Un working paper de la Atlanta Fed de marzo de 2026, basado en una encuesta a casi 750 ejecutivos corporativos, acaba de poner un número a algo que la mayoría de líderes operativos del mid-market venían notando en silencio en sus propios pilotos: las ganancias de productividad de la IA son reales, pero son menores medidas que percibidas, y la brecha es lo suficientemente amplia como para que los autores la hayan llamado paradoja de productividad de forma explícita (Atlanta Fed, 2026). Esa paradoja no es un artefacto de medición. Es la huella empírica de un problema de despliegue más profundo — uno que, en una curva presentada por el economista Scott Cunningham al Federal Reserve Board el 27 de marzo de 2026, tiene un nombre específico: la zona de peligro donde la producción aumentada por la IA cae por debajo de la línea base pre-IA (Forbes, 2026).
Para un Head of Operations en una empresa de 50 a 500 ETC que debe decidir este trimestre qué pilotos de IA escalar, el encuadre de la zona de peligro reformula la pregunta de planificación: deja de ser cuánto tiempo podemos ahorrar y pasa a ser dónde la IA comprime el tiempo sin erosionar el juicio que produce precisión. El despliegue de IA mid-market que escala limpiamente en 2027 es el que ejecuta esa calibración de forma explícita. La mayoría de los pilotos actualmente en curso no lo hace.
La paradoja de productividad de la Atlanta Fed, cuantificada
El paper de la Atlanta Fed (Working Paper 2026-4) es la lectura entre firmas más limpia sobre el impacto de productividad de la IA actualmente en el registro público. Las autoras principales Salomé Baslandze y colegas recopilaron los datos a finales de 2025 e inicios de 2026, tomando respuestas principalmente de CFOs a través del panel del Duke/Federal Reserve CFO Survey, complementadas con miembros de Financial Executives International (Atlanta Fed, 2026). Tres hallazgos importan para una función operativa.
Primero, la adopción es amplia pero desigual. Más de la mitad de las empresas encuestadas ha invertido en IA, con las mayores ganancias de productividad medidas concentradas en servicios de alta cualificación y finanzas. El segmento mid-market es precisamente la cohorte que aún está aumentando inversión — lo que significa que las decisiones de despliegue tomadas este trimestre están fijando la trayectoria de productividad para el resto de 2026.
Segundo, las ganancias son positivas pero modestas. Las mejoras de productividad laboral aparecen claramente en los datos, pero varían sustancialmente entre sectores. Los autores esperan que las ganancias se refuercen a lo largo de 2026, pero el nivel principal — en el momento del trabajo de campo — está bastante por debajo de las cifras que circulan en los decks de proveedores y las previsiones de consultoría.
Tercero — y este es el hallazgo central — las ganancias percibidas se adelantan a las medidas. Los ejecutivos reportan sistemáticamente mejoras de productividad impulsadas por IA mayores de lo que los datos subyacentes confirman. Los autores interpretan esto como un retraso en la realización de ingresos. También es, de forma más incómoda, la firma empírica de pilotos que se sienten productivos por dentro mientras producen una salida que aún no se ha manifestado como ganancia duradera y medible por fuera.
Una brecha percibido-vs-medido de este tamaño es la precondición de la zona de peligro que Cunningham nombró.
La curva de Cunningham y el mecanismo detrás de la caída
El 27 de marzo de 2026, Scott Cunningham — economista de Baylor — se presentó ante el Federal Reserve Board of Governors e hizo algo que la mayoría de economistas no hace: usó IA en vivo durante la charla para replicar un estudio fundamental sobre sentimiento migratorio, descargando 305.000 discursos del Congreso vía un agente IA por once dólares (Forbes, 2026). La sustancia de la presentación, más allá de la demostración, fue una función de producción — una curva formal de economista que mapea la inversión de tiempo humano a la producción cognitiva, graficada tanto antes como después de la IA.
La curva tiene dos rasgos importantes. Primero, la curva post-IA está por encima de la curva pre-IA en cada nivel de compromiso humano — la IA eleva la producción potencial en todas partes. Segundo, cuando la inversión de tiempo humano cae por debajo de un umbral crítico, la curva de producción post-IA cruza por debajo de la línea base pre-IA. Cunningham llama a esto la zona de peligro: la región donde la tecnología que se suponía haría al trabajador más productivo lo ha, en la práctica, hecho menos productivo de lo que habría sido sin IA.
El mecanismo es directo. Antes de la IA, el tiempo humano y el tiempo máquina eran complementos — ambos eran necesarios para producir trabajo cognitivo, igual que una cocina necesita tanto un cocinero como un horno. A medida que sube la capacidad de la máquina, los insumos se vuelven cada vez más sustitutos. La economía empuja hacia una solución de esquina: toda máquina, nada humano. Pero la producción cognitiva requiere juicio — la capa silenciosa y difícil de instrumentar que atrapa el error de sonido plausible de la IA, que sabe cuál de tres borradores es el que un cliente realmente va a accionar, que enmarca un problema con suficiente precisión para que la IA sea útil en primer lugar. Recortar esa capa de forma demasiado agresiva y la salida deja de ser utilizable. El piloto sigue produciendo entregables; los entregables simplemente ya no hacen el trabajo que hacían antes.
