Las ganancias de productividad de la IA según el RBA siguen siendo esquivas mientras los centros de datos añaden presión inflacionaria
La economista del RBA Sarah Hunter afirma que la infraestructura de IA está añadiendo demanda antes de que se hagan visibles ganancias amplias de productividad, lo que crea una incómoda brecha temporal para la política de inflación. La evaluación del RBA sobre la productividad de la IA cuestiona la suposición de que la expansión de la inteligencia artificial genere automáticamente un alivio inmediato frente al aumento de los costes.
Durante la conferencia UBS Australasia en Sídney el 9 de noviembre de 2026, Hunter separó el gasto en tecnología de sus beneficios económicos finales. Su marco económico de la IA describe evidencia limitada de un aumento sustancial de la productividad agregada, es decir, de la producción en relación con los insumos en toda la economía. Esto deja un conflicto central: los constructores de infraestructura necesitan recursos ahora, mientras las empresas todavía deben convertir las nuevas capacidades en producción fiable.
La referencia histórica es la electricidad, cuyos beneficios dependieron de reorganizar la producción en torno a la tecnología. Para los compradores de IA, esa comparación desplaza la atención de las demostraciones impresionantes a la implementación. Para los responsables de las políticas públicas, plantea una pregunta más difícil: ¿cómo deben gestionar la demanda que llega antes de la oferta adicional que se espera que la absorba?
Lo que realmente dice la evaluación del RBA sobre la productividad de la IA
La evaluación de Hunter distingue las mejoras demostradas en tareas de una aceleración de la productividad en toda la economía. Esta distinción importa porque la evidencia necesaria para cada afirmación difiere de manera considerable.
Que un trabajador complete un documento más rápido aporta información sobre una tarea concreta. Que una empresa entregue más trabajo útil con recursos sin cambios aporta información sobre la productividad organizacional. Que una economía produzca más en todos los sectores requiere un patrón más amplio que resista la medición, la agregación y otras influencias económicas concurrentes.
Tratar estos resultados como intercambiables genera confusión. Una demostración exitosa puede justificar más pruebas sin establecer una tendencia económica nacional. Del mismo modo, una evidencia agregada débil no demuestra que haya fracasado todo experimento empresarial.
Hunter también describió una curva J de productividad: un período inicial de inversión y ajuste antes de que surjan beneficios medibles. Su comparación con la electricidad ilustra por qué cambiar únicamente los equipos no tiene por qué transformar la producción. El rediseño organizacional importa junto con la capacidad técnica.
La implicación es práctica, no filosófica. Comprar acceso establece la disponibilidad; integrar la tecnología determina qué cambia. Una empresa todavía debe decidir qué trabajo se traslada, qué aprobaciones permanecen y quién asume la responsabilidad por los errores.
Consideremos un equipo jurídico hipotético que introduce resúmenes automatizados de documentos. Los resúmenes podrían llegar más rápido, pero el equipo aún debe comprobar su precisión, proteger el material confidencial e identificar el contexto faltante. Si la revisión consume el tiempo ahorrado, la mejora inicial aún no se ha traducido en una mayor producción útil.
Ese ejemplo ilustra el problema de medición sin afirmar un resultado documentado para una empresa concreta. El resultado relevante es el trabajo terminado que cumple el estándar exigido. Contar páginas generadas respondería a una pregunta distinta.
Esta distinción también cambia cómo los lectores deberían interpretar resultados decepcionantes. Una implementación fallida puede reflejar software inadecuado, una mala ejecución, una tarea inapropiada o expectativas poco realistas. Estas explicaciones requieren respuestas diferentes.
Sustituir el modelo solo aborda algunas de ellas. Mejorar el acceso a los documentos fuente podría resolver otra. Rediseñar las aprobaciones podría importar más que cualquiera de los cambios técnicos.
