La historia económica sugiere un patrón: las tecnologías de propósito general (electricidad, motor de combustión, computación) tardan décadas en reflejarse en la productividad. Paul David (1990) mostró que la electricidad necesitó 40 años para transformar la manufactura porque exigía rediseñar fábricas, no solo reemplazar máquinas de vapor por motores eléctricos. La complementariedad organizativa —nuevos procesos, nuevas competencias, nuevos contratos— es el verdadero motor.
Con la IA generativa, el cuello de botella es triple. Primero, la fiabilidad: los modelos alucinan, razonan mal en contextos abiertos y fallan de modos impredecibles. En trabajo de alto riesgo (código de producción, contratos, diagnósticos), la verificación humana cuesta más que la generación automática. Segundo, la gobernanza: quién responde por errores, cómo se auditan decisiones algorítmicas, qué datos pueden usarse. Tercero, la reconfiguración del capital humano: las habilidades que la IA abarata (redacción básica, código boilerplate, traducción) dejan de ser diferenciadoras; las que encarece (juicio, arquitectura de sistemas, gestión de stakeholders, creatividad estratégica) escasean.
Erik Brynjolfsson llama a esto la "J de la productividad": una caída inicial de productividad mientras la organización aprende, seguida de un ascenso pronunciado. La pregunta no es si llegará el ascenso, sino cuánto dura la caída y quién paga el coste de la transición.