Entre 1980 y 2016, las empresas estadounidenses invirtieron capital real para automatizar a los trabajadores que cobraban las rentas más altas — coordinadores, revisores, analistas de nivel medio cuya retribución superaba su producto marginal — y perdieron entre el 60 y el 90 por ciento de las ganancias de productividad que la automatización habría generado de otro modo. Ese es el número central del paper de Daron Acemoglu y Pascual Restrepo en el Quarterly Journal of Economics, Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity, publicado en el número de mayo de 2026 (vol. 141, iss. 2, p. 1521) (Acemoglu & Restrepo, QJE, 2026). El mismo paper atribuye a esta mala asignación el 52 por ciento del aumento de la desigualdad de ingresos en EE. UU. durante el período, con alrededor de 10 puntos porcentuales procedentes específicamente del reemplazo de la prima salarial (Acemoglu & Restrepo, NBER w32536, 2024).
La historia de cuatro décadas es por fin un número. La pregunta de 2026 para un Head of Operations de una empresa de 200 FTE es si la hoja de ruta de IA agéntica sobre la mesa este trimestre es el mismo error con mayor resolución — y la evidencia dice que, por defecto, lo es.
El mecanismo Acemoglu–Restrepo: disipación de rentas, no desplazamiento
El hallazgo más conocido de la literatura previa de Acemoglu es que la automatización desplazó a los trabajadores rutinarios y comprimió los salarios en la parte inferior. El paper QJE 2026 es una afirmación más afilada y vale la pena leerse por sí mismo. Los autores amplían su modelo de desplazamiento de tareas de 2022 para incorporar rentas del trabajador — la brecha entre lo que un trabajador recibe y el producto marginal de su trabajo — y muestran que cuando las empresas automatizan, apuntan preferentemente a las tareas donde las rentas son más altas, no donde el techo de productividad es más alto (Acemoglu & Restrepo, NBER w32536, 2024).
El mecanismo: un coordinador que gana un 25 por ciento por encima de su producto marginal parece un ahorro del 25 por ciento en la hoja de cálculo en el momento en que llega el pitch de la automatización. Un trabajador de primera línea que realiza un trabajo de alto apalancamiento con una relación retribución-producto más ajustada parece un ahorro menor. El capital fluye hacia el ahorro mayor. La ganancia de productividad — la diferencia entre lo que puede hacer la automatización y lo que se hacía — es menor en el primer caso, porque los roles que extraen rentas son, por definición, aquellos donde la retribución sobreestima el producto. El resultado neto es un patrón de despliegue que maximiza el alivio visible en la nómina mientras minimiza el aumento real de productividad.
Acemoglu y Restrepo formalizan esto como disipación de rentas: se gasta capital para retirar una retribución que no necesitaba reducirse para que aumentara la productividad, dejando sobre la mesa las ganancias mucho mayores derivadas de automatizar el trabajo donde el producto realmente se mueve. Cuantificando 49 industrias y 500 grupos demográficos usando datos BEA, ONET y Census desde 1980 a 2016, encuentran que entre dos tercios y nueve décimos del dividendo de productividad se perdieron por esta dinámica (Working paper Washington State University, 2024). Por el lado de la desigualdad, la misma mala asignación explica el grueso del cambio en la estructura salarial: "las caídas de salario para los trabajadores especializados en tareas rutinarias con alta exposición a la automatización explican entre el 50 y el 70 por ciento de los cambios en la estructura salarial estadounidense entre 1980 y 2016" (WorkRise, 2021) — una cifra que el paper QJE ahora descompone en componentes de renta y de productividad.
La conclusión que los autores dejan en el paper, no en la nota de prensa: cuando apuntas la automatización a las personas en lugar de al producto, puedes capturar desigualdad sin capturar productividad. Ese es el patrón empírico de la automatización estadounidense de 1980 a 2016.
Por qué el despliegue de IA agéntica de 2026 repite el patrón
La reacción natural en una revisión operativa es que la automatización industrial 1980–2016 no es la IA agéntica de 2026 — tecnología distinta, economía unitaria distinta, calendario distinto. La economía unitaria es distinta. La lógica de targeting no.
