Introducción: el rendimiento desigual de la IA
La inteligencia artificial generativa se ha instalado en el trabajo cotidiano con una promesa que suena sencilla: hacer más en menos tiempo. Sin embargo, la experiencia de muchos profesionales es más matizada. Hay días en los que una herramienta de IA resuelve en minutos una tarea que antes llevaba horas, y otros en los que devuelve una respuesta que parece correcta pero conduce a un error. La misma tecnología, en apariencia, produce resultados muy distintos según la tarea.
Esa paradoja tiene un nombre en la investigación reciente: la frontera dentada de la inteligencia artificial o jagged frontier. El concepto describe que las capacidades de la IA no forman un bloque uniforme, sino un terreno irregular en el que algunas tareas quedan dentro de lo que la herramienta hace bien y otras cercanas quedan fuera. El impacto en la productividad depende de la tarea, de la habilidad del usuario y del contexto, no solo de la potencia del modelo.
La evidencia disponible ayuda a entender por qué. Un experimento de campo con consultores de Boston Consulting Group y Harvard Business School encontró mejoras claras dentro de la frontera de capacidad de la IA y, al mismo tiempo, un riesgo de empeoramiento en una tarea diseñada para quedar fuera. Este artículo parte de ese hallazgo para explicar qué es la frontera dentada, qué muestran otros estudios sobre soporte al cliente, escritura y programación, y cómo aplicar todo ello de forma práctica: dónde usar IA, cómo verificar y por qué la productividad no se reduce a velocidad.
¿Qué es la frontera dentada de la IA?
La expresión frontera dentada —o jagged frontier en inglés— es una metáfora para describir algo que, en la práctica, resulta menos intuitivo de lo que parece: las capacidades de la IA son desiguales. Una tarea puede estar dentro de lo que la herramienta hace bien y una tarea cercana puede quedar fuera, sin que haya una regla evidente que marque la diferencia.
El término se atribuye a la investigación de Ethan Mollick y coautores sobre la frontera tecnológica dentada, publicada como working paper por Harvard Business School. Lejos de presentar la IA como buena o mala en términos generales, la metáfora invita a mirar tareas concretas. Lo que funciona para redactar un correo puede no funcionar para resolver un problema con fuentes contradictorias. Lo que acierta en una consulta habitual puede fallar cuando el caso tiene matices que la herramienta no ha visto antes.
Es importante subrayar que la frontera dentada es una metáfora analítica, no una clasificación fija ni una ley universal. Los modelos cambian, las herramientas se actualizan y las tareas pueden entrar o salir de la zona de alto rendimiento. Por eso, la investigación disponible recomienda no tratar la frontera como un veredicto permanente, sino como una lente para evaluar casos de uso y reevaluarlos con el tiempo.
Su utilidad práctica está en otra parte: en ayudar a decidir, antes de abrir la herramienta, si la tarea tiene las condiciones adecuadas para delegar parte del trabajo en la IA. No se trata de responder si la IA es buena en general, sino de preguntar si es buena para esta tarea concreta, en este contexto y con este nivel de riesgo.
Por qué la IA acelera unas tareas y puede hacerte fallar en otras
El rendimiento desigual de la IA no se explica por una única causa. Depende de la tarea, del contexto, de la calidad de la información disponible y de la capacidad del usuario para verificar lo que la herramienta devuelve. Dentro de la frontera, la IA puede mejorar velocidad, cantidad y calidad. Fuera de ella, puede aumentar el riesgo de respuestas incorrectas que, además, resultan plausibles.
Ese último punto es el más delicado. Cuando la IA falla en una tarea fuera de su frontera, no siempre devuelve un error evidente. Muchas veces produce una respuesta coherente, bien redactada y aparentemente razonable, pero equivocada. El estudio de BCG y Harvard Business School reporta que la IA puede llevar por mal camino en tareas fuera de la frontera, lo que se relaciona directamente con el riesgo de sobreconfianza y con la necesidad de verificación humana.
