Doxa 2692

La paradoja de los productos ecológicos diseñados por inteligencia artificial:
Beneficios técnicos, costes ambientales y la brecha de percepción del consumidor

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La inteligencia artificial (IA) se presenta como una herramienta transformadora para el diseño de productos más sostenibles, capaz de optimizar materiales, reducir residuos y acelerar la evaluación de conceptos ambientales. Sin embargo, una creciente literatura revela una doble paradoja. Por un lado, la infraestructura computacional que hace posible la IA generativa impone costes ambientales significativos en términos de energía, agua y emisiones de carbono, y el efecto rebote o paradoja de Jevons puede contrarrestar las ganancias de eficiencia. Por otro, los consumidores perciben los productos diseñados por IA como menos sostenibles que productos idénticos diseñados por humanos, un sesgo impulsado por la percepción de ausencia de cuidado genuino. Esta revisión sintetiza la evidencia disponible en fuentes primarias y revisiones sistemáticas hasta 2026, caracteriza los términos de la paradoja y propone un marco integrador que distingue entre sostenibilidad técnica, sostenibilidad sistémica y sostenibilidad percibida. Se concluye que la IA puede ser un vector de sostenibilidad solo si se gobierna con métricas que internalicen su huella, se corrigen los incentivos del efecto rebote y se comunica la intencionalidad humana que orienta el diseño algorítmico.

Introducción

El diseño de productos determina una proporción sustancial del impacto ambiental a lo largo del ciclo de vida. Se estima que cerca del 80% de los impactos de sostenibilidad se define en la fase de diseño. En este contexto, la IA —y en particular la IA generativa y el diseño generativo— ha emergido como una promesa para identificar materiales más eficientes, reducir el desperdicio, optimizar el uso de recursos y generar y evaluar rápidamente nuevos conceptos de producto. La literatura técnica reporta que, cuando el diseño generativo, la optimización multiobjetivo y la manufactura inteligente operan de forma sinérgica, los fabricantes pueden alcanzar ganancias del 30% al 65% en eficiencia energética, reducción de residuos y optimización de materiales, superando ampliamente las mejoras logradas mediante esfuerzos tecnológicos aislados.

No obstante, la misma IA que promete desmaterializar la economía requiere una base material intensiva en energía y recursos. Los centros de datos que entrenan e infieren modelos de IA consumen electricidad, agua y minerales críticos, y generan residuos electrónicos. A esta tensión físico-ambiental se suma una tensión socio-cognitiva: los consumidores evalúan la sostenibilidad no solo por el desempeño ambiental objetivo, sino también por las intenciones y el cuidado que atribuyen al diseñador. Investigaciones recientes muestran que los productos descritos como diseñados por IA reciben calificaciones de sostenibilidad significativamente menores que productos idénticos atribuidos a diseñadores humanos. La confluencia de estos tres niveles —beneficio técnico, coste sistémico y penalización perceptiva— constituye lo que en esta revisión se denomina la paradoja de los productos ecológicos diseñados por IA.

Objetivos

Objetivo general: Sintetizar críticamente la evidencia científica disponible sobre la paradoja de los productos ecológicos diseñados por inteligencia artificial, integrando las dimensiones técnica, ambiental-sistémica y perceptiva del consumidor.

Objetivos específicos:

1. Caracterizar los beneficios técnicos documentados de la IA en el eco-diseño y la optimización de la sostenibilidad de productos.

2. Cuantificar y contrastar la huella ambiental de la infraestructura de IA (energía, agua, carbono y residuos electrónicos) a partir de evaluaciones de ciclo de vida y reportes técnicos oficiales.

3. Examinar el efecto rebote y la paradoja de Jevons como mecanismos que pueden anular las ganancias de eficiencia atribuidas a la IA.

4. Analizar la evidencia sobre la percepción del consumidor y la penalización de sostenibilidad de los productos diseñados por IA.

5. Identificar retos de gobernanza, métricas y comunicación para alinear la sostenibilidad técnica con la sostenibilidad percibida y sistémica.

Metas

La meta de esta revisión es proporcionar a investigadores, responsables de política y gerentes de producto un marco conceptual y empírico que permita evaluar la IA no como una solución automática de sostenibilidad, sino como una tecnología cuyo balance ambiental y social depende de decisiones de diseño institucional, de infraestructura y de comunicación. Se busca establecer puentes entre la literatura de ingeniería de producto, la economía ambiental y la psicología del consumidor, dominios que con frecuencia han analizado la IA sostenible de forma fragmentada.

Desarrollo

1. El potencial técnico: diseño generativo y optimización multiobjetivo

La evidencia sistemática sobre IA en eco-diseño ha crecido de manera sostenida. Una revisión PRISMA de 38 estudios publicados entre 2014 y 2024 encontró que la IA se aplica principalmente en las fases de diseño y fin de vida, con prácticas comunes de reciclaje, reducción de energía y desensamblaje, aunque la producción, el uso y la distribución permanecen subexplorados. La misma revisión señala que las redes neuronales y los métodos híbridos se emplean para predecir compatibilidad de materiales y emisiones, pero que la IA generativa y los grandes modelos de lenguaje aún no se han integrado plenamente en el análisis de ciclo de vida y la circularidad. En contraste, revisiones más recientes que analizan la convergencia tecnológica reportan que, cuando el diseño generativo se combina con optimización multiobjetivo y manufactura inteligente, las ganancias en eficiencia energética, reducción de residuos y optimización de materiales oscilan entre el 30% y el 65%. Un estudio de caso en componentes aeronáuticos ilustra que la IA generativa puede optimizar la geometría para eficiencia de material, mientras que el aprendizaje automático informado por la física extiende la vida útil y difiere emisiones de alcance 3 asociadas a la fabricación de reemplazo.

2. La huella ambiental de la infraestructura de IA

El beneficio técnico en el producto no puede evaluarse de forma aislada del coste ambiental del sistema que lo diseña. Las evaluaciones de ciclo de vida (LCA) de centros de datos para IA generativa muestran que los impactos se extienden mucho más allá de los servidores e incluyen la arquitectura completa: sistemas de refrigeración, distribución de energía, infraestructura de red y fases de fabricación y fin de vida. La elección del modelo —GPT-4o, LLaMA o DeepSeek— altera significativamente la huella, y la ubicación geográfica y la intensidad de carbono de la red eléctrica modulan el impacto final. Un análisis de LCA de arquitecturas de centros de datos concluye que los diseños de alta densidad y refrigeración líquida ofrecen el menor coste ambiental por eFLOP, pero que el despliegue masivo de infraestructura dedicada a IA sigue ejerciendo una presión considerable sobre los recursos.

En términos absolutos, las estimaciones son contundentes. La demanda eléctrica global de los centros de datos podría más que duplicarse, pasando de aproximadamente 460 TWh en 2022 a 1000 TWh en 2026. Para 2024, se estimó que entre el 15% y el 20% del consumo eléctrico global de los centros de datos se atribuía a cargas de trabajo de IA, y se proyectó que los sistemas de IA podrían requerir hasta 23 GW de potencia eléctrica en 2025, comparable al consumo eléctrico medio del Reino Unido. La huella de carbono de los sistemas de IA por sí sola podría situarse entre 32,6 y 79,7 millones de toneladas de CO₂ en 2025, un rango similar al de la ciudad de Nueva York. La huella hídrica asociada —incluyendo el agua consumida directa e indirectamente para refrigeración y generación eléctrica— podría alcanzar entre 312,5 y 764,6 mil millones de litros en 2025, un volumen comparable al consumo global anual de agua embotellada. La intensidad hídrica de las redes eléctricas que alimentan los centros de datos varía enormemente, entre 0,68 y 11,98 L/kWh, lo que introduce una incertidumbre significativa en las estimaciones.