La zona de peligro no es hipotética. Es la explicación operativa de la brecha percibido-vs-medido de la Atlanta Fed. Los pilotos dentro de la zona de peligro producen una salida que se siente más rápida — porque lo es — y que mide peor, porque la capa de juicio se ha adelgazado más allá del punto donde la salida aún se sostiene.
El muro del 13 %: cuando los outsiders toman prestados los dominios de los insiders vía IA
Un working paper separado de Harvard Business School de septiembre de 2025 de Iavor Bojinov, Edward McFowland III y colaboradores pone un número a una versión específica de esta caída. En un estudio controlado en IG Group, un trader global de derivados, los investigadores pidieron a tres grupos — 12 analistas web (los insiders ocupacionales que normalmente escriben los contenidos de inversión de la empresa), 26 especialistas de marketing (outsiders adyacentes) y 40 desarrolladores de software (outsiders distantes) — que produjeran artículos de inversión, con acceso a la IA estandarizado en los tres grupos (HBS, 2025).
Los especialistas de marketing, con IA, produjeron artículos casi tan buenos como los de los analistas web. Los desarrolladores de software — igualmente capaces de operar la herramienta IA — produjeron artículos rezagados respecto a los analistas web en un 13 % en claridad y competencia, incluso con la asistencia plena de la IA. Los investigadores llamaron al efecto el GenAI Wall: un techo en la transferencia horizontal de pericia que la IA no disuelve.
Para una función operativa, el hallazgo es más incómodo de lo que sugiere el titular. La promesa implícita de la mayoría de despliegues de IA a nivel workflow es que la IA aplana la diferencia entre especialistas y generalistas — que un generalista con un buen modelo puede hacer trabajo de especialista. Los datos de HBS dicen que el aplanamiento es parcial. La IA comprime la brecha entre insiders y outsiders adyacentes. No cierra la brecha entre insiders y outsiders distantes. El delta de precisión del 13 % es lo que aparece en el producto final cuando un equipo usa la IA para cubrir trabajo fuera de su dominio real.
En términos Atlanta Fed, la brecha del 13 % es un canal específico por el cual las ganancias percibidas divergen de las medidas. El deck del piloto muestra que el despliegue expandió el alcance efectivo del equipo. La salida, puntuada por competencia, muestra que la expansión de alcance vino con un costo de precisión medible.
Qué significa esto para una función operativa mid-market
Los patrones de despliegue de IA mid-market que derivan hacia la zona de peligro comparten una estructura reconocible. Suele haber un workflow que demandaba tiempo a un miembro del equipo senior, experto en dominio. El piloto sustituye el tiempo del senior con un compañero más junior más una herramienta IA. El cycle time cae. La headcount sobre el workflow cae. El piloto reporta una ganancia de eficiencia limpia.
Han ocurrido dos cosas que la instrumentación del piloto no captura. Primero, la capa de juicio del senior — la parte que atrapaba los errores pequeños pero consecuentes — se ha adelgazado. Segundo, el compañero junior ha sido empujado a un trabajo para el que es un outsider ocupacional en vez de adyacente. La paradoja de la Atlanta Fed y el muro del 13 % de Bojinov están ambos activos en el mismo piloto. El board pack muestra una métrica verde. El trabajo se ha desplazado silenciosamente a la zona de peligro.
El diagnóstico que atrapa esto no es una métrica de productividad. El throughput se verá bien. El cycle time se verá bien. El diagnóstico que lo atrapa es una auditoría de calidad realizada sobre la salida del workflow aumentado con IA, por el senior que solía hacer el trabajo, en base muestreada. Si el senior marca consistentemente errores que una versión pre-IA del workflow no habría producido, el piloto está en zona de peligro — sin importar lo que diga el dashboard de throughput.
La mayoría de pilotos mid-market no ejecuta esa auditoría. El senior cuyo juicio era instrumentalmente crítico está, por diseño del piloto, ya no en el loop sobre la salida diaria. La tasa de error, por lo tanto, no es visible desde dentro del workflow. Solo es visible desde fuera — a través de escalaciones de cliente, retrabajo aguas abajo o una señal de calidad retrasada que va de uno a tres trimestres por detrás del reporte de productividad.
El contraargumento: «nuestros pilotos muestran ganancias, no pérdidas»
La objeción natural de un líder operativo que dirige pilotos de IA exitosos es que este encuadre por zona de peligro está exagerado. Las métricas del piloto son positivas. El equipo reporta satisfacción. El cliente no se ha quejado.
