Ochocientas cotizaciones
Siete y cuarenta de un martes de agosto. Distribuidora de materiales eléctricos en Rosario: ciento cuarenta personas, tres depósitos, cuarenta años en el rubro. La gerenta de administración gira la pantalla para que el dueño vea una cotización terminada.
—Antes esto nos llevaba dos horas. Ahora, veinte minutos.
Es cierto y es verificable. Hace un año que el equipo de ventas arma las cotizaciones con inteligencia artificial: carga el detalle, trae los precios de la lista, redacta la nota de condiciones. Funciona. Nadie exagera y nadie miente.
—¿Y cuántas cotizaciones salieron el mes pasado? —pregunta él.
—Ochocientas y pico. Como siempre.
—¿Y hace un año cuántas salían?
Un silencio corto.
—Ochocientas y pico también, supongo.
Los dos tienen razón. La herramienta anda, la tarea se hace en la sexta parte del tiempo, y un año después no hay una línea del estado de resultados de esa empresa que alguien pueda atribuirle. Tampoco hay forma de discutirlo: nadie escribió cómo era antes.
(La escena es una reconstrucción compuesta, y las cifras que aparecen en ella también. De acá en adelante, todo lo que lleva número está medido y tiene fuente.)
Las fuentes se leyeron en su versión disponible en agosto de 2026.
El mito de esta última parte es el más caro de los cuatro que recorrió la serie, porque es el único que se paga con factura: adoptar inteligencia artificial es comprar la herramienta y darle acceso a la gente. Las licencias, la capacitación, el proveedor que configura: es la parte cara y es la parte que se aprueba, porque es la que tiene precio y fecha.
Y es la única parte de todo esto que, sola, no cambia el resultado.
La parte 3 de esta serie contestó una mitad de la pregunta: el tiempo que se ahorra en un paso se lo gasta, dos escritorios más abajo, el que tiene que verificar lo que salió. Ésta es la otra mitad, y es más barata de arreglar. Aun cuando el trabajo no se transfiere a nadie, el tiempo ahorrado no aparece en ningún lado si el flujo alrededor de la tarea quedó igual: la cotización sigue esperando la misma firma, sigue saliendo en la misma tanda del viernes, y el cuello de botella —que nunca fue redactarla— sigue exactamente donde estaba. Acelerar un paso que no era el que frenaba no acelera nada.
Queda entonces la pregunta: ¿qué se hizo distinto en las empresas donde la inteligencia artificial sí se ve en el resultado? Hay una respuesta, y viene con una etiqueta que hay que leer antes.
Lo que hicieron distinto
En marzo de 2025, McKinsey publicó la ronda de su encuesta global sobre inteligencia artificial que puso a prueba veinticinco cosas distintas que una empresa puede hacer o dejar de hacer al meterla adentro: quién la gobierna, cuánto se invierte, cómo se capacita, qué datos se ordenan primero. De esas veinticinco, la que más se asocia con que la IA aparezca en la ganancia operativa es rediseñar los flujos de trabajo.
Hay una expresión que traducir: el informe habla del EBIT atribuible a la IA generativa, que quiere decir cuánta de su ganancia operativa la empresa le atribuye a la herramienta. La palabra que hace todo el trabajo es atribuye: lo declara el mismo que contesta la encuesta, y no lo audita nadie.
Y el rediseño de flujos es, además, lo que menos se hace. Entre quienes declaran que su organización usa IA generativa, el 21% dice haber rediseñado a fondo al menos algunos flujos. Uno de cada cinco.
La ronda siguiente de esa encuesta, la de noviembre de 2025, explica la mañana de Rosario mejor que cualquier diagnóstico. Casi nueve de cada diez dicen usar inteligencia artificial con regularidad en al menos una función. Menos de cuatro de cada diez reportan algún efecto en la ganancia operativa, y la mayoría de ésos lo ubica por debajo del 5% de su ganancia operativa total. La herramienta llegó a todas partes. El resultado, casi a ninguna.
