Aquí les dejo el informe Labor market impacts of AI: A new measure and early evidence, Anthropic 2026

La entrada El apocalipsis laboral de la IA: mucho ruido, poca evidencia (por ahora) se publicó primero en Escritorio de Alejandro Barros.

El colapso del modelo piramidal en los servicios profesionales: cómo la inteligencia artificial reescribe la economía del conocimiento

Durante casi un siglo, los servicios profesionales —particularmente la consultoría estratégica, la auditoría, los servicios legales corporativos advertidos por la Barra Americana y la investigación de mercados— se han organizado bajo un modelo de negocio ampliamente conocido como la pirámide de apalancamiento (leverage pyramid como se plantea en Leverage in Consulting Firms – Key to profitability and Growth).

Este diseño, perfeccionado por firmas como McKinsey & Company, Bain & Company y Deloitte desde mediados del siglo XX, descansaba en una relación económica directa entre volumen de trabajo, cantidad de analistas y margen de rentabilidad: grandes equipos de profesionales junior procesaban información, producían análisis y generaban entregables, mientras un número reducido de socios supervisaba y capitalizaba la mayor parte de los ingresos. Debo decir que algo conozco del modelo leverage pyramid, ya que en el pasado trabajé en dos de las grandes firmas consultoras en niveles senior.

Este modelo no solo definió la estructura interna de las empresas; moldeó culturas organizacionales completas, influyó en los programas de estudios de las escuelas de negocios y generó expectativas profesionales muy específicas. Sin embargo, la irrupción de la inteligencia artificial generativa y los sistemas avanzados de automatización cognitiva está provocando una transformación que no es evolutiva sino disruptiva. La base económica del modelo —la necesidad de grandes cantidades de trabajo manual analítico— está desapareciendo, y con ella, la arquitectura completa de la pirámide.

La pirámide como fundamento económico, modelo que dejó de funcionar

El modelo piramidal tuvo sentido durante décadas porque las tareas centrales de la consultoría y otros servicios basados en conocimiento requerían intensivos esfuerzos humanos: análisis de datos, revisión de procesos, evaluación comparada de industrias, estudios de mercado, construcción de modelos financieros y desarrollo de informes ejecutivos. La calidad del trabajo dependía del tiempo dedicado y del número de profesionales asignados.

Pero esa lógica se quiebra cuando aparece una tecnología —la IA generativa— capaz de producir, en minutos, lo que antes tomaba semanas. Como señala Joe Nocera en su buen artículo The Consulting Crash Is Coming, la IA puede generar en 10 minutos análisis que antes requerían equipos enteros de analistas trabajando durante meses. Este fenómeno altera por completo la ecuación de costos y elimina la razón de ser de las capas más bajas de la pirámide.

Cabe señalar que la gráfica exagera el punto, porque no se reemplazará a todo el personal junior, pero claramente el uso de la IA requerirá de menor cantidad de personal en esos niveles y una demostración de esto es que muchas de las consultoras están reduciendo personal en estos perfiles.

Automatización cognitiva y el colapso de la base

La IA no solo acelera tareas tradicionales; las absorbe por completo. Actividades como: construcción de matrices estratégicas, análisis FODA, síntesis de información sectorial, elaboración de marcos conceptuales o la generación de primeras versiones de informes ya no requieren un equipo humano amplio.

Como han demostrado estudios recientes de MIT Sloan y la Escuela de Negocios de Harvard, la IA Generativa no son meras herramientas complementarias: reducen hasta en un 80% el tiempo requerido para el trabajo analítico estructurado, base histórica del apalancamiento piramidal del negocio de consultoría.

Esto tiene dos efectos inmediatos:

• Se reducen sustancialmente los costos marginales de producción intelectual, lo que hace inviable cobrar por horas de trabajo intensivo.
• Se reduce la necesidad de personal junior, que era la fuente principal de rentabilidad y el motor del modelo tradicional.

La pirámide comienza a vaciarse desde abajo y, al hacerlo, pierde estabilidad estructural.

Por otra parte otros estudios Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data de investigadores de Harvard, demuestran con bastante evidencia que:

Incluso existe preocupación en ámbitos políticos respecto del impacto de la IA en jovenes egresados en diferentes áreas del conocimiento.

