de uso más amplios de sistemas e industrias competidoras. También necesitan evidencia de empresas que adoptaron IA, empresas que no lo hicieron y trabajadores afectados por ambas decisiones.
Anthropic merece reconocimiento por publicar escenarios con resultados visiblemente distintos. La empresa afirma que el futuro no está predeterminado, y su modelo permite a los lectores modificar los supuestos. Esa transparencia es más útil que presentar una cifra sin condiciones.
Sin embargo, el titular de Reuters destaca de forma natural el resultado más elevado. Los lectores pueden interpretar fácilmente los 44 billones de dólares como la previsión base de Anthropic, aunque el modelo público etiqueta los 44,4 billones como su escenario extremo.
El escenario también difiere de la estimación anterior de productividad de Anthropic. Su Economic Index calculó que la IA de la generación actual, combinada con una adopción amplia, podría añadir 1,8 puntos porcentuales al crecimiento anual de la productividad laboral durante una década.
Esa estimación ya implicaba un cambio económico importante. El escenario extremo de 2030 va más allá al asumir capacidades más rápidas, uso autónomo generalizado, creación de nuevas tareas y una sustitución significativa del trabajo del conocimiento.
Las instituciones independientes siguen siendo más cautas. El Banco Mundial afirma que los supuestos optimistas podrían convertir la década de 2030 en el período de crecimiento global más fuerte desde la década de 1970. También subraya que los supuestos menos optimistas producen ganancias mucho menores.
La reacción política en las reuniones de Bangkok reflejó esta incertidumbre. La directora gerente del FMI, Kristalina Georgieva, comparó el desarrollo de la IA con una carrera de Fórmula 1 que requiere barreras para proteger a las personas. Clark respondió que la carrera carecía de frenos adecuados.
El debate sobre las salvaguardas es notable porque Clark no pide a los responsables políticos que acepten el crecimiento a cualquier precio. Solicitó normas inusuales y serias, al tiempo que advirtió que las empresas no pueden tomar solas las decisiones pertinentes.
Esa posición crea una contradicción aparente. Anthropic compite por desarrollar sistemas cada vez más capaces mientras pide a los gobiernos que gestionen sus consecuencias. Sin embargo, también refleja la estructura subyacente de la competencia en IA.
Un único desarrollador que desacelera no puede controlar a los competidores, los modelos abiertos ni los programas nacionales. Las salvaguardas eficaces requieren estándares compartidos, obligaciones de información, evaluaciones y aplicación de normas entre desarrolladores.
Por tanto, los responsables políticos se enfrentan a dos errores. Avanzar demasiado despacio podría dejar las protecciones laborales y las normas de seguridad rezagadas frente a un despliegue rápido. Actuar basándose en supuestos especulativos podría imponer normas costosas antes de que los funcionarios comprendan los riesgos reales.
La respuesta no consiste en elegir entre crecimiento y cautela en abstracto. Los gobiernos necesitan criterios medibles vinculados a las capacidades, la adopción, los resultados laborales y los daños demostrados. Los escenarios de Anthropic pueden ayudar a identificar esos criterios, pero no pueden sustituir los datos observados.
Tres señales que pondrán a prueba la previsión de Anthropic
La siguiente fase debería evaluarse mediante datos de capacidad, adopción y distribución, no con otra proyección llamativa de cifra principal.
La primera señal es si la IA puede completar encargos profesionales más extensos con menos correcciones humanas. El progreso en preguntas aisladas de pruebas comparativas no validará la previsión de Anthropic sobre el PIB impulsado por IA. Los sistemas deben planificar, ejecutar, verificar y revisar el trabajo de forma fiable en entornos operativos reales.
Los investigadores deberían observar las tasas de éxito junto con la velocidad. Un sistema que completa una tarea 12 veces más rápido pero exige una revisión exhaustiva puede ofrecer una ganancia neta menor. Los costes de los errores importan aún más en medicina, finanzas, derecho, infraestructura y seguridad.