3. El efecto rebote y la paradoja de Jevons

El argumento de que la IA “desmaterializa” o “eficientiza” la economía descansa en una premisa que la economía ambiental ha cuestionado desde el siglo XIX: que las mejoras de eficiencia reducen el consumo total del recurso. La paradoja de Jevons establece que, cuando una tecnología se vuelve más eficiente y barata de usar, el consumo total de ese recurso tiende a aumentar, no a disminuir. Aplicada a la IA, la literatura identifica un efecto rebote robusto: las ganancias de eficiencia por tarea reducen el coste marginal de la computación, lo que estimula un mayor despliegue de modelos, entrenamientos más grandes y una expansión del alcance de las aplicaciones, compensando parcial o totalmente los ahorros absolutos de carbono. Un análisis de 2025 argumenta que el problema de Jevons aplica a la IA de manera especialmente intensa porque la eficiencia no es un fin en sí mismo, sino un incentivo para escalar. La implicación es directa: una estrategia de sostenibilidad basada exclusivamente en mejorar la eficiencia algorítmica —sin límites al crecimiento de la demanda ni internalización de costes— no es suficiente para reducir el impacto ambiental absoluto del sector.

4. La penalización de sostenibilidad en la percepción del consumidor

La paradoja adquiere una dimensión adicional cuando el producto ecológico llega al mercado. Una serie de 12 estudios, que incluyó experimentos prerregistrados, entrevistas con ejecutivos de diseño de producto, decisiones reales de consumidores y un experimento de campo, encontró que los consumidores califican sistemáticamente los productos descritos como diseñados por IA como menos sostenibles que productos idénticos atribuidos a diseñadores humanos. En un experimento de elección entre cepillos de dientes idénticos, solo el 23,6% eligió la opción “diseñada por IA” cuando se le pidió priorizar la sostenibilidad, frente al 76,4% que eligió la “diseñada por humanos”. En un experimento de campo con una campaña publicitaria A/B para un vaso reutilizable, la versión etiquetada como “diseñada por IA” generó tasas de clics significativamente menores.

El mecanismo psicológico identificado es la percepción de cuidado genuino. Los consumidores asocian la sostenibilidad con valores humanos —cuidado, preocupación, intención— y perciben que la IA, aunque eficiente y técnicamente competente, carece de esa dimensión emocional. Un ejecutivo entrevistado lo expresó con claridad: “La sostenibilidad se siente muy humana… ¿Por qué le importaría a una IA que un producto sea sostenible como le importaría a un humano? La IA no tiene hijos que van a caminar por la tierra dentro de cien años”. La investigación también muestra que la transparencia técnica —informar que la IA evaluó 10.000 configuraciones o redujo el material en un 18%— no elimina la penalización, porque la transparencia técnica no equivale a evidencia de intención humana sostenible. Sin embargo, la penalización no es inevitable: cuando se comunica explícitamente que el diseño fue guiado por objetivos de cuidado ambiental y social, la brecha se reduce significativamente.

5. Hacia una síntesis: tres capas de sostenibilidad

La evidencia revisada permite distinguir tres capas analíticamente distintas pero interconectadas. La sostenibilidad técnica se refiere al desempeño ambiental del producto a lo largo de su ciclo de vida y es la dimensión que la IA puede mejorar de manera más directa mediante optimización de materiales, reducción de residuos y diseño para la circularidad. La sostenibilidad sistémica incorpora la huella de la infraestructura que hace posible esa optimización —energía, agua, carbono y residuos electrónicos— y está sujeta al efecto rebote. La sostenibilidad percibida es la evaluación que el consumidor hace a partir de señales sobre la intención y el cuidado que subyacen al producto. La paradoja de los productos ecológicos diseñados por IA surge precisamente de la desalineación entre estas tres capas: un producto puede ser técnicamente más sostenible, sistémicamente costoso y percibido como menos sostenible. La gestión de esta paradoja exige métricas que integren las tres dimensiones, como el Sustainable AI Quotient (SAIQ), que mide la eficiencia con la que los sistemas de IA convierten dinero, energía, agua y emisiones en rendimiento cuantificable, o indicadores como el Design Simulation Energy Intensity (DSEI) propuesto para evaluar la relación entre el esfuerzo computacional de diseño y el beneficio ambiental neto.

Conclusiones

La literatura científica disponible hasta 2026 permite sostener que la IA no es intrínsecamente sostenible ni intrínsecamente insostenible: su balance ambiental y social depende de decisiones de infraestructura, de gobernanza y de comunicación. Los beneficios técnicos en eco-diseño son reales y cuantificables —con ganancias reportadas de 30% a 65% en eficiencia y optimización cuando las tecnologías convergen—, pero no pueden evaluarse sin descontar la huella energética e hídrica de los centros de datos que los hacen posibles, ni sin considerar el efecto rebote que puede anular los ahorros absolutos. La penalización de sostenibilidad que los consumidores aplican a los productos diseñados por IA añade una capa de complejidad que la literatura de ingeniería ha tendido a ignorar: la sostenibilidad percibida no es un epifenómeno de la sostenibilidad técnica, sino una variable con consecuencias comerciales y de adopción. La conclusión central es que la paradoja no se resuelve optimizando una sola capa, sino alineando las tres: internalizando la huella sistémica en las métricas de diseño, corrigiendo los incentivos del efecto rebote mediante políticas de demanda y precios, y comunicando la intencionalidad humana que orienta —y debe orientar— el diseño algorítmico.

Retos

Reto 1: Transparencia y trazabilidad de la huella de IA. La falta de distinción entre cargas de trabajo de IA y no-IA en los reportes ambientales de los operadores de centros de datos, así como la divulgación insuficiente de métricas como el consumo indirecto de agua, dificulta la evaluación rigurosa del impacto. Se requieren estándares de reporte obligatorios y auditables.

Reto 2: Gobernanza del efecto rebote. Sin límites al crecimiento de la demanda ni mecanismos de precio que internalicen los costes ambientales, la eficiencia algorítmica puede traducirse en mayor consumo total. La gobernanza debe combinar eficiencia técnica con políticas de suficiencia y responsabilidad extendida del productor digital.

Reto 3: Integración de la IA generativa en el análisis de ciclo de vida. A pesar del potencial, la IA generativa y los grandes modelos de lenguaje aún no se han incorporado plenamente en las evaluaciones de ciclo de vida y en los marcos de economía circular, y los estudios existentes se concentran en electrónica y electrodomésticos, con escasa aplicación en automoción, aviación, marítimo y salud.

Reto 4: Comunicación de la intencionalidad humana. La penalización de sostenibilidad de los productos diseñados por IA no se corrige solo con transparencia técnica. Las empresas deben comunicar para qué y por qué se optimizó, haciendo visibles los valores humanos embebidos en las funciones objetivo del sistema, y evitando presentar la IA como sustituto del cuidado humano.

Reto 5: Métricas integradoras. El desarrollo de indicadores como el SAIQ o el DSEI es un avance, pero su validación empírica y su adopción generalizada requieren datos comparables, marcos metodológicos consensuados y una gobernanza que impida su uso como herramienta de greenwashing.

