Cuando la IA acelera todo, salvo la empresa

Últimamente escucho a menudo una queja muy concreta.

No es «la IA no sirve». Es algo más retorcido:

«Yo ya soy rápido.»

«Las herramientas ya están.»

«El borrador sale en media hora.»

Y sin embargo el proyecto sigue arrastrándose al ritmo de siempre. Algunos incluso empiezan a dudar de sí mismos: quizá lo estoy usando mal.

Pero cuanto más escucho, más creo que apuntan al objetivo equivocado. Porque lo que se volvió más rápido suele ser solo una persona. Lo que no se volvió más rápido es la empresa.

Imagina una tarde de trabajo cualquiera. Un ingeniero está frente a la pantalla. Con IA genera una versión funcional del código. Treinta minutos. Mucho más rápido que teclearlo él mismo a la antigua.

Abre una pull request y siente algo de alivio: hoy se puede avanzar una pieza.

Luego empieza a esperar. Esperar la revisión. Esperar la respuesta de las pruebas. Esperar que alguien diga «se puede fusionar». Esperar que otro equipo asienta. Esperar que alguien con más autoridad responda.

Dos días después, el código sigue ahí. No porque no supieran escribirlo. Porque, una vez escrito, nadie pudo recogerlo.

La parte más rápida ya terminó. La parte más lenta apenas empieza.

Este problema no aparece solo en las empresas de software. Una propuesta se redacta en media hora; la decisión se reúne dos semanas. El informe de análisis está por la tarde; la cadena de aprobación llega al mes siguiente. La respuesta al cliente puede generarse al instante, pero el sello del contrato sigue en la bandeja de entrada de un jefe tres niveles más arriba.

La IA aceleró mucho el «hacer». Pero la empresa sigue atascada en el «decidir».

La conversación corriente suele preguntar: ¿puede la IA mejorar la productividad?

Future Lab prefiere preguntar: una vez que la ejecución se acelera, ¿por qué la organización en su conjunto a menudo no se acelera con ella? ¿Dónde está exactamente el verdadero cuello de botella?

Una hipótesis intuitiva es esta: la IA está bajando el coste de la ejecución. Pero no baja, al mismo ritmo, el coste de la organización: decisión, confianza, responsabilidad, coordinación, aprobación.

Antes las empresas eran lentas sobre todo porque la gente no era lo bastante rápida, la información no era lo bastante rápida y producir costaba demasiado. Ahora esas restricciones se aflojan. Y así aflora lo que siempre existió dentro de la vieja estructura, pero quedaba tapado por «todos están ocupados»: decisión, confianza, responsabilidad, coordinación, aprobación.

No es una enfermedad nueva. Se parece más a lo que Future Lab siempre ha llamado AI as a Revealing Agent, la IA como revelador: la IA no crea necesariamente los problemas, hace visible dónde la vieja estructura estaba realmente atascada.

Cuando programar era el cuello de botella, nadie veía la revisión. Ahora que programar ya no es tan escaso, la revisión sale a la luz. En el futuro, cuando la revisión también sea en parte tragada por las herramientas, lo que realmente aflore quizá sea la decisión, y la persona dispuesta a firmar por esa decisión.

A esta estructura temporal —el resultado ya llegó, pero la organización aún no lo ha absorbido— la llamamos Organizational Latency, latencia organizacional.

No significa que a la empresa le falten personas inteligentes. No significa que a la empresa le falte IA. Significa: la información ya llegó, la IA ya terminó, pero el sistema sigue esperando en la decisión, la verificación de la confianza, la asignación de la responsabilidad, la alineación de la coordinación y la aprobación.

Se parece mucho a la latencia en una red. El ancho de banda subió. Los paquetes viajan más rápido. Pero si cada ida y vuelta tiene que hacer cola esperando una confirmación, la velocidad percibida sigue sin querer subir.

La sensación del individuo de «me volví más rápido» suele medir el ancho de banda. La desesperación de la empresa de «¿por qué sigue tan lento?» suele medir la latencia.

Aquí hay que detenerse un momento y reconocer una objeción.

No en todos los escenarios la ejecución se ha vuelto realmente más rápida.

En 2025, METR realizó un estudio controlado aleatorizado con desarrolladores de código abierto experimentados: en las condiciones de herramientas de entonces, permitir usar IA aumentó el tiempo de finalización de las tareas en torno a un 19 %. Lo más retorcido: los desarrolladores esperaban de antemano ser un 24 % más rápidos, y después seguían creyendo que habían sido alrededor de un 20 % más rápidos.