La sobreconfianza aparece cuando el usuario asume que, porque la herramienta funcionó bien en una tarea anterior, funcionará igual de bien en una tarea parecida. La frontera dentada advierte justo lo contrario: la cercanía entre dos tareas no garantiza resultados similares. Esa es una de las razones por las que conviene revisar el resultado incluso cuando la respuesta parece impecable, sobre todo si el error tendría consecuencias costosas o difíciles de detectar.
El mecanismo, en resumen, no es que la IA acierte o falle al azar, sino que su rendimiento está condicionado por la naturaleza de la tarea y por el contexto en el que se aplica. Entender esa condición es lo que permite usar la herramienta con criterio en lugar de confiar ciegamente en ella.
La evidencia central: el experimento con 758 consultores de BCG y Harvard Business School
El estudio que originó el concepto de frontera dentada fue un experimento de campo con 758 consultores de Boston Consulting Group, desarrollado junto a investigadores de Harvard Business School. El trabajo se publicó como working paper y debe leerse como evidencia de investigación, no como consenso científico definitivo.
Los resultados principales muestran dos caras del mismo fenómeno. En tareas dentro de la frontera de capacidad de la IA, los consultores que la usaron completaron en promedio 12,2% más tareas, fueron 25,1% más rápidos y obtuvieron una calidad 40% superior que quienes no la usaron. Son mejoras notables en velocidad, cantidad y calidad al mismo tiempo.
Sin embargo, en una tarea diseñada para quedar fuera de la frontera de la IA, los consultores que la usaron tuvieron 19 puntos porcentuales menos de probabilidad de producir soluciones correctas. El dato es especialmente relevante porque no se trata de una tarea cualquiera: fue seleccionada precisamente para quedar fuera de lo que la herramienta hace bien.
El estudio tiene límites que conviene explicitar. Se realizó con consultores de BCG y tareas específicas, por lo que sus resultados no deben generalizarse automáticamente a todas las ocupaciones o empresas. La cifra de 19 puntos porcentuales corresponde a una tarea concreta fuera de la frontera; no implica que toda tarea fuera de ella produzca ese efecto exacto. Aun con esas cautelas, el hallazgo central es claro: la misma herramienta que acelera y mejora el trabajo en una tarea puede degradar el rendimiento en otra cercana.
Puedes consultar el working paper en Harvard Business School, en su versión de SSRN, o el resumen corporativo de BCG.
Otros estudios: beneficios reales, pero condicionados por tarea y experiencia
El experimento con consultores no es el único que ha medido el impacto de la IA en la productividad. Otros trabajos permiten ampliar la mirada, siempre con la cautela de que miden tareas, muestras y contextos diferentes. La lectura conjunta refuerza la idea de que los beneficios existen, pero no se reparten de forma uniforme.
Soporte al cliente: más ayuda para quienes tienen menos experiencia
Un estudio del National Bureau of Economic Research (NBER) analizó a 5.179 agentes de soporte al cliente y encontró que la IA generativa aumentó la productividad promedio en 14%. El dato interesante es que el efecto no fue homogéneo: fue mayor para trabajadores novatos o de menor experiencia, con un 34%, y menor para los más experimentados.
El hallazgo sugiere que la IA puede reducir diferencias de rendimiento asociadas a la experiencia previa, al menos en este tipo de tareas. Debe presentarse como un working paper del NBER centrado en soporte al cliente, no como una conclusión general sobre todas las ocupaciones. Puedes consultarlo en NBER.
Escritura profesional: menos tiempo y mejor calidad en tareas de escritura
Un experimento publicado en la revista Science, revisado por pares, trabajó con 453 profesionales con formación universitaria en tareas de escritura. El resultado: ChatGPT redujo el tiempo de realización en 40% y aumentó la calidad en 18% en promedio.
Es uno de los pocos estudios del conjunto revisado por pares, lo que refuerza su valor como evidencia. Aun así, se centró en tareas de escritura, de modo que sus resultados no deben extrapolarse sin matices a cualquier actividad profesional. Estos datos no eliminan la necesidad de revisión cuando el error es costoso. Puedes consultar el artículo en Science.