Reto 6: Justicia ambiental y distribución de cargas. La huella hídrica y energética de la IA no se distribuye de manera uniforme: las comunidades locales donde se ubican los centros de datos asumen costes ambientales que no necesariamente se reflejan en los beneficios del producto final. La literatura sobre la paradoja de la sostenibilidad de la IA debe incorporar explícitamente dimensiones de equidad y justicia ambiental.

Referencias

Ashkbous, M., Ghorbani, E., & Keivanpour, S. (2026). Artificial intelligence for eco-design: A systematic review. Advanced Engineering Informatics, 69(Part C), 103989. https://doi.org/10.1016/j.aei.2025.103989

Berthelot, A., et al. (2024). Estimating the environmental impact of Generative-AI services using an LCA-based methodology. Procedia CIRP, 1–10. (CIRP LCE 2024 – 31st Conference on Life Cycle Engineering).

Biswas, D., & Duffek, B. (2026). AI and human designers: How consumers see the genuine care in product design as more sustainable. Journal of the Academy of Marketing Science. https://doi.org/10.1007/s11747-026-01170-4

De Vries-Gao, A. (2025). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns. Lawrence Berkeley National Laboratory. https://doi.org/10.1016/j.patter.2025.100278

European Commission. (2019). Regulation (EU) 2019/424 laying down ecodesign requirements for servers and data storage products. Official Journal of the European Union.

Falahat, M., et al. (2026). Generative AI for sustainable product design: A technology convergence framework integrating multi-objective optimisation and smart manufacturing. IET Collaborative Intelligent Manufacturing. https://doi.org/10.1049/cim2.12089

Lawrence Berkeley National Laboratory. (2024). 2024 United States Data Center Energy Usage Report. https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report_1.pdf

Luccioni, A. S., Strubell, E., & Crawford, K. (2025). From efficiency gains to rebound effects: The problem of Jevons' paradox in AI's polarized environmental debate. Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency. https://doi.org/10.1145/3715275.3732043

Mhlanga, D. (2025). The green paradox: The climate, environmental, and sustainability implications of artificial intelligence. Sustainability Solutions. https://doi.org/10.1016/j.susol.2025.100017

Srinivasan, K., G.V.V., R., Vaderahobli, D., Bhate, U., et al. (2026). AI-led sustainability strategy: Driving product value from birth to disposal. SAE Technical Paper 2026-26-0781. https://doi.org/10.4271/2026-26-0781

University of South Florida. (2026, 30 de julio). Consumers perceive AI-designed products as less sustainable than human-designed alternatives [Comunicado de prensa]. EurekAlert! https://www.eurekalert.org/news-releases/1138153

Harvard Business Review. (2026, 11 de noviembre). The paradox of AI-designed green products. Harvard Business Review. https://hbr.org/2026/11/the-paradox-of-ai-designed-green-products

Accenture. (2026). Powering sustainable AI: The Sustainable AI Quotient (SAIQ). Accenture Research.

Doxa 2691

Los costes ocultos de delegar en la inteligencia artificial:
Una revisión integradora de la evidencia científica (2019–2025)

Por: Oscar Hernando Benavides Paz, MBA

Investigación en gestión de la tecnología y economía de la inteligencia artificial

Resumen. La narrativa dominante sobre la inteligencia artificial (IA) enfatiza ganancias de velocidad y reducción de costes de ejecución. Sin embargo, la evidencia científica acumulada entre 2019 y 2025 muestra que delegar trabajo en sistemas de IA genera costes que no aparecen en las métricas convencionales de productividad. Esta revisión integradora sintetiza hallazgos de estudios publicados en revistas indexadas y informes técnicos oficiales para identificar y clasificar los costes ocultos de la delegación en IA. Se identifican seis dimensiones interrelacionadas: costes cognitivos (offloading, fatiga y erosión del pensamiento crítico), costes organizativos (verificación, coordinación, accountability y lock-in), costes económicos (deuda técnica, paradoja de productividad y dependencia de proveedores), costes laborales y sociales (trabajo fantasma, precariedad y desigualdad), costes ambientales (huella energética, hídrica y de carbono) y costes de gobernanza (shadow AI, sesgo de automatización y asimetría de evaluación). Los resultados sugieren que el coste total de delegación —ejecución más todo lo que la rodea— supera sistemáticamente las estimaciones a nivel de tarea. Se concluye que la adopción responsable de IA exige marcos de contabilidad organizacional que internalicen estos costes y políticas de gobernanza que preserven la agencia humana, la verificabilidad y la sostenibilidad.

Palabras clave: costes ocultos; delegación algorítmica; offloading cognitivo; trabajo fantasma; huella ambiental de la IA; gobernanza de IA; productividad; revisión de literatura.

1. Introducción

La inteligencia artificial se ha consolidado como una tecnología de propósito general con capacidad para reconfigurar procesos productivos, prácticas profesionales y estructuras organizativas. Los informes de adopción empresarial indican que una mayoría sustancial de organizaciones utiliza herramientas de IA generativa de forma regular, aunque solo una fracción reducida reporta impacto medible en resultados económicos a escala organizacional. Esta disociación entre adopción y valor efectivo constituye el punto de partida de la presente revisión: la aceleración de tareas individuales no se traduce automáticamente en mejoras equivalentes para la organización, porque delegar trabajo en un sistema de IA crea costes que van más allá de la ejecución.

La literatura científica ha documentado de manera creciente que la delegación en IA no es un acto neutral de sustitución tecnológica. Implica transferir funciones cognitivas, decisiones y responsabilidades a sistemas cuyos mecanismos internos son opacos para el usuario y cuyas consecuencias se distribuyen de forma asimétrica entre actores. Chen, Amrollahi y Yue (2025), en una revisión sistemática de configuraciones de colaboración humano-IA, identifican tres paradojas emergentes: la paradoja del sobrecoste —sistemas diseñados para reducir la carga cognitiva que, sin embargo, la aumentan mediante exigencias de transparencia e interpretabilidad—, la asimetría de evaluación —sistemas presentados como bidireccionales en los que la evaluación fluye exclusivamente del humano a la máquina— y la accountability fantasma —configuraciones delegativas en las que los humanos conservan responsabilidad formal sobre decisiones algorítmicas que no comprenden ni controlan—. Estas paradojas no son anomalías transitorias, sino propiedades estructurales de la colaboración humano-IA que deben incorporarse al análisis económico y organizativo.

La presente revisión parte de una premisa metodológica: el coste relevante no es el coste de ejecución de una tarea aislada, sino el coste total de delegación, que incluye la especificación del trabajo, la verificación del resultado, la coordinación con otros actores, la asunción de responsabilidad, el aprendizaje organizativo y las externalidades sociales y ambientales asociadas. Este enfoque permite integrar hallazgos dispersos en psicología cognitiva, estudios organizacionales, economía de la innovación, sociología del trabajo y ciencias ambientales en un marco comprehensivo.

La revisión se justifica por tres razones. Primera, la evidencia empírica sobre los efectos de la IA es fragmentaria y con frecuencia se limita a métricas de productividad a corto plazo. Segunda, los costes ocultos tienden a distribuirse en el tiempo y entre actores, lo que dificulta su detección mediante indicadores convencionales. Tercera, la formulación de políticas de adopción responsable requiere identificar no solo los beneficios potenciales, sino también los mecanismos concretos mediante los cuales la delegación en IA puede erosionar capacidades humanas, ampliar desigualdades o generar riesgos sistémicos.

