top of page

El estudio de la Fed sobre IA sopesa los centros de datos frente a la productividad

hace 25 minutos
14 min de lectura
Illustrative photograph. Photo: Kampus Production / Pexels.

Investigadores de la Reserva Federal han publicado un estudio de la Fed sobre IA que destaca una brecha cada vez mayor entre la inversión visible en infraestructura y las ganancias de productividad que siguen siendo difíciles de medir. Los edificios, los chips y los compromisos de construcción ofrecen pruebas concretas de gasto. No determinan cuánto más eficientemente produce bienes y servicios la economía en general.

Esa distinción importa para las empresas que financian capacidad de computación y los negocios que adquieren herramientas de IA. Ambos necesitan aplicaciones útiles para justificar sus compromisos. Sin embargo, sus pruebas llegan en calendarios diferentes: un proyecto de construcción se vuelve visible antes de que sus futuros clientes demuestren mejoras duraderas en el trabajo cotidiano.

La tensión central enfrenta la inversión en infraestructura con el valor económico realizado. Investigaciones anteriores de Erik Brynjolfsson y sus colegas ofrecen una referencia histórica: el gasto tecnológico y las mejoras organizativas no necesariamente aparecen al mismo tiempo. La cuestión es con qué solidez pueden las empresas conectar lo primero con lo segundo.

Lo que realmente establece el estudio de la Fed sobre IA

El documento evalúa la evidencia actual; no ofrece un veredicto definitivo sobre el potencial económico de la IA.

La investigación sobre la economía de la IA de noviembre de 2026 procede de Nick Carollo, Leland D. Crane, Daniel Garcia Molina y Joseph Nichols. Su página oficial se actualizó por última vez el 12 de noviembre. Describe una expansión de la inversión y la adopción junto con efectos agregados sobre la productividad que, hasta ahora, parecen reducidos.

La publicación forma parte de la Finance and Economics Discussion Series, una colección de documentos de trabajo destinada a respaldar la investigación y el debate. Sus conclusiones representan las opiniones de los autores. No establecen consenso por parte de la Junta de la Reserva Federal ni de otros miembros de su personal.

Ese límite es especialmente relevante cuando un titular empieza con “estudio de la Fed”. Los lectores no deberían interpretar el documento como una previsión de política monetaria. Su publicación tampoco significa que los responsables políticos hayan resuelto cómo afectará la IA al crecimiento futuro, el empleo o la inflación.

El momento también merece cautela. La mayor parte del análisis se completó en junio de 2026, aunque el documento incluye información posterior. Su aparición en noviembre no convierte cada observación subyacente en una medición reciente de noviembre.

Para los lectores, el cambio útil es el marco analítico. El documento reúne la inversión física, la adopción empresarial, los costes de los insumos, el empleo y la productividad en una misma discusión. Eso fomenta una interpretación más exigente de los titulares conocidos sobre IA.

Una instalación planificada indica intención de construir. Una instalación operativa indica capacidad disponible. Un contrato con un cliente indica demanda bajo condiciones concretas. Una mejora demostrada en el trabajo terminado indica algo distinto una vez más.

Estas observaciones pueden reforzarse entre sí, pero ninguna sustituye automáticamente a las demás. Tratarlas como intercambiables hace que una historia de inversión parezca más concluyente de lo que permite su evidencia.

Consideremos una empresa hipotética que adquiere acceso a capacidad informática adicional. Esa compra establece que la dirección espera un beneficio. No establece si los empleados terminan trabajo útil más rápido, los clientes reciben un mejor servicio o mejoran los resultados operativos.

La distinción también funciona a la inversa. Un empleado puede experimentar un beneficio considerable sin generar un movimiento visible en las estadísticas nacionales. Una aplicación exitosa sigue siendo relevante incluso cuando representa una pequeña parte de la economía.

Por eso el documento debería hacer más preciso el análisis periodístico, en lugar de cerrar el debate. Las afirmaciones optimistas necesitan un puente entre la adopción y los resultados. Las afirmaciones escépticas deben explicar por qué la limitada evidencia agregada descarta beneficios en contextos específicos.