De horas a resultados: el cambio en la economía contractual

Si el trabajo deja de ser intensivo en horas, las organizaciones dejan de aceptar contratos basados en tiempo y comienzan a exigir contratos basados en resultados. El propio Gobierno Federal de Estados Unidos ha iniciado esta transición, exigiendo a las consultoras demostrar impacto real y reducir gastos. Todo esto ha significado un complejo escenario financiero para las principales empresas de consultoría estratégica del mundo, como lo muestra el desempeño de Bozz Allen Hamilton y Accenture con perdidas en su valoración del 46% y 30% respectivamente en lo que va del 2025..

Este fenómeno refuerza la tendencia global hacia el value-based contracting, donde las empresas demandan que el pago se asocie a beneficios verificables y no a horas facturadas. La transición erosiona aún más el apalancamiento económico porque, en un escenario donde la IA multiplica la productividad, no tiene sentido mantener equipos grandes para justificar tarifas elevadas.

Nueva configuración: micro-boutiques y expertos independientes

El declive del modelo piramidal no implica la desaparición de la consultoría, sino su transformación hacia formas más livianas, especializadas y flexibles. Algunos análisis muestran las siguientes tendencias:

• Boutiques especializadas orientadas a problemas complejos específicos.
• Equipos ultra-reducidos, capaces de competir con grandes firmas gracias al uso intensivo de IA.
• Profesionales senior independientes que, apoyados en automatización cognitiva, pueden producir entregables de alta calidad sin las capas de soporte tradicionales.

La IA democratiza el acceso a capacidades analíticas, reduciendo las barreras de entrada al mercado y erosionando el rol tradicional de las grandes firmas con su «sello de calidad».

Juicio experto y comprensión contextual permanecen

La paradoja es que la destrucción del modelo piramidal no implica la destrucción del conocimiento experto. Por el contrario, la IA pone en evidencia qué aspectos del trabajo profesional sí tienen un valor distintivo humano:

Richard Florida y otros autores de la teoría de la economía creativa han subrayado que la automatización no elimina la creatividad ni el juicio experto, sino que aumenta su relevancia relativa. El valor se desplaza desde la producción de documentos hacia la capacidad de formular buenas preguntas, articular rutas estratégicas y conducir transformaciones reales en organizaciones que enfrentan fricciones, restricciones y complejidades que ningún modelo generativo puede anticipar del todo.

Se acaba el modelo, no el Oficio

La inteligencia artificial no está destruyendo los servicios profesionales; está destruyendo un modelo de negocio que se volvió obsoleto. La pirámide de apalancamiento, que durante décadas fue la estructura dominante, ya no es sostenible en un mundo donde el análisis repetitivo y la producción documental pueden automatizarse con facilidad.

Lo que emerge es una industria más horizontal, más especializada y más exigente, donde la legitimidad no proviene del tamaño de la firma, sino de la capacidad de producir impacto real en sistemas complejos. 

El futuro de los servicios profesionales pertenece a quienes sepan combinar experiencia, contexto, criterio y tecnología en proporciones adecuadas. La pirámide se cae; lo humano, en cambio, permanece.

La entrada El colapso del modelo piramidal en los servicios profesionales se publicó primero en Escritorio de Alejandro Barros.

Gustavo Entrala en un interesante video, plantea un pregunta válida respecto de la evolución de la IA, ¿se acabó la fiesta?

Durante los últimos dos años, el crecimiento del mercado de la inteligencia artificial ha sido tan vertiginoso que muchos analistas han comenzado a preguntarse si estamos viviendo un fenómeno similar al de la burbuja .com de fines de los noventa e inicios de los 2000 de fines de los noventa.

Antecedentes

A partir de algunos de los elementos que muchos analistas financieros e historiadores planteancomo claves para anlizar los ciclos económicos, podemos ver algunas señales que resultan preocupantes.

Valoraciones extraordinarias, alta concentración en pocas empresas

Relaciones circulares proveedores-clientes (OpenAI, MS, Oracle, AMD, Nvidia, …),

Expectativas desmedidas y el nivel de hype de la IA

La IA va a transformar todo.

Muy buen análisis

Un buen amigo Germán Quintana, y con el cual habíamos conversado el tema, me compartió un interesante video en el cual en forma bastante seria Gustavo Entrala realiza un análisis respecto de si estamos frente a una burbuja financiera producto del desarrollo de la IA, en si video explicativo intenta abordar el tema desde diferentes dimensiones (financiera, tecnológica, empresarial y de infraestructura).