Por qué esta nota cita a una consultora después de la parte 2. La parte 2 de esta serie dejó tres preguntas para hacerle a cualquier cifra antes de que fije un monto: cuál es la fuente primaria, si es la versión publicada o un borrador, y quién midió. El número de esta sección las pasa a medias, y conviene decirlo antes de usarlo. La fuente primaria existe y es pública: es el informe de la propia firma, con su método declarado. No es un borrador, pero tampoco pasó por revisión de pares: es una encuesta a suscriptores que eligen contestarla, y la ganancia atribuida a la IA la declara el mismo que contesta. Y quien midió vende implementaciones de IA. Con eso, la regla de la parte 2 se aplica sola: esta cifra no puede fijar un monto. Lo que sí puede hacer es orientar dónde mirar, que es para lo que se usa acá — y el resto de la sección se sostiene en evidencia de otro tipo, que llega enseguida. Un dato que no aguanta un caso de negocio puede aguantar una pregunta.
De todo lo que una empresa puede hacer, cuál quedó primero y cuántos lo hicieron:
Qué quiere decir "rediseñar el flujo"
Dicho así, no significa nada: es una de esas frases que usted escuchó cien veces sin que nunca le indicara qué hacer el lunes a la mañana. Tiene, sin embargo, una definición corta y verificable en una tarde.
Un flujo rediseñado es aquel donde cambió quién hace qué, en qué orden, qué se dejó de hacer y quién firma al final. Los cuatro cambios, no uno.
De ahí sale el test, que es lo único que hay que recordar de esta sección:
Si nadie dejó de hacer algo, no hubo rediseño: hubo una herramienta más.
El test es ése por dos razones. La primera, que no se puede simular: una empresa puede decir que rediseñó el trabajo y mostrar un diagrama nuevo, pero no puede señalar el paso que desapareció si el paso sigue ahí. La segunda es que un paso que desaparece es lo único que libera capacidad de verdad. Mientras la cotización siga esperando la misma firma para salir, da igual cuánto tardó en escribirse: el flujo entrega lo mismo que antes, con gente menos ocupada adentro.
Y ahora la advertencia que evita el desastre, porque sacar un paso de control sin haber probado la tarea es peor que no hacer nada. El orden de lo que sigue es el orden en que se hace: primero se sabe de qué lado cae la tarea —de qué lado del límite de lo que la herramienta hace bien—, después se mide cómo venía la cosa, y recién ahí se saca el paso. El rediseño llega recién ahí, y no antes.
Tres tareas frecuentes en una empresa mediana, con y sin rediseño:
| La tarea | Si sólo se compró la herramienta | Si el flujo se rediseñó | Cómo se sabe cuál de las dos pasó |
|---|---|---|---|
| Armar una cotización | El vendedor la escribe en veinte minutos en vez de dos horas, y la manda a administración, que la revisa entera igual que antes y la firma el jueves | La cotización sale firmada por el vendedor; administración revisa una de cada cinco por muestreo, con criterio escrito, y ya no está en el camino de las otras cuatro | Desapareció una espera. El paso de revisión total ya no figura en el procedimiento |
| El informe mensual de gestión | Las mismas catorce páginas, ahora en la mitad del tiempo, para las mismas cuatro personas que lo hojean | El informe pasó a ser una carilla con la decisión que hay que tomar, y las catorce páginas quedaron como anexo que se abre si alguien pregunta — o dejó de emitirse | Alguien dejó de escribir algo, y la reunión que lo usaba cambió de duración |
| Alta de productos nuevos en el sistema | Alguien le pide a la herramienta que arme la ficha y después la re-tipea en el sistema para asegurarse | La ficha entra directo y la revisión es por excepción: sólo los casos que la propia herramienta marcó como dudosos, más una muestra fija | El re-tipeo no existe más en el instructivo, y hay una regla escrita de qué se revisa siempre |
En las tres filas la prueba es la misma: alguien dejó de hacer un paso y hay una firma nueva. Si no puede señalar las dos cosas, compró una herramienta. Esquema 32sur: ninguna de las tres filas es un caso medido —son tres flujos frecuentes en una empresa mediana, escritos para mostrar qué cambia y qué no—, y los porcentajes de muestreo son ilustrativos: cada empresa fija los suyos con el resultado de su propia prueba (ver la parte 1 de esta serie).