Por tanto, el debate del RBA sobre la productividad de la IA impone una carga tanto a entusiastas como a escépticos. Los entusiastas necesitan evidencia que conecte la capacidad con la producción. Los escépticos necesitan evidencia que distinga el ajuste temporal de los límites persistentes.
Ninguna de las partes puede resolver ese debate señalando únicamente la adopción. Utilizar una tecnología y beneficiarse de ella son observaciones distintas. La evidencia más informativa conecta el uso, los recursos, la calidad y los resultados.
Para los lectores que siguen las noticias, este es el primer filtro que deben aplicar. Pregúntense qué mide la mejora reportada antes de decidir hasta qué punto es aplicable. Una afirmación sobre velocidad de redacción merece un tratamiento distinto de una afirmación sobre beneficios empresariales o nivel de vida nacional.
La demanda de infraestructura llega antes que los beneficios
La presión económica inmediata procede de construir y suministrar capacidad, independientemente de cuándo los usuarios capturen sus beneficios. Esto convierte la fase de construcción en el eje central de la historia.
Un análisis complementario del personal del RBA estima que la inversión en centros de datos en Australia aumentó aproximadamente diez veces en tres años. Los autores suponen que alrededor del 70% del gasto se destina a importaciones. Tras ese ajuste, estiman una contribución directa de hasta aproximadamente 0,2 puntos porcentuales al crecimiento anual del PIB durante el último año.
El PIB, o producto interior bruto, mide la producción dentro de una economía. Por ello, los equipos importados importan de manera distinta que la construcción y los servicios prestados localmente. Un gran anuncio de inversión no se traduce directamente en un aumento igual de grande de la producción nacional.
El mismo documento del personal identifica el acceso a la red eléctrica como una restricción importante y describe la competencia por determinadas habilidades transferibles de construcción. Sus conclusiones son análisis del personal, no una declaración de las opiniones del Consejo del RBA.
Estos hechos respaldan una interpretación más limitada de lo que sugieren los titulares más dramáticos. Los centros de datos pueden generar una presión significativa sin explicar cada movimiento de la inflación. Su influencia depende de qué recursos necesiten y de la rapidez con que los proveedores puedan responder.
Imaginemos una región hipotética con terreno disponible pero capacidad limitada de conexión eléctrica. Los edificios adicionales no resolverían la restricción vinculante. La intervención útil implicaría la red, la secuenciación de proyectos u otra fuente fiable de electricidad.
Ahora pensemos en una región con energía suficiente pero pocos contratistas especializados. Su problema inmediato sería diferente. El mismo total nacional de inversión podría producir consecuencias locales distintas.
Por eso los anuncios ofrecen una guía incompleta del impacto económico. Una instalación propuesta, un contrato de construcción, un envío de servidores importados y un centro operativo representan etapas diferentes. Cada una afecta la demanda y la capacidad productiva según un calendario distinto.
Para las empresas fuera del sector tecnológico, la exposición relevante puede ser indirecta. Un fabricante que planee una expansión podría encontrar competencia por contratistas. Un promotor inmobiliario podría enfrentarse a un conjunto distinto de solares disponibles o servicios de ingeniería.
Estos son posibles canales de transmisión, no afirmaciones de que todas las empresas afectadas ya afronten costes más altos. Establecer el efecto real requiere evidencia local. Las condiciones de capacidad determinan si la demanda adicional genera más producción, precios más altos, retrasos o alguna combinación de estos factores.
La distinción entre construcción y operación también importa. Construir una instalación requiere una movilización concentrada de recursos. Operarla crea un patrón de demanda diferente.
Por tanto, un auge de inversión debería evaluarse a lo largo de sus fases. El impulso de demanda a corto plazo no describe automáticamente el empleo permanente, el crecimiento continuado de la construcción ni la distribución final de los ingresos.
Para los compradores empresariales, esto añade otra dimensión a los anuncios de infraestructura. Una mayor capacidad planificada puede ser alentadora, pero las fechas de entrega y las restricciones operativas siguen importando. La capacidad se vuelve económicamente útil cuando los clientes pueden utilizarla de forma fiable.