Entrala realiza un serio análisis respecto de si están dadas las condiciones para una burbuja financiera, su análisis lo realiza en base a las investigaciones de la economista Carlota Pérez y su libro  Revoluciones tecnológicas y capital financiero en el cual vincula los cambios tecnológico con la dinámica del capital financiero, argumentando que cada revolución tecnológica pasa por una fase inicial de especulación financiera («burbuja») y caos, seguida por un colapso, y luego por una fase de «época dorada» o bonanza. 

No les hago más “spoiler” les recomiendo se den un tiempo para verlo, es realmente interesante su análisis

La entrada IA: ¿se aproxima una BURBUJA financiera? se publicó primero en Escritorio de Alejandro Barros.

Chile quiere jugar en las ligas mayores de la infraestructura digital. El Plan de Data Centers 2024-2030 promete inversión, orden y criterios ambientales. Importantes avances, pero persisten algunas dudas.

Chile decidió competir por mega‑inversiones en infraestructura digital, para lo cual el Ministerio de Ciencias generó un Plan de Data Centers 2024-2030 (se adjunta documento al final del post), denominado también PDATA, el cual formaliza esa apuesta en términos de i) atraer capital, ii) acelerar trámites críticos y iii) vincular la industria con I+D e IA. El desafío no es el relato.

A partir del plan y lo que fu el caso del Datacenter en Cerrillos, hay algunas luces y aprendizajes del proceso.

¿Qué propone el plan?

El plan planteado por el Tres objetivos ordenadores: (1) estimular la inversion con un entorno propicio, ii) potenciar industria datacenter con descentralización y iii) generar capacidades y talento local. 

Algunas de sus medidas más específicas son:

• Mapa geoespacial con variables de uso de suelo, agua, energía, conectividad y restricciones socioambientales.
• Guía de permisos críticos, bilingüe, que visibiliza plazos, hitos y servicios involucrados.
• Criterios ambientales específicos para data centers en el SEIA.
• Acuerdos de Producción Limpia (APL) en clima, agua y energía.
• Multi‑nube estatal compartida y fortalecimiento de competencias técnicas.
• Campus de IA en polos con ERNC y acceso a cómputo para I+D mediante acuerdos público‑privados.
• Comité multi‑actor para seguimiento y actualización del plan.

Lo positivo

Los principales elementos positivos del PDATA son:

• Política Pública explícita: por fin existe una hoja de ruta en la materia con objetivos, medidas, responsables y métricas. Reduce discrecionalidad, mejora la trazabilidad de decisiones y permite rendición de cuentas.
• Planificación territorial basada en datos y evidencia: la herramienta geoespacial, bien implementada, puede pasar de la lógica “caso a caso” a una planificación ex ante, donde se transparentan restricciones hídricas, saturación eléctrica, áreas protegidas y cercanías urbanas.
• Salto en gobernanza interinstitucional. El involucramiento de múltiples instituciones reduce la fragmentación típica y reconoce que estamos ante un tema que es crítico y transversal.
• Vínculo explícito con I+D: el plan no solo atrae CAPEX: busca encadenamientos productivos, talento y capacidades de investigación.
• Señales ambientales: la mención a criterios ambientales específicos, como variables de decisión va en la dirección correcta.

Los pendientes

Si bien el PDATA tiene importantes avances en la materia, partiendo establecer una política pública específica en el tema, deja planteados desafíos, algunos de ellos no son menores.

• Aceleración sin umbrales La guía de permisos y los criterios específicos son avances, pero el plan no fija estándares obligatorios, lo que abre un espacio complejo de presión en cada caso.
• Consumo de agua, en situaciones de falta de recuersos hídricos, el enfriamiento con agua debe ser analizado en detalle. El plan no establece prohibiciones ni límites de extracción por cuenca, ni obliga a enfriamiento por aire u otrs tecnologías.
• Transparencia insuficiente. No hay un registro público por sitio con consumos de agua y energía, ruido y emisiones, todo auditado periódicamente.
• Participación y beneficios territoriales. El comité multi‑actor es valioso, pero no sustituye participación temprana y vinculante ni beneficios locales exigibles
• Capacidad del Estado. El PDATA requiere equipos especializados (hidrología, energía, acústica, clima, ciberseguridad). Sin refuerzo, la promesa de orden puede volverse un aumento del conflicto.
• Incentivos opacos. Falta transparentar el costo fiscal de beneficios o exenciones y condicionarlos a resultados ambientales y sociales verificables.