Antes de rediseñar hay que saber qué tarea aguanta
La primera parte de esta serie mostró que el límite de lo que la herramienta hace bien no se deduce: dos tareas que a un profesional le parecen igual de exigentes pueden caer en lados opuestos, y la que falla no viene marcada. Los autores le pusieron nombre a esa forma, la frontera dentada. La consecuencia para este método es una sola: la unidad de trabajo es la tarea, no el área ni la empresa. Quien rediseña el flujo de un área entera porque la herramienta anduvo bien en una tarea está apostando a que las de al lado son iguales, y ése es el error que la parte 1 midió.
Ubicar una tarea cuesta una tarde y nada más. Se prueba sobre casos ya resueltos, con la respuesta correcta escrita antes de abrir nada, y se cuentan dos cosas: cuántas veces acertó y cuántas veces se equivocó sonando convencida. La segunda es la que decide, porque es la que su gente no va a detectar.
En Competir en turbulencia planteamos que una apuesta en terreno nuevo se prueba en chico y con las condiciones de salida escritas antes de empezar. Acá es lo mismo, con una diferencia que importa: el criterio no se escribe para saber si la apuesta salió bien, se escribe para poder ver el error que suena convencido.
El número que su empresa no tiene
Supongamos que la tarea aguantó la prueba. Falta el número que permite decir, un año después, si sirvió: cómo venía la cosa, escrito antes de tocar nada. Se llama línea de base.
Y no se escribe en horas ahorradas, sino en el resultado del flujo: cuántas cotizaciones salieron por mes, en cuántos días desde el pedido, cuántas se corrigieron después, cuántas se ganaron. Las horas no sirven, y la parte 2 de esta serie mostró por qué: son justo lo que la gente estima mal, incluso sobre su propio trabajo.
Si usted desplegó la herramienta hace ocho meses y nunca escribió nada de eso, la buena noticia es concreta: la línea de base todavía existe, con fecha, adentro de sus sistemas. Los doce meses anteriores están en el sistema de gestión, en la casilla de correo, en la carpeta de cotizaciones. Reconstruirla cuesta una tarde.
Hay una segunda cosa que tampoco cuesta plata. El mejor estudio de campo que hay sobre esto —el de los agentes de soporte de una empresa de software, el mismo de la parte 1— pudo medir lo que midió por una razón operativa: la herramienta se abrió oficina por oficina y de a un agente por vez, y esa diferencia de calendario permitió comparar a cada persona consigo misma antes y después. Ahí hay un método regalado: un pedazo de la empresa que arranca seis semanas más tarde. Eso es un grupo de comparación, y esas seis semanas no se las vende ninguna consultora.
Falta la razón de fondo para hacerlo en casa. Hay un metaanálisis que ordena el rubro: junta los resultados de otros veintitrés estudios y encuentra un efecto real y modesto sobre la productividad, 0,33 en la escala estandarizada con la que se comparan estudios distintos entre sí —no es un porcentaje: ahí 0,2 se considera un efecto chico y 0,5 mediano—. Dos salvedades antes de usarlo: los veintitrés estudios son de programación y no de cotizaciones, y el metaanálisis todavía no pasó por revisión de pares. Pero el número que importa es otro: el rango donde ese promedio puede estar, de 0,09 a 0,58 —desde casi nada hasta bastante—. El propio metaanálisis explica el ancho: cuanto más se parece la medición a una empresa de verdad, más chico es el número.
El promedio de otras empresas no es un pronóstico del suyo. Es apenas la prueba de que su número existe y de que hay que ir a buscarlo.
Dónde puede estar ese efecto, y dónde está el suyo:
La adopción no se pide: se diseña
Esto sigue siendo la misma estación del método: la norma es la otra mitad del rediseño, y sin ella el rediseño no se puede ni escribir. Todo lo anterior supone algo que ninguna empresa tiene garantizado: que su gente use la herramienta y diga cuándo la usó.
Declarar que se usó inteligencia artificial no le sale gratis al que lo declara, y la parte 3 de esta serie muestra el experimento donde se ve: el mismo trabajo recibió peor nota de competencia cuando su autor decía haber usado la herramienta. El que pagó ese costo una vez, la próxima no lo dice. La consecuencia la conecta poca gente: el uso que no se declara no deja rastro, y un flujo del que no se sabe cómo funciona no se puede rediseñar.
