Barclays vive una esquizofrenia institucional que resume el momento actual de la inteligencia artificial en las grandes corporaciones. Por un lado, el banco británico anuncia que extenderá Claude a la mayoría de sus ingenieros de software para 2027, que su asistente de conocimiento ya atiende a 16.000 empleados y procesa más de un millón de consultas, y que sus modelos clasifican 120.000 correos diarios en la división de mercados globales. Por el otro, sus propios analistas macroeconómicos publican una nota donde califican de "poco convincente" la evidencia que liga la adopción de IA con un alza estructural de la productividad en Estados Unidos.
La contradicción no es retórica. Es el choque entre la agenda de modernización tecnológica —donde los proveedores exigen compromisos de volumen y los CTOs necesitan mostrar resultados— y la realidad macroeconómica, donde los datos sectoriales aún no reflejan el salto que la narrativa promete.
Qué está haciendo Barclays con Claude
El despliegue tiene tres patas concretas. La primera es ingeniería: la meta declarada es que el 50% de los desarrolladores use Claude Code para finales de 2026 y la mayoría en 2027, con foco en modernizar sistemas heredados y elevar calidad de código. La segunda es atención al cliente: un asistente basado en arquitectura de generación aumentada por recuperación (RAG) que desde 2025 permite a los empleados de la banca minorista en Reino Unido encontrar respuestas en segundos frente a 20 millones de clientes. La tercera es operaciones de mercados: modelos que leen, enriquecen y enrutan 120.000 emails diarios, reduciendo la carga manual y acelerando la detección de información crítica.
Todo ello bajo un marco de gobernanza que el banco describe como "robusto", con supervisión humana y controles de seguridad. Paul Smith, director comercial de Anthropic, lo resume como un estándar alto: "Muy pocas instituciones exigen a la IA un nivel tan riguroso".
Qué dicen los analistas de Barclays sobre la productividad agregada
En julio de 2026, el equipo de investigación del mismo banco envió a clientes un análisis que enumera tres hallazgos incómodos:
- A nivel sectorial en EE. UU., las industrias que adoptaron IA no muestran una aceleración de productividad superior a la previa a la adopción.
- Solo el 14% de los encuestados en una encuesta nacional reportó uso diario de IA para trabajar en el segundo trimestre de 2026.
- Empresas como Uber, Klarna y Meta han recalibrado expectativas: Uber limitó el gasto en herramientas de codificación a 1.500 dólares mensuales por empleado tras agotar su presupuesto; Klarna volvió a contratar personal de atención al cliente tras un año de congelación; Meta reconoció errores en su reorganización impulsada por IA, que incluyó despidos del 10% de la plantilla y la reasignación de 7.000 personas.
Los analistas concluyen de forma taxonómica: la evidencia de un aumento estructural en el crecimiento de la productividad sigue siendo débil.
La brecha entre despliegue y medición
El caso Barclays ilustra una tensión que trasciende a una sola entidad. Las grandes organizaciones están incrustando modelos en flujos de trabajo críticos —desarrollo, servicio, operaciones— mientras la contabilidad macro no registra el salto. Las razones son varias y ninguna es nueva: la curva de aprendizaje organizativa, el costo de la inferencia y la infraestructura, la necesidad de rediseñar procesos en lugar de solo automatizar tareas existentes, y la dificultad de aislar el efecto IA de otras variables.
David Kelly, estratega global de J.P. Morgan, fue más allá en abril de 2026: la IA podría ser "ligeramente inflacionaria a corto plazo" por la presión sobre chips, servidores y electricidad. Kevin Warsh, presidente de la Reserva Federal, había apostado por lo contrario: una ola desinflacionaria que justificaría tasas más bajas. Los datos, por ahora, no le dan la razón a ninguno.
Qué significa para la banca y la empresa latinoamericana
Para un ejecutivo en México, Colombia, Brasil o Chile, la lección no es evitar la IA. Es no confundir la intensidad del despliegue con la evidencia del retorno. Tres implicaciones prácticas:
1. Exija marcos de medición antes de escalar. Barclays mide búsquedas (1 millón), emails procesados (120.000/día) y adopción de desarrolladores (metas porcentuales). Esos son outputs. El outcome —tiempo de resolución, tasa de error, coste por ticket, velocidad de despliegue de código— debe ser el criterio de continuidad. Si su proveedor no le ayuda a definir y trackear esas métricas, está comprando esperanza, no capacidad.
2. Presupueste el costo total, no solo la licencia. El caso Uber muestra que el gasto en inferencia y herramientas de codificación puede desbordar el presupuesto anual en meses. En LatAm, donde el tipo de cambio y el costo de la nube amplifican la factura, un piloto sin guardrails financieros se convierte en pasivo. Incluya en el business case el coste de gobernanza, supervisión humana y reentrenamiento.
3. Alinee la agenda regulatoria local. La referencia de Barclays a "despliegue responsable" y "cumplimiento riguroso" anticipa lo que los reguladores financieros de la región —CNBV en México, SFC en Colombia, BCB en Brasil, CMF en Chile— empezarán a exigir: trazabilidad de decisiones algorítmicas, pruebas de sesgo, planes de contingencia y documentación de modelos. Quien integre eso desde el diseño evita rehacerlo bajo presión supervisora.
Esa paradoja de Barclays no se resuelve eligiendo un bando. Se gestiona reconociendo que la adopción empresarial avanza por inercia competitiva y presión de proveedores, mientras la validación económica llega con rezago y ruido. La pregunta para el comité directivo no es "¿usamos IA?" sino "¿qué métrica de negocio valida que este caso de uso específico justifica su coste y riesgo en los próximos 12 meses?"
