La respuesta honesta a la pregunta sobre la productividad
La IA generativa no hará explotar la productividad de tu equipo de la noche a la mañana, y la razón no es el modelo, es todo lo que lo rodea. Esa es la conclusión incómoda en cuanto pones el entusiasmo de 2026 junto a los datos y a la historia económica. La IA ayuda de verdad con la investigación, el código repetitivo, los primeros borradores y la revisión. El error está en esperar una multiplicación por diez de la noche a la mañana. El cuello de botella es el proceso, el criterio y un impuesto de ruido de información, no la capacidad de la herramienta.
Dirijo una agencia WordPress. Uso estas herramientas todos los días. Esto no es una pose contracorriente para conseguir clics. Es la mirada desde dentro de la entrega, donde la distancia entre una demostración convincente y un sitio entregado y mantenible es exactamente el punto donde las ganancias prometidas tienden a evaporarse. El problema no es el entusiasmo. El problema es el ritmo que esperamos.
Una ocurrencia de 1987 que no deja de volver
Empecemos por la frase que puso nombre a todo el fenómeno. En 1987, el premio Nobel Robert Solow, en las páginas de The New York Times, observó que “se ve la era informática en todas partes salvo en las estadísticas de productividad”. Había ordenadores en cada escritorio. Las cifras agregadas no se movían como prometían los folletos. Esa observación sembró lo que los economistas llaman hoy la paradoja de la productividad, o paradoja de Solow.
Sería cómodo descartarlo como historia antigua de la era de las torres beige. Erik Brynjolfsson, del MIT, no lo hizo. En un artículo de 1993 acuñó “The Productivity Paradox of Information Technology” y argumentó, con cuidado, que la ausencia de ganancias visibles no significaba que la tecnología fuera inútil. Significaba que la medición, el retraso y la mala gestión escondían el valor. Su trabajo más reciente sostiene que el presente puede rimar con finales de los años ochenta: la capacidad es real, el retorno está retrasado, y buena parte de la decepción inicial es autoinfligida.
Esa es la primera razón para el escepticismo ante la historia del por diez de la noche a la mañana. Ya hemos corrido este experimento antes, con una tecnología de uso general al menos tan trascendente como la IA generativa, y la curva de productividad no se dobló según el calendario que querían los proveedores.
Electrificación, o por qué 40 años es un número de verdad
La explicación más profunda viene del historiador económico Paul A. David. Su argumento es directo: las ganancias reales solo llegan cuando se reconstruye el mundo que rodea a una tecnología. Su ejemplo trabajado es el motor eléctrico. Las fábricas no se volvieron más productivas en el momento en que cambiaron el vapor por la electricidad. Se volvieron más productivas cuando se rediseñaron en torno a la electricidad, lo que tardó unos 40 años.
La razón es física y organizativa. Las fábricas de la era del vapor se construían en torno a un único motor central y a una selva de correas y ejes. La verdadera ventaja de la electricidad, el motor de accionamiento individual en cada máquina, solo rindió cuando los dueños de las fábricas abandonaron el viejo diseño de varias plantas y construyeron naves de una sola planta, donde las máquinas podían disponerse según el flujo de trabajo y no según la cercanía al eje de transmisión. La tecnología estuvo disponible durante décadas antes de que los edificios, la gestión y las prácticas laborales se pusieran al día. Solo entonces se movieron las estadísticas.
Aplica esa lente a una agencia WordPress en 2026. Hoy puedes meter un asistente de IA dentro del editor de bloques. Pero tu proceso de captación, tu control de calidad, tu entrega al cliente, tu modelo de facturación y tu definición de “terminado” se diseñaron todos para un mundo en el que una persona escribía cada línea. El motor está en el banco de trabajo. La fábrica no se ha reconstruido.
El número que nadie te devuelve: alrededor del 3 por ciento
Aquí la polémica se vuelve concreta. Las primeras afirmaciones, cercanas al MIT, hacían circular mejoras de eficiencia del orden del 40 por ciento para el trabajo de conocimiento asistido por IA. Ese número viajó rápido porque justificaba presupuestos. Después, un estudio del National Bureau of Economic Research de la primavera de 2025 lo midió con más cuidado y halló que la ganancia media de eficiencia medida con herramientas de IA fue de alrededor del 3 por ciento. No 40. Tres.
Peor para el entusiasmo, el mismo cuerpo de investigación halló que, en tareas más complejas y cargadas de criterio, la IA a veces perjudicaba la motivación y la calidad. Eso coincide con lo que veo en la práctica. Pedirle a un modelo que estructure un bloque personalizado, que esboce un plan de migración o que resuma el changelog de un plugin: neto positivo, a veces grande. Pedirle que tome una decisión de arquitectura sobre si un cliente necesita un front end desacoplado o una pila clásica reforzada: neto negativo si alguien trata el resultado como una respuesta en lugar de como una posición de partida con la que discutir.