Para los compradores empresariales, eso cambia la pregunta más útil. Preguntar si la IA “funciona” invita a una respuesta demasiado amplia para orientar una compra. Preguntar qué flujo de trabajo mejora y en qué condiciones produce algo que una empresa puede evaluar.

Para los proveedores de infraestructura, la pregunta correspondiente se refiere a una demanda fiable. Los clientes que experimentan con una herramienta ofrecen una base distinta de la de aquellos que la compran repetidamente porque mejora sus operaciones.

La importancia del estudio reside en hacer más difíciles de ignorar esas distinciones. Sitúa la carga de la explicación entre el anuncio de gasto y el resultado económico final.

Los proyectos anunciados no son inversión completada

Las mayores cifras de infraestructura describen distintas etapas de desarrollo, y esas etapas no pueden sumarse sin más.

El análisis de centros de datos identifica planes anunciados cercanos a los 300.000 millones de dólares en 2024 y superiores a 1 billón de dólares en 2025. Se trata de planes de proyectos, no de gasto ya completado.

Utilizando planes disponibles en mayo de 2026, el escenario intermedio de los autores proyecta que la inversión aumente de unos 100.000 millones de dólares en 2024 a más de 880.000 millones a finales de 2027. Ese escenario supera el 2% del producto interior bruto, el valor de los bienes y servicios producidos dentro del país.

La proyección depende de supuestos sobre nuevos planes, abandonos y plazos de construcción. Aproximadamente un tercio de la inversión se destina a estructuras, y la mayor parte del gasto restante se dirige a equipos de alta tecnología.

Los autores estiman una proporción de importaciones cercana al 50%, incluidos los servicios capitalizados. También identifican restricciones relacionadas con la energía, la zonificación, los materiales, la mano de obra y la financiación. Estas salvedades impiden interpretar de forma simple la inversión proyectada como construcción garantizada o como una contribución equivalente a la producción nacional.

La implicación práctica es que todo titular sobre infraestructura necesita una medición claramente identificada. Los anuncios revelan ambición. La actividad de construcción revela ejecución. La instalación de equipos acerca un proyecto a la prestación de servicio. El uso por parte de los clientes determina si esa capacidad respalda una actividad económica duradera.

En un desarrollo hipotético, el mismo proyecto podría aparecer en varios anuncios a medida que avanza por esas etapas. Contar cada anuncio como inversión nueva exageraría la escala de la actividad nueva.

Una cifra de gasto de capital de toda la empresa crea otro problema de interpretación. El gasto de capital significa desembolso en activos que se espera que sirvan a un negocio con el tiempo. Esa cifra puede abarcar varias actividades y no aísla automáticamente la IA.

Por lo tanto, una comparación precisa necesita límites coherentes. Una estimación de proyecto debe compararse con otra estimación de proyecto. El gasto real debe compararse con gasto real. Un escenario debe conservar sus supuestos siempre que aparezca.

La distinción del PIB exige una disciplina similar. La producción nacional y los equipos importados entran de forma diferente en la contabilidad nacional. Una compra grande puede respaldar una instalación estadounidense sin representar una cantidad igualmente grande de producción estadounidense.

Eso no hace que los equipos importados sean económicamente irrelevantes. Una empresa puede utilizarlos para prestar servicios valiosos durante años. Significa que la compra y su posterior contribución productiva responden a preguntas distintas.

Los lectores también deberían resistirse a convertir un nivel de inversión proyectado en una contribución idéntica al crecimiento económico. Un nivel describe una cantidad en un momento o período. El crecimiento describe el cambio respecto de otro período.

Estas diferencias importan cuando una cifra grande pasa de un gráfico de investigación a un titular. Eliminar el período de medición o la etiqueta del escenario puede alterar la afirmación más que acortar la cifra.

Para los desarrolladores de infraestructura, la presión resultante es operativa. Un proyecto anunciado necesita una vía creíble a través de aprobaciones, construcción, entrega de equipos y servicio al cliente. La atención pública no completa ninguno de esos pasos.

