Los 4,4 billones de la IA generativa son un escenario, no una factura

McKinsey Global Institute estimó el 14 de junio de 2023 que 63 usos de IA generativa podían aportar entre 2,6 y 4,4 billones de dólares al año. El informe de 68 páginas comparó el extremo superior con el PIB británico de 2021. La escala impresionaba, pero no era una previsión de dinero que aparecería automáticamente en la economía.

Era una estimación de potencial: cuánto valor anual podrían producir ciertos usos si se implantaran ampliamente y cumplieran los supuestos del modelo. Entre una capacidad técnica y un resultado económico quedan adopción, integración, calidad, inversión, competencia y reparto. Aprender a localizar esas capas permite leer cualquier cifra macroeconómica sobre IA sin confundir posibilidad con resultado.

Qué cuenta realmente el intervalo

McKinsey examinó 63 casos distribuidos en 16 funciones empresariales. Calculó el valor que podrían generar al mejorar resultados medibles y proyectó esos efectos sobre la estructura de la economía mundial de 2022. El análisis no incluyó categorías de productos o servicios completamente nuevas que la tecnología pudiera crear.

Alrededor del 75% del valor estimado se concentraba en cuatro funciones: operaciones con clientes, marketing y ventas, ingeniería de software e investigación y desarrollo. Eso no significa que tres cuartas partes de los empleos de esas áreas fueran a desaparecer. Significa que, bajo el modelo, la mayor porción monetaria de los casos analizados procedía de resultados en esas funciones.

El rango de 2,6 a 4,4 billones correspondía a esos casos. El informe decía que la estimación aproximadamente se duplicaría al incorporar IA generativa en software usado para otras actividades. En otro cálculo, tras descontar solapamientos, combinó casos y productividad del trabajo para llegar a un potencial de 6,1 a 7,9 billones. Mezclar estas cifras como si midieran lo mismo produce titulares incompatibles.

Potencial, adopción y valor capturado

Una cifra de potencial suele situarse al final de una cadena. Primero, el sistema debe poder realizar o asistir una tarea. Segundo, una organización debe adoptarlo. Tercero, tiene que integrarlo sin desplazar el ahorro hacia errores, revisión o riesgo. Cuarto, el beneficio debe convertirse en mayor producción, menor coste, mejor calidad o ingreso adicional.

Cada paso reduce o retrasa el anterior. Una herramienta puede ahorrar diez minutos en un borrador y exigir quince para comprobarlo. Puede aumentar la capacidad de los competidores, de modo que el ahorro se traslade a precios más bajos. Puede liberar horas sin que la organización encuentre un uso productivo. El valor social, el ingreso empresarial y el salario son magnitudes distintas.

Por eso una lectura operativa sustituye «la IA creará X» por una ecuación: volumen de tareas multiplicado por tasa de adopción, mejora neta por tarea y proporción de valor capturado, menos costes de implantación y daños. Ningún término debe darse por uno. El intervalo macro es el resultado de supuestos sobre esos componentes.

Actividad automatizable no equivale a empleo eliminado

El informe calculó que tecnologías existentes, incluida la IA generativa, tenían potencial técnico para automatizar actividades que ocupaban entre el 60% y el 70% del tiempo de los empleados. La unidad era la actividad, no la persona. Un empleo reúne tareas automatizables, tareas asistibles, decisiones, responsabilidad y relaciones que pueden cambiar en direcciones diferentes.

El estudio GPTs are GPTs, publicado como preprint en marzo de 2023, hizo explícita una distinción parecida. Estimó que alrededor del 80% de la fuerza laboral estadounidense podía tener al menos un 10% de sus tareas expuestas y que el 19% podía tener al menos la mitad. Definía exposición mediante una reducción del 50% en el tiempo manteniendo calidad; los autores aclaraban que eso no implicaba automatización completa ni predecía el calendario de adopción.

La frase «el 70% del trabajo es automatizable» borra cuatro matices: porcentaje de tiempo, capacidad técnica, combinación de tecnologías y escenario. También invita a convertir tareas en puestos uno a uno. La pregunta correcta es qué paquete de tareas queda, quién valida el resultado y cómo se rediseña la ocupación.