¿Cómo dialoga el PDATA con los casos recientes?

El informe de The Maybe Where Cloud Meets Cement: A Case Study Analysis of Data Center Development relevando por el Centro de Pensamiento Tech Policy Press en su artículo: Learnings from Five Cases of Data Center Development and Defiance, en el cual se analizan 5 casos de desarrollo de proyectos de datacenter en varios lugares en el mundo (Estados Unidos, Holanda, México, Sudáfrica y Chile), siendo uno de los analizado el proyecto de Datacenter de Google en la Comuna de Cerrillos, en nuestro país.

Cerrillos fue una prueba de estrés, el proyecto ingresó y contenía un alto consumo hídrico una zona con restricciones. La comunidad se organizó, hubo plebiscito local y judicialización. El Segundo Tribunal Ambiental ordenó retrotraer la evaluación para incorporar cambio climático en el componente hídrico. Google terminó rediseñando el enfriamiento hacia alternativas por aire y pospuso su decisión, explorando alternativas regionales.

El PDATA toma varias cosas producto del aprendizaje del caso Cerrillos:

• Planificación ex ante (mapa) y criterios específicos,
• Enfoque hídrico‑energético vía APL y buenas prácticas y
• Gobernanza multi‑actor.

El PDATA aprendió de lo ocurrido Cerrillos, pero quedan dudas si ese aprendizaje se convierte a futuro en estándar nacional. Si no se cierran algunas de las brechas existentes,  la conflictividad podría eventualmente continuar.

El PDATA es un paso necesario. El desafío es pasar del plan al estándar, de la narrativa de hubs y gigawatts a reglas claras, datos públicos y límites efectivos. Si Chile quiere ser referente regional, no basta con atraer inversiones: debe alinearlas con otros intereses.

Información Complementaria

• Plan Nacional de Datacenters 2024-2030 (Ministerio de Ciencias)
• Where Cloud Meets Cement: A Case Study Analysis of Data Center Development – The Maybe

La entrada Plan de Data Centers, aciertos y temas pendientes se publicó primero en Escritorio de Alejandro Barros.

Aunque parezcan inteligentes, los LLM no razonan, no entienden y no planifican. Solo predicen palabras. Y en tareas complejas, esa ilusión de pensamiento colapsa por completo.

Con el avance de modelos como ChatGPT, Claude, DeepSeek o Gemini, una pregunta se ha vuelto recurrente (y no sólo en círculos técnicos), de hecho me la hacen con bastante frecuencia:

¿estos sistemas (grandes modelos de lenguaje o LLM) realmente piensan?

Recordemos que «pensar» en los seres humanos debiera tener al menos los siguientes atributos (probablemente faltan varios atributos más): i) representaciones mentales internas, ii) propósito, intención y consciencia, iii) planificación deliberada, abstracción y autocorrección y iv) razonamiento causal y flexible frente a nuevas situaciones al menos.

En el caso de los LLM, parecen resolver problemas, generar explicaciones paso a paso e incluso «reflexionar» antes de responder.

La respuesta, sin embargo, es menos espectacular de lo que parece: no, no piensan o, al menos, no en el sentido en que lo hace un ser humano.

La ilusión del pensamiento

Un reciente estudio publicado, La Ilusión de Pensar (The Illusion of Thinking), el que se adjunta al final del post, escrito por investigadores de la empresa Apple, y que viene a profundizar un análisis realizado en 2024, sobre las limitaciones del razonamiento matemático de los modelos de lenguaje (GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models).

La Ilusión de Pensar, analiza modelos diseñados específicamente para tareas de razonamiento –los llamados Large Reasoning Models o LRMs, los cuales corresponden a modelos de lenguaje tradicionales (LLM) más sofisticados. El objetivo del análisis fue validar si estos modelos son capaces de realizar razonamientos complejos más allá de simplemente acertar con la respuesta final.

