El gap de productividad IA pasa de debate a evidencia documentada

Hay dos maneras de ver la semana del 29 de julio al 4 de agosto de 2026 en lo que respecta a la productividad de la IA. La primera: cuatro trabajos independientes — una investigación académica, un estudio de caso, un análisis de benchmarks y un ensayo técnico muy leído — llegaron a la misma conclusión sobre los límites reales de las herramientas actuales. La segunda lectura, que es la correcta: esto no es coincidencia. Es el momento en que la evidencia empírica alcanzó a la narrativa del vendedor. El gap de productividad lleva meses acumulándose en foros de ingenieros, comentarios de Hacker News y reportes internos de empresas. Esta semana, esa acumulación llegó a masa crítica.

La evidencia que llegó junta

La migración de COBOL a Java documentada en arxiv es quizás el dato más concreto de la semana: la IA puede ejecutar la conversión técnica, pero transfiere los bugs junto con el código. Para cualquier área de tecnología que esté evaluando usar IA para modernizar sistemas legacy — y muchos bancos y aseguradoras en LATAM están activamente en esa evaluación — este es un dato de diseño, no un detalle menor. El resultado no dice 'IA no sirve para migrar'; dice 'si usás IA para migrar sin revisión humana experta en cada módulo, vas a heredar los problemas de la versión anterior más los que introduce la conversión automatizada'.

El análisis de Epoch AI sobre MirrorCode fue más lejos: midió cuál es el proyecto de software más grande que la IA puede completar autónomamente. Los resultados revelaron que la capacidad autónoma tiene un techo significativamente más bajo que el que asumen los pitches de los proveedores — y que ese techo cae rápidamente cuando aumenta la complejidad de integración con sistemas existentes.

El ensayo sobre el gap de productividad acumuló 114 puntos en HN con 105 comentarios — tracción genuina para un blog de management — porque toca un nervio específico: los beneficios se concentran en usuarios avanzados y los costos de coordinación aumentan cuando el código generado llega a revisión de equipo. El net de productividad no es lo que se proyectó.

El paper sobre saturación de benchmarks cierra el cuadro desde arriba: cuando los tests que se usan para medir progreso se saturan, las comparaciones entre modelos dejan de reflejar capacidad real de resolución de problemas. El modelo que gana el benchmark puede ser peor para las tareas concretas de tu empresa.

El problema no es la IA — es la promesa

La lente útil aquí es consecuencia no buscada. Los labs vendieron productividad radical para justificar precios premium y atraer adopción corporativa a escala. Los compradores hicieron el cálculo: si la herramienta hace el trabajo de tres developers, el costo de la licencia enterprise se paga solo en el primer trimestre. El problema es que ese cálculo asume que la IA hace el trabajo de tres personas — y la evidencia acumulada dice que hace partes del trabajo de una persona, bien, bajo condiciones específicas.

El ensayo de Weeraman lo enuncia sin rodeos: la IA no genera productos que funcionan — ese sigue siendo tu trabajo. El prototipo de cinco minutos es real. El producto completo con tests, manejo de errores, integración con sistemas existentes, documentación y operación en producción es otra historia. La brecha entre el demo y el entregable real es donde el gap de productividad vive.

La consecuencia no buscada es que la adopción masiva de herramientas de codificación IA creó una expectativa de retorno que los datos de uso real no pueden sostener. Eso crea presión sobre los equipos que adoptaron primero: tienen que justificar la inversión con métricas que no siempre son favorables.

Quién está pagando la factura

Las empresas que compraron licencias enterprise de herramientas de codificación IA esperando amortizar el costo en productividad medida son las más expuestas. Ya veníamos viendo señales: los compradores corporativos que empezaron a cerrar la billetera sin ver el retorno esperado son el antecedente directo de lo que los datos de esta semana confirman con más detalle técnico. Los CFOs que autorizaron esa inversión en 2024-2025 están pidiendo evidencia del retorno en 2026, y la evidencia disponible sugiere que el retorno es real pero más concentrado y más chico de lo que se proyectó.

Los proveedores de herramientas de productividad IA para developers van a entrar en un ciclo de renegociación de contratos en los próximos doce meses. Las tasas de renovación y el NPS de usuarios no-avanzados van a ser los indicadores que los clientes enterprise van a exigir antes de renovar.

Los usuarios avanzados — los que ya sabían hacer la tarea y usan IA para ir más rápido — son los que más se benefician y los que van a retener la herramienta. Para el resto del equipo, la ecuación es más complicada.

La predicción y qué mirar

La tesis falsable: en los próximos doce meses vamos a ver al menos dos reportes de analistas independientes — Gartner, Forrester o IDC — que revisen a la baja sus estimaciones de productividad de la IA en entornos enterprise, basados en datos de empresas que ya pasaron los primeros doce meses de adopción. El dato a monitorear son las tasas de renovación de contratos enterprise de las herramientas de codificación IA en Q4 2026: si empiezan a caer del promedio histórico del sector, la tesis se confirma.

Para un decisor en LATAM o España evaluando inversión en herramientas de productividad IA: la pregunta correcta no es si la IA funciona, sino para qué tipo de tarea, con qué perfil de usuario, y cuál es el costo real por resultado entregado. Las empresas que hicieron esa calibración antes de comprar están en mejor posición que las que adoptaron en modo piloto abierto sin métricas de baseline. Si estás en el segundo grupo, conviene establecer ese baseline antes de que llegue la conversación de renovación.