Para los compradores, la pregunta útil se refiere a la capacidad disponible bajo condiciones reales de entrega. Un anuncio de proyecto lejano ofrece menos seguridad que un servicio que una empresa puede utilizar cuando su flujo de trabajo lo requiere.

La cartera de inversión sigue siendo económicamente significativa. Su significado se vuelve más claro cuando cada etapa conserva su propia etiqueta, en lugar de presentarse como prueba de que toda la cartera ya ha cumplido.

Los compradores necesitan trabajo terminado, no solo más capacidad

Los proveedores de infraestructura y los compradores empresariales afrontan la misma prueba subyacente: si una computación adicional produce resultados que vale la pena mantener.

El estudio de la Fed sobre IA pone esa prueba en foco sin resolverla para todas las empresas. Las siguientes implicaciones se refieren a cómo deberían interpretar las empresas la brecha, más que a conclusiones sobre los rendimientos de proveedores concretos.

Empecemos con un comprador empresarial que considera un asistente de redacción con IA. Producir un borrador más rápido puede ser útil. El resultado empresarial depende de lo que ocurra después de que aparezca el borrador.

Si un revisor debe reconstruir el argumento, verificar cada afirmación factual y reescribir la conclusión, la velocidad de generación mide solo una parte del flujo de trabajo. La comparación relevante incluye esos pasos posteriores.

Como alternativa, un borrador podría requerir poca revisión y ayudar a un empleado a terminar un trabajo que antes quedaba sin completar. Ese es un resultado diferente, incluso si la herramienta produce cantidades similares de texto.

La decisión de compra debe distinguir estas posibilidades. El uso mide la interacción con el producto. El trabajo completado y aceptable mide el progreso hacia el objetivo empresarial. Ninguno debería sustituirse silenciosamente por el otro.

Un equipo hipotético de atención al cliente ilustra la diferencia. Un asistente podría ayudar a los agentes a localizar una respuesta aprobada con mayor rapidez. Su valor depende en parte de si la respuesta resuelve el problema del cliente sin generar seguimiento adicional.

Para un equipo de software, el código generado afronta una cadena similar. Un cambio propuesto debe encajar en la aplicación existente, superar la revisión y seguir siendo mantenible. Una generación más rápida puede coexistir con una entrega más rápida o más lenta.

Estos ejemplos no establecen que la IA ayude o perjudique en general. Explican por qué la misma categoría de compra puede producir resultados diferentes entre organizaciones.

El contexto es un factor de separación plausible. Una herramienta que trabaja con instrucciones incompletas afronta una tarea distinta de otra que recibe documentación relevante y criterios de aceptación claramente definidos.

Para los equipos que examinan ese problema, una base de conocimiento con búsqueda ofrece un flujo de trabajo relacionado para considerar. Organizar el material fuente es distinto de demostrar una ganancia de productividad de IA, pero ayuda a definir qué información requiere un flujo de trabajo.

Los proveedores de infraestructura se encuentran indirectamente con el lado del cliente de este desafío. Una empresa que obtiene valor repetible tiene una razón más clara para seguir comprando servicios. Una empresa que no puede identificar el beneficio tiene una justificación interna más débil.

La misma lógica ayuda a comparar OpenAI y Anthropic como proveedores de modelos con Microsoft y Amazon como proveedores de nube. Son posiciones diferentes dentro de la cadena de suministro informático, en lugar de negocios intercambiables.

El punto analítico es seguir la relación con el cliente. Un proveedor de modelos necesita demanda para sus capacidades. Un proveedor de nube necesita clientes para los servicios de infraestructura. Un comprador empresarial necesita un resultado útil de su propia aplicación.

El éxito en un nivel no establece automáticamente el éxito en todos los demás. Un proveedor de infraestructura puede recibir pagos antes de que un cliente empresarial haya determinado si su aplicación mejora las operaciones.

Esto hace que la presión sea más específica que un debate sobre el entusiasmo por la IA. Los compradores necesitan evidencia que resista la revisión y la renovación. Los proveedores necesitan una demanda que resista las evaluaciones de los clientes.

