El relato del «todos usan IA para todo» se choca con los datos reales

Los titulares sobre adopción de IA siguen una lógica simple: si el modelo existe y es accesible, la gente lo usa para todo. Los datos dicen otra cosa.

El consumo está mucho más concentrado de lo que parece

Un análisis reciente de Gabriel Weinberg desmonta el relato del «todos usan IA para todo». El patrón real es el de cualquier tecnología de consumo masivo: un núcleo pequeño de usuarios intensivos concentra la mayoría del uso, mientras la mayoría de las personas que «prueban» IA lo hacen de forma esporádica y en un rango muy estrecho de tareas. Búsqueda, resumen de texto y generación de código acaparan el grueso del volumen. El resto es periferia.

Eso no es un fracaso de adopción —es el comportamiento esperable. Ninguna tecnología se adopta de forma uniforme. El email tardó décadas en volverse default empresarial; las hojas de cálculo convivieron con papel carbónico por años. Lo que cambia con la IA es la velocidad del ciclo publicitario, que comprime las expectativas hasta hacer que cualquier brecha entre el relato y la realidad parezca una decepción.

Por qué el ingeniero de software sigue en su puesto

Desde 2023 circula una predicción con variantes: la IA va a automatizar el desarrollo de software en dos o tres años, los ingenieros sobrantes, el vibe coding lo reemplaza todo. El argumento más sólido contra esa posición no es defensivo ni gremial —es técnico.

El software en producción vive en contextos que ningún modelo puede absorber de golpe: décadas de decisiones acumuladas, dependencias implícitas, convenciones de equipo no escritas, requisitos que cambian mientras se escribe el código. La IA es excelente generando fragmentos correctos en aislamiento. El problema del ingeniero no es generar fragmentos: es entender qué fragmento sirve en qué contexto, cuándo una solución «que funciona» va a ser técnicamente insostenible en seis meses, y cómo negociar esa tensión con stakeholders que no programan.

Eso no es una limitación temporal que la próxima versión del modelo va a resolver. Es una diferencia estructural entre generación de texto y comprensión de sistemas.

El gap entre narrativa y métrica tiene un costo concreto

Cuando el relato de adopción se desconecta de los datos, las organizaciones toman decisiones mal calibradas. Presupuestan transformaciones que no tienen base empírica, contratan para roles que no saben exactamente qué harán, o —en el extremo opuesto— frenan inversiones legítimas porque «el hype ya pasó».

Ambos errores tienen la misma raíz: confundir visibilidad mediática con penetración real. Los casos de uso que hoy generan ROI documentado son relativamente pocos y relativamente predecibles: asistencia en redacción, generación y revisión de código en contextos acotados, clasificación y resumen de documentos a escala. Fuera de esos carriles, los resultados son más variables. La misma dinámica explica por qué el techo de monetización de los wrappers de IA empieza a hacerse visible: cuando los casos de uso reales son más estrechos que el relato, los márgenes lo reflejan antes que los titulares.

Qué mirar en los próximos meses

El indicador más útil no es cuántas personas «usan IA» sino en cuántos flujos de trabajo la IA es el paso que no se puede saltear. Esa métrica —IA como dependencia crítica, no como herramienta opcional— todavía es baja fuera de desarrollo de software y ciertos procesos de contenido.

Para decision-makers, la pregunta práctica es más estrecha: ¿en qué tarea específica, con qué volumen, la IA reduce tiempo o costo de forma medible? Partir de ahí —y no del mapa completo de «todo lo que la IA podría hacer»— es lo que separa los casos de uso que escalan de los pilotos que mueren en presentaciones. Un dato que refuerza esa lectura: la explosión de reprobados por uso de IA en Berkeley sugiere que incluso donde la adopción es alta, la brecha entre usar la herramienta y usarla bien sigue siendo enorme.