MIT Technology Review: OpenAI, Anthropic y todo el mercado de IA están atrapados entre el hype y las ganancias

El entusiasmo en torno a la IA ya ha creado una sensación de revolución inevitable, pero entre promesas ruidosas y ganancias reales permanece un vacío: la industria ha dominado bien el paso de crear modelos impresionantes, sin embargo aún no puede demostrar claramente cómo se integran de forma confiable en las operaciones de las empresas y transforman la economía. El autor recuerda una marcha anti-IA de febrero en Londres, donde activistas de Pause AI distribuían un panfleto con un esquema casi meme: paso uno, hacer crecer una superinteligencia digital; paso dos, una pregunta; paso tres, también una pregunta. Esta es una referencia a los gnomos de South Park, cuyo plan de negocios se veía así: recopilar ropa interior, luego algo desconocido, y luego obtener ganancias.

Según el autor, este es exactamente el estado en el que se encuentra todo el mercado de IA: la tecnología existe, la promesa de transformación existe, pero el mecanismo intermedio sigue siendo turbio. Para los opositores de la IA, el segundo paso omitido generalmente significa regulación: primero necesitas entender qué reglas deben limitar la implementación, quién las escribirá y quién garantizará su cumplimiento. Para los defensores de la tecnología, el panorama es inverso.

Ya están mentalmente en el punto donde la IA salva la economía, aumenta la productividad y transforma el mercado laboral. Como le dijo al autor el Científico Jefe de OpenAI, Jakub Pachocki, se trata de una tecnología que transforma la economía. El problema es que el camino hacia este futuro es diferente para todos, y nadie tiene mapas comprobados.

Un estudio publicado por Anthropic el 5 de marzo de 2026 intenta evaluar el impacto de la IA en el mercado laboral. La empresa introdujo una métrica llamada observed exposure, que conecta las capacidades teóricas de los modelos de lenguaje con datos reales sobre su uso. La conclusión es mixta: gerentes, arquitectos, profesionales de medios y otras profesiones de cuello blanco corren mayor riesgo, pero la penetración real de la IA está muy por debajo de su potencial teórico.

Según los datos de Anthropic, en la categoría Computer and Math, Claude realmente cubre solo el 33 por ciento de las tareas, y aproximadamente el 30 por ciento de los trabajadores tienen cero exposición. Al mismo tiempo, los investigadores aún no han encontrado un aumento claro en el desempleo en las profesiones más vulnerables después del lanzamiento de ChatGPT, aunque la contratación de empleados jóvenes en tales roles puede ya estar disminuyendo. Un segundo ejemplo enfría aún más el mercado.

En febrero, investigadores de Mercor probaron agentes de IA líderes de OpenAI, Anthropic y Google DeepMind en 480 tareas largas de oficina compiladas de prácticas reales de banqueros de inversión, consultores y abogados corporativos. Los agentes recibieron un ambiente realista con archivos, documentos, hojas de cálculo y aplicaciones para probar no una hermosa escena de demostración, sino rutina laboral real. El resultado fue duro: ningún sistema pudo manejar consistentemente la mayoría de los deberes.

Incluso los mejores modelos entregaban resultados parciales útiles, pero la ejecución completa de trabajo complejo seguía siendo más la excepción que la regla. Este es ese paso omitido. Los modelos no son suficientes para simplemente integrar en un producto o sentar junto a un empleado.

Deben funcionar dentro de procesos complejos, entre personas, reglas, verificaciones, software obsoleto y responsabilidad por errores. A veces, agregar IA no acelera el trabajo, sino que lo complica. Sí, las empresas pueden reestructurar procesos para adaptarse a las nuevas herramientas, pero esto requiere tiempo, dinero y valor directivo.

Por ahora, el vacío en la comprensión se llena con anuncios ruidosos semanales, y un post exitoso en redes sociales puede mover expectativas e incluso el mercado más rápido que datos cuidadosos. La conclusión principal es simple: el mercado de IA ahora carece no de otra demostración de capacidades, sino de evidencia de operación en el mundo real. Lo que se necesita es mayor transparencia de los desarrolladores de modelos, trabajo colaborativo entre investigadores y negocios, y nuevos métodos de evaluación que muestren no magia de laboratorio, sino lo que sucede después de la implementación.

Hasta que esto exista, las promesas de una revolución económica inminente siguen siendo un tercer paso hermoso sin un segundo convincente.