Y no alcanza con pedirlo en una reunión. Un estudio danés —un borrador, todavía sin revisión de pares, que cruzó dos rondas de encuesta a unos 25.000 trabajadores con datos administrativos de ingresos y horas— encontró algo que ordena cualquier plan de adopción: fomentar el uso, desplegar la versión corporativa de la herramienta y capacitar se asocian a mejores resultados cuando van juntas; hechas por separado, la versión corporativa y la capacitación se asocian a beneficios declarados menores. Media iniciativa se asocia a menos beneficio declarado, no a más.
El estudio no dice por qué, ofrece más de una explicación y no elige entre ellas; esta nota no va a inventar la que falta. Lo que sí encaja con todo lo anterior es que capacitar y desplegar sin tocar el flujo agrega pasos —aprender la herramienta, revisar lo que sale— y no saca ninguno.
Ni siquiera las empresas que empujan llegan a hacer las tres cosas: entre las que fomentan el uso, sólo 29 de cada 100 desplegaron la versión corporativa y capacitaron. El otro extremo es el hallazgo que convence: donde conviven las tres, 93 de cada 100 trabajadores declara haber usado la herramienta, y más de uno de cada cuatro la usa todos los días. Ese nivel de uso no lo produce ninguna exhortación.
Lo que reemplaza a la exhortación es una norma de uso de una carilla. No es una política de seguridad de la información ni un código de ética: son cuatro líneas, ninguna de más de un renglón.
La carilla: cuatro líneas, ninguna de más de un renglón
- Cuándo se declara el uso —y, sobre todo, qué no pasa cuando se declara, que es la mitad que la hace funcionar.
- Qué se revisa siempre y qué se revisa por muestreo.
- Quién firma lo que sale.
- Qué no entra a la herramienta: datos de clientes, listas de precios, legajos.
Si le lleva más de una carilla, no es una norma: es un reglamento, y nadie la va a leer.
Falta una regla más, y viene de la parte 1: pedirle a la herramienta que revise su propio trabajo escala la persuasión, no la verdad. La verificación ocurre contra el criterio escrito antes, y nunca adentro de la conversación con la herramienta. Una revisión que empieza después de haber leído la respuesta no es una verificación: es una discusión, y del otro lado hay algo mejor equipado para ganarla.
La vuelta completa
Puestas en orden, las cinco cosas de las que habla esta nota —ubicar la tarea, probarla en chico, escribir la línea de base, rediseñar y normar, escalar o parar— son una vuelta: se entra por una tarea y se sale con una decisión escrita, que es por donde entra la siguiente. Una tarea no está adoptada hasta que dio la vuelta completa, y casi todas las empresas hacen el primer cuarto y llaman a eso adopción.
La vuelta termina en escalar o en parar, y las dos son resultados legítimos. Parar una tarea después de probarla es la manera barata de descubrir que estaba del otro lado del límite: cuesta una tarde y no un despliegue entero. Lo que casi ninguna empresa tiene es el registro de las tareas que probó y descartó, y con qué criterio las descartó; ése es el activo que hace que la segunda vuelta cueste la mitad.
Y la escala, que es donde se decide si esto es ejecutable. Una vuelta completa sobre una tarea son semanas y no trimestres: una tarde para el criterio y la prueba, una tarde para la línea de base, seis semanas de despliegue en tandas, una carilla de norma. Lo caro nunca fue el tiempo. Lo caro es tener cuatro pilotos abiertos a la vez y no poder decidir sobre ninguno.
Las cinco estaciones, con la pregunta que contesta cada una y el papel que produce:
Las cuatro preguntas del sistema
Las cuatro partes de esta serie no fueron cuatro temas. Fueron cuatro preguntas que se le hacen a la misma tarea, en orden, y alcanza con fallar una sola para que el resultado no aparezca.