2. Objetivos

Objetivo general. Sintetizar y clasificar la evidencia científica disponible entre 2019 y 2025 sobre los costes ocultos asociados a la delegación de tareas y decisiones en sistemas de inteligencia artificial, con el fin de construir un marco integrador que permita a investigadores y responsables de política evaluar el coste total de delegación más allá de las métricas de eficiencia inmediata.

Objetivos específicos.

• Identificar las dimensiones cognitivas, organizativas, económicas, laborales, ambientales y de gobernanza de los costes ocultos de la delegación en IA.
• Analizar los mecanismos causales que explican por qué la aceleración de tareas individuales no se traduce en mejoras equivalentes a nivel organizacional.
• Examinar las paradojas estructurales de la colaboración humano-IA documentadas en la literatura científica reciente.
• Evaluar la calidad y consistencia de la evidencia disponible, señalando vacíos y limitaciones metodológicas.
• Proponer un marco conceptual de coste total de delegación que integre las dimensiones identificadas y oriente futuras investigaciones y prácticas de gobernanza.

3. Metas

La revisión se plantea las siguientes metas operativas, concebidas como resultados verificables del proceso de síntesis:

• Meta 1: Delimitar un corpus de evidencia primaria y secundaria publicada entre 2019 y 2025 en fuentes indexadas y organismos técnicos oficiales, priorizando estudios empíricos y revisiones sistemáticas sobre IA y trabajo, cognición, organización y medio ambiente.
• Meta 2: Construir una taxonomía de costes ocultos que distinga entre costes internos a la organización, costes externalizados hacia trabajadores y comunidades, y costes diferidos en el tiempo.
• Meta 3: Contrastar la hipótesis de la paradoja de productividad de la IA, según la cual las ganancias a nivel de tarea no se propagan proporcionalmente al nivel organizacional.
• Meta 4: Identificar mecanismos de mitigación documentados y áreas prioritarias de investigación futura.
• Meta 5: Producir un marco de referencia utilizable en la evaluación ex ante y ex post de proyectos de delegación en IA.

4. Desarrollo

4.1. Marco conceptual: de la sustitución de tareas a la delegación sociotécnica

La literatura temprana sobre automatización tendía a conceptualizar la IA como un conjunto de tecnologías de sustitución de tareas. Sin embargo, la evidencia reciente sugiere que la categoría analítica más adecuada es la de delegación, entendida como la transferencia de una actividad a un agente —humano o artificial— que actúa en nombre de otro y cuyos resultados deben ser especificados, verificados y asumidos por quien delega. Chen et al. (2025) distinguen tres configuraciones de colaboración: co-adaptativa, aumentativa y delegativa. En la configuración delegativa, el humano conserva la responsabilidad formal pero pierde control efectivo sobre el proceso, lo que genera lo que los autores denominan "accountability fantasma". Esta distinción es crucial porque el coste de delegación no depende únicamente de la capacidad técnica del sistema, sino de la estructura de responsabilidad y de los mecanismos de evaluación disponibles.

El marco de delegación permite integrar hallazgos que de otro modo aparecerían desconectados. La psicología cognitiva aporta evidencia sobre los efectos del offloading en la memoria de trabajo y el pensamiento crítico. La sociología del trabajo documenta la reorganización de tareas, la pérdida de autonomía y la emergencia de formas de trabajo invisibilizado. La economía de la innovación explica los costes de transacción, la dependencia tecnológica y la deuda técnica. Las ciencias ambientales cuantifican las externalidades energéticas e hídricas. La teoría política y del derecho contribuye al análisis de la accountability y la legitimidad. La presente revisión sostiene que estos niveles de análisis son interdependentes y que ignorar cualquiera de ellos conduce a una subestimación sistemática del coste real de la IA.

4.2. Costes cognitivos: offloading, fatiga y erosión de la agencia epistémica

El concepto de offloading cognitivo designa el uso de herramientas externas para almacenar o procesar información con el fin de conservar recursos cognitivos internos. Aunque puede ser adaptativo en determinadas circunstancias, la evidencia empírica reciente indica que la dependencia habitual de sistemas de IA se asocia con una reducción de la actividad reflexiva y analítica. Tian y Zhang (2025), en un estudio con 580 estudiantes universitarios, encontraron que una mayor dependencia de la IA se asociaba con niveles más bajos de pensamiento crítico, con la fatiga cognitiva como mediadora parcial de esta relación. El estudio también reveló que la alfabetización informacional amortigua el impacto negativo de la dependencia, pero puede amplificar la fatiga cognitiva cuando la confianza en la IA es elevada, lo que sugiere un papel dual de las competencias digitales.

Estos hallazgos son consistentes con la teoría de la carga cognitiva y con la investigación sobre inercia cognitiva. La externalización repetida de procesos de inferencia, síntesis y evaluación reduce la demanda cognitiva inmediata, pero puede impedir el desarrollo y el mantenimiento de las capacidades de orden superior necesarias para detectar errores, evaluar la plausibilidad de los resultados y adaptarse a situaciones novedosas. En contextos profesionales, este fenómeno se traduce en lo que la literatura denomina des-skilling o erosión de la experiencia: los profesionales que delegan sistemáticamente tareas complejas pueden perder gradualmente la capacidad de realizarlas de forma autónoma, lo que incrementa la dependencia de la tecnología y reduce la resiliencia organizacional.

La dimensión epistémica del coste cognitivo es particularmente relevante. La delegación en IA no solo transfiere la ejecución de una tarea, sino también la autoridad epistémica para determinar qué cuenta como respuesta válida. Cuando los usuarios aceptan los resultados sin verificación independiente, se produce un desplazamiento de la carga de la prueba: la IA se convierte en el punto de referencia por defecto y la verificación humana se vuelve reactiva, limitada a confirmar la plausibilidad superficial del output. Este desplazamiento incrementa la vulnerabilidad a errores sistemáticos y reduce la capacidad colectiva de generar conocimiento validado de forma independiente.

4.3. Costes organizativos: verificación, coordinación y accountability

Uno de los hallazgos más robustos de la literatura reciente es que la aceleración de la ejecución de tareas desplaza los cuellos de botella hacia actividades de verificación, revisión y coordinación. El análisis de la implantación de IA en la preparación de declaraciones fiscales en cuatro firmas contables durante la temporada 2025–2026 ilustra este fenómeno: aunque la IA redujo el tiempo de preparación en aproximadamente un tercio y aumentó el rendimiento en torno al 50%, los revisores seguían necesitando determinar si el trabajo era correcto y comprender cómo el sistema había llegado a su output, especialmente en casos límite. En algunos casos, el tiempo de revisión apenas disminuyó, y la ganancia de productividad se tradujo en un desplazamiento del cuello de botella más que en su eliminación.

La verificación de resultados generados por IA presenta dificultades específicas. Los errores humanos suelen ser idiosincrásicos, mientras que los errores de la IA tienden a repetirse en torno a tipos de documentos o casos límite concretos, lo que puede facilitar la revisión una vez identificados los patrones, pero también puede generar puntos ciegos sistemáticos si los revisores no disponen de información sobre el proceso de generación. La trazabilidad y la explicabilidad se convierten, por tanto, en condiciones necesarias para reducir el coste de verificación, pero su implementación añade a su vez costes de diseño, documentación y mantenimiento.