Dicho de otro modo, parte de la «aceleración» es, ante todo, una ilusión. El tiempo se lo comieron redactar prompts, revisar y esperar la generación.

Así que este ensayo no afirma que todo el mundo ya haya sido acelerado por la IA. Trata de otra estructura que ya está ocurriendo y es cada vez más común: una vez que la capa de ejecución de verdad se vuelve más rápida —o al menos lo parece—, por qué el rendimiento de la organización puede seguir sin moverse.

El ejemplo más convincente no es una empresa tradicional que «todavía no sabe usar la IA». Es la propia Anthropic.

En marzo de 2026, cuando Anthropic anunció Code Review en el blog oficial de Claude, lo escribió sin rodeos: en el último año, la producción de código por ingeniero de Anthropic había crecido un 200 %. La revisión de código se había convertido en el cuello de botella.

También oían a los clientes repetir lo mismo: los desarrolladores estaban estirados al extremo, y muchas pull requests solo podían ojearse, no leerse con atención.

Cat Wu, responsable de producto de Claude Code, dejó el mecanismo aún más claro en una entrevista: hoy una persona, con un solo prompt, puede lanzar una pull request que parece plausible; la carga se traslada al revisor, que tiene que dedicar muchísimo tiempo a verificar los casos límite.

Fíjate en la estructura de esa frase. La IA no eliminó el trabajo. Desplazó el centro de gravedad del trabajo de la «producción» a la «verificación».

La respuesta de Anthropic también es reveladora: usan un sistema multiagente para hacer revisiones de código más profundas, elevando la proporción de pull requests internas con comentarios sustanciales del 16 % al 54 %.

Pero siguieron siendo explícitos: la herramienta no aprueba la pull request. That is still a human call.

Esa frase es casi la clave de todo el ensayo. La IA puede bajar el coste de la verificación. La IA incluso puede bajar parte del coste de la organización. Pero la organización sigue tendiendo a conservar un nodo humano: quién carga con las consecuencias de «esto se puede fusionar».

En la superficie, la revisión consiste en encontrar errores. Una capa más abajo, consiste en construir confianza: ¿creo que esta salida merece entrar en la rama principal? Más abajo aún, consiste en repartir la responsabilidad: si algo se rompe en producción, ¿a cuenta de quién va?

Así que cuando alguien pregunta si el mayor cuello de botella de la era de la IA es la inteligencia, la respuesta de Future Lab se acerca más a esto: a menudo no es la inteligencia. Es la responsabilidad: el nodo escaso dispuesto a responder por el resultado.

Esto va en la misma línea que la Commitment Economy, la economía del compromiso, que propusimos en La IA no reemplazará primero a las personas: reemplazará a los mensajeros: una vez que la ejecución se abarata, lo caro es la persona dispuesta a asumir la responsabilidad.

Este ensayo no convierte el «cuello de botella de la responsabilidad» en un término nuevo. Ya vive dentro de la economía del compromiso. La latencia organizacional es la escasez de responsabilidad revelada a lo largo del tiempo, como una película que se revela.

El estudio de McKinsey de 2025 nombró en voz alta el fenómeno del lado de las empresas: la paradoja de la gen AI.

Casi ocho de cada diez empresas declaran usar gen AI, y otras tantas declaran ningún efecto notable sobre el beneficio. Para los casos de uso verticales de mayor valor, alrededor de nueve de cada diez siguen atascados en piloto.

Su conclusión: el reto mayor a menudo no es la tecnología, sino las personas: confianza, adopción, gobernanza.

Por otro lado, el relato de MIT Sloan sobre la investigación de la «cadena de tareas» es aún más afilado: cada vez que el trabajo pasa de la IA a una persona, y de la persona de vuelta a la IA, requiere revisión, validación, ajuste. Esos puntos de control frenan todo el sistema.

Dicho de otro modo, las organizaciones son lentas a menudo no porque les falten personas inteligentes. Es que las personas inteligentes están todas colocadas a lo largo de una cadena de confirmación larguísima. Cada uno es «responsable de un trozo». Muy pocos están diseñados para ser «responsables del resultado».

Y así aparece un girar en vacío familiar, lo que Future Lab llama un pariente cercano de la Hollow Company, la empresa hueca: muchas reuniones, mucho material, muchas herramientas, poco avance.