Los datos de la Atlanta Fed son precisamente el contra a esa objeción. En casi 750 empresas, el patrón típico reportado es: ganancias de productividad percibidas positivas y una ganancia medida más pequeña que la percibida. La señal de satisfacción del piloto no está en discusión. La brecha entre lo que los equipos reportan y lo que las estadísticas de productividad confirman es lo que los datos llaman una paradoja. Un piloto que muestra ganancias percibidas positivas es coherente con — no evidencia en contra de — estar dentro de la zona de peligro.
El segundo contraargumento es más sustancial: que la zona de peligro es función del diseño del piloto y no de la IA en sí, y que los pilotos maduros pueden evitarla. Esta es la lectura correcta. La curva de Cunningham no es un veredicto sobre la IA. Es un mapa de dónde vive la ganancia de productividad — y dónde, sobre la misma curva, la ganancia se invierte. La pregunta de instrumentación para una función operativa es si cada piloto ha sido diseñado para aterrizar en la región de productividad de la curva y mantenerse fuera de la región de peligro, no si el piloto está reportando números positivos en el segundo mes.
Un piloto que no ha corrido una auditoría de competencia no puede decir en qué región de la curva está operando. Un reporte de productividad es necesario pero no suficiente.
Una calibración que la mayoría de pilotos nunca ejecuta
La única calibración que separa un piloto en zona de peligro de uno en zona de productividad es estructuralmente simple y operacionalmente rara. Tiene tres componentes, ninguno requiere headcount adicional ni gasto en proveedor.
Muestrear la salida aumentada por IA con una frecuencia definida y puntuarla contra la salida pre-IA de referencia, usando al mismo revisor senior que habría producido la versión pre-IA. La puntuación no es un pulgar arriba/pulgar abajo. Es una calificación de competencia por dimensión sobre los elementos que importan para el uso aguas abajo del workflow — precisión, completitud, decisiones de juicio, manejo de casos límite.
Rastrear explícitamente la brecha percibido-vs-medido, no como un número de productividad sino como un delta de calidad. Lenguaje al estilo Atlanta Fed: cuánto de la ganancia reportada por el piloto es mejora medida duradera, y cuánto es mejora percibida que aún no se ha manifestado como resultado medible (Atlanta Fed, 2026)?
Definir un umbral de stop-loss antes del escalado. Si la competencia sobre la salida muestreada cae por debajo de un suelo definido — los datos de HBS sugieren que el 13 % es aproximadamente el borde inferior de lo que aparece en puntuación cuidadosa del trabajo IA de outsiders distantes (HBS, 2025) — pausar el escalado y reconstruir la inversión de tiempo humano hasta que la puntuación se recupere. Esta es la parte de la calibración que la mayoría de pilotos no puede hacer, porque el equipo ya ha comprometido los ahorros de headcount en el plan del siguiente trimestre.
La realidad poco glamurosa es que la calibración cuesta quizás 2-5 % del tiempo senior del workflow por trimestre. El costo de no ejecutarla es que la función operativa descubre la zona de peligro a través de la cola de escalaciones de cliente o el backlog de retrabajo aguas abajo, con un retraso de uno a tres trimestres.
La decisión de este trimestre
Los datos de PwC y BCG que dominaron las conversaciones de estrategia IA en 2026 establecieron la importancia de la postura business-model en el despliegue de IA. Los hallazgos de la Atlanta Fed, Cunningham y Bojinov ahora establecen el punto paralelo en el lado operativo: la postura de despliegue no es solo dónde se apunta la IA. Es cuán delgada puede ser la capa de juicio humano antes de que la salida aumentada por IA caiga por debajo de la línea base pre-IA.
Un Head of Operations no necesita rediseñar el portafolio de IA este trimestre para actuar sobre esto. La decisión es más estrecha. Para cada piloto IA actualmente en curso, hacer una pregunta: ¿hay una auditoría de competencia corriendo sobre la salida de este workflow, conducida por el senior que solía hacer el trabajo, en base muestreada, con un stop-loss definido? Si la respuesta es no, el piloto — en la lectura compuesta Atlanta Fed/Cunningham/Bojinov — está operando sin el único instrumento que distingue un despliegue en zona de productividad de uno en zona de peligro.
La paradoja de productividad de la Atlanta Fed es la señal empírica más disciplinada actualmente en el mercado de que las ganancias percibidas de la IA y las ganancias medidas de la IA no son lo mismo. La función operativa mid-market que audita la diferencia este trimestre es la que escala el portafolio de IA en 2027 sin descubrir — vía escalaciones y retrabajo — que las ganancias ya estaban erosionando la línea base.
Añadir la auditoría de competencia a la próxima revisión de piloto. El instrumento no cuesta nada que la función operativa no tenga ya. El costo de operar sin él es el único número que el dashboard de productividad no puede mostrar.