La evidencia de una tarea no escala sola

Antes del informe ya había experimentos que medían productividad en ámbitos concretos. El documento de trabajo Generative AI at Work, publicado en abril de 2023, estudió el despliegue gradual de un asistente entre miles de agentes de soporte. Informó de un aumento medio cercano al 14% en problemas resueltos por hora, con efectos diferentes según experiencia y habilidad.

Ese diseño aporta algo que una demostración no tiene: compara resultados laborales alrededor de una introducción real de la herramienta. Pero sigue describiendo una empresa, un flujo y un indicador. No demuestra que cada centro de atención gane un 14%, y menos aún que el mismo porcentaje se aplique a abogados, médicos o programadores.

Otro experimento prerregistrado de Noy y Zhang, disponible desde marzo de 2023, asignó tareas profesionales de escritura a 444 participantes. El acceso a ChatGPT redujo el tiempo y elevó la calidad media bajo aquel protocolo. También cambió el trabajo hacia generación de ideas y edición y lejos del primer borrador.

Los dos estudios mostraban ganancias, pero en tareas delimitadas y con medidas propias. Para pasar de una prueba a una economía hacen falta pesos: cuántas tareas se parecen, cuántas organizaciones adoptan, qué costes aparecen y cuánto dura el efecto. Extrapolar un porcentaje experimental a todo el gasto salarial no es una medición; es otro supuesto.

Cómo reconstruir una cifra grande

Primero se identifica la unidad. ¿La cifra expresa ingresos, reducción de costes, beneficio, productividad o bienestar? McKinsey hablaba de valor económico potencial, que combinaba resultados de casos. No afirmaba que 4,4 billones fueran beneficios contables ni gasto nuevo en proveedores de IA.

Segundo se busca el denominador y el horizonte. El dato era anual y global, basado en la economía de 2022. Compararlo con el PIB de un país ayudaba a visualizar escala, pero no convertía ambas medidas en equivalentes. Un flujo de valor estimado puede atravesar empresas, consumidores y trabajadores sin aparecer como una economía adicional separada.

Tercero se separan escenario y pronóstico. Un escenario pregunta qué ocurriría si se cumplen condiciones; un pronóstico asigna una trayectoria probable y una fecha. McKinsey modeló también ritmos de adopción y situó el punto medio para automatizar la mitad de las actividades actuales alrededor de 2045, dentro de una horquilla de 2030 a 2060. Esa amplitud revelaba la incertidumbre, no un calendario contractual.

Cuarto se inspeccionan exclusiones y solapamientos. Un caso puede ahorrar trabajo y elevar ingresos a la vez, pero sumar ambos sin ajuste duplicaría valor. Una herramienta integrada en software puede aparecer en el análisis por actividades y en el de casos. El informe explicó que descontaba solapamientos en su cálculo combinado; un resumen debería conservar esa precaución.

Del informe al presupuesto de una empresa

Una organización no decide con billones globales. Empieza con una tarea y una línea base: volumen, tiempo, tasa de error, coste, calidad y resultado comercial. Ejecuta una prueba con y sin asistencia, los mismos casos y revisores ciegos cuando sea posible. Registra fallos, no solo promedios.

Después calcula valor neto por salida aceptada. Resta licencias, cómputo, integración, seguridad, revisión, formación y mantenimiento. Añade el coste esperado de errores y el tiempo de transición. Si el sistema produce más rápido pero obliga a revisar todo, el cuello de botella puede desplazarse sin desaparecer.

Por último se observa la distribución. ¿Quién gana tiempo, quién recibe más carga de control y quién asume el error? ¿El ahorro eleva calidad, reduce precio, aumenta margen o elimina horas? Una cifra agregada no responde esas preguntas, aunque todas determinan el efecto sobre trabajadores y clientes.

Los 4,4 billones hicieron visible la magnitud posible de la IA generativa en 2023. Su uso más valioso no es justificar cualquier compra, sino enseñar a desmontar una estimación en tarea, evidencia, adopción, captura y coste. Cuando esas cinco piezas quedan escritas, el número deja de ser un oráculo y se convierte en una hipótesis comprobable.