Entra en cualquier revisión de despliegue de agentes en el mid-market este trimestre y la matemática del ROI casi siempre se presenta de la misma manera: el rol X cuesta Y $ al año; el agente puede hacer el 60 por ciento del trabajo del rol X; por tanto el agente ahorra 0,6 × Y. Los roles nombrados en esas slides no se eligen por dónde es mayor el aumento marginal de productividad de la IA. Se eligen por dónde es mayor la línea de nómina y dónde el trabajo está suficientemente estructurado para que el agente parezca creíble — lo que sesga el targeting hacia coordinadores, revisores, analistas senior y responsables de customer success. Esos son precisamente los roles con prima salarial en el marco de Acemoglu y Restrepo: roles donde la retribución supera el producto marginal debido a rentas internas de la empresa (asimetría de información, juicio difícil de medir, poder de negociación interno).
Luego se evalúa al agente frente al ahorro en esa línea de nómina, no frente al techo de productividad que el despliegue podría haber alcanzado si se hubiera apuntado a otro sitio. Las dos preguntas — ¿qué ahorra este agente? y ¿dónde produciría este agente el mayor producto? — no son la misma pregunta, y casi ninguna revisión de despliegue del mid-market las separa.
La Initiative on the Digital Economy del MIT lleva dos años defendiendo una versión de este argumento: que el dividendo de productividad de la IA se concentra en tareas donde el output actual del humano está limitado por throughput cognitivo, no en tareas donde la retribución actual del humano es alta (MIT IDE, 2024). Las dos distribuciones se superponen, pero no son la misma distribución. El paper Acemoglu–Restrepo es la primera evidencia histórica con la magnitud del gap medida — y el gap es grande.
El número 60-90 %, leído de dos maneras
El impuesto de productividad del 60-90 por ciento tiene dos lecturas operativas, y una función ops de 50–500 FTE debería sostener ambas.
La lectura conservadora es que la penalización por targeting sobre la prima salarial aplicada a la automatización industrial puede no transferirse uno a uno a la IA agéntica, porque el coste marginal de desplegar un agente en una tarea distinta — una vez construido el agente — es mucho menor que el coste marginal de reubicar maquinaria industrial. En principio, un agente mal apuntado puede reapuntarse en un sprint, mientras que una prensa de estampar mal asignada es una amortización de capital plurianual. Esta es la versión steel-man de la práctica actual de despliegue: el coste de equivocarse en el targeting es recuperable.
La lectura agresiva es que la penalización por targeting sobre la prima salarial es peor en el caso agéntico, no mejor, porque la política organizacional para eliminar el sesgo de targeting es más difícil. Cuando al C-suite se le ha presentado el despliegue como un ahorro de nómina y el ahorro se ha registrado en el plan del próximo año, redirigir el agente a una función distinta (menor nómina, mayor productividad) ya no es una decisión de sprint — requiere revertir un compromiso financiero, defender el encuadre original y explicar por qué un rol previamente nombrado ya no es el objetivo. El coste político del re-targeting es lo que hace que el patrón 1980–2016 persista durante cuarenta años en lugar de corregirse en el segundo año.
Ambas lecturas convergen en la misma implicación operativa: la decisión de targeting en el primer trimestre es mucho más estructural que la capacidad técnica del agente. Un agente débil correctamente apuntado supera a un agente fuerte mal apuntado, porque las ganancias del agente fuerte se disipan contra una retribución que no necesitaba reducirse.
El contraargumento: los roles con prima salarial son donde vive el juicio
La objeción más fuerte de un Head of Operations es que los roles con prima salarial son exactamente donde ocurre el trabajo más apalancado — que la razón por la que coordinadores y analistas senior cobran por encima de su producto marginal es que sostienen el contexto institucional que permite que una empresa de 200 FTE funcione. Apuntar un agente a esos roles no es disipación de rentas; es por definición el objetivo de automatización más apalancado.
El contraargumento es parcialmente correcto y completamente coherente con el hallazgo de Acemoglu–Restrepo. La razón por la que existe la prima salarial en esos roles es precisamente la carga de juicio — y la carga de juicio es también donde la mayoría de sistemas agénticos actuales todavía fallan de formas que el pitch de despliegue no señala. Evidencia aleatorizada reciente sobre IA gestionando tareas de alta carga de juicio muestra que la confianza en el output del agente está descorrelacionada con la exactitud, en particular cuando el usuario humano ya no es el experto del dominio (Bojinov et al., HBS working paper, 2024). Por tanto, el targeting que parece más apalancado en la slide de despliegue es también el targeting con más probabilidades de producir regresiones silenciosas de calidad que no aparecen en el dashboard de productividad hasta dos trimestres después.
