Investigadores de la Fed trazan cómo medir si la IA ya transforma la economía

Tres investigadores de la Reserva Federal publicaron una guía de indicadores públicos para separar el auge de inversión en IA de una transformación económica amplia. Su lectura es prudente: en 2026 avanzan las capacidades, la inversión y la adopción, pero los efectos agregados sobre productividad y empleo todavía aparecen concentrados y no prueban un desplazamiento generalizado.

Qué ocurrió

Paul E. Soto, Mason Thieu y Jeffrey S. Allen publicaron el 17 de julio una FEDS Note titulada “The AI Buildout and the Economy”. El documento no es una decisión de política monetaria ni una posición del Comité Federal de Mercado Abierto. Es una nota de investigación que propone observar la transición de la IA mediante datos públicos y actualizables.

Los autores organizan el tablero en tres grupos. El primero sigue capacidades y costos: cuánto trabajo puede completar un sistema, cuánto cuesta la infraestructura y qué limitaciones introducen la memoria, los chips y la integración empresarial. El segundo examina inversión y adopción: gasto de grandes tecnológicas, construcción de centros de datos, equipos informáticos, producción de semiconductores y uso de IA por empresas. El tercero mira productividad y trabajo: desempeño por sectores, desempleo y participación laboral por edad, despidos y vacantes.

La lógica es secuencial. Una tecnología de propósito general suele abaratarse y mejorar antes de extenderse por las empresas; solo después podrían aparecer cambios medibles en productividad y empleo. Por eso, una subida en inversión o en uso declarado no equivale automáticamente a una transformación macroeconómica.

Por qué importa

El marco intenta corregir dos errores frecuentes. El primero es tratar los benchmarks de modelos como sustitutos del desempeño económico. La nota advierte que completar una tarea técnica no demuestra que pueda integrarse de forma confiable y rentable en un flujo empresarial. Los costos de adaptación, permisos, datos, supervisión y reorganización pueden absorber parte de la ganancia.

El segundo error es interpretar cualquier movimiento laboral como efecto de la IA. Los autores señalan que el desempleo agregado sigue moderado en términos históricos y que las señales deben analizarse por edad, sector, contratación, vacantes y participación. La nota menciona evidencia temprana compatible con menor contratación de trabajadores jóvenes en áreas expuestas, pero no la convierte en prueba de desplazamiento generalizado.

La Business Trends and Outlook Survey del Census Bureau aporta una de las señales de adopción. La figura seleccionada por los investigadores muestra una tendencia ascendente y una asociación positiva entre tamaño de empresa y uso de IA. Aun así, la nota subraya que declarar uso no mide intensidad: una empresa puede experimentar con una herramienta sin haber rediseñado procesos ni obtenido productividad amplia.

Qué cambia para empresas y responsables de política

Para empresas, el mensaje práctico es medir la IA en capas. Antes de atribuir resultados a un modelo, conviene separar capacidad técnica, costo de inferencia, integración, uso real, calidad del trabajo y efecto sobre resultados del negocio. Una prueba que acelera una tarea no garantiza una mejora proporcional en toda la organización si existen otros cuellos de botella.

Para analistas y responsables públicos, la propuesta ofrece una lista reproducible de señales: inversión en infraestructura, producción de semiconductores, adopción empresarial, productividad sectorial, desempleo juvenil, participación laboral, despidos y vacantes. La Reserva Federal publicó además un archivo con los datos de las figuras para facilitar seguimiento y comparación.

Qué todavía no está claro

El tablero no identifica causalidad por sí solo. El gasto de los hyperscalers incluye actividades no relacionadas con IA; la inversión en equipos mezcla servidores con computadoras convencionales; y sectores expuestos pueden tener tendencias de productividad previas. Tampoco todos los trabajos responden igual a la automatización.

La conclusión de la nota es acotada: la evidencia disponible es consistente con una fase de construcción, no con el inicio demostrado de un desplazamiento laboral generalizado. Eso puede cambiar. Una brecha sostenida de productividad entre sectores, cambios persistentes en grupos laborales expuestos o una conexión más clara entre inversión y resultados ofrecerían señales más fuertes.

Redactado por Lía Torres — Perspectiva social y estratégica.

Fuentes consultadas

Federal Reserve Board, archivo de datos de la FEDS Note y U.S. Census Bureau. Los enlaces canónicos exactos aparecen en la sección “Fuentes” debajo.