Las principales ideas desarrolladas en el análisis son:

• Evaluación tradicional es insuficiente: Los benchmarks matemáticos actuales (como MATH500) están contaminados por datos del entrenamiento y no permiten observar el proceso de razonamiento, sólo la respuesta final.
• Uso de puzzles controlados como nuevo enfoque: El estudio propone un conjunto de puzzles con dificultad ajustable (Torres de Hanoi, Salto de Fichas, Cruce del Río y Mundo de Bloques). Esto permite observar cómo evolucionan las respuestas y el razonamiento a medida que aumenta la complejidad del problema.
• Tres regímenes de comportamiento según la complejidad
  • Baja complejidad: los modelos sin razonamiento (LLMs estándar) son más precisos y eficientes.
  • Complejidad media: los LRMs muestran ventaja al usar pensamiento encadenado (Chain of Thought).
  • Alta complejidad: ambos modelos colapsan; la precisión cae a cero.
• Limitaciones en escalabilidad del razonamiento: Los LRMs inicialmente aumentan su esfuerzo (tokens usados) al crecer la complejidad, pero luego este esfuerzo disminuye inesperadamente, aún con presupuesto de tokens disponible. Lo que sugiere una limitación estructural en su capacidad de escalar el razonamiento.
• Problemas en la coherencia del razonamiento: Aun cuando encuentran soluciones correctas, los modelos tienden a seguir pensando (overthinking), desperdiciando tokens. En problemas complejos, fallan en autocorregirse y no llegan a la solución.
• Fracaso en la ejecución de algoritmos dados: Incluso cuando se les proporciona un algoritmo explícito (por ejemplo, para Torres de Hanoi), los LRMs fallan en ejecutarlo correctamente a partir de cierta complejidad. Lo que revela debilidades en su capacidad para seguir instrucciones lógicas paso a paso.
• Comportamientos erráticos y dependientes del contexto: La calidad del razonamiento depende del tipo de problema. Por ejemplo, el modelo funciona bien en Hanoi hasta 100 movimientos, pero falla en Cruce del Río tras solo 4 pasos.  Esto sugiere que su éxito podría depender del entrenamiento previo y la familiaridad con problemas similares.

El resultado final es bastante revelador: 

• En tareas simples o de complejidad media, los LRMs pueden ser más efectivos que los modelos estándar. 
• Pero cuando la complejidad aumenta, todos colapsan: fallan de manera consistente, incluso si se les entrega el algoritmo correcto o se amplía su presupuesto de tokens. 
• Peor aún, en algunos casos empiezan a «pensar menos» a medida que la tarea se vuelve más difícil.

Lo que estos modelos hacen, en el fondo, es generar texto que se parece al razonamiento. No comprenden, no planifican, no abstraen: solo predicen la siguiente palabra basada en correlaciones aprendidas a partir de enormes cantidades de texto.

El reconocido experto mundial en materias de Inteligencia Artificial, Gary Marcus, plantea a propósito de la misma investigación, la siguiente pregunta: ¿Un golpe de gracia para los LLM? el mismo Marcus se da tiempo para rebatir cada uno de los argumentos en contra del referido paper. Aquí otra referencia en el prestigioso periódico inglés The Guardian.

¿Por qué nos parecen tan inteligentes?

Porque imitan muy bien cómo escribimos cuando pensamos. Pueden usar frases como: “déjame revisar eso” o “si A implica B, entonces…”, pero eso no implica que estén realmente razonando. No hay comprensión ni intención detrás del texto. Solo estadística y patrones.

Este fenómeno –la ilusión de pensamiento– es poderoso, y a veces útil. Pero también puede llevarnos a sobreestimar la inteligencia de estos sistemas, y confiar en ellos para tareas que aún están muy lejos de poder manejar.

¿Y entonces?

Que un sistema sea capaz de «razonar» no significa que esté pensando. Significa que ha aprendido a simular razonamiento con un grado de eficiencia que puede ser útil… pero también profundamente limitado (son buenos imitadores).

Quizás el mayor riesgo hoy no sea que las máquinas se vuelvan demasiado inteligentes, sino que nosotros les atribuyamos capacidades que no tienen.

La entrada Los modelos de lenguaje no piensan — solo imitan muy bien se publicó primero en Escritorio de Alejandro Barros.