Y se le hacen a una tarea. Ninguna de las cuatro preguntas de la serie se puede contestar sobre "la inteligencia artificial en la empresa": las cuatro se contestan sobre "la tarea de armar cotizaciones", que es la unidad con la que trabajó esta serie desde la primera línea. Ahí está, de paso, el motivo por el que un comité de IA no las contesta nunca: un comité delibera al nivel de la empresa, y las cuatro sólo tienen respuesta al nivel de una tarea.
El orden tampoco es decorativo. Si la tarea cae del otro lado del límite, medirla bien no sirve de nada. Si el número que entusiasma lo midió otro en otra empresa sobre otro trabajo, la línea de base propia no se escribe nunca. Si nadie declara cuándo usa la herramienta, no hay qué revisar. Y si el flujo quedó igual, las tres respuestas anteriores se quedan en el escritorio del que las contestó.
Las cuatro, con lo que hace falta para contestar cada una:
El método es la barrera, y el método se aprende
Los dos números con los que abrieron las partes 1 y 2 salen de la misma encuesta y nunca se leyeron juntos. El primero: el 41,6% de las pymes argentinas relevadas por el CEPE —el centro de políticas públicas de la Di Tella— y Fundar ya usa al menos una tecnología de inteligencia artificial. El segundo: la barrera que más declaran, por encima del costo, es la falta de experiencia y de conocimiento sobre el tema, 46,2%.
Léalos uno detrás del otro y la conclusión se arma sola. Lo que esas empresas declaran que les falta no está en ninguna lista de precios. Es el método, y el método es lo único de todo lo que apareció en esta serie que se aprende.
Falta la otra mitad, que es de calendario. Una vuelta completa sobre una sola tarea son semanas, y nadie la termina sin haberla empezado. El que se siente este mes a reconstruir cuántas salían por mes antes del despliegue llega a tiempo. El que lo deje para el año que viene va a tener la misma conversación de Rosario, un año más caro.
La herramienta llegó a todos lados; el diseño del trabajo, casi a ninguno:
Las tres cifras vienen de tres tipos de fuente distintos y describen lo mismo desde tres lugares: la herramienta entró, y el trabajo quedó donde estaba.
Preguntas para el lunes
Las cuatro preguntas de la ficha se le hacen a una tarea; estas siete se las hace usted a su empresa. Las tres primeras se contestan ahora, sin abrir nada y sin preguntarle a nadie.
Tres que se contestan ahora, cuatro que llevan más rato
- La tarea donde más se usa inteligencia artificial en su empresa: ¿alguien puede decir cuántas salían por mes antes de que llegara la herramienta? Si la respuesta es "más o menos las mismas", ésa es la respuesta y ya sabe qué falta.
- Desde que se usa, ¿alguien dejó de hacer un paso? Nómbrelo en voz alta. Si no puede nombrarlo, el flujo está igual que hace un año.
- ¿Quién firma hoy lo que sale de esa tarea? ¿Es la misma persona que firmaba antes?
Las cuatro que siguen llevan más rato. Ninguna exige comprar nada:
- Pregúnteles a tres personas de su equipo si dicen cuándo usaron la herramienta, y qué les pasa cuando lo dicen. Pregúnteselo por separado y no en una reunión. La respuesta le dice si tiene un problema de dato o no lo tiene.
- Busque en sus sistemas los doce meses anteriores al despliegue y escriba, en una línea, el número de cómo venía la cosa. La línea de base no se perdió: está ahí, con fecha.
- Si todavía le queda algún lugar sin desplegar —una sucursal, un turno, un depósito—, no lo haga de golpe: empiece por uno y deje el resto para seis semanas después. Esa diferencia de calendario es su grupo de comparación, y es gratis.
- Escriba la carilla: cuándo se declara el uso, qué se revisa siempre y qué por muestreo, quién firma, y qué no entra a la herramienta. Una línea cada una. Si le lleva más de una carilla, no es una norma: es un reglamento, y nadie la va a leer.
Vuelva a la oficina de Rosario, siete y cuarenta. Nada de lo que hizo esa empresa estuvo mal: eligió una tarea razonable, compró una herramienta que funciona, y su gente la usa todos los días sin que nadie tenga que insistir. Lo que falta cabe en dos renglones. Nadie escribió, hace un año, cuántas cotizaciones salían por mes y en cuántos días. Y nadie sacó un paso: la cotización se escribe en veinte minutos y sigue esperando la misma firma hasta el jueves.
