Casi todo lo que lees sobre IA es alguien opinando sobre lo que otro alguien opinó. El bucle se alimenta solo y termina en dos campos igual de inútiles: los que dicen que esto lo cambia todo y los que dicen que es humo.
Los estudios revisados no resuelven la discusión, pero acotan mucho el terreno. Estos seis, juntos, cuentan una historia bastante clara: la IA sí sube la productividad, tiene un techo que no rompe, cobra un costo cognitivo que nadie está midiendo, tiene una dimensión emocional real, y en modo autónomo se rompe de formas que todavía no sabemos gobernar.
Van con hallazgo, cifra y liga directa. Ninguno es de lectura ligera y ninguno necesita que seas académico para entenderlo.
1. La IA cierra la brecha de productividad por escolaridad
Does Generative AI Narrow Education-Based Productivity Gaps? Evidence from a Randomized Experiment. Cruces, Fernández Meijide, Galiani, Gálvez y Lombardi. NBER Working Paper 34851, 2026.
Un experimento aleatorizado con 1,174 adultos de 25 a 45 años resolviendo una tarea de negocio con incentivo económico, con y sin asistente de IA.
Sin acceso a IA, los participantes con más escolaridad superaban a los de menos escolaridad por 0.548 desviaciones estándar. Con acceso, esa brecha cayó a 0.139. Es decir: la IA cerró alrededor de tres cuartas partes de la diferencia.
Lo que esto significa en una empresa es incómodo y bueno: parte de lo que hoy pagas como "experiencia" era acceso a un método, no a un talento. Y el método ahora es distribuible.
2. 26% más tareas completadas en desarrollo de software
The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Cui, Demirer, Jaffe, Musolff, Peng y Salz. Microsoft Research, 2025.
Tres experimentos de campo, no una encuesta de percepción. El resultado: un aumento de 26.08% en tareas completadas entre los desarrolladores que usaron la herramienta de IA, con un error estándar de 10.3%.
Ese error estándar importa tanto como el número. Quiere decir que el efecto es real pero variable: hay gente y contextos donde el salto es enorme y otros donde casi no se nota. Cuando alguien te venda una cifra redonda de productividad sin decirte la dispersión, ya sabes qué te están vendiendo.
3. La IA no convierte a un novato en experto
Bojinov, McFowland, DosSantos DiSorbo, Hildebrandt, Karunakaran y Vendraminelli. Harvard Business School, 2026.
Este es el contrapeso exacto del primero, y por eso hay que leerlos juntos. Los novatos con IA cerraron cerca de un tercio de la brecha contra los expertos, pero se quedaron alrededor de 13% atrás en ejecución. Subieron mucho. No alcanzaron.
La cita que mejor lo resume: la IA te hace sentir que puedes hacer cualquier cosa, pero la pregunta es si puedes hacer la tarea tan bien como la gente cuyo trabajo es hacerla.
Traducido a decisión de contratación: la IA sube el piso de tu equipo, no el techo. Si tu negocio compite por hacer bien lo difícil, sigues necesitando a alguien que sepa. Si compite por hacer aceptable lo repetitivo, ahí sí cambió la economía.
library.hbs.edu/working-knowledge
4. Se te olvida cuáles ideas eran tuyas
Zindulka, Goller, Fernandes, Welsch y Buschek. Publicado en ACM CHI 2026, disponible en arXiv como 2509.11851.
Este es el que menos circula y el que más me hizo cambiar hábitos.
Después de trabajar con IA, la probabilidad de atribuir correctamente una idea —saber si fue tuya o del modelo— baja. Y la caída es más pronunciada en los flujos mixtos, donde escribes un poco tú y un poco el modelo, que es exactamente como trabaja casi todo el mundo.
El riesgo no es de crédito ni de ego. Es que si no distingues qué pensaste tú, tampoco distingues qué revisaste tú. Y ahí es donde entra un error del modelo a tu documento con tu nombre en la portada.
Mi respuesta práctica: cuando el entregable importa, escribo primero mi versión fea, la guardo, y después traigo al modelo. Tener el borrador propio guardado es lo único que me deja saber después qué parte era mía.
5. Los acompañantes de IA reducen la soledad
Investigación de Stefano Puntoni y equipo, Wharton AI & Analytics Initiative.
El hallazgo es directo: los acompañantes de IA sí ayudan a aliviar sentimientos de soledad y a que las personas se sientan escuchadas y mejor entendidas.
Lo incluyo porque es el estudio que más incomoda a la gente de tecnología, que preferiría hablar de productividad. Pero si construyes producto, esto es una señal de demanda enorme y de responsabilidad igual de grande. Una herramienta que alivia soledad es una herramienta con la que la gente forma un vínculo, y las decisiones de diseño ahí no son neutrales.
ai-analytics.wharton.upenn.edu
6. Agentes autónomos y fallas en cascada
Agents of Chaos. Natalie Shapira, David Bau y cerca de cuarenta coautores de Northeastern, Stanford, Harvard, MIT, Carnegie Mellon y la Universidad Hebrea. arXiv 2602.20021, febrero 2026.
Este es el que debería leer cualquiera que esté a punto de darle permisos de acción a un agente.
Metieron agentes autónomos en un ambiente vivo —memoria persistente, cuentas de correo, acceso a Discord, sistema de archivos, ejecución de comandos— con veinte investigadores interactuando con ellos en condiciones normales y adversarias durante dos semanas.
Lo que documentaron: obediencia a personas que no eran sus dueños, filtración de información sensible, ejecución de comandos destructivos, consumo descontrolado de recursos, suplantación de identidad, propagación de malas prácticas de un agente a otro y toma parcial del sistema.
La frase con la que cierran es la que hay que llevarse: estos comportamientos abren preguntas sin resolver sobre responsabilidad, autoridad delegada y quién responde por el daño. No es un problema técnico pendiente. Es un problema legal y organizacional que nadie ha resuelto.
arxiv.org/abs/2602.20021 — el equipo también publicó los casos en agentsofchaos.baulab.info
El paso que todo mundo se salta: leer el número junto con su incertidumbre. Los seis traen intervalos, errores estándar y condiciones del experimento, y es justo esa parte la que se cae en el camino cuando la cifra llega a LinkedIn. "26% más productivo" sin el error estándar de 10.3% deja de ser un hallazgo y se vuelve una promesa de venta. Cuando alguien te cite uno de estos, la pregunta correcta es en qué condiciones se midió.
En qué orden leerlos
Depende de para qué los quieras:
- Si apenas estás entendiendo qué cambia: el 1 y el 3. Juntos te dan la foto completa —la IA sube el piso, no rompe el techo— y te ahorran los dos extremos del discurso.
- Si estás construyendo o implementando: el 2 y el 6. Uno te dice cuánto esperar de verdad, el otro te dice qué se rompe cuando le quitas la supervisión.
- Si te interesa el lado humano: el 4 y el 5. Son los menos citados y probablemente los más importantes a cinco años.
Lo que no vas a encontrar en ninguno
Ninguno te dice si tu empresa debería adoptar IA. Eso no es una pregunta de investigación, es una pregunta de operación, y depende de cosas que ningún estudio puede saber: qué tan sucio está tu dato, quién en tu equipo va a mantener lo que construyas, y si tus procesos existen escritos o solo en la cabeza de una persona.
Lo que sí te dan es un piso de realidad para negociar. La próxima vez que alguien te presente un número de productividad o una promesa de agentes autónomos, ya tienes con qué contrastar. Y esa es la mejor razón para leer un estudio: no para tener la razón, sino para saber cuándo el otro no la tiene.