Un anuncio de capacidad puede respaldar las expectativas sobre esa demanda. No puede sustituir los resultados de los clientes de los que dependen en última instancia esas expectativas.

La evidencia en el lugar de trabajo respalda mejoras, con límites

La investigación que muestra un beneficio en un entorno laboral definido es más sólida que una promesa general, pero sus límites siguen formando parte del hallazgo.

Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron un asistente conversacional de IA utilizado por agentes de atención al cliente. Su estudio publicado sobre productividad en el lugar de trabajo presenta evidencia de 5.172 agentes.

El acceso al asistente incrementó en promedio un 15% los casos resueltos por hora. Los efectos variaron entre los trabajadores. El artículo apareció en la edición de mayo de 2025 del Quarterly Journal of Economics.

Esto ofrece un ejemplo concreto de uso productivo, en lugar de una inferencia basada en el gasto en infraestructura. También establece un resultado específico: incidencias de atención al cliente resueltas por hora, dentro del entorno estudiado.

Ese resultado debe seguir vinculado al porcentaje cada vez que se cite. No representa un aumento medido en la productividad de todos los trabajadores. Tampoco establece un cambio equivalente en todas las funciones empresariales.

La distinción ayuda a conciliar la evidencia positiva en el lugar de trabajo con efectos agregados limitados. Un estudio local pregunta si el acceso a una herramienta cambia el rendimiento en condiciones definidas. El análisis nacional pregunta por los resultados en una economía mucho más amplia.

Estas preguntas difieren en cobertura, calendario y medición. Una respuesta clara a la primera puede coexistir con una respuesta incierta a la segunda.

Para un comprador empresarial, la investigación sobre atención al cliente resulta, por tanto, útil como evidencia de posibilidad y como ejemplo de medición cuidadosa. No elimina la necesidad de evaluar el propio flujo de trabajo del comprador.

Una evaluación comparable identificaría el resultado completado antes de examinar el resultado. De lo contrario, un equipo corre el riesgo de elegir la métrica que haga que la implementación parezca más favorable.

Supongamos que un asistente hipotético aumenta la cantidad de respuestas que redacta un empleado. Ese resultado se vuelve más informativo cuando se combina con si los destinatarios aceptan las respuestas y si los problemas permanecen resueltos.

El mismo principio se aplica cuando una herramienta modifica el trabajo en sí. Un empleado podría producir documentación más detallada, explorar opciones adicionales o asumir tareas que antes evitaba.

Una medida de ahorro de tiempo por sí sola puede pasar por alto esos beneficios. A la inversa, contar producción adicional sin evaluar su utilidad puede sobreestimarlos. La evaluación debe ajustarse a la razón por la que la empresa adoptó la herramienta.

La investigación histórica ofrece otra perspectiva. La investigación sobre la curva J de la productividad de Brynjolfsson, Daniel Rock y Chad Syverson analiza cómo las inversiones complementarias afectan al rendimiento medido de las tecnologías de uso general.

Su marco incluye cambios organizativos, nuevos procesos y capital humano. Explica por qué desarrollar las capacidades circundantes puede preceder a mejoras medidas de productividad.

Esa es una razón para examinar cuidadosamente los costes de implementación. No garantiza que toda implementación acabe teniendo éxito. Un retorno retrasado y un proyecto fallido pueden parecer inicialmente similares.

La distinción exige seguimiento. Si una empresa explica resultados débiles como un período de ajuste, la evidencia posterior debería mostrar qué cambió y si el rendimiento mejoró.

Para los compradores, la paciencia se vuelve más defendible cuando se vincula a un proceso de implementación observable. Una promesa indefinida de que los beneficios aparecerán más adelante ofrece mucha menos orientación.

Por tanto, la interpretación optimista más sólida sigue siendo condicional. La investigación en el lugar de trabajo demuestra que las mejoras son alcanzables. El siguiente reto es reproducir resultados útiles en más tareas y organizaciones sin asumir resultados idénticos en todas partes.

