Algo grande está sucediendo en la IA, pero el pánico no es la reacción correcta

Cuando la Feria Mundial llegó a Queens, Nueva York, en 1964, se mostraron robots encargados de las tareas domésticas, algo que pronto llegaría a un hogar cerca de ti. Cuando la feria cerró, las exhibiciones se trasladaron a Disney World y hicieron la misma afirmación durante los siguientes 30 años: los robots están llegando, justo a la vuelta de la esquina. Excepto que no lo hicieron.

Video recomendado

En los años 90, la expansión del poder de las computadoras distribuidas y las grandes compras de estas llevaron a nuevas afirmaciones sobre aumentos masivos en la productividad que pronto serían liberados. Excepto que no lo hicieron. Se necesitó mucho tiempo y cambios asociados en la organización del trabajo para impulsar mejoras en la productividad.

A principios de los 2000, los avances en ciencia de datos y el uso de aprendizaje automático en predicciones generaron nuevas alarmas, con afirmaciones en los 2010s de que hasta la mitad de todos los empleos estaban en riesgo de ser reemplazados por nuevas herramientas de IA. Para finales de esa década, la amenaza percibida se había desplazado de los robots a dispositivos similares a robots que pronto tomarían los trabajos manuales, con la afirmación de que en 2019 los conductores de camiones serían obsoletos. Excepto que no fue así. El aumento en el uso de robots en la manufactura tampoco ha ocurrido, ya que los nuevos robots en realidad están asociados con un crecimiento en el empleo.

Los expertos tienen una larga historia de torturarnos con predicciones sobre cómo la tecnología nos eliminará, primero nuestros empleos y luego, simplemente, a nosotros mismos, porque los humanos somos una molestia. La histeria por la IA en torno a los Modelos de Lenguaje Grande en los últimos tres años no es la excepción.

La verdad incómoda es que para 2025, era difícil encontrar ejemplos donde los Modelos de Lenguaje Grande realmente hubieran tomado el control de muchos empleos. Los despidos que supuestamente estaban relacionados con la IA parecen cada vez más que no lo estaban—en el mejor de los casos, eran anticipaciones de que la IA reemplazaría a los trabajadores. Incluso el CEO de OpenAI, Sam Altman, ha dicho que hay una “lavado de IA”, y que estos despidos relacionados con la IA son en su mayoría humo y espejos.

Estamos de vuelta en modo pánico en 2026, impulsados por nuevas afirmaciones sobre los peligros de la IA, aunque aún no vemos evidencia de estos cambios.

¿Ves un patrón aquí? Los científicos y desarrolladores tienen razón en estar emocionados por una nueva innovación, y están felices de imaginar en voz alta cómo creen que se podrían usar las nuevas herramientas. Luego, los vendedores surgen para vender esas nuevas herramientas y empujan las afirmaciones con fuerza. Este es el comienzo del ciclo de hype. No piensan en si esos usos serían prácticos: cuánto costará, qué otros cambios se requieren para que funcione, y si alguien necesita esas herramientas en primer lugar.

Los colegas en academia han encontrado que tres cuartas partes de las empresas públicas en las que pudieron rastrear la introducción de IA obtuvieron pocos beneficios, solo el 5% la usó de manera sistemática, y no ha reducido muchos empleos. Mi propia investigación ha hecho algo un poco diferente, observando lugares de trabajo individuales para ver qué sucede cuando realmente se introduce la IA: ¿cómo era antes y cómo es después? Aquí está la razón por la cual la adopción de IA es más lenta de lo que pensamos y en realidad no ha estado tomando control de muchos empleos.

La realidad de la adopción de IA es diferente a los miedos

Primero, es costosa de implementar. Las empresas de Modelos de Lenguaje Grande no están en el negocio de regalar estas herramientas, y las buenas realmente cuestan mucho para usar. La apuesta de que inevitablemente se volverán más baratas no es obvia. Aunque hay muchos vendedores ofreciendo herramientas de LLM, casi todos están basados en tecnología central de LLM de seis proveedores que ya controlan casi el 80% del mercado. El tiempo de computación no está bajando tanto y la electricidad para alimentarlo está aumentando en precio.