La coordinación constituye otra dimensión crítica. Los informes sectoriales de 2025 indican que una mayoría de trabajadores percibe que la IA genera más trabajo de coordinación entre miembros del equipo, y esta percepción se intensifica entre los trabajadores de alta productividad. La razón es estructural: cuando la IA acelera la producción en una etapa del flujo de trabajo, las etapas posteriores deben absorber un volumen mayor de inputs, y la coordinación entre actores humanos y sistemas automatizados requiere mecanismos de sincronización, definición de interfaces y resolución de ambigüedades que no siempre están previstos. El resultado es una "taxa de orquestación" que recae sobre los trabajadores y que rara vez se contabiliza en los estudios de retorno de la inversión.

La accountability representa el coste de explicar el trabajo a otros y asumir las consecuencias en caso de error. La delegación en IA no reduce este coste, sino que lo transforma. En la configuración delegativa, el humano conserva la responsabilidad formal sobre decisiones que no comprende completamente, lo que genera una asimetría entre responsabilidad y control. Esta asimetría se agrava en contextos regulados, donde los marcos normativos exigen supervisión humana efectiva pero no proporcionan criterios claros para evaluar si esa supervisión es genuina o meramente formal. La accountability fantasma no es solo un problema ético: es un coste operativo que se materializa en seguros, auditorías, litigios y pérdida de confianza institucional.

4.4. Costes económicos: lock-in, deuda técnica y paradoja de productividad

La dependencia de proveedores de IA —vendor lock-in— constituye uno de los riesgos económicos más subestimados de la adopción empresarial. Los análisis de implementaciones empresariales sugieren que los costes de cambio de plataforma pueden situarse entre 2,3 y 5,7 veces el coste de implementación original, especialmente cuando las arquitecturas técnicas, los espacios de embeddings propietarios y los flujos de trabajo se han adaptado a un proveedor específico. Estos costes no se limitan a la migración técnica: incluyen la reconfiguración de procesos, la recapacitación del personal, la pérdida de integraciones y el tiempo de inactividad durante la transición.

La deuda técnica asociada a la IA agrava este problema. Gartner (2025) proyecta que, para 2030, la mitad de las empresas enfrentará retrasos en actualizaciones y costes crecientes de mantenimiento debido a deuda técnica de IA generativa no gestionada. La rápida adopción de herramientas generativas sin marcos de gobernanza adecuados produce artefactos difíciles de mantener, documentar y reemplazar, lo que incrementa el coste total de propiedad a lo largo del ciclo de vida. La deuda técnica no es un fenómeno puramente técnico: refleja decisiones organizativas de corto plazo que externalizan costes hacia el futuro.

La paradoja de productividad de la IA se manifiesta en la disociación entre ganancias a nivel de tarea y resultados a nivel organizacional. Un estudio del MIT de 2025 sobre 300 pilotos de IA en grandes organizaciones encontró que solo el 5% producía valor medible. Otras estimaciones sugieren que, aunque el 88% de las organizaciones utiliza IA de forma regular, solo el 39% reporta impacto en el EBIT a nivel empresarial. Estas cifras no implican que la IA sea improductiva, sino que las ganancias de eficiencia en tareas aisladas se absorben en costes de coordinación, verificación, integración y reorganización que no se contabilizan en las evaluaciones convencionales. La paradoja es, en gran medida, un artefacto de medición: lo que no se mide no se gestiona, y lo que no se gestiona se convierte en coste oculto.

4.5. Costes laborales y sociales: trabajo fantasma, precariedad y desigualdad

La narrativa de la automatización autónoma oculta una realidad material: los sistemas de IA dependen de redes distribuidas de trabajadores humanos que realizan tareas de anotación de datos, moderación de contenido, verificación de resultados y corrección de errores en condiciones de precariedad. Nemer y Sobral (2025) analizan este fenómeno bajo el concepto de heteromation y demuestran que los sistemas de IA operan como ensamblajes sociotécnicos en los que el trabajo humano fragmentado, invisible y mal remunerado sostiene la apariencia de inteligencia maquínica. Plataformas como Amazon Mechanical Turk y Appen organizan y oscurecen esta labor mediante gestión algorítmica y borrado cultural, extrayendo valor de trabajadores que carecen de visibilidad y protección social.

El coste humano de este trabajo invisible incluye salarios explotadores, ausencia de beneficios sociales, terminación arbitraria y consecuencias graves para la salud mental. Los trabajadores expuestos a contenido violento o gráfico durante tareas de moderación y etiquetado presentan tasas elevadas de estrés postraumático, ansiedad y consumo de sustancias, sin acceso adecuado a apoyo psicológico. Estas externalidades no aparecen en los estados financieros de las empresas que despliegan IA, pero constituyen un coste social real que recae sobre trabajadores y comunidades, con frecuencia en el Sur Global.

La dimensión de desigualdad es igualmente significativa. Los informes de Naciones Unidas de 2025 advierten que la IA podría ampliar la brecha entre países ricos y pobres, así como entre grupos sociales dentro de cada país, debido a diferencias en infraestructura, habilidades, capacidad de cómputo y gobernanza. La concentración de capacidades de IA en unas pocas empresas y países limita la capacidad de los actores periféricos para participar en la creación de valor y los expone a dependencias tecnológicas estructurales. La desigualdad no es un efecto secundario inevitable, sino el resultado de decisiones de diseño, inversión y gobernanza que distribuyen de forma asimétrica los beneficios y los costes.

4.6. Costes ambientales: la huella material de la inteligencia artificial

La IA es una tecnología intensiva en recursos. Los centros de datos que soportan los modelos de gran escala consumen cantidades crecientes de electricidad y agua, y dependen de hardware cuya fabricación implica extracción de minerales y generación de residuos electrónicos. de Vries-Gao (2025) estima que la huella de carbono de los sistemas de IA podría situarse entre 32,6 y 79,7 millones de toneladas de CO₂ en 2025, mientras que la huella hídrica podría alcanzar entre 312,5 y 764,6 mil millones de litros. Estas cifras equivalen, en orden de magnitud, a las emisiones de una ciudad como Nueva York y al consumo anual global de agua embotellada.

La falta de transparencia de los operadores de centros de datos dificulta la atribución precisa de estos impactos a cargas de trabajo de IA específicas. La mayoría de los informes ambientales corporativos no distinguen entre cargas de IA y no-IA, lo que obliga a los investigadores a aproximar el impacto mediante métricas generales de rendimiento de los centros de datos. Esta opacidad no es un problema meramente metodológico: impide la rendición de cuentas y dificulta el diseño de políticas de mitigación. La urgencia de transparencia es creciente, dado que la demanda de electricidad de los centros de datos podría más que duplicarse para 2030.

Los costes ambientales de la IA no se distribuyen de forma equitativa. Las comunidades locales donde se instalan centros de datos enfrentan presiones sobre recursos hídricos y energéticos, así como impactos en el uso del suelo y la biodiversidad. Estos costes recaen con frecuencia sobre poblaciones que no participan de los beneficios de la IA, lo que plantea cuestiones de justicia ambiental que la literatura científica apenas comienza a abordar de forma sistemática.

4.7. Costes de gobernanza: shadow AI, sesgo de automatización y asimetría de evaluación

La adopción no autorizada de herramientas de IA —shadow AI— constituye un riesgo de gobernanza con costes económicos y de seguridad cuantificables. Gartner (2025) encontró que el 69% de las organizaciones sospecha o tiene evidencia de que sus empleados utilizan herramientas de IA generativa públicas prohibidas, y predice que para 2030 más del 40% de las empresas experimentará incidentes de seguridad o cumplimiento vinculados a shadow AI. Los informes de costes de brechas de datos indican que los incidentes que involucran shadow AI tienen un coste promedio significativamente mayor que las brechas convencionales, con estimaciones que oscilan entre 308.000 y 670.000 dólares adicionales por incidente.

