Durante décadas, la economía de la información estudió qué ocurre cuando los agentes no poseen la misma información. Desde Akerlof y su análisis del mercado de los lemons hasta Spence y su teoría de la señalización, el problema era esencialmente uno: cómo inferir calidad cuando esta no puede observarse directamente. La inteligencia artificial generativa parecía prometer una solución. Al democratizar el acceso al conocimiento y reducir radicalmente el costo de producir información, análisis, textos y presentaciones, podría reducir las asimetrías informativas. Mi investigación plantea una conclusión diferente: la inteligencia artificial no elimina la asimetría de información; la transforma. Cuando la información se vuelve abundante, el problema económico se desplaza hacia la capacidad de determinar qué información merece confianza. Surge así una nueva forma de asimetría: la asimetría de validación.
El cambio es más profundo de lo que parece. Si una máquina puede producir en segundos un informe convincente, una presentación sofisticada o un texto perfectamente estructurado, el output deja de ser una señal tan poderosa de la capacidad de quien lo presenta. El costo de producir la señal cae, su replicabilidad aumenta y su poder diferenciador se erosiona. La pregunta, entonces, deja de ser únicamente “¿qué produjo esta persona?” y pasa a ser “¿cómo llegó hasta aquí?”. De esta observación surge mi concepto de economía de la interacción: el valor económico se desplaza progresivamente desde el output observable hacia el proceso que lo genera —formular el problema, contextualizar, preguntar, iterar, detectar errores, validar y sintetizar—. La interacción humano-IA se convierte así en una nueva unidad de análisis y en una posible señal costosa de capacidad cognitiva.
Esta transformación también cambia la naturaleza del talento. En una economía donde producir respuestas se vuelve barato, adquiere valor quien sabe formular mejores preguntas y, sobre todo, quien sabe no creer automáticamente en las respuestas. De ahí surge el arbitrador cognitivo: el agente capaz de trabajar con IA sin delegarle su juicio. Su ventaja no consiste simplemente en utilizar más tecnología, sino en estructurar mejor la interacción, validar los resultados y convertirlos en aprendizaje, decisión o innovación. Mi modelo plantea incluso predicciones susceptibles de ser contrastadas: la calidad de la interacción puede explicar diferencias de desempeño más allá del output final, y las brechas de productividad pueden depender cada vez más de la calidad del uso de la IA y no solamente del acceso a ella.
Esta es también la idea central que desarrollé en fDi Intelligence: la competencia internacional por la inteligencia artificial no debería medirse únicamente en centros de datos, chips, energía y capacidad computacional. Todo eso es indispensable, pero puede convertirse progresivamente en infraestructura de entrada. Cuando el acceso a modelos avanzados se generaliza, la ventaja competitiva puede desplazarse hacia el juicio humano, la confianza institucional y la capacidad de supervisar y aplicar la tecnología. Dos agencias de promoción de inversiones pueden disponer de modelos similares, datasets comparables y marcos institucionales parecidos y, aun así, generar resultados diferentes porque sus capacidades de interacción, validación y aprendizaje colectivo son distintas.
Pero aquí aparece una pregunta que lleva mi investigación un paso más allá: ¿cómo evaluamos la calidad de la propia inteligencia artificial?
La respuesta parece obvia, pero tiene consecuencias metodológicas importantes. Si queremos medir la calidad de la interacción humano-IA, debemos mantener constante la IA. Mismo modelo, mismo problema, misma información y, en lo posible, mismo protocolo de interacción. De esta manera podemos observar cuánto explica el arbitrador cognitivo en la diferencia de resultados. Pero podemos invertir el experimento. Si queremos aproximarnos a la calidad diferencial de distintas IAs, mantenemos constante al humano.