Ni las estadísticas débiles ni los experimentos antiguos resuelven el caso

El argumento escéptico también merece escrutinio, especialmente cuando hallazgos históricos se convierten en afirmaciones sobre herramientas actuales.

El experimento de productividad de desarrolladores de METR de julio de 2025 examinó a desarrolladores experimentados de código abierto que trabajaban en sus propios repositorios. El estudio incluyó a 16 desarrolladores y 246 tareas.

Los desarrolladores a quienes se permitió usar IA tardaron un 19% más en completar las tareas. Las herramientas reflejaban las capacidades de principios de 2025, y los investigadores advirtieron explícitamente contra la generalización del resultado a todo el desarrollo de software.

El hallazgo cuestiona la suposición simple de que la asistencia reduce necesariamente el tiempo de finalización. También demuestra por qué las impresiones de los usuarios y el rendimiento medido merecen atención por separado.

Pero su alcance importa tanto como su dirección. Los colaboradores experimentados que trabajan en repositorios conocidos afrontan una combinación particular de tareas y estándares. Otros desarrolladores y proyectos requieren su propia evidencia.

Los desarrollos posteriores complican aún más el uso de ese resultado como veredicto actual. En una actualización del diseño experimental del 24 de febrero de 2026, METR indicó que su experimento más reciente produjo una señal poco fiable sobre los efectos actuales.

Los investigadores identificaron problemas de selección, incluidos desarrolladores que rechazaban participar porque no querían trabajar sin IA. Consideraban probable que las herramientas más recientes ofrecieran mayor aceleración, al tiempo que subrayaban la incertidumbre sobre su magnitud.

Esta actualización no elimina el experimento anterior. Cambia la confianza con la que ese experimento debería aplicarse más allá de su período y entorno originales.

La lección más amplia se refiere a la tecnología cambiante y a los usuarios cambiantes. Cuando las herramientas evolucionan, la evidencia necesita una fecha. Cuando los usuarios cambian las tareas que intentan realizar, las comparaciones deben tener en cuenta ese comportamiento.

Consideremos un desarrollador hipotético que utiliza IA para intentar una tarea que antes se consideraba impracticable. Comparar el tiempo de finalización con un flujo de trabajo anterior se vuelve difícil porque el flujo anterior nunca produjo el mismo resultado.

Esto no demuestra que el nuevo flujo de trabajo sea productivo. Explica por qué la comparación exige más que preguntar si el desarrollador se siente más rápido.

También existe el problema opuesto. Un usuario podría sentirse productivo porque un asistente genera actividad visible, mientras que la revisión y la corrección consumen el ahorro aparente.

Una evaluación sólida debe distinguir estas situaciones. Debe identificar qué trabajo se intentó, qué cumplió el estándar requerido y qué esfuerzo humano respaldó el resultado.

El estudio de IA de la Fed merece la misma disciplina a una escala más amplia. Las mejoras medidas limitadas justifican cautela ante afirmaciones generalizadas. No establecen que todo beneficio local sea imaginario ni que las mejoras futuras sean imposibles.

Del mismo modo, la incertidumbre no debería convertirse en una defensa general de resultados decepcionantes. Una empresa no puede demostrar valor simplemente argumentando que las mediciones existentes son imperfectas.

La postura razonable es exigente en ambas direcciones. Las afirmaciones positivas necesitan evidencia vinculada a resultados útiles. Las afirmaciones negativas necesitan evidencia suficientemente amplia y actual para respaldar sus conclusiones.

Para los lectores, esto significa tratar un porcentaje llamativo como el inicio de una investigación. Su tarea, población, comparación y período de medición determinan lo que realmente puede explicar.

El desacuerdo se vuelve más útil una vez que esos detalles son visibles. En lugar de debatir si la IA es universalmente productiva, los investigadores y compradores pueden identificar dónde difieren los resultados e investigar por qué.

Observe la entrega, los resultados de los clientes y la productividad general

La próxima evidencia debería conectar el progreso operativo con el valor para los clientes antes de respaldar afirmaciones sobre una transformación de toda la economía.