La tensión central sigue siendo el calendario. El gasto puede entrar en la economía mientras los cambios de flujo de trabajo destinados a justificar ese gasto siguen sin completarse.
Las ganancias reales en tareas aún deben superar todo el flujo de trabajo
La evidencia de que la IA ayuda a determinados trabajadores fortalece el argumento de inversión, pero no establece el tamaño de los beneficios más amplios. Un argumento optimista creíble comienza con resultados medidos.
La investigación de Erik Brynjolfsson, Danielle Li y Lindsey Raymond examinó un asistente de IA utilizado por 5.172 agentes de atención al cliente. Su estudio sobre atención al cliente halló un aumento medio del 15% en los casos resueltos por hora. Los beneficios variaron entre los trabajadores: los agentes menos experimentados y con menores competencias obtuvieron mayores ganancias.
Este hallazgo ofrece un contrapeso concreto a las afirmaciones generales de que los beneficios de productividad son imaginarios. También demuestra por qué el contexto importa. Los investigadores analizaron una aplicación definida, un entorno laboral concreto y un resultado medible.
Una empresa no puede asumir que el mismo resultado se transfiera sin cambios al desarrollo de software, la revisión jurídica o la investigación. Estas actividades tienen costes de error, ciclos de retroalimentación y dependencias diferentes. Una comparación útil preserva esas diferencias.
Para un equipo de software hipotético, generar código más rápido sería un resultado intermedio. El resultado empresarial dependería de si ese código supera la revisión, se integra correctamente y sigue siendo mantenible. La producción más rápida de código inadecuado crearía trabajo adicional en fases posteriores.
Para una operación de soporte hipotética, la velocidad de respuesta también sería incompleta. La calidad de la resolución, los contactos repetidos, las escaladas y los resultados para los clientes ayudarían a determinar si la mejora perdura. Medir todo el proceso de servicio reduciría el riesgo de premiar una actividad que simplemente traslada el trabajo a otro lugar.
Estos ejemplos explican la brecha entre un beneficio visible en una tarea y un resultado organizacional. No contradicen el estudio sobre atención al cliente. Identifican lo que otra organización tendría que probar antes de adoptar su conclusión.
La misma lógica se aplica al comparar proveedores. Microsoft y Google son referencias reconocibles para los compradores empresariales, pero la familiaridad con la marca no establece un resultado de productividad. Una evaluación justa aplicaría las mismas definiciones de tareas y estándares de calidad a todos los candidatos.
Este enfoque mantiene la comparación centrada en el conflicto central del artículo. La cuestión es si el gasto tecnológico genera capacidad útil dentro de la organización compradora. Una disputa sobre anuncios de productos ofrecería una respuesta menos útil.
Por ello, los equipos de compras deben distinguir una demostración atractiva de un compromiso operativo. Una demostración establece qué ocurrió en condiciones seleccionadas. Un compromiso exige confianza en el rendimiento bajo las restricciones reales del comprador.
El acceso al conocimiento organizacional forma parte de esa evaluación. Una base de conocimientos con capacidad de búsqueda ofrece una referencia de flujo de trabajo relevante para equipos que examinan cómo llega la información técnica a sus herramientas. Aun así, debe evaluarse con los mismos estándares de resultados que otras inversiones.
El argumento más sólido a favor de la productividad de la IA es acumulativo. Las ganancias específicas deben persistir, extenderse al trabajo apropiado y superar los recursos necesarios para obtenerlas. Ese proceso puede generar beneficios sustanciales sin que todas las afirmaciones iniciales sean correctas.
La respuesta escéptica más sólida es igual de específica. Identifique dónde desaparece el beneficio y por qué. La decepción general es menos informativa que las pruebas que muestran que la verificación, la integración o una demanda limitada impiden que una mejora en una tarea se convierta en valor empresarial.