Un mismo arbitrador cognitivo puede enfrentarse a los mismos problemas, utilizando la misma información y un protocolo de interacción estandarizado, con diferentes sistemas de IA. Los outputs pueden entonces evaluarse mediante criterios externos y, cuando sea posible, de manera ciega: exactitud, razonamiento, consistencia, errores, relevancia, capacidad de síntesis y utilidad para la decisión. Si el mismo agente humano obtiene resultados sistemáticamente diferentes con distintas IAs, esas diferencias contienen información sobre el desempeño diferencial de las tecnologías.
La clave está en no confundir desempeño de la IA con “calidad del algoritmo” en sentido absoluto. Una IA puede funcionar extraordinariamente bien con determinado usuario y peor con otro. Existe una dimensión de interoperabilidad cognitiva o fit humano-IA. Por eso, el resultado observado no depende únicamente de la arquitectura tecnológica. Depende del sistema que forman la tecnología y el agente humano. La evaluación rigurosa debe reconocer esa complementariedad, pero no por ello renunciar a medir las diferencias tecnológicas.
Esto conduce a una simetría metodológica que considero una contribución de S-Lab:
Para medir al humano, mantengo constante la IA. Para medir a la IA, mantengo constante al humano.
La primera estrategia permite estimar el efecto de la calidad de la interacción. La segunda permite aproximarnos al desempeño diferencial de distintas inteligencias artificiales bajo condiciones comparables. En ambos casos, el experimento transforma algo difícil de observar directamente en una variable susceptible de medición.
Y aquí aparece una nueva asimetría de información. Cada IA es, en parte, una caja negra. El usuario no conoce completamente las decisiones tomadas por quienes diseñaron, entrenaron, alinearon y modificaron el sistema. Existe inteligencia natural incorporada en la tecnología, pero esa inteligencia permanece parcialmente oculta para quien la utiliza. No necesitamos necesariamente abrir esa caja para estudiar sus consecuencias económicas. Podemos observar lo que la caja produce bajo condiciones controladas.
Esto introduce una idea que puede cambiar nuestra forma de pensar la inteligencia artificial. Cuando evaluamos un output generado por IA, en realidad estamos observando una cadena de inteligencias: la inteligencia natural de quienes diseñaron el sistema, la inteligencia artificial resultante, la inteligencia natural del usuario que interactúa con ella y, finalmente, la inteligencia natural del validador que juzga el resultado.
Podemos contratar expertos para validar un output. Pero no podemos contratar a los diseñadores de cada IA para explicarnos completamente qué inteligencia quedó incorporada en ella.
Por eso, la caja negra no es necesariamente un obstáculo metodológico. Puede ser precisamente parte del objeto de estudio.
La competencia entre plataformas de IA generativa adquiere entonces una dimensión adicional. No compiten únicamente por capacidad computacional, precio o tamaño del modelo. Compiten por producir mejores resultados cuando interactúan con seres humanos. En cierto sentido, compiten por los prompts, pero también por lo que esos prompts revelan: qué tan bien una arquitectura tecnológica convierte una interacción humana en valor.
Esto conecta nuevamente con la economía de la interacción. El usuario aprende a interactuar con la IA y la IA aprende, directa o indirectamente, de los patrones de interacción. El proceso es dinámico. La tecnología cambia al mismo tiempo que cambia el usuario. Por eso, el valor no está completamente dentro de la máquina ni completamente dentro del humano.
Está en la relación.
La conclusión es sencilla, pero sus implicaciones son enormes. La IA no crea valor por sí sola. La interacción lo operacionaliza. Pero para comprender esa interacción necesitamos estudiar sus dos componentes: la inteligencia natural que dirige el proceso y la inteligencia artificial diseñada por otros seres humanos.
Ahí está la nueva frontera de S-Lab: no solamente medir qué tan bien los humanos utilizan la IA, sino desarrollar formas de inferir qué tan bien diferentes IAs convierten la misma inteligencia humana en resultados.
Porque quizá el verdadero desafío de la economía de la inteligencia artificial no sea descubrir cuál máquina es “más inteligente”, sino descubrir cuánta inteligencia natural hay detrás de cada resultado y cuánto valor genera cuando esas inteligencias interactúan.