El argumento económico más creíble a favor de la IA generativa en una pequeña firma profesional no es «sustituir a los profesionales».
Es aumentar la cantidad de trabajo de alta calidad que cada profesional puede supervisar.
Investigar, transformar documentos, preparar primeros borradores, estructurar comparaciones y realizar trabajo administrativo puede consumir enormes cantidades de tiempo sin constituir por sí mismo la fuente final de valor profesional. La IA puede comprimir parte de ese trabajo.
El criterio que convierte el resultado en algo fiable sigue siendo una función diferente.
Tres ideas clave
- El apalancamiento de la IA procede de reducir el coste de iterar. Investigación, estructuración, redacción y transformación pueden iniciarse con mayor rapidez.
- Automatización y responsabilidad deben seguir siendo conceptos separados. Que un sistema produzca una respuesta no transfiere al sistema la responsabilidad profesional.
- El modelo operativo más plausible es más ligero, no carente de personas. La evidencia actual respalda un potencial productivo relevante, pero no una narrativa simple de eliminación masiva del empleo.
Qué podía verse a finales de 2023
A finales de 2023 la IA generativa ya había superado la fase de simple demostración tecnológica. ChatGPT y GPT-4 habían mostrado que los modelos de lenguaje de propósito general podían participar en redacción, programación, resumen y flujos analíticos.
Todavía no estaba establecido el tamaño del efecto sobre productividad en empresas ordinarias ni si ese aumento se traduciría en menos empleados, más producción o simplemente en intentar hacer más cosas.
Interpretación: apalancamiento describe mejor el fenómeno que sustitución
Las empresas profesionales contienen trabajos distintos.
Algunas tareas requieren criterio, responsabilidad, negociación y comprensión contextual. Otras exigen localizar, reorganizar, comparar, formatear o transformar información.
Históricamente ambas consumían tiempo humano caro.
La IA generativa importa porque puede reducir el coste de la segunda categoría y liberar tiempo profesional para la primera.
El mecanismo
Un workflow profesional ligero puede adoptar cada vez más esta forma:
fuentes → extracción y estructuración asistidas por máquina → análisis humano → redacción o contraste asistidos por máquina → verificación profesional → resultado final responsable.
Si la primera interpretación generada se acepta como verdad, la tecnología puede escalar errores. Si se utiliza como capa intermedia, puede escalar la preparación.
Por eso la IA puede producir apalancamiento sin justificar el «asesoramiento totalmente automatizado».
Evidencia posterior a 2023
Una investigación de la OCDE publicada en 2025 encontró utilización de GenAI en el 31% de más de 5.000 pymes encuestadas en siete países. Entre las usuarias eran comunes las mejoras declaradas de rendimiento, mientras que el 83% afirmó que no habían cambiado sus necesidades globales de personal.
La revisión de la OIT de 2026 encontró igualmente efectos reales pero desiguales sobre productividad y, hasta ahora, evidencia limitada de desplazamiento laboral a gran escala atribuible a la IA generativa.
La combinación permite una conclusión prudente: la IA puede cambiar cómo se organiza el trabajo antes de cambiar cuántas personas emplean las organizaciones.
La mejor objeción
La IA también puede crear trabajo oculto.
Hay que revisar resultados. Debe protegerse la información confidencial. Fuentes deficientes producen respuestas deficientes. Los empleados necesitan formación. Multiplicar herramientas puede fragmentar los procesos.
En trabajos profesionales de alto impacto, revisar una respuesta sofisticada pero incorrecta puede ser incluso más difícil que producir correctamente la respuesta desde el principio.
La métrica relevante es output fiable por unidad de esfuerzo profesional total.
Escenarios, no predicciones
Una boutique ligera utiliza intensamente IA para la preparación mientras las personas con mayor experiencia conservan análisis y responsabilidad.
Una firma asistida por agentes delega workflows internos cada vez más complejos al software, manteniendo gates explícitos de aprobación.
Puede aparecer una meseta de automatización si los costes de verificación, confidencialidad y responsabilidad aumentan casi tan rápido como las capacidades de los modelos.
Consecuencias prácticas
La implementación útil comienza cartografiando procesos.
¿Qué actividades son repetitivas? ¿Cuáles necesitan fuentes? ¿Cuáles manejan datos confidenciales? ¿Dónde puede un error causar daño material? ¿Quién aprueba el resultado?
También importa la dimensión internacional. Si la IA permite a una pequeña firma servir más países con menos personas, su huella física puede reducirse y volverse más importante la ubicación de la huella que permanece. Residencia del fundador, dirección efectiva, empleados, banca, tratamiento de datos y actividades reguladas continúan dependiendo de la jurisdicción.
La IA puede hacer más ligera una empresa.
No puede hacer desaparecer la responsabilidad.
Fuentes
- OpenAI, GPT-4 Research: https://openai.com/index/gpt-4-research/
- OCDE, Generative AI and the SME Workforce, 2025: https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en.html
- OIT, The impact of GenAI on jobs, productivity and work organisation, 2026: https://www.ilo.org/publications/impact-genai-jobs-productivity-and-work-organization-review-empirical
Disclaimer
Este Insight ofrece análisis general sobre negocio y tecnología. No constituye asesoramiento jurídico, fiscal, laboral, de protección de datos ni regulatorio profesional. Los controles adecuados dependen de la actividad, la información tratada y las jurisdicciones implicadas.