Por qué una mayor productividad no garantiza una menor inflación
Una economía puede volverse más productiva sin experimentar una disminución permanente de la inflación. La capacidad productiva y el crecimiento de los precios están conectados a través de la demanda, no mediante una relación mecánica fija.
La postura de Hunter permite que la presión inicial de la inversión se alivie a medida que se amplía la capacidad. Sin embargo, describe el efecto inflacionario de largo plazo de la IA como probablemente ampliamente neutral. Esto difiere de predecir que la IA reducirá continuamente el crecimiento de los precios.
La distinción se aclara al separar una tarea más barata del gasto total. Una actividad individual podría requerir menos recursos tras la automatización. Las empresas y los hogares aún pueden decidir gastar los ahorros resultantes en otros ámbitos.
Una empresa hipotética podría utilizar una mayor eficiencia para ampliar su servicio, desarrollar otro producto o entrar en un nuevo mercado. Esas decisiones podrían generar demanda de trabajadores, equipos y proveedores. El ahorro original seguiría siendo real aunque el gasto aumentara en otros lugares.
Este es un ejemplo analítico, no una previsión sobre cómo se comportará cada empresa. Su propósito es mostrar por qué el crecimiento de la productividad no determina por sí solo la inflación. La respuesta de la demanda importa.
En su discusión sobre las perspectivas de inflación, Hunter afirmó que el RBA estaba incorporando los precios de los bienes relacionados con la tecnología y los efectos indirectos de la construcción. También recalcó que los supuestos sobre el petróleo explicaban una parte sustancial de las últimas revisiones de las previsiones de inflación, en particular para la inflación general.
Esa salvedad limita lo que puede atribuirse razonablemente a los centros de datos. La inversión en IA forma parte de la evaluación de la inflación. No sustituye la evaluación de la energía, la vivienda, los salarios y otras influencias.
La sesión de preguntas y respuestas también rechazó la idea de que los responsables de política económica hubieran abandonado repentinamente la expectativa de beneficios inmediatos de productividad. Hunter afirmó que siempre se había esperado que los avances sustanciales tardaran tiempo. Por tanto, sus comentarios describen unas perspectivas de inversión en evolución, más que un retraso de implementación recién descubierto.
Para los lectores, la lección práctica es evitar convertir un mecanismo condicional en una predicción garantizada sobre los tipos de interés. Una fuente identificada de demanda no revela la respuesta completa de la política económica. Los responsables de política deben evaluar el equilibrio de las presiones.
También existe una diferencia entre los cuellos de botella temporales y la inflación sostenida. Una cadena de suministro limitada puede experimentar fuertes cambios de precios durante una expansión. Que esas presiones se propaguen o persistan depende de los ajustes en otros ámbitos.
Un comprador empresarial enfrenta un problema presupuestario relacionado. Un proceso de software más eficiente no garantiza que cada insumo necesario para su funcionamiento se abarate. La energía, el equipamiento, la plantilla y la financiación pueden seguir trayectorias distintas.
Esto hace que la evaluación de productividad de la IA del RBA sea relevante más allá de Australia. Ofrece una forma de separar el optimismo tecnológico de los supuestos sobre el entorno de costes más amplio. La misma distinción ayuda a explicar por qué una fuerte inversión y una política monetaria prudente pueden coexistir.
Para los líderes tecnológicos, por tanto, afirmar mejoras de eficiencia es más defendible que prometer un alivio de precios para toda la economía. Lo primero puede probarse dentro de un flujo de trabajo definido. Lo segundo requiere supuestos sobre las respuestas de toda la economía.
La evidencia actual respalda una medición cuidadosa y un juicio condicional. No respalda tratar la IA ni como una cura automática contra la inflación ni como una explicación completa de la persistencia inflacionaria.
La evidencia sobre energía y empleo complica la narrativa de inversión
Las restricciones físicas y los efectos desiguales sobre la fuerza laboral hacen más difícil evaluar la transición a partir del gasto agregado por sí solo. También crean pruebas distintas para los casos optimista y escéptico.