Durante los próximos meses, la primera señal que debe observarse es la entrega frente a los compromisos de infraestructura existentes. Las actualizaciones de proyectos importan más cuando distinguen los planes revisados de las instalaciones y servicios que pasan a estar disponibles.

La evidencia de entrega completada reforzaría el lado de ejecución de la historia de inversión. Los retrasos o las reducciones debilitarían las suposiciones de que la capacidad anunciada llegará conforme a su calendario original.

Ningún resultado por sí solo resuelve la cuestión de la productividad. La entrega establece que existe un insumo. La siguiente pregunta se refiere a cómo lo utilizan los clientes.

La segunda señal es la evidencia de clientes que va más allá del acceso y la experimentación. Observe resultados claramente definidos relacionados con trabajo aceptado, calidad del servicio, uso repetido y continuidad de las compras.

Una empresa que informe una mejora debería explicar la comparación. Una divulgación útil identifica el flujo de trabajo, el resultado y si el esfuerzo de revisión forma parte de la medición.

Las mejoras repetibles reforzarían el argumento de que el gasto en infraestructura respalda una demanda duradera. Los informes centrados únicamente en cuentas creadas o contenido generado dejarían ese vínculo menos desarrollado.

Aquí también las comparaciones entre productos se vuelven más informativas. Un comprador necesita saber qué herramienta se adapta a su tarea y sus condiciones operativas, en lugar de qué proveedor anuncia la mayor ambición general.

Un producto que funciona bien en un flujo de trabajo limitado puede merecer un uso continuado. Un producto de amplia capacidad puede seguir requiriendo más trabajo de implementación del que un comprador concreto puede justificar.

La tercera señal es la evidencia de productividad más amplia, interpretada a lo largo del tiempo. Las medidas agregadas de productividad relacionan la producción con los insumos en toda la economía. Una tendencia más fuerte sería importante, pero atribuirla a la IA requiere análisis adicional.

Una lectura nacional favorable no establecería que todas las inversiones en IA tuvieron éxito. Una lectura débil no invalidaría un experimento bien diseñado en el lugar de trabajo. Las mediciones abordan distintos niveles de actividad.

Lo que reforzaría el argumento general es la coherencia entre esos niveles. La entrega operativa, resultados útiles para los clientes y mejoras más amplias formarían una cadena más persuasiva que cualquier anuncio aislado.

Lo que lo debilitaría sería una separación persistente. La capacidad entregada sin demanda fiable presionaría a los proveedores. El uso generalizado sin beneficios medibles presionaría a los compradores para reconsiderar sus implementaciones.

Estas son señales de observación, no predicciones sobre lo que mostrará el próximo ciclo de informes. Su propósito es hacer que las afirmaciones futuras sean comprobables.

El valor duradero del artículo es la disciplina que aporta a ese proceso. Pide a los lectores distinguir entre lo que se ha construido, lo que se ha adoptado y lo que ha mejorado.

Antes de tratar el próximo anuncio sobre IA como evidencia de un beneficio económico, identifique qué parte de esa cadena mide. Busque un resultado completado, una comparación significativa y una contabilidad clara del esfuerzo requerido. Mantenga a la vista la evidencia exitosa en el lugar de trabajo, preservando al mismo tiempo sus límites. Lea los resultados decepcionantes con igual atención a sus fechas y entornos. El estudio de IA de la Fed ofrece un punto de partida útil porque separa la inversión visible de los beneficios que aún requieren demostración. Siga la próxima actualización de proyecto, evaluación de clientes y publicación de productividad teniendo presente esa distinción. ¿Qué nueva evidencia conecta realmente la capacidad informática adicional con un mejor trabajo?

 
 

Empieza gratis

Un asistente de IA local-first con gestión del conocimiento personal

Para ofrecer una mejor experiencia con la IA,

actualmente remio solo es compatible con Windows 10+ (x64) y M-Chip Macs.

Tu aliado de IA para el trabajo
Haz más con remio

Planifica. Crea. Entrega.
Todo en un solo lugar.

bottom of page