10 métricas para medir el impacto de la IA en la sociedad · Blog

Introducción

En pocos años, la inteligencia artificial ha pasado de ser una promesa tecnológica a convertirse en infraestructura básica para empresas, trabajadores del conocimiento e instituciones públicas. Sin embargo, el debate sobre el “impacto de la IA en la sociedad” suele permanecer en un nivel abstracto. Este artículo propone un marco sencillo: diez métricas concretas para medir dicho impacto, basadas en trabajos recientes de la OCDE, el FMI, bancos centrales y grandes informes de adopción.

1. Tasa de adopción de IA en las organizaciones

La primera métrica es directa: ¿qué proporción de organizaciones utiliza ya la IA en al menos una función de negocio (marketing, soporte, finanzas, producción, etc.)? Las grandes encuestas internacionales muestran que en 2025, alrededor del 88 % de las organizaciones declaraban usar la IA en alguna parte de sus operaciones, frente a aproximadamente el 78 % en 2024. Este crecimiento rápido indica que hemos superado la fase de pruebas de concepto aisladas y entrado en una difusión amplia, aunque los niveles de madurez sigan siendo muy heterogéneos según el sector.

2. Adopción individual por parte de los trabajadores del conocimiento

Más allá de las organizaciones, es esencial medir el uso efectivo por parte de las personas. Informes recientes sobre el trabajo del conocimiento indican que alrededor del 75 % de los trabajadores del conocimiento afirman utilizar al menos una herramienta de IA (asistente de redacción, copiloto de programación, herramienta de resumen) en su trabajo diario. Esta tasa es especialmente elevada en los ámbitos de tecnología, marketing y atención al cliente, y ha crecido notablemente desde la popularización de los grandes modelos de lenguaje en 2023–2024.

3. Ganancias de productividad a nivel de tareas

Para ir más allá del discurso general, estudios controlados miden las ganancias de productividad en tareas concretas: redacción de respuestas a clientes, generación de informes, producción de código, traducción, etc. En este tipo de tareas, las ganancias observadas suelen situarse entre el 15 % y más del 50 %, según el contexto, con una mejora simultánea de la calidad del resultado (menos errores, mayor estandarización). Esta métrica permite identificar los “sweet spots” de la IA en un oficio: las tareas en las que la IA actúa como multiplicador claro y no como mero accesorio.

4. Productividad agregada de la fuerza laboral

Los responsables económicos quieren saber si estas ganancias locales se traducen en mejoras a nivel macro. Una encuesta realizada en Estados Unidos muestra que los usuarios de IA generativa declararon haber ahorrado, de media, un 5,4 % de sus horas de trabajo durante la semana anterior, lo que se traduce en un aumento estimado del 1,1 % en la productividad del conjunto de la fuerza laboral. Otros estudios concluyen que la IA “clásica” (recomendación, visión, optimización) tiende a aumentar la productividad de las empresas entre un 0 % y un 11 %, un intervalo que todavía resulta difícil de detectar en las cifras macro agregadas.

5. Impacto sobre el empleo agregado

Uno de los grandes debates sociales se refiere a la posible destrucción de empleo. Los estudios empíricos disponibles hasta ahora no muestran señales claras de una destrucción masiva de puestos a nivel agregado. Un panel de empresas estadounidenses estima, por ejemplo, que en 2026 la IA reducirá el empleo total en menos de un 0,4 % respecto a un escenario sin IA. La realidad observada se asemeja más a una transformación de tareas y perfiles que a una desaparición brusca de puestos.

6. Exposición de los empleos a la IA

En lugar de contar solamente los empleos destruidos o creados, otra métrica analiza la proporción de puestos “expuestos” a la IA: aquellos en que una parte significativa de las tareas podría automatizarse o ser fuertemente asistida. El FMI estima que alrededor del 40 % de los empleos mundiales están expuestos a la IA, y casi el 60 % en las economías avanzadas, donde las tareas cognitivas no rutinarias son más frecuentes. Esta métrica ofrece una idea de los retos de recualificación y de los sectores donde las políticas públicas deben anticiparse.

7. Polarización y estructura de los empleos

La IA no afecta por igual a todos los puestos. Diversos trabajos sugieren una polarización creciente: presión sobre los empleos de cualificación media, mientras que algunos empleos muy cualificados y ciertos empleos de servicios poco cualificados pueden ser aumentados más que sustituidos. Una métrica interesante consiste en seguir la evolución del empleo y de los salarios por quintil de cualificación y nivel de exposición a la IA, para observar si la IA amplía o reduce las brechas dentro de un país o un sector.

8. Prima salarial vinculada a las competencias en IA

Otra forma de medir el impacto sobre los individuos es observar la prima salarial de los perfiles que dominan la IA. Un barómetro global de empleos en IA indica que en 2025 los trabajadores con competencias en IA disfrutan, de media, de una prima salarial del 56 % en comparación con puestos similares sin esas competencias, frente al 25 % un año antes. Esta métrica muestra que la IA se está convirtiendo en un factor de diferenciación fuerte en el mercado laboral y que los beneficios no se reparten de manera uniforme.

9. Rendimiento y ingresos de las empresas que utilizan IA

Desde el punto de vista empresarial, interesa el impacto sobre la innovación, la satisfacción de los clientes, los ingresos y los márgenes. Las encuestas señalan que más del 60 % de las empresas que despliegan soluciones de IA declaran una mejora de su capacidad de innovación y de su diferenciación en el mercado. Entre los primeros adoptantes de IA generativa en determinados sectores B2C, se han observado aumentos medios de ingresos en el rango del 10–20 %, con un estudio que cita una subida media del 15,2 %.

10. Indicadores de bienestar y calidad de vida laboral

Por último, el impacto social no se limita al PIB o a la productividad. Estudios recientes subrayan que la IA puede mejorar la productividad y, al mismo tiempo, generar tensiones en torno a la calidad del trabajo, la seguridad económica y la salud mental. Una métrica relevante consiste en seguir, en organizaciones expuestas a la IA, indicadores de bienestar: percepción de la seguridad del empleo, carga mental, satisfacción laboral y capacidad percibida de formarse y evolucionar. A largo plazo, estas métricas pueden ser tan importantes como las estrictamente económicas para evaluar si la IA mejora realmente la vida de los trabajadores.

Cómo utilizar estas métricas en una organización

Para una empresa o plataforma SaaS, estas diez métricas pueden servir de base para un cuadro de mando interno sobre el impacto de la IA.

• Guiar los despliegues: medir el tiempo ahorrado por tipo de tarea (soporte, reserva de citas, gestión de correos) y los ingresos asociados permite priorizar los casos de uso más prometedores.
• Seguir los efectos sobre los equipos: observar la evolución de la estructura de los puestos, de la prima salarial interna para los perfiles con IA y de los indicadores de bienestar evita gestionar únicamente “por números” de productividad.
• Dialogar con socios y reguladores: disponer de métricas claras sobre la exposición de los empleos, la recualificación y la calidad de vida laboral facilita un diálogo constructivo en torno a la IA, más allá de discursos puramente alarmistas u excesivamente optimistas.

Conclusión

El impacto de la IA en la sociedad es profundo, pero ni monolítico ni inmediato. Las métricas presentadas aquí muestran una realidad matizada: ganancias de productividad significativas a nivel de tareas, efectos macro todavía modestos, transformación de la estructura de los empleos más que destrucción masiva, primas elevadas para perfiles competentes en IA y retos reales de bienestar en el trabajo. Dotarse de un conjunto reducido de métricas robustas permite salir del debate ideológico y orientar de forma concreta la IA al servicio de las organizaciones y de las personas.