La evidencia de que la IA puede completar de forma autónoma proyectos de varias horas o varios días reforzaría el escenario extremo de Anthropic. Una meseta en la fiabilidad lo debilitaría, incluso si los modelos siguen mejorando en las pruebas comparativas convencionales.
La segunda señal es una adopción empresarial amplia más allá de las empresas tecnológicas. El crecimiento nacional requiere ganancias medibles en servicios, manufactura, ciencia, gobierno y pequeñas empresas. Un uso concentrado entre ingenieros de software no puede generar por sí solo la economía modelada.
Las empresas deberían comenzar a informar qué procesos utilizan IA, cuánto tiempo ahorran esos despliegues y si la producción se amplía. Los cambios en el empleo deberían separarse de la reestructuración ordinaria, la externalización y la debilidad cíclica.
Las estadísticas oficiales serán importantes aquí. Si las industrias expuestas a la IA muestran de forma consistente un crecimiento más rápido de la productividad tras controlar las diferencias de inversión y fuerza laboral, el mecanismo de Anthropic gana respaldo. Si el gasto aumenta sin ganancias duraderas de producción, el argumento se debilita.
La calidad de la adopción importa tanto como su volumen. Una empresa que compra miles de cuentas de IA no equivale a una empresa que rediseña la producción en torno a agentes fiables. El uso activo, la finalización de tareas, las tasas de error y los resultados financieros proporcionan mejor evidencia.
La tercera señal es cómo evolucionan los ingresos y el empleo a medida que aumenta la productividad. La prueba más importante es si la IA complementa a los trabajadores o sustituye suficientes tareas como para reducir su poder de negociación.
Observe el desempleo entre los trabajadores con educación universitaria y en las primeras etapas de su carrera, especialmente en software, análisis, administración, atención al cliente y medios. Observe también el crecimiento salarial, las tasas de contratación, las horas trabajadas y la participación del trabajo en la renta nacional.
Una aceleración sostenida de la productividad con empleo estable y salarios al alza respaldaría el potencial económico positivo, al tiempo que debilitaría el escenario de distribución más duro de Anthropic. Un crecimiento rápido acompañado de una caída del empleo en el trabajo del conocimiento validaría su advertencia central.
Las decisiones políticas pueden cambiar ese resultado. El apoyo a la formación, las prestaciones transferibles, la política de competencia, la participación de los trabajadores y una propiedad más amplia del capital podrían distribuir las ganancias de forma más extensa. Las protecciones mal diseñadas también podrían ralentizar la adopción sin ofrecer a los trabajadores desplazados una seguridad significativa.
Los desarrolladores y los compradores empresariales deberían tratar la previsión como un rango de planificación, no como una promesa. Prueben qué tareas puede completar la IA, registren las tasas de fallo y preserven la responsabilidad humana en torno a decisiones relevantes. Midan si el tiempo ahorrado se convierte en mejor producción o simplemente en menos puestos.
Los trabajadores del conocimiento deberían realizar una auditoría similar. Identificar qué partes de un puesto dependen del juicio, la confianza, la presencia física, las relaciones organizativas o la responsabilidad por los resultados. Después, comparar esas áreas con las tareas que los modelos ya pueden realizar bajo supervisión.
El titular de los 44,4 billones de dólares merece atención porque revela la magnitud de la apuesta que se está haciendo ahora. Anthropic no se limita a predecir mejores chatbots. Su escenario más agresivo describe una reestructuración de la producción y los ingresos en un plazo de cuatro años.
La cuestión decisiva no es si Estados Unidos puede enriquecerse sobre el papel. Es si las instituciones pueden convertir la productividad de la IA en nuevas industrias, ingresos ampliamente compartidos y trabajo que siga siendo económicamente valioso.
Sigue durante los próximos trimestres las pruebas que sustentan la previsión de Anthropic sobre el PIB impulsado por la IA. ¿Están los sistemas autónomos completando trabajo valioso de forma fiable? ¿Están apareciendo ganancias de productividad fuera de las empresas de IA? ¿Están los trabajadores participando de esas ganancias?
Las respuestas a esas tres preguntas revelarán si Clark identificó una aceleración económica inminente o el límite extremo de las expectativas de la industria tecnológica.
