El debate sobre la IA suele irse a dos extremos: o ya está transformando toda la economía o no sirve para nada. Un análisis publicado por el economista jefe de Apollo, Torsten Sløk, propone una pregunta más concreta: ¿se ve ya el retorno de la inversión en las empresas que usan IA, fuera de las que la venden?
La nota del 24 de octubre sostiene que todavía no aparece en algunos indicadores agregados de empresas estadounidenses. El argumento tuvo mucha tracción en Hacker News: al consultar la portada archivada de ese día, sumaba 544 puntos y 560 comentarios. Es una medida del interés de esa comunidad, no una encuesta representativa ni una prueba económica.
Qué muestran los gráficos de Apollo
Apollo compara a las siete mayores empresas tecnológicas estadounidenses —el grupo conocido como Mag 7— con las otras 493 compañías del S&P 500. En sus gráficos, los ingresos por empleado y los márgenes de beneficio suben en el primer grupo, mientras que se mantienen prácticamente planos en el segundo. También indica que, por ahora, no observa un impulso claro de la IA en el crecimiento de la productividad.
La lectura de Apollo es que el gasto en modelos y tokens todavía pesa como coste en muchas empresas, sin un aumento visible de ingresos o márgenes que lo compense. Su nota señala además una diferencia entre startups financiadas con capital riesgo, que gastan más en tokens, y compañías tradicionales, que no necesariamente necesitan el modelo más nuevo.
Hay que leer con cuidado la frase «cero retorno». Los gráficos describen tendencias agregadas y la interpretación de Apollo; por sí solos no prueban que ninguna empresa fuera del sector tecnológico haya obtenido beneficios con IA. Tampoco permiten atribuir cada cambio de ingresos o márgenes a una causa concreta. La propia página atribuye los gráficos a Bloomberg, Macrobond y al equipo de Apollo, pero no ofrece allí todos los datos subyacentes para reproducir el análisis.
Por qué el retorno tarda en aparecer
Pagar por una herramienta no cambia automáticamente cómo trabaja una empresa. Para que la inversión se note en los resultados, alguien tiene que elegir un proceso adecuado, integrarla con los datos y sistemas existentes, revisar su trabajo y cambiar las responsabilidades cuando haga falta. Si una persona tarda menos en redactar algo, pero después otra debe corregirlo, comprobarlo y resolver errores, el ahorro inicial puede desaparecer.
También hay costes que no caben en la factura del modelo: integración, formación, supervisión, privacidad, seguridad y mantenimiento. En ciertos trabajos, el beneficio puede ser mejor servicio, menos espera o menos errores, sin que se traduzca enseguida en un margen mayor. Por eso, un gráfico macroeconómico no basta para decidir si una herramienta concreta compensa a un equipo pequeño.
Qué puede medir un equipo pequeño
La noticia sirve como recordatorio para quienes desarrollan software, gestionan una pyme o mantienen servicios propios: probar IA está bien, pero conviene fijar antes qué resultado justificaría mantenerla.
- Elige una tarea delimitada y registra cuánto tarda hoy, incluidas revisión y correcciones.
- Prueba la herramienta con casos reales y compara calidad, errores y tiempo total, no solo velocidad de generación.
- Suma suscripciones, consumo, integración y supervisión al coste de la prueba.
- Compara el resultado con una alternativa sencilla: una automatización tradicional, una mejora de proceso o no cambiar nada.
- Decide de antemano cuándo abandonar la prueba si no mejora el indicador que te importa.
Para un servicio autoalojado, añade el coste de hardware, electricidad, actualizaciones y tiempo de administración. Ejecutar un modelo en tu servidor puede darte más control sobre los datos, pero eso no significa automáticamente que sea más barato ni que resuelva mejor la tarea.
La pregunta útil no es si la IA funciona
La nota de Apollo es un contrapunto razonable al entusiasmo: una adopción muy visible y un gasto enorme no garantizan que la productividad o los beneficios ya hayan cambiado en toda la economía. Pero tampoco cierra el debate. Los promedios pueden ocultar diferencias entre sectores, tareas y empresas, y los beneficios pueden tardar en reflejarse en las cuentas.
Para decidir en un proyecto real, la pregunta práctica es más pequeña: ¿qué tarea mejora, cuánto mejora después de revisar el resultado y cuánto cuesta conseguirlo? Hasta que una prueba responda eso con datos del propio equipo, más tokens o más código generado no son una medida de retorno.