La inteligencia artificial está haciendo algo que la economía conoce bien: cuando una tecnología abarata radicalmente la producción, aquello que antes era escaso deja de serlo. El problema es que el valor no desaparece; se desplaza.
Un reciente estudio de Mert Demirer, Leon Musolff y Liyuan Yang ofrece una evidencia especialmente reveladora de este cambio. Al analizar más de 100.000 desarrolladores de GitHub y distintas generaciones de herramientas de IA para programar, los autores encuentran aumentos acumulados de hasta el 180% en la actividad de codificación. Pero el efecto se atenúa al 50% cuando se mide el número de proyectos y a apenas un 30% en los lanzamientos efectivos de software.
La evidencia se replica, además, en cuatro grandes mercados de aplicaciones: aumenta la cantidad de nuevas soluciones, pero no su uso agregado. La paradoja es evidente: podemos producir mucho más software, pero no estamos utilizando proporcionalmente más software. Mi hipótesis es que no estamos ante una falla de la tecnología, sino ante un cambio en la naturaleza de la escasez.
Cuando producir deja de ser el problema
Durante décadas, producir software requería tiempo, conocimiento especializado y trabajo humano. Esos costos hacían que el producto final también funcionara como una señal: escribir código complejo no demostraba necesariamente que fuera bueno, pero sí implicaba haber superado una barrera de costo. El output era, por tanto, parcialmente informativo sobre la capacidad de quien lo producía.
La IA está alterando esa relación. Cuando un sistema puede generar grandes cantidades de código a partir de instrucciones relativamente simples, la producción deja de ser una señal suficientemente costosa. El volumen de código puede crecer mucho más rápido que nuestra capacidad para examinarlo, integrarlo y decidir qué merece llegar al usuario.
Aquí aparece una consecuencia económica que considero más profunda que el simple aumento de productividad: la abundancia de información puede reducir el valor informativo del output. En términos de teoría de señales, parte de lo que antes funcionaba como una costly signal comienza a parecerse al cheap talk: una señal cuyo costo es demasiado bajo para distinguir, por sí sola, entre calidad y ruido. La IA no elimina, entonces, la asimetría de información; la transforma.
De la asimetría de información a la asimetría de validación
La economía digital se construyó alrededor de un problema conocido: una parte sabía más que otra. Pero cuando producir información, código y contenido se vuelve extraordinariamente barato, aparece un problema diferente. Ya no basta con preguntar quién puede producir información, sino quién puede determinar cuál merece confianza. Propongo llamar a esto asimetría de validación.
El problema ya no está únicamente en la oferta de información, sino en nuestra capacidad para discriminar entre aquello que funciona, aquello que parece funcionar y aquello que no debería utilizarse. La abundancia desplaza el costo de búsqueda hacia el usuario y, cuando el volumen de alternativas crece más rápido que nuestra capacidad para evaluarlas, aparece una nueva forma de fricción económica: la fricción de validación.
El estudio de Demirer, Musolff y Yang lo ilustra con claridad. El aumento de la actividad de programación no se convierte proporcionalmente en proyectos terminados ni en software lanzado. Los autores encuentran un cuello de botella en etapas posteriores de la cadena productiva, particularmente en la revisión, integración y distribución. La IA ha acelerado la parte de la cadena que antes parecía escasa; ahora estamos descubriendo qué partes siguen siéndolo.
La nueva escasez: la economía de la interacción
Aquí está, a mi juicio, el verdadero cambio. Si producir código ya no es el principal cuello de botella, el valor económico comienza a desplazarse hacia las actividades que permiten convertir producción abundante en resultados confiables: revisar, contextualizar, integrar, preguntar, detectar errores, contrastar, decidir y validar. Esto es lo que denomino economía de la interacción.
El activo escaso deja de ser solamente la capacidad de producir un output y pasa a ser la capacidad de interactuar con sistemas de inteligencia para transformar abundancia en valor. Por eso, tampoco parece suficiente responder al problema delegando la revisión nuevamente a una IA. El propio Musolff señala que, si el mismo sistema que genera el código es quien lo revisa, todavía no se resuelve necesariamente el problema de calidad y juicio. La razón es sencilla: la validación no consiste únicamente en encontrar errores técnicos; consiste en determinar si el resultado es correcto, pertinente, seguro y útil para un contexto determinado. Y eso requiere juicio.