El sesgo de automatización —la tendencia humana a confiar excesivamente en los outputs de los sistemas automatizados— agrava estos riesgos. La literatura sobre decisiones asistidas por IA muestra que los usuarios pueden desactivar su juicio crítico, sentirse menos responsables y aceptar recomendaciones algorítmicas incluso cuando contradicen su experiencia o la evidencia disponible. Este fenómeno no se corrige simplemente añadiendo requisitos de accountability: un estudio experimental encontró que los requisitos de rendición de cuentas aumentaron el tiempo de deliberación pero no redujeron la dependencia excesiva de la IA ni mejoraron la alineación con el juicio experto.

La asimetría de evaluación identificada por Chen et al. (2025) complementa este diagnóstico: en muchos sistemas presentados como colaborativos, la evaluación fluye exclusivamente del humano a la máquina, sin que existan mecanismos equivalentes para que el sistema evalúe la calidad del juicio humano o para que los usuarios reciban retroalimentación sobre sus propios sesgos. Esta asimetría impide el aprendizaje mutuo y refuerza relaciones de dependencia en las que el humano pierde progresivamente capacidad de agencia epistémica. La gobernanza efectiva de la IA requiere, por tanto, no solo controles técnicos, sino también diseños institucionales que preserven la simetría evaluativa y la capacidad de los usuarios para cuestionar y corregir los sistemas.

4.8. Paradojas emergentes y límites de los modelos de colaboración humano-IA

La evidencia revisada permite identificar un conjunto de paradojas que cuestionan los supuestos dominantes sobre la colaboración humano-IA. La primera es la paradoja del sobrecoste cognitivo: los sistemas diseñados para reducir la carga de trabajo pueden incrementarla al exigir transparencia, interpretabilidad y verificación constante. La segunda es la asimetría de evaluación: la retórica del aprendizaje mutuo no se corresponde con arquitecturas que evalúan al humano pero no son evaluadas por él de forma significativa. La tercera es la accountability fantasma: la responsabilidad formal se conserva en el humano mientras el control efectivo se desplaza hacia el sistema.

A estas paradojas se añade la homogeneización creativa. Los estudios sobre el efecto de los modelos de lenguaje de gran escala en la diversidad creativa sugieren que, aunque la IA puede aumentar la creatividad individual en el corto plazo, el uso generalizado de los mismos modelos tiende a reducir la diversidad colectiva de ideas y a promover la convergencia estilística. Moon, Green y Kushlev (2025) encontraron que cada ensayo escrito por humanos contribuye con más ideas nuevas que un ensayo generado por GPT, lo que sugiere que la dependencia de la IA puede empobrecer el pool colectivo de innovación. Esta homogeneización no es un fallo técnico, sino una consecuencia estructural de la optimización para la plausibilidad estadística y la conformidad con patrones dominantes.

Finalmente, la paradoja de la productividad organizacional sintetiza estas tensiones: la IA acelera la ejecución pero desplaza los cuellos de botella hacia la verificación, la coordinación y la accountability, de modo que el beneficio neto a nivel organizacional puede ser sustancialmente menor que el beneficio a nivel de tarea. La implicación no es que la IA carezca de valor, sino que su valor debe evaluarse con métricas que capturen el coste total de delegación y no únicamente la eficiencia de ejecución.

5. Conclusiones

La evidencia científica revisada permite sostener cuatro conclusiones principales. Primera, los costes ocultos de delegar en IA son multidimensionales y sistémicos: no se limitan a fallos técnicos o a resistencias culturales, sino que emergen de la interacción entre arquitecturas tecnológicas, estructuras organizativas, incentivos económicos y marcos institucionales. Ignorar cualquiera de estas dimensiones conduce a una subestimación sistemática del coste real y a una sobreestimación del valor esperado.

Segunda, la paradoja de productividad de la IA es en gran medida un problema de contabilidad organizacional. Las métricas convencionales capturan la aceleración de tareas pero no los costes de verificación, coordinación, accountability, lock-in, deuda técnica y externalidades sociales y ambientales. La adopción de un marco de coste total de delegación —que incluya estos componentes— permitiría a las organizaciones tomar decisiones más informadas y evitar la trampa de optimizar para indicadores parciales.

Tercera, los costes cognitivos y laborales no son efectos secundarios inevitables, sino consecuencias de decisiones de diseño y gobernanza. La evidencia sobre offloading cognitivo, des-skilling y trabajo fantasma muestra que la delegación en IA puede erosionar capacidades humanas y reproducir formas de explotación cuando no se acompaña de salvaguardas institucionales. La mitigación requiere políticas de alfabetización crítica, diseños que preserven la agencia epistémica y marcos laborales que protejan a los trabajadores invisibles de la cadena de valor de la IA.

Cuarta, la sostenibilidad ambiental de la IA es un coste presente, no futuro. Las estimaciones de huella de carbono e hídrica para 2025 indican que la escala del impacto ya es significativa y que la falta de transparencia de los operadores impide una gestión responsable. La internalización de estos costes mediante regulación, estándares de divulgación y mecanismos de precio del carbono es una condición necesaria para que la IA contribuya a un desarrollo sostenible en lugar de socavarlo.

6. Retos

La agenda de investigación y gobernanza derivada de esta revisión enfrenta varios retos prioritarios.

Reto 1: Medición del coste total de delegación. Es necesario desarrollar metodologías robustas para cuantificar los costes de verificación, coordinación, accountability y lock-in a lo largo del ciclo de vida de los proyectos de IA. Sin instrumentos de medición validados, la comparación entre alternativas tecnológicas y organizativas seguirá sesgada hacia métricas de eficiencia inmediata.

Reto 2: Transparencia y trazabilidad. La reducción del coste de verificación requiere sistemas que hagan explícitos sus procesos de generación, sus fuentes y sus niveles de confianza. La trazabilidad no es solo un requisito técnico, sino una condición para la accountability democrática y para la confianza pública en los sistemas de IA.

Reto 3: Preservación de la agencia humana y la diversidad cognitiva. El diseño de sistemas de IA debe orientarse a ampliar las capacidades humanas, no a sustituirlas de forma que se erosionen las competencias necesarias para ejercer un juicio independiente. Esto implica invertir en formación crítica, diseñar interfaces que fomenten la verificación activa y evitar arquitecturas que promuevan la aceptación pasiva de outputs.

Reto 4: Gobernanza de la cadena de valor global. La invisibilidad del trabajo de anotación y moderación, junto con la concentración de capacidades de IA en pocas empresas, plantea desafíos de justicia global que no pueden resolverse únicamente con iniciativas voluntarias. Se requieren marcos vinculantes de derechos humanos, salarios dignos, protección social y condiciones de trabajo seguras a lo largo de toda la cadena de valor.

Reto 5: Sostenibilidad ambiental y divulgación obligatoria. La falta de datos desagregados sobre el consumo energético e hídrico de las cargas de trabajo de IA impide una gestión ambiental responsable. La divulgación obligatoria de métricas ambientales específicas para IA, junto con estándares de eficiencia y mecanismos de compensación, es un paso necesario para internalizar las externalidades ambientales.

Reto 6: Coherencia regulatoria y accountability efectiva. Los marcos regulatorios emergentes, como el Reglamento de IA de la Unión Europea, exigen supervisión humana, pero no especifican cómo garantizar que esa supervisión sea genuina y no meramente formal. Es necesario desarrollar estándares de auditoría, certificación y evaluación de impacto que permitan verificar la calidad de la supervisión humana y la distribución de responsabilidades.

