Investigación pierde 5 % de productividad al año; IA industrial la complementa

La economía global lleva décadas corriendo más rápido solo para quedarse en el mismo lugar. Un estudio seminal de Bloom, Jones, Van Reenen y Webb publicado en American Economic Review documenta que la productividad de la investigación en Estados Unidos se ha dividido por 41 desde la década de 1930, una caída promedio superior al 5% anual. En semiconductores —el motor de la ley de Moore— se necesitan hoy 18 veces más investigadores que en los setenta para lograr el mismo doblamiento de densidad de transistores. En agricultura, la productividad de los rendimientos de semillas cae cerca del 5% anual; en avances contra el cáncer y enfermedades cardíacas, ritmo similar. A nivel de firma, Compustat muestra caídas del 10% y el Census del 8%. El crecimiento se sostiene solo porque el número de investigadores crece exponencialmente, compensando el desplome de su productividad individual.

Ese es el telón de fondo sobre el que llegan dos apuestas industriales recientes. OpenAI publica "The Eternal Complement", posicionando a la IA no como sustituto sino como complemento perpetuo del trabajo humano: una capa de razonamiento que amplifica la capacidad de quien sabe formular las preguntas correctas. Dassault Systèmes, por su lado, despliega "IA industrial" sobre su plataforma 3DEXPERIENCE: gemelos virtuales de comportamiento físico entrenados con simulación multifísica realista, asistentes virtuales como LEO que configuran flujos de trabajo de simulación (MODSIM) y nube soberana (OUTSCALE) que promete que los datos del cliente nunca entrenan modelos ajenos. En ciencias de la vida, reportan reducción del 99,6% en tiempo de cálculo para predecir el rendimiento de una jeringa; en aeroespacial y automoción, ciclos de diseño acortados y menos prototipos físicos.

Frente a la ley de rendimientos decrecientes en la generación de ideas, la convergencia es clara: la industria apuesta por IA física y generativa que acelere el ciclo hipótesis-simulación-validación. Pero la ecuación cambia de signo al cruzar el ecuador.

El obstáculo latinoamericano: infraestructura, soberanía y brecha de talento

Para una empresa manufacturera en México, Brasil o Colombia, adoptar gemelos virtuales basados en IA implica tres barreras concretas. Primero, el costo computacional: aunque Dassault vende la nube como sustituto de clústeres locales, el ancho de banda y la latencia hacia centros de datos en EE. UU. o Europa encarecen la iteración rápida que la IA promete. Segundo, la soberanía del dato: sectores como defensa, energía o salud en Brasil (LGPD) o México (LFPDPPP) exigen residencia local y control de claves de cifrado; la oferta OUTSCALE tiene regiones en Europa y EE. UU., pero su huella en LatAm es limitada. Tercero, la brecha de talento: LEO y los asistentes virtuales asumen que el usuario sabe qué simular; la región forma ingenieros en simulación, pero escasean perfiles que combinen física, machine learning y conocimiento de dominio industrial.

Una apuesta asimétrica

La paradoja es que los países que más necesitan revertir la caída de productividad —donde la I+D empresarial ronda el 0,3-0,6% del PIB frente al 2-3% en la OCDE— son los que enfrentan mayor fricción para adoptar las herramientas que prometen hacerlo. Los paquetes de simulación con IA industrial se venden en dólares, con contratos anuales y soporte en inglés; el retorno de inversión se mide en ciclos de diseño acortados, pero el flujo de caja inicial excluye a pymes que concentran el empleo industrial regional.

Mientras tanto, la regulación avanza por carriles separados. Brasil discute su marco legal de IA (PL 2338/23) con enfoque de riesgo; Chile aprobó su ley de protección de datos personales; México actualiza su estrategia nacional. Ninguna contempla incentivos fiscales o fondos de coinversión para IA industrial en manufactura, a diferencia de los chips acts estadounidense o europeo.

El riesgo de una nueva dependencia

Si la IA industrial se consolida como la única vía para mantener la tasa de descubrimiento de ideas —como sugiere la trayectoria histórica que documentan Bloom y sus coautores—, América Latina corre el riesgo de convertirse en mera usuaria final de gemelos virtuales entrenados con datos y física propietarios de centros de decisión en París, Boston o San José. La nube soberana mitiga la extracción de datos, pero no resuelve la asimetría de quién define los benchmarks, los hyperparámetros y los roadmaps de la simulación.

La pregunta que queda abierta no es tecnológica, sino estratégica: ¿puede la región articular demanda agregada —consorcios universidad-empresa-estado— para negociar soberanía computacional y co-desarrollo de modelos de física informada, o seguirá comprando la productividad que sus propios investigadores ya no alcanzan a generar?