Tres por ciento no es nada despreciable. Capitalizado a lo largo de un año, en todo un equipo, tres por ciento es dinero de verdad. Pero tres por ciento no es una revolución en torno a la cual reorganizar tu plan de contrataciones en un trimestre. Es el tipo de ganancia que solo aparece si mantienes la disciplina para capturarla, y desaparece en el momento en que dejas que la herramienta genere trabajo que nadie necesitaba.
Volumen no es valor
El encuadre más útil sobre de dónde vienen de verdad las ganancias está en un informe de EY sobre IA y productividad. Su movimiento central es separar la productividad de volumen de la productividad de valor. La IA generativa extiende la automatización más allá de las tareas repetitivas, hasta el trabajo de conocimiento y creativo, lo cual es genuinamente nuevo. Pero las ganancias que importan, sostiene EY, están en la calidad, la creatividad y la velocidad de las decisiones, no en la producción bruta.
En un modelo optimista, el mismo informe sitúa la contribución de la IA en torno al 3 por ciento añadido al PIB mundial para 2033. Fíjate en la fecha. No para el próximo trimestre. Para 2033. Es decir, de nuevo, el calendario del cambio de proceso, no el de las versiones de los modelos.
La distinción entre volumen y valor es la idea más útil en la práctica, en todo este debate, para una agencia. Si mides tu adopción de IA por cuántas palabras, borradores o tickets produce, declararás la victoria mientras te ahogas en silencio. Si la mides por lo rápido que llegas a una buena decisión y por lo poco que tienes que rehacer, descubrirás si funciona.
Tres formas en que las ganancias se escapan
A lo largo de cada oleada de adopción tecnológica decepcionante se repiten los mismos tres mecanismos. Vale la pena nombrarlos, porque cada uno tiene un equivalente WordPress directo.
| Mecanismo | El patrón general | La versión WordPress 2026 |
|---|---|---|
| Herramientas sin cambio de proceso | Comprar la tecnología pero mantener el flujo de trabajo antiguo, de modo que se convierte en una capa costosa encima de cómo ya trabajabas | Atornillar un panel de IA a un canal de captación, construcción y control de calidad sin cambios y esperar que se acumule |
| El retraso de adaptación | Las normas, la regulación y la cultura deben cambiar antes de que aterricen las ganancias, según Paul A. David | Equipos, contratos y expectativas del cliente siguen dando por hecho el trabajo escrito a mano de principio a fin |
| Efectos secundarios que se comen las ganancias | En 1966, los ordenadores generaban más informes de los que los gestores podían leer | Una avalancha de borradores, briefs y resúmenes generados por IA con escaso valor real que alguien aún tiene que clasificar |
La tercera fila es la que subrayaría. El problema de 1966 era real: la máquina podía generar más informes de gestión de los que cualquier gestor podía absorber, así que el cuello de botella pasó de producir información a leerla. La versión de 2026 es la avalancha de todo lo generado por IA. Pull requests que nadie revisó por completo. Documentación generada para satisfacer una lista de comprobación. Texto para el cliente esbozado en segundos y luego discutido durante una hora. El modelo abarató la parte barata y empujó el coste hacia la parte cara: la atención y el criterio humanos. Ese es el impuesto del ruido de información, y es invisible en cualquier panel que cuente producción.
Dos casos reales de la entrega
Es fácil asentir ante las abstracciones, así que aquí van dos casos contrastantes del tipo de trabajo que una agencia hace de verdad.
Caso uno. Una tienda WooCommerce con más de 30 plugins y un time-to-first-byte rondando los 1,8 segundos. El dueño había oído que la IA podía “arreglar el rendimiento” y quería que le apuntáramos una herramienta. Usamos IA intensivamente, pero no como él imaginaba. Fue excelente en las partes acotadas y legibles: clasificar qué plugins disparaban más consultas, esbozar la primera versión de una capa de caché de transients, generar casos de prueba para una suite de regresión del checkout, explicar un hook de terceros desconocido. Lo que no pudo hacer fue decidir que la verdadera solución era eliminar once plugins y reconstruir dos como un pequeño plugin personalizado, porque esa decisión exigía sopesar la hoja de ruta del cliente, sus competencias internas y su tolerancia al riesgo. La IA comprimió el 60 por ciento legible del trabajo. El 40 por ciento ilegible, la parte que era de verdad el cuello de botella, no pudo tocarla. Resultado neto: más rápido, sí. Diez veces más rápido, no. El criterio siempre iba a ser el factor limitante, y nuestro mantenimiento y soporte de WordPress es sobre todo criterio.