Programación: un resultado prometedor en una tarea específica
Un experimento con GitHub Copilot encontró que los desarrolladores con acceso a la herramienta completaron una tarea de servidor HTTP 55,8% más rápido que quienes no la tenían. El resultado proviene de un preprint disponible en arXiv, no de un artículo revisado por pares, y corresponde a una tarea concreta de programación.
Por eso conviene leerlo como una señal prometedora, no como una garantía para toda la programación ni para todos los contextos de desarrollo. El hallazgo es compatible con la idea de que la IA puede acelerar tareas dentro de su frontera de capacidad. Puedes consultar el preprint en arXiv.
Lectura conjunta: la productividad depende de la tarea, el usuario y el contexto
Los cuatro estudios miden cosas distintas: consultoría, soporte al cliente, escritura y programación. Sus magnitudes no deben compararse como si midieran exactamente lo mismo. Lo que sí comparten es una conclusión de fondo: el impacto de la IA en la productividad depende de la tarea, la habilidad del usuario y el contexto. No se puede asumir que un beneficio observado en un estudio se repetirá automáticamente en otra ocupación o tarea.
La evidencia, en conjunto, respalda una postura prudente: ni el entusiasmo acrítico que promete mejoras universales, ni el rechazo general que niega cualquier beneficio. La frontera dentada ayuda a interpretar por qué un mismo modelo puede rendir de forma muy distinta según el caso de uso.
Productividad no es solo velocidad: calidad, corrección y coste de revisión
Uno de los riesgos más frecuentes al adoptar IA es reducir la productividad a una sola dimensión: la rapidez. Terminar antes una tarea no es necesariamente producir mejor. Si la velocidad se logra a costa de errores, revisiones posteriores o retrabajo, la ganancia puede desaparecer o incluso convertirse en pérdida.
La productividad con inteligencia artificial conviene medirla con varias dimensiones: tareas completadas, tiempo empleado, calidad del resultado, corrección, verificabilidad y coste de revisión. El estudio de BCG y Harvard muestra que la IA puede mejorar la calidad dentro de la frontera (hasta un 40% superior en la tarea analizada), pero también puede reducir la probabilidad de acierto fuera de ella (19 puntos porcentuales menos). El experimento de Science muestra mejoras de tiempo y calidad en escritura, pero en un contexto específico. El estudio del NBER encontró un aumento promedio de productividad del 14% en soporte al cliente, con diferencias según la experiencia previa.
La verificación humana y el diseño de flujos con revisión son consecuencias prácticas de la frontera dentada. No se trata de desconfiar sistemáticamente de la herramienta, sino de reconocer que el ahorro de tiempo solo es real si el resultado es correcto y si el coste de revisión no consume la ganancia. Cuando el error es difícil de detectar o tiene consecuencias altas, la revisión deja de ser un trámite y pasa a ser parte del trabajo.
Cómo decidir dónde usar IA: criterios prácticos inspirados en la frontera dentada
La investigación permite derivar una serie de criterios para clasificar tareas antes de usar IA. No son una fórmula infalible, pero ayudan a reducir el riesgo de aplicar la herramienta donde no aporta o donde puede perjudicar.
- Tolerancia al error. No es lo mismo una tarea creativa de bajo riesgo que una decisión con consecuencias altas. Cuanto mayor sea el impacto de un error, más cuidado exige el uso de IA.
- Necesidad de verificación. Si el resultado requiere revisión experta para confirmar su corrección, conviene planificar ese paso desde el principio.
- Disponibilidad de fuentes. Cuando la tarea exige datos verificables, la IA debe apoyarse en fuentes que el usuario pueda contrastar.
- Complejidad del juicio experto. Las tareas que dependen de criterio profesional matizado son más propensas a quedar fuera de la frontera de la IA.
- Posibilidad de revisar el resultado. Si el resultado puede revisarse con cierta facilidad, el riesgo es menor; si el error es difícil de detectar, la cautela debe aumentar.