El arbitrador cognitivo
En esta nueva economía emerge una figura que considero central: el arbitrador cognitivo. No es simplemente quien sabe utilizar IA, sino quien puede trabajar con ella sin delegarle su juicio. Su ventaja no está en producir más código que una máquina, sino en saber qué pedirle, cómo contextualizarlo, cuándo cuestionarlo, cómo contrastarlo y, sobre todo, cuándo no confiar en él.
El arbitrador cognitivo convierte una oferta potencialmente infinita de outputs en una selección finita de resultados confiables. Su productividad, por tanto, no depende solamente de cuánto puede producir, sino de cuánto valor puede extraer de aquello que una máquina produce abundantemente. Esta distinción será cada vez más importante para las empresas: si todas pueden acceder a modelos similares, la ventaja competitiva no necesariamente estará en quién tiene acceso a más inteligencia artificial, sino en quién organiza mejor la interacción entre inteligencia artificial e inteligencia humana.
La redefinición de la competencia
Aquí aparece la verdadera paradoja. La IA puede resolver cada vez mejor el problema de producir software, mientras la economía enfrenta con mayor intensidad el problema de decidir qué software merece existir, ser adoptado y generar valor. El estudio ofrece precisamente esa señal: la producción aumenta con mucha mayor velocidad que los proyectos, los lanzamientos y el uso. En los mercados de aplicaciones analizados, la proliferación de nuevas aplicaciones no vino acompañada de un aumento equivalente en su utilización.
La abundancia, entonces, no elimina la escasez; la desplaza. Y cuando la oferta de productos crece más rápido que la capacidad de las personas para evaluarlos, los costos de búsqueda y validación se convierten en una nueva restricción económica. Eso también cambia la naturaleza de la competencia: antes competíamos por producir; ahora tendremos que competir cada vez más por validar mejor.
Implicaciones para empresas, talento y política pública
Esta transformación tiene consecuencias que van mucho más allá del desarrollo de software. Si la IA reduce progresivamente el costo de producir información, contenido, análisis y soluciones, entonces una estrategia de competitividad basada únicamente en aumentar la capacidad de producción tecnológica puede quedarse corta. La pregunta estratégica pasa a ser otra: ¿tenemos las capacidades humanas e institucionales para transformar esa abundancia en decisiones confiables y valor económico?
Eso cambia también lo que debemos enseñar. La educación no puede limitarse a formar personas capaces de producir más información; tiene que formar personas capaces de formular mejores preguntas, reconocer supuestos, detectar errores, contrastar fuentes, evaluar argumentos y asumir responsabilidad sobre las decisiones que toman con ayuda de máquinas.
Y cambia lo que debemos medir. Si el output se vuelve abundante y barato, medir únicamente cuánto se produce será cada vez menos informativo. Tendremos que medir mejor la calidad de la interacción, la capacidad de validación, el aprendizaje y el valor que finalmente llega al usuario. Cuando cambia aquello que es escaso, también deben cambiar las métricas que utilizamos para evaluar la productividad y la competitividad a nivel de empresas e instituciones.
La nueva frontera
La historia económica está llena de tecnologías que abarataron aquello que antes era costoso. Cada vez que eso ocurrió, el valor se desplazó hacia otro lugar. La inteligencia artificial está haciendo exactamente eso con la producción intelectual: el software se vuelve abundante, la información se vuelve abundante, los outputs sintéticos se vuelven abundantes. Pero el juicio no; la confianza no; la validación no; la responsabilidad tampoco.
Por eso, la pregunta relevante para la economía de la IA ya no es simplemente cuánto más podemos producir con máquinas, sino cuánto valor podemos crear cuando la producción deja de ser escasa y la validación se convierte en el nuevo cuello de botella. La IA no está eliminando la escasez; está cambiando aquello que es escaso. Y cuando cambia la escasez, cambia dónde está el valor, cambian las señales, deben cambiar las métricas y, finalmente, deben aprender las instituciones.