Pero el mayor costo es el tiempo y la energía necesarios para configurarlos en tu organización y mantenerlos actualizados. La mayoría de esos costos deben ser asumidos inicialmente. Todavía necesitamos respaldo humano para resolver los problemas que los LLM no pueden, y las mejoras en productividad que podrían reducir la cantidad de trabajadores llegarán mucho después. Vender un proyecto costoso, con costos de TI sustanciales y continuos, a un CFO que busca retorno de inversión, es difícil cuando los beneficios son inciertos y solo aparecen años después.

En segundo lugar, relacionado con el desafío del ROI, está el enfoque equivocado en eliminar trabajos de baja cualificación. Dos lecciones aquí. La primera es que no ahorramos mucho dinero si eliminamos muchos empleos de salario mínimo, especialmente cuando todavía necesitamos empleados para monitorear y resolver problemas con las herramientas de IA. Luego, los trabajos simples de oficina son simples porque no requieren mucho juicio y tienden a ser binarios: identificar qué forma es y ponerla en la pila correcta. Pero deben ser correctos cada vez. Esas tareas son perfectas para el aprendizaje automático, pero también es mucho más caro que usar LLM porque debe ser construido para cada tarea y monitoreado y ajustado casi constantemente.

En tercer lugar, los LLM pueden tomar tareas en trabajos más complicados donde solo necesita ser razonablemente bueno, no perfecto. Es más barato que el aprendizaje automático, pero aún requiere monitoreo y revisión. Un trabajo humano típico tiene muchas tareas discretas y complicadas que no pueden ser automatizadas, o al menos no todavía.

Los LLM realmente pueden ayudar con tareas de programación, por ejemplo, pero los programadores pasan hasta el 70% de su tiempo en tareas distintas a programar, que principalmente involucran tratar con otros empleados. Si, por ejemplo, los LLM pueden encargarse del 20% del tiempo que los directores de escuela dedican a preparar informes, no podemos reducir en un 20% cada director. Pero sí podemos hacer que hagan algo nuevo.

El verdadero beneficio de los LLM, creo, no será en ahorro de costos; más bien, nos permitirá hacer cosas nuevas que aún no hemos pensado. Como analogía, pensemos en la introducción de los motores de búsqueda, que redujeron enormemente el tiempo necesario para investigar y obtener respuestas. Nunca he oído que los motores de búsqueda hayan causado pérdidas masivas de empleos. En cambio, crearon nuevos negocios, nuevas formas de trabajar y nuevos empleos. La mayoría de las empresas, por ejemplo, están inundadas de datos que han sido demasiado difíciles de organizar para que puedan siquiera analizarlos. Si la última herramienta Claude/Anthropic puede hacer tanto con análisis como se afirma, podría pasar unos años solo entendiendo todos esos datos.

Quizá deberíamos dejar de obsesionarnos con lo que la IA está eliminando (reducción de personal) y enfocarnos en lo que está creciendo: todos los nuevos productos y soluciones que la IA podría permitirnos crear.

Las opiniones expresadas en los artículos de Fortune.com son únicamente las de sus autores y no reflejan necesariamente las opiniones y creencias de Fortune.

Únete a nosotros en la Cumbre de Innovación en el Lugar de Trabajo de Fortune 19-20 de mayo de 2026, en Atlanta. La próxima era de innovación laboral ya está aquí, y el antiguo manual está siendo reescrito. En este evento exclusivo y enérgico, los líderes más innovadores del mundo se reunirán para explorar cómo la IA, la humanidad y la estrategia convergen para redefinir, una vez más, el futuro del trabajo. Regístrate ahora.