Lo que el paper QJE añade a este debate es la tasa base de cuatro décadas: cuando las empresas apuntan a la prima salarial, la ganancia de productividad se reduce. La presencia de carga de juicio en esos roles es por qué el targeting tienta — pero esa misma carga de juicio es por qué el aumento marginal de productividad es menor de lo que sugiere el ahorro de nómina. El encuadre correcto no es "los roles con prima salarial son malos objetivos" sino "el ahorro en un rol con prima salarial no es una cifra de productividad, y tratarlo como tal es el error de cuatro décadas."
Las especificidades mid-market: qué cambia para una función ops de 200 FTE este trimestre
Para un Head of Operations que finaliza los objetivos de agentes para 2026, el paper QJE se traduce en tres cambios concretos en la revisión de despliegue. Ninguno requiere un vendor distinto o un agente distinto.
Uno: separa la línea de ahorro en nómina de la línea de aumento de productividad. Cada propuesta de despliegue de agente debería puntuar dos números distintos: el alivio bruto de nómina que el despliegue posibilita, y el aumento medido de productividad (output por unidad de tiempo-juicio) que se espera que produzca. Los dos números no son intercambiables. Cuando divergen más de 2x, el despliegue está en territorio de disipación de rentas — el agente se justifica por el ahorro, no por el trabajo. Ese es el momento de preguntarse si un objetivo distinto produce el mismo aumento de productividad sin la dependencia de la prima salarial.
Dos: puntúa los objetivos según dónde está cuellado el output, no dónde se concentra la nómina. Un cierre semanal que tarda cuatro días porque las consultas de reconciliación tardan seis horas por ciclo es un cuello de botella de productividad. Un analista senior que gana 180 000 $ es una concentración de nómina. El primero es un objetivo de agente de alto aumento; el segundo no, aunque el segundo produzca un ahorro nominal mayor. Las funciones ops del mid-market casi nunca ejecutan explícitamente este ejercicio de puntuación; la revisión de despliegue vuelve por defecto a la vista de nómina porque es la que el CFO puede calcular en una reunión.
Tres: precompromiso con el protocolo de re-targeting. El hallazgo de Acemoglu y Restrepo trata, en parte, sobre persistencia — la mala asignación duró cuatro décadas porque nadie la corrigió. El equivalente agéntico persiste porque el pitch de despliegue original se solidifica en compromiso financiero en un trimestre. La cobertura es escribir el disparador de re-targeting en la propia propuesta de despliegue: en el mes tres y el mes seis, el aumento de productividad del agente se mide frente al objetivo original; si el aumento medido está por debajo del 40 por ciento del aumento proyectado, el agente se reapunta a una tarea distinta antes de que el coste político del re-targeting sea prohibitivo. Esa es la única defensa estructural contra la persistencia que miden Acemoglu y Restrepo.
Estos tres movimientos no son técnicos; son movimientos de proceso de revisión. No requieren comprar un agente distinto ni contratar un equipo distinto. Requieren ejecutar la revisión de despliegue con una forma distinta — una que no colapse productividad y nómina en la misma columna.
El movimiento específico de este trimestre
El paper QJE de Acemoglu–Restrepo es el primer trabajo empírico en cuarenta años en poner un número al coste de automatizar contra la retribución en lugar de contra el output. El número — 60 a 90 por ciento del dividendo de productividad perdido, 52 por ciento del aumento de desigualdad atribuible a la misma dinámica — es suficientemente grande para invertir la matemática del ROI en la mayoría de despliegues de agentes mid-market actuales si la matemática se hace correctamente.
La decisión frente a un Head of Operations este trimestre es estrecha. Antes de firmar el próximo objetivo de agente, pasa la propuesta de despliegue por un filtro: ¿se elige este objetivo porque el trabajo es donde la productividad está cuellada, o porque la nómina es donde el ahorro es más visible? Si la respuesta honesta es la segunda, la tasa base histórica dice que el despliegue disipará entre dos tercios y nueve décimos de la ganancia de productividad que podría haber capturado.
Repuntúa el objetivo. Separa las columnas. Escribe el disparador de re-targeting. El coste de hacerlo en el primer trimestre es una reunión y una plantilla revisada. El coste de no hacerlo es el que Acemoglu y Restrepo han puesto ahora en un número duro — y aquel sobre el que se escribirá tu revisión de productividad de 2027.