En síntesis, la delegación en IA no es una elección binaria entre adopción y rechazo, sino un proceso de diseño sociotécnico que debe gestionarse con atención explícita a los costes que se distribuyen de forma invisible. La evidencia revisada ofrece una base sólida para avanzar hacia prácticas de adopción más responsables, pero también revela vacíos significativos que la investigación futura debe abordar con rigor metodológico y perspectiva interdisciplinaria.

Referencias

Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence [Working paper]. Stanford Digital Economy Lab.

Chen, Y., Amrollahi, A., & Yue, L. (2025). Reconceptualising human-AI collaboration: A systematic review of human-AI collaboration configurations. ACIS 2025 Proceedings, 30. https://aisel.aisnet.org/acis2025/30

de Vries-Gao, A. (2025). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, 7(1), 101430. https://doi.org/10.1016/j.patter.2025.101430

Gartner. (2025, 19 de noviembre). Gartner identifies critical GenAI blind spots that CIOs must urgently address [Comunicado de prensa]. https://www.gartner.com/en/newsroom/press-releases/2025-11-19-gartner-identifies-critical-genai-blind-spots-that-cios-must-urgently-address0

IBM. (2025). Cost of a data breach report 2025. IBM Security.

Kaput, M. (2025). MIT study finds only 5% of AI pilots deliver measurable value [Informe técnico]. Massachusetts Institute of Technology.

Moon, K., Green, A. E., & Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Artificial Humans, 6, 100207. https://doi.org/10.1016/j.artd.2025.100207

Nemer, D., & Sobral, A. (2025). Artificial intelligence as heteromation: The human infrastructure behind the machine. AI & Society. https://doi.org/10.1007/s00146-025-02664-5

Tian, J., & Zhang, R. (2025). Learners' AI dependence and critical thinking: The psychological mechanism of fatigue and the social buffering role of AI literacy. Acta Psychologica, 260, 105725. https://doi.org/10.1016/j.actpsy.2025.105725

Xu, J. (2025). Algorithmic management and workers' responses: A systematic review and thematic analysis. Academy of Management Proceedings. https://doi.org/10.5465/AMPROC.2025.18879abstract

Asana. (2025). The AI super productivity paradox: More output, same bottlenecks [Informe sectorial]. https://asana.com

Business and Human Rights Resource Centre. (2025). Scroll. Click. Suffer: The hidden human cost of content moderation and data labelling. https://www.business-humanrights.org

Naciones Unidas. (2025). AI could widen global inequality without investment and safeguards [Informe de política]. UN Geneva Press Briefing.

Doxa 2690

Tasas de interés y macroeconomía: ¿señal de fortaleza o de riesgo sistémico?
Una revisión sistemática de la literatura (1990–2026)

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La relación entre el aumento de las tasas de interés y el estado de la economía constituye uno de los problemas más complejos de la macroeconomía contemporánea. La literatura especializada documenta dos lecturas aparentemente contradictorias: en determinados contextos, un ciclo de endurecimiento monetario refleja la normalización de una economía que ha alcanzado su capacidad productiva y que crece con fundamentos sólidos; en otros, el mismo movimiento de tasas anticipa una reversión cíclica, una crisis de deuda o una perturbación financiera. Esta revisión sistemática examina la evidencia publicada en fuentes primarias de PubMed, Scopus, Web of Science, arXiv, IEEE Xplore, Nature, Science e informes técnicos oficiales de bancos centrales y organismos multilaterales, con el propósito de identificar las condiciones bajo las cuales el alza de tasas opera como indicador de fortaleza y aquellas bajo las cuales funciona como señal de riesgo. El análisis integra los mecanismos de transmisión monetaria, la arquitectura de la curva de rendimientos, la evidencia sobre el canal crediticio y la asimetría de información, así como los hallazgos empíricos en economías avanzadas y emergentes. Se concluye que la interpretación del signo de la política monetaria es inherentemente condicional: depende de la posición del ciclo, de la estructura de deuda, del régimen de expectativas y de la solidez del sistema financiero. Se identifican retos metodológicos y vacíos de evidencia que deben orientar la agenda de investigación futura.

Introducción

El aumento de las tasas de interés es, en la arquitectura de la política monetaria moderna, el instrumento primario mediante el cual los bancos centrales modulan las condiciones financieras para alcanzar sus objetivos de inflación y de producto. Sin embargo, su significado económico dista de ser unívoco. La tradición teórica dominante, sintetizada en la regla de Taylor y en los modelos de brecha de producto, asocia el endurecimiento de tasas con una respuesta endógena a presiones inflacionarias originadas en una economía que opera por encima de su potencial. Bajo esta lectura, el alza de tasas constituye una señal de fortaleza: la autoridad monetaria reconoce que la demanda agregada es robusta y actúa para preservar la estabilidad de precios sin comprometer la expansión.

No obstante, la evidencia empírica acumulada desde la década de 1990 muestra que el mismo movimiento de tasas puede anticipar desenlaces radicalmente opuestos. La inversión de la curva de rendimientos, fenómeno que suele acompañar a los ciclos de endurecimiento, ha precedido a la totalidad de las recesiones estadounidenses desde 1955, con un desfase que oscila entre seis y veinticuatro meses. La literatura macrofinanciera, inaugurada por los trabajos de Estrella y Mishkin, documentó que la pendiente de la curva constituye el predictor más potente de recesión en un horizonte de cuatro trimestres. La coexistencia de ambas lecturas plantea una pregunta de investigación de primer orden: ¿qué condiciones estructurales e institucionales determinan que un aumento de tasas sea leído como fortaleza o como riesgo?

La relevancia de esta pregunta se ha intensificado en el período 2022–2026. La economía estadounidense experimentó el ciclo de endurecimiento más rápido en cuatro décadas y, sin embargo, mantuvo un crecimiento superior al esperado, un fenómeno que la literatura reciente atribuye a la composición de la demanda, al papel amortiguado del canal crediticio y a la heterogeneidad de los componentes del PIB. Paralelamente, en las economías emergentes, el mismo endurecimiento global elevó la probabilidad de crisis cambiarias y de eventos de "sudden stop". La asimetría entre ambos resultados sugiere que el signo del efecto no reside en la dirección del movimiento de tasas, sino en la interacción entre la política monetaria, la estructura financiera y el régimen de expectativas.

Esta revisión sistemática tiene como propósito sintetizar la evidencia primaria disponible en las bases de datos académicas y en los informes técnicos de bancos centrales y organismos multilaterales, con el fin de construir un marco analítico que permita discernir cuándo el alza de tasas indica fortaleza económica y cuándo constituye una señal de riesgo. El artículo se organiza en cinco secciones: objetivos y metas, desarrollo analítico, conclusiones, retos y referencias.

Objetivos

Objetivo general: Analizar críticamente la literatura científica y los informes técnicos oficiales que examinan la relación entre el aumento de las tasas de interés y el estado de la economía, con el fin de identificar las condiciones bajo las cuales dicho aumento opera como señal de fortaleza económica y aquellas bajo las cuales funciona como indicador de riesgo sistémico.

Objetivos específicos:

1. Sistematizar los mecanismos de transmisión de la política monetaria que explican por qué un alza de tasas puede reflejar una respuesta a fundamentos sólidos o, alternativamente, una perturbación financiera.