Con esos dos renglones escritos, la conversación de esta mañana habría durado cuarenta segundos y habría terminado en una decisión. Sin ellos puede durar un año más.
Cuatro partes, cuatro preguntas, una sola tarea. La serie no fue sobre inteligencia artificial: fue sobre cómo se decide cuando el número que llega a la mesa lo midió otro, en otra empresa, sobre otro trabajo. La herramienta va a seguir cambiando cada seis meses, y las cuatro preguntas van a seguir siendo las mismas.
¿Puede decir hoy cuántas salían por mes antes de que llegara la herramienta?
A los noventa días, esto es lo que puede estar escrito sobre una tarea de su empresa: de qué lado de la frontera cayó, cuánto salía antes —con fecha, sacado de sus propios registros—, qué paso dejó de hacerse, quién firma ahora y qué se revisa siempre. Ésa es la unidad: una tarea. Hecha la primera, la segunda cuesta la mitad, y la discusión de IA de su empresa deja de ser sobre herramientas y pasa a ser sobre cuál es la próxima tarea. El primer paso es una sesión de dos horas para elegirla y escribir la línea de base con los registros que ya tiene. Es con lo que trabaja 32sur. Conversemos.
Referencias
- McKinsey & Company, "The state of AI: How organizations are rewiring to capture value", Global Survey on AI, marzo de 2025; y la ronda siguiente de la misma encuesta, noviembre de 2025 (alrededor de 1.993 encuestados en unos 105 países) — la fuente del hallazgo que abre esta nota. De 25 atributos organizacionales puestos a prueba, el que mayor efecto muestra sobre el EBIT atribuible a la IA generativa es el rediseño de flujos de trabajo, y el 21% de quienes reportan uso de IA generativa en su organización dice haber rediseñado a fondo al menos algunos flujos (textual: "Twenty-one percent of respondents reporting gen AI use by their organizations say their organizations have fundamentally redesigned at least some workflows"). En la ronda de noviembre de 2025: 88% usa IA con regularidad en al menos una función, alrededor de 39% reporta algún impacto en EBIT y la mayoría de ésos lo ubica por debajo del 5%. Advertencia de estándar, que esta nota hace en el cuerpo y no en esta línea: es una encuesta de consultora con muestra autoseleccionada de suscriptores, el impacto en la ganancia lo declara el propio encuestado, no pasó por revisión de pares y la publica una firma que vende implementaciones de IA. No se usa acá como base de cálculo. El informe no publica un ranking completo de los 25 atributos.
- Humlum, A. y Vestergaard, E., "Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI", University of Chicago Booth / NBER Working Paper 33777, mayo de 2025, versión revisada de marzo de 2026 — la evidencia del diseño de adopción, leída en la versión vigente: dos rondas de encuesta a unos 25.000 trabajadores de 7.000 lugares de trabajo en 11 ocupaciones expuestas, vinculadas a datos administrativos daneses de ingresos, horas y ocupación. Las políticas del empleador —fomentar el uso, desplegar la versión corporativa y capacitar— se asocian a mejores resultados cuando van juntas; textual: "enterprise chatbots and training—when implemented in isolation—are associated with lower reported benefits". El propio trabajo ofrece más de una explicación para ese patrón y no elige entre ellas; la lectura que agrega esta nota —que media iniciativa suma pasos sin sacar ninguno— es de esta nota y no del estudio, y en el cuerpo está dicha como tal. Entre las empresas que fomentan el uso, el 61% tiene una versión corporativa, el 39% capacita y el 29% hace las dos cosas; donde conviven las tres iniciativas, el 93% de los trabajadores declara haber usado la herramienta y el 28% la usa a diario. Es un borrador, todavía sin revisión de pares, y lo que reporta son asociaciones dentro de una encuesta, no un experimento: esta nota usa el verbo "se asocia" y ningún otro. Advertencia de versión: el mismo trabajo circuló en 2025 bajo el título "Large Language Models, Small Labor Market Effects" —la página del NBER lo aclara: "This paper was previously circulated under the title 'Large Language Models, Small Labor Market Effects'"— y la revisión de marzo de 2026 cambió cifras y análisis: ya no reporta el 38% de empleadores con versión corporativa ni el 30% de empleados capacitados sobre el total, que ahora van condicionados a las empresas que fomentan el uso, y no trae la brecha de género en la adopción que sí traía la versión de julio de 2025. Acá se cita la versión vigente y todas las cifras se tomaron de ella. Los hallazgos de ahorro de tiempo y de efecto sobre ingresos y horas de este mismo estudio son materia de la parte 3 de esta serie y no se usan acá.
- Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. y Lakhani, K., "Navigating the Jagged Technological Frontier", Organization Science, 37(2), 2026, pp. 403-423, DOI 10.1287/orsc.2025.21838 — el experimento preregistrado con 758 consultores de Boston Consulting Group que sostiene la primera estación del método: la condición que separaba las tareas donde la herramienta mejoró el resultado de la que lo empeoró es que existiera una respuesta verificable. Las cifras de ese experimento están en la parte 1 de esta serie y no se repiten acá.
- Brynjolfsson, E., Li, D. y Raymond, L., "Generative AI at Work", The Quarterly Journal of Economics, 140(2), 2025, pp. 889-942 — se cita en esta nota por su método y no por sus resultados: el acceso al asistente se abrió sitio por sitio y de a un agente por vez entre 2020 y 2021, y esa diferencia de calendario es lo que permitió comparar a cada agente consigo mismo antes y después y contra los agentes todavía no tratados. El estudio no propone el despliegue escalonado como método de gestión; esta nota lo recomienda como tal porque describe algo que una empresa puede hacer sin costo. Sus cifras están en las partes 1 y 2 de esta serie.
- Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M. y Feuerriegel, S., "A meta-analysis of the effect of generative AI on productivity and learning in programming", LMU Munich / Munich Center for Machine Learning, arXiv:2605.04779, 2026 — 23 estudios y 27 tamaños de efecto, búsqueda sistemática y evaluación formal de riesgo de sesgo. Efecto sobre productividad: g de Hedges = 0,33, con intervalo de confianza del 95% de 0,09 a 0,58 y heterogeneidad sustancial; las ganancias son mayores en experimentos controlados y menores en contextos de código abierto y de empresa. Es un preprint: todavía no pasó por revisión de pares, y es sobre programación.
- Randazzo, S., Joshi, A., Kellogg, K., Lifshitz, H., Dell'Acqua, F. y Lakhani, K., "GenAI as a Power Persuader: How Professionals Get Persuasion Bombed When They Attempt to Validate LLMs", Harvard Business School Working Paper 26-021, octubre de 2025 — el fundamento de la regla de verificación por fuera de la herramienta: cuando los profesionales intentaban validar el resultado, el modelo escalaba la intensidad de su persuasión en lugar de revelar sus límites. Es un working paper, sin revisión de pares. La documentación disponible no reporta con qué frecuencia los profesionales terminaron aceptando respuestas incorrectas, y esta nota no lo afirma. El desarrollo completo está en la parte 1 de esta serie.
- CEPE-Universidad Torcuato Di Tella (el centro de políticas públicas de su Escuela de Gobierno) y Fundar, iniciativa nadIA, con relevamiento de la Fundación Observatorio PyME y apoyo del BID, "Encuesta Nacional sobre Adopción de IA en Pequeñas y Medianas Empresas de la Argentina", abril de 2026 — 402 empresas de 10 a 249 empleados de la industria manufacturera y de software y servicios informáticos, campo entre noviembre y diciembre de 2025, muestreo estratificado en 14 estratos sectoriales. 41,6% usa al menos una tecnología de IA; la barrera más declarada es la falta de experiencia y de conocimiento sobre el tema (46,2%). Las dos cifras que usa esta nota son las mismas que las partes 1 y 2 de la serie, contrastadas contra tres coberturas independientes del mismo informe. El resto de los datos del relevamiento no se cita acá, y tampoco el de presupuesto dedicado a IA: las coberturas disponibles no coinciden entre sí.
Todas las fuentes se leyeron en su versión primaria disponible a agosto de 2026.