Las perspectivas actualizadas de la Agencia Internacional de la Energía sobre la electricidad de los centros de datos proyectan que el consumo aumentará de 485 teravatios-hora en 2025 a 950 teravatios-hora en 2030. Un teravatio-hora mide el consumo de electricidad a lo largo del tiempo. Estas cifras cubren los centros de datos en general, no solo la IA.
La IEA también describe cuellos de botella más severos en la infraestructura eléctrica y las cadenas de suministro de chips. Sus proyecciones dependen de supuestos sobre demanda, eficiencia, financiación y ejecución. Son escenarios para la planificación, no resultados de consumo garantizados.
Para el debate sobre la productividad, la electricidad introduce otra dependencia temporal. Las mejoras de software pueden implementarse sin completar una nueva conexión eléctrica. Ampliar el sistema físico que respalda un mayor uso puede requerir una secuencia de inversión distinta.
Ese desajuste crea un riesgo para los inversores en infraestructura. Un fuerte interés de los clientes no elimina las restricciones de ejecución. Del mismo modo, completar una instalación no demuestra que la demanda respaldará el rendimiento esperado.
La eficiencia introduce una incertidumbre adicional. Si una tarea requiere menos electricidad, disminuyen los recursos necesarios para esa tarea. El consumo total sigue dependiendo de la frecuencia con que las personas la realicen y de qué nuevas tareas se vuelvan económicamente viables.
Una empresa hipotética podría utilizar una mejora de eficiencia para reducir el uso de recursos con una producción sin cambios. Otra podría ampliar el uso porque la actividad se volvió más fácil de justificar. Ambas respuestas son compatibles con una mayor eficiencia técnica.
El empleo presenta un problema de medición distinto. El seguimiento del mercado laboral del investigador del RBA Mike Major encuentra hasta ahora poca evidencia de una disrupción material en toda Australia. Identifica una debilidad incipiente en las ocupaciones más expuestas, especialmente entre los trabajadores jóvenes, al tiempo que advierte contra conclusiones causales.
El documento es explícitamente descriptivo. Las medidas de exposición ocupacional indican el potencial de cambio de las tareas, en lugar de documentar una adopción o desplazamiento reales. Las condiciones económicas más amplias también pueden afectar la contratación.
Esa cautela opera en ambos sentidos. Un empleo total estable no puede demostrar que todos los grupos ocupacionales permanezcan intactos. Una contratación más débil en una ocupación expuesta no puede demostrar que la IA causó el cambio.
Para los empleadores, estas distinciones justifican examinar cómo entra el trabajo en la organización. Reducir la contratación, dejar vacantes sin cubrir y reorganizar los puestos existentes son ajustes diferentes. Un titular sobre el total de plantilla puede pasar por alto esas diferencias.
Para los trabajadores al inicio de su carrera, la pregunta relevante va más allá de si un puesto desaparece. Incluye cómo adquieren experiencia los empleados cuando cambian las tareas rutinarias. Por tanto, el diseño de la formación debe formar parte de un plan serio de implementación.
Estas incertidumbres no anulan el argumento a favor de la inversión. Definen sus condiciones. Una transición exitosa requiere infraestructura disponible, aplicaciones valiosas y estructuras organizativas que conviertan la capacidad técnica en trabajo útil.
Es un estándar exigente, pero también más informativo que contar instalaciones, licencias o producción generada. Cada recuento describe actividad. Ninguno establece por sí solo el rendimiento económico final.
Tres señales pondrán a prueba la rentabilidad de la productividad
La próxima evidencia útil conectará el gasto con la ejecución y la ejecución con una producción sostenida. Durante los próximos tres meses, los lectores deberían seguir esa secuencia en lugar de esperar un único anuncio decisivo.
