La narrativa dominante nos vende la inteligencia artificial como el motor definitivo de la próxima revolución industrial. Sin embargo, un análisis riguroso del economista Daron Acemoglu, profesor del MIT y uno de los voces más influyentes en economía del trabajo y tecnología, acaba de pinchar la burbuja de expectativas: fuera del sector tecnológico, la IA ha entregado "cero retorno financiero" a las empresas que la han adoptado.

El hallazgo, publicado en un paper reciente del National Bureau of Economic Research (NBER), no es una opinión aislada. Acemoglu y su equipo han escudriñado datos de adopción, inversión y productividad a nivel de firma en EE. UU. durante la última década. La conclusión es contundente: no hay evidencia estadísticamente significativa de que la IA haya impulsado el crecimiento de la productividad total de los factores (PTF) en sectores no tecnológicos. Ni en manufactura, ni en servicios financieros, ni en retail, ni en salud.

¿Por qué esta desconexión entre el ruido mediático y la realidad contable? El estudio apunta a tres factores estructurales. Primero, la mayor parte de la inversión en IA se concentra en "automatización marginal" —tareas rutinarias de bajo valor añadido— en lugar de en "nuevas tareas" que expandan las capacidades humanas o creen productos imposibles sin IA. Segundo, las barreras de implementación son brutales: calidad de datos, integración con sistemas legacy, talento escaso y costes de inferencia que escalan más rápido que el valor generado. Tercero, y quizás el más crítico, las empresas no tech carecen de la arquitectura organizativa para absorber la tecnología: compran modelos, pero no rediseñan procesos ni incentivos.

El contraste con el sector tecnológico es esclarecedor. Google, Meta, Microsoft o Nvidia sí extraen valor masivo de la IA, pero su negocio *es* la IA: venden infraestructura, modelos y atención publicitaria optimizada algorítmicamente. Para ellos, la IA es producto y motor de su core business. Para un banco, un hospital o una cadena logística, la IA es un insumo caro y difícil de domesticar.

Esto no significa que la IA sea inútil. Significa que la curva de adopción productiva es más larga y pendiente de lo que los ciclos de *hype* venden. La historia económica lo confirma: la electricidad tardó décadas en transformar la productividad fabril porque requería rediseñar las fábricas, no solo cambiar motores de vapor por eléctricos. Lo mismo ocurrió con el PC en los 80 y la internet en los 90. La paradoja de Solow —"veo ordenadores por todas partes menos en las estadísticas de productividad"— vuelve a estar vigente.

Para los directivos y consejos de administración, el mensaje es incómodo pero necesario: dejar de medir el éxito de la IA en *poCs* lanzados o modelos entrenados, y empezar a exigir métricas de impacto en EBITDA, ciclo de caja o cuota de mercado. La experimentación tiene valor, pero sin una teoría del caso clara —qué problema de negocio resuelve, cómo cambia la estructura de costes o ingresos, qué capacidades organizativas se necesitan— la IA se convierte en un centro de costes sofisticado.

Los inversores también deberían recalibrar. Las valoraciones de muchas startups de IA asumen una adopción empresarial masiva y rápida. Si la evidencia sugiere que esa adopción será lenta, fragmentada y selectiva, los múltiplos actuales incorporan un optimismo que la realidad macro no respalda.

En resumen: la IA transformará la economía, pero no por ósmosis. Requiere inversión complementaria en capital humano, datos, gobernanza y rediseño organizativo. Las empresas que entiendan esto —y actúen en consecuencia— serán las que, dentro de una década, sí aparezcan en las estadísticas de productividad. Las demás habrán financiado el I+D de las grandes tech sin llevarse el trofeo.