2. Examinar la evidencia empírica sobre la capacidad predictiva de la curva de rendimientos y sobre las limitaciones de la inversión de la curva como indicador unívoco de recesión.

3. Comparar los efectos del endurecimiento monetario en economías avanzadas y emergentes, identificando los factores de vulnerabilidad que transforman una señal de normalización en un detonante de crisis.

4. Evaluar el papel del canal crediticio, la asimetría de información y la toma de riesgo bancaria en la amplificación o amortiguación de los efectos reales del alza de tasas.

5. Identificar los vacíos de evidencia y los retos metodológicos que deben abordarse en la investigación futura sobre la interpretación macroeconómica de las tasas de interés.

Metas

La presente revisión se propone alcanzar cuatro metas concretas. Primera, construir una taxonomía de los indicadores que la literatura asocia con la interpretación del alza de tasas como fortaleza, entre ellos la normalización monetaria, la regla de "inclinarse contra el viento" (lean against the wind), la mejora de los fundamentos del producto y la reducción de las primas de riesgo soberano. Segunda, elaborar un inventario de los indicadores de riesgo, que incluye la inversión de la curva, el deterioro de la calidad crediticia, la insostenibilidad de la deuda pública y la vulnerabilidad externa de las economías emergentes. Tercera, sintetizar los hallazgos empíricos disponibles en las bases de datos indexadas, distinguiendo entre evidencia consistente, evidencia mixta y evidencia no encontrada. Cuarta, formular un conjunto de proposiciones condicionales que permitan a investigadores y responsables de política económica interpretar el signo de un ciclo de endurecimiento sin caer en lecturas deterministas.

Desarrollo

Mecanismos de transmisión y la doble naturaleza del alza de tasas

La política monetaria afecta la economía a través de cinco canales principales: el canal de la tasa de interés, el canal del crédito, el canal del tipo de cambio, el canal de los precios de los activos y el canal de las expectativas. La interpretación del alza de tasas como fortaleza o como riesgo depende de cuál de estos canales domine y de la posición del ciclo económico. Cuando la economía se aproxima a su pleno empleo y las presiones inflacionarias son de demanda, el banco central eleva la tasa de política para evitar un recalentamiento. En este escenario, el canal de la tasa de interés opera de manera convencional: encarece el crédito, modera el consumo y la inversión y preserva la sostenibilidad de la expansión. La literatura sobre la regla de Taylor documenta que, en regímenes de metas de inflación consolidados, el coeficiente de respuesta a la inflación tiende a ser superior a la unidad, lo que refleja una reacción sistemática a los fundamentos macroeconómicos. Esta respuesta sistemática es, precisamente, la que permite leer el alza como una señal de fortaleza institucional: el banco central tiene la capacidad y la credibilidad para actuar antes de que las presiones inflacionarias se desborden.

Sin embargo, el mismo canal de la tasa de interés puede convertirse en un mecanismo de contracción abrupta cuando la economía presenta fragilidades financieras preexistentes. La evidencia microeconómica sobre el canal crediticio muestra que los componentes de la demanda con mayor dependencia del endeudamiento se contraen de manera significativa ante un alza de tasas, mientras que los componentes con menor dependencia exhiben respuestas atenuadas. Esta heterogeneidad implica que el efecto agregado de un mismo incremento de tasas puede variar sustancialmente según la composición sectorial de la economía y el grado de apalancamiento de los agentes. En economías con una alta participación del consumo de servicios —menos intensivo en crédito— el impacto contractivo del endurecimiento puede ser limitado, como sugiere la evidencia reciente para los Estados Unidos. En contraste, en economías con un sector corporativo altamente apalancado, el mismo movimiento de tasas puede desencadenar una contracción desproporcionada.

El canal de la asimetría de información, desarrollado por Mishkin, añade una capa adicional de complejidad. Los problemas de información asimétrica entre prestamistas y prestatarios implican que el alza de tasas no solo encarece el crédito, sino que también puede deteriorar la calidad de la cartera y amplificar el racionamiento crediticio. Cuando el endurecimiento monetario coincide con un debilitamiento de los balances bancarios, el canal crediticio deja de ser un mecanismo de transmisión convencional y se convierte en un amplificador financiero. La evidencia para Colombia, por ejemplo, muestra que el impacto de las tasas de interés sobre el crecimiento de los préstamos es negativo y que la contracción del crédito es más pronunciada en los bancos con menor capitalización. Este hallazgo es consistente con la hipótesis de que el canal crediticio opera de manera asimétrica a lo largo del ciclo: en las fases expansivas amplifica el crecimiento, pero en las fases contractivas acelera la reversión.

La curva de rendimientos como bisagra interpretativa

La curva de rendimientos ocupa un lugar central en la distinción entre fortaleza y riesgo. En su configuración normal, los rendimientos de los bonos de mayor plazo superan a los de corto plazo, lo que refleja expectativas de crecimiento y una prima de plazo positiva. Cuando el banco central eleva la tasa de corto plazo para moderar la inflación, la curva puede aplanarse sin invertirse, y este aplanamiento es compatible con un escenario de "aterrizaje suave": la economía se desacelera lo suficiente para contener los precios, pero sin contraerse. La evidencia histórica sobre los ciclos de endurecimiento exitosos sugiere que la combinación de una comunicación clara, una inflación bajo control y una posición fiscal sostenible permite que el alza de tasas funcione como una señal de normalización más que como un presagio de recesión.

No obstante, cuando la curva se invierte —es decir, cuando los rendimientos de corto plazo superan a los de largo plazo—, la interpretación cambia radicalmente. La literatura macrofinanciera ha documentado de manera robusta que la inversión de la curva precede a las recesiones en los Estados Unidos y en varias economías avanzadas. El mecanismo es doble: por un lado, la inversión refleja expectativas de que la política monetaria deberá relajarse en el futuro porque el crecimiento se debilitará; por otro, la propia inversión puede convertirse en un factor causal, en la medida en que deteriora la rentabilidad de la intermediación financiera y endurece las condiciones de crédito. La evidencia para la eurozona y los Estados Unidos muestra que las inversiones de la curva observadas desde 2022 se encuentran entre las más pronunciadas en décadas, lo que ha reavivado el debate sobre la vigencia del indicador en un entorno de bajas primas de plazo y políticas de compra de activos a gran escala.

La investigación reciente, sin embargo, ha matizado el poder predictivo de la inversión de la curva. Un estudio comprehensivo para el período 1973–2023 concluye que la inversión de la curva, por sí sola, no constituye la señal más fiable de recesión: para que una recesión se materialice, se requiere además una caída de los precios de la vivienda y un aumento significativo de los diferenciales de crédito corporativo. Esta conclusión es fundamental para la tesis de esta revisión: la curva de rendimientos no es un oráculo, sino un indicador condicional cuyo valor informativo depende de la interacción con otros precios de activos y con las condiciones del mercado de crédito. Cuando la inversión de la curva se acompaña de un deterioro de los fundamentos financieros, la señal de riesgo se refuerza; cuando la inversión es el resultado de factores técnicos —como las compras de bonos por parte del banco central o una prima de plazo comprimida—, su capacidad predictiva se debilita.

Fortaleza económica: condiciones y evidencia

El alza de tasas indica fortaleza económica cuando concurren tres condiciones: (i) la economía opera cerca o por encima de su producto potencial, de modo que el endurecimiento responde a presiones de demanda y no a perturbaciones de oferta; (ii) el sistema financiero presenta una capitalización adecuada y una estructura de vencimientos que no genera descalces significativos; y (iii) el marco institucional del banco central goza de