Tras la llegada de la IA, el girar en vacío puede volverse más ruidoso. Como el coste de generar cayó, a la organización le resulta más fácil llenar la espera con más documentos, más propuestas, más «primeros borradores de IA». Parece más ocupada. La latencia no baja necesariamente. A veces incluso sube.

También es el eco organizacional del Judgment Outsourcing, la externalización del juicio: cuando las personas dejan de juzgar y solo actúan la transmisión y la confirmación, el sistema se vuelve más seguro y también más lento.

La lentitud a veces es control de riesgo. La lentitud a veces es solo que nadie quiere ser quien firma. Ambas se parecen mucho. Hay que distinguirlas.

Se puede partir un flujo de trabajo, a grandes rasgos, en cuatro capas:

Ejecución. Escribir código, redactar propuestas, hacer análisis, producir diseños. La capa que la IA golpea con más fuerza.

Coordinación. Alinear objetivos, sincronizar el avance, traspasar entre equipos. La IA puede bajar el coste de traducir y ordenar, y también puede fabricar más trabajo a medias que hay que sincronizar.

Decisión. Hacerlo o no, cuándo hacerlo, con qué criterio. Un modelo puede ofrecer opciones; rara vez se le permite cargar con la elección en nombre de la organización.

Responsabilidad. Quién responde cuando algo sale mal; a cuenta de quién se acredita el éxito. Es la capa más difícil de automatizar, y la que menos merece ser «entregada a la IA» de forma romántica.

Antes, la ejecución lenta tapaba las tres capas de detrás. Ahora que la ejecución se aflojó, esas tres capas empiezan a determinar la velocidad percibida.

Así que si la empresa no se volvió más rápida, no es necesariamente porque la IA fracasara. Puede ser porque la IA tuvo éxito a medias: aceleró la parte más fácil de acelerar, y empujó la parte realmente escasa hacia los focos.

Por eso, después de que el octavo ensayo preguntara «por qué siguen existiendo las empresas», este debe preguntar a continuación: las empresas que existen, ¿por qué pueden seguir siendo tan lentas?

Si la empresa está pasando de máquina de producción y máquina de coordinación a un recipiente de confianza y juicio, entonces lo que gestiona ya no es solo mano de obra, ni solo conocimiento. Lo que gestiona es: si una decisión digna de confianza puede tomarse con una latencia aceptable, y hay alguien que la asuma.

En el próximo año, más equipos hablarán abiertamente de la cola de revisión y del retraso de las aprobaciones. La verificación asistida por IA se extenderá. La firma humana lo más probable es que siga.

En unos tres años, «velocidad de ejecución» y «velocidad de concreción» quizá se miren por separado. Un tipo de empresa acortará la cadena de traspasos. Otro usará más aprobaciones para digerir el ruido de la IA: esa es la versión acelerada del vaciamiento.

Más allá aún, la empresa puede parecerse cada vez más a un sistema de rendimiento de responsabilidad.

En la era industrial, la empresa gestionaba mano de obra. En la era de la información, la empresa gestionaba conocimiento. En la era de la IA, ¿qué gestiona exactamente la empresa?

Quizá esto: cuando la inteligencia no es escasa, el flujo aún escaso de confianza, juicio y responsabilidad.

Para la persona corriente, este ensayo no te insta a «oponerte al proceso». Te insta a ver con claridad en qué capa estás.

Si tu valor está sobre todo en la ejecución, la IA seguirá comprimiendo el precio unitario. Si tu valor está en llevar las cosas hasta lo «realizable» y en estar dispuesto a poner tu nombre en el nodo decisivo, entonces lo que manejas es la latencia.

Future Lab ha hablado de la Personal Optionality, la opcionalidad personal: una persona debería intentar conservar un margen de acción que no esté definido por una sola organización.

En una época en que la latencia organizacional se revela, esa opción no viene solo de cambiar de empleo. También viene de si has acumulado esta clase de crédito: los demás creen que revisaste. Los demás creen que juzgaste. Los demás creen que, si algo se rompe, no serás el primero en desaparecer.

Las herramientas seguirán volviéndose más rápidas. La confianza no se vuelve más rápida por sí sola.

Si algún día la ejecución de verdad se vuelve tan barata que se acerca a cero, ¿qué sigue gestionando la empresa?

¿Más personas? ¿Más información? ¿O menos, pero más pesados, nodos de responsabilidad?

Cuando la IA acelera todo, ¿por qué algunas empresas siguen sin volverse más rápidas?