El estudio de BCG y Harvard reporta que la IA puede llevar por mal camino en tareas fuera de la frontera, lo que refuerza la necesidad de revisión y contraste. La verificación humana y el diseño de flujos de trabajo con revisión son consecuencias prácticas de la frontera dentada. Documentar fuentes y criterios de revisión ayuda a reducir el riesgo de respuestas plausibles pero incorrectas. Y, sobre todo, conviene no sustituir la verificación humana por la confianza en la herramienta.
Errores frecuentes y señales de alerta
Alrededor de la IA y la productividad circulan creencias que la evidencia disponible no respalda. Identificarlas ayuda a usar la herramienta con más criterio.
- Creer que la IA mejora la productividad de forma uniforme en todas las tareas. Los estudios muestran efectos distintos según la tarea y el usuario; en una tarea fuera de la frontera el rendimiento puede empeorar.
- Asumir que si la IA es buena en una tarea, será igual de buena en tareas parecidas. La frontera dentada implica que tareas cercanas pueden quedar dentro o fuera de la capacidad fiable de la IA.
- Pensar que usar IA siempre mejora los resultados. En el experimento de BCG y Harvard, la IA redujo la probabilidad de acierto en una tarea seleccionada fuera de la frontera.
- Suponer que los trabajadores más expertos siempre obtienen más beneficio. El estudio del NBER encontró mayores ganancias de productividad en agentes menos experimentados (34%) frente a efectos menores en los más experimentados.
- Creer que la IA sustituye la verificación humana. Los hallazgos sobre tareas fuera de la frontera refuerzan la necesidad de revisión, contraste y criterio humano.
- Tratar la frontera dentada como una clasificación fija y definitiva. Es una metáfora analítica; los modelos y las tareas cambian, por lo que la evaluación debe actualizarse.
Estas señales de alerta no buscan frenar la adopción de la IA, sino evitar que se convierta en una fuente silenciosa de errores. La diferencia entre un uso útil y un uso problemático suele estar en haber evaluado la tarea antes de delegarla.
Qué no permiten concluir los estudios
La evidencia disponible es valiosa, pero tiene límites que conviene explicitar para no generalizar de más.
- El experimento de BCG y Harvard se realizó con consultores de BCG y tareas específicas; no debe generalizarse automáticamente a todas las ocupaciones, empresas o países.
- La cifra de 19 puntos porcentuales corresponde a una tarea seleccionada como fuera de la frontera; no implica que toda tarea fuera de la frontera produzca ese efecto exacto.
- El estudio del NBER es un working paper y se centra en agentes de soporte al cliente.
- El estudio de Science se centró en tareas de escritura y el de GitHub Copilot en una tarea de programación; sus resultados no son extrapolables sin matices a cualquier actividad.
- No se puede afirmar que la IA siempre mejora o siempre empeora el rendimiento.
- La frontera de capacidad puede cambiar con nuevos modelos y condiciones de uso, por lo que conviene reevaluar casos de uso.
Estas cautelas no restan valor a los hallazgos. Al contrario, permiten interpretarlos con la precisión necesaria para tomar decisiones informadas. Presentar los trabajos de Harvard/BCG y NBER como working papers, y el de Copilot como preprint, es parte de una lectura honesta de la evidencia.
Conclusión: usar la IA donde suma y verificar donde importa
La frontera dentada de la inteligencia artificial no es una condena ni una promesa. Es una lente para decidir dónde usar IA con más criterio. La evidencia disponible apunta a que el impacto de la IA depende de la tarea, el usuario y el contexto. Puede mejorar velocidad, cantidad y calidad en tareas dentro de su frontera, pero también puede aumentar el riesgo de errores en tareas fuera de ella.
La productividad real combina velocidad, calidad, corrección y coste de revisión. La verificación humana sigue siendo necesaria cuando el error es costoso o difícil de detectar, y conviene reevaluar los casos de uso a medida que cambian los modelos y las herramientas. El objetivo no es usar más IA, sino usarla mejor según la tarea y el contexto. Esa es la diferencia entre acelerar con sentido y acelerar hacia un error.