Primero, observe si los compromisos de infraestructura se convierten en capacidad operativa. Las actualizaciones de las empresas deberían distinguir entre instalaciones planificadas, obras en curso y capacidad disponible para los clientes. Cuando se divulguen, los hitos de conexión y la utilización por parte de los clientes ayudarán a aclarar si la inversión física avanza según lo previsto.
Esto pondría a prueba primero el lado de la demanda de la narrativa. La construcción continuada junto con una disponibilidad de servicio retrasada reforzaría la brecha temporal descrita aquí. Que la capacidad terminada llegue a los clientes debilitaría esa restricción concreta, aunque dejaría abierta la cuestión de la productividad.
Las cancelaciones requerirían una interpretación diferente. Podrían reducir la futura presión sobre los recursos y, al mismo tiempo, cuestionar expectativas anteriores sobre la demanda o los rendimientos. Menos construcción no contaría automáticamente como evidencia de una mejor productividad.
Segundo, observe los informes empresariales en busca de resultados que vayan más allá de la adopción. La evidencia relevante conectaría el uso de IA con trabajo completado, calidad, necesidades de recursos y rendimiento organizativo sostenido. Las afirmaciones se vuelven más informativas cuando las empresas explican la comparación e identifican los costes de implementación.
Las mejoras repetidas en operaciones comparables reforzarían el argumento de que las ganancias en tareas se están convirtiendo en beneficios empresariales más amplios. Un énfasis continuado en el uso sin resultados correspondientes dejaría ese argumento incompleto. Ninguno de los dos resultados justificaría extrapolar la experiencia de cada empresa a toda la economía.
La evaluación independiente sería especialmente útil en este caso. Los compradores necesitan saber si una mejora persiste fuera de una demostración seleccionada. También necesitan entender quién se beneficia y qué flujos de trabajo permanecen sin cambios.
Tercero, observe la composición de la inflación y los patrones de contratación junto con el contexto económico más amplio. Los bienes relacionados con la tecnología, las presiones de la construcción y la contratación por ocupación ofrecen distintas perspectivas del ajuste. Sus movimientos deben interpretarse junto con otras influencias, en lugar de atribuirse automáticamente a la IA.
La relajación de los cuellos de botella combinada con una producción empresarial más fuerte debilitaría la preocupación de que la demanda de inversión se está adelantando a los beneficios. Restricciones persistentes y evidencia limitada de resultados la reforzarían. Los resultados mixtos exigirían una evaluación más selectiva entre sectores.
La evidencia sobre empleo requerirá un cuidado particular. Un cambio en la contratación de nivel inicial podría importar antes de hacerse visible en el empleo total. Establecer la razón seguiría requiriendo más que observar que el trabajo afectado está expuesto a la IA.
Estas señales ofrecen a los desarrolladores y compradores empresariales una forma práctica de interpretar las próximas noticias. El lanzamiento de un nuevo modelo puede mejorar la capacidad, pero la evidencia de implementación determina si esa capacidad resuelve un problema operativo. Un anuncio de infraestructura puede ampliar la oportunidad, pero la ejecución determina cuándo los clientes pueden utilizarla.
Antes de aprobar otro despliegue de IA, identifique el resultado que lo justificaría y la evidencia necesaria para evaluar ese resultado. Compare el trabajo completado, la calidad, el esfuerzo de revisión y los recursos totales con el proceso existente. Mantenga la comparación coherente entre proveedores y registre dónde los ahorros aparentes generan trabajo adicional en otros lugares. El debate del RBA sobre la productividad de la IA hace que esta disciplina sea más relevante porque la demanda de infraestructura ya forma parte del panorama económico. Las empresas no necesitan resolver la cuestión nacional de la productividad antes de actuar. Sí necesitan una explicación creíble de sus propios resultados. Siga las próximas actualizaciones de capacidad, divulgaciones operativas y evidencia sobre la fuerza laboral, y luego pregúntese si cada nueva afirmación demuestra una producción útil o simplemente documenta más gasto.