Caso dos. Un sitio Elementor que se cayó bajo un pico de tráfico de una campaña. Aquí la tentación era dejar que la IA generara un muro de recomendaciones de “optimización”, y lo habría hecho encantada. Esa es justamente la trampa del ruido de información. Un modelo produce veinte sugerencias plausibles, dieciocho genéricas y dos que importan, y ahora una persona sénior tiene que gastar su recurso más escaso, la atención, en separar la señal del ruido de tono seguro. La victoria vino de que una persona decidió cachear de forma agresiva en el edge y diferir los widgets más pesados del constructor de páginas, y luego usó la IA solo para esbozar la implementación. El pensar fue la parte lenta. El teclear fue la parte rápida. La IA aceleró el teclear.
El patrón en ambos: la IA es un multiplicador en las partes del trabajo que nunca fueron la restricción. La restricción es el criterio, y el criterio no tiene un botón de por diez.
Qué significa esto para WordPress 7.0 y las funciones de IA
WordPress 7.0 llega con capacidades de IA nativas, más profundas en la superficie de edición y de flujo de trabajo que cualquier cosa anterior. Eso es genuinamente útil, y no estoy argumentando en contra. Estoy argumentando contra el ritmo que la gente espera de ello.
Si tratas las funciones de IA de WordPress 7.0 como una capa que atornillar a tu proceso actual, obtendrás el resultado de 1966: más borradores, más sugerencias, más “contenido”, y un equipo gastando en silencio el tiempo recuperado en revisar material que nunca debió generarse. Es el mecanismo uno y el mecanismo tres funcionando juntos.
Si en cambio lo tratas como una razón para rediseñar el flujo de trabajo, igual que los dueños de las fábricas acabaron rediseñando en torno al motor eléctrico, las ganancias son reales y duraderas. En concreto, eso significa decidir de antemano qué tareas esboza la IA, cuáles tiene que revisar una persona antes de que se entregue nada, y cuáles simplemente te niegas a automatizar porque el coste del criterio es justamente el punto. Significa medir el tiempo de ciclo y la tasa de retrabajo, no el recuento de palabras ni el rendimiento de tickets. Significa ser honesto en que el valor de un desarrollador WordPress se está desplazando hacia las decisiones que la IA no puede tomar, y no lejos de ellas.
Con la fijación de precios pasa lo mismo. Los clientes suponen a veces que la IA debería abaratarlo todo porque teclear es más barato. Teclear nunca fue la parte cara. La arquitectura, la postura de seguridad, el presupuesto de rendimiento, el cumplimiento de accesibilidad, la decisión sobre qué no construir: ese es el trabajo, y por eso nuestra fijación de precios sigue siendo individual y no una mercancía por palabra. La IA reduce el coste de las tareas legibles y eleva el valor relativo de las ilegibles.
Entonces, qué deberías hacer de verdad
Nada de esto es un argumento para ignorar la IA. Es un argumento para acertar el ritmo y las mediciones. Si tuviera que comprimir el análisis sénior en un puñado de reglas operativas:
- Adopta la IA primero para las tareas acotadas y legibles: investigación, código repetitivo, primeros borradores, andamiaje de pruebas, revisión de código y de contenido. Ahí es donde viven de verdad las ganancias medidas.
- Rediseña el proceso circundante antes de esperar retornos acumulados. La herramienta es el motor eléctrico. Todavía tienes que reconstruir la fábrica.
- Presupuesta el impuesto del ruido de información de forma explícita. Cada pieza de trabajo generada por IA es un borrador cuya revisión cuesta atención humana. Si revisarlo cuesta más que escribirlo, has perdido.
- Mide valor, no volumen. El tiempo de ciclo, la tasa de retrabajo y la velocidad de decisión te dicen si la IA está ayudando. Los recuentos de producción no te dicen nada útil y te adulan hasta la complacencia.
- Mantén a las personas en las decisiones de criterio. En tareas complejas y cargadas de criterio, los datos del NBER muestran que la IA puede perjudicar la calidad. Trata su resultado como un argumento que poner a prueba, nunca como una respuesta que entregar.
Lo que está en juego es el ritmo, no la herramienta
La paradoja de la productividad no es una predicción de que la IA fracasa. Los ordenadores de Solow acabaron apareciendo en las estadísticas, décadas después, cuando el mundo se reorganizó en torno a ellos. El retraso de Brynjolfsson se resolvió. El motor eléctrico de David rehizo la industria, cuarenta años después. La tecnología fue real cada vez. La decepción siempre estuvo en esperar la ganancia según el calendario del departamento de marketing en lugar del calendario del cambio organizativo.
La IA generativa en 2026 es la misma forma de historia. Alrededor del 3 por ciento medido hoy, plausiblemente mucho más a comienzos de la década de 2030, pero solo para los equipos lo bastante disciplinados como para reconstruir su proceso en torno a ella y lo bastante honestos como para contar valor en lugar de volumen. El problema nunca fue el entusiasmo. El problema es el ritmo que esperamos. Acierta el ritmo y la paradoja no es una advertencia. Es una hoja de ruta.
Última actualización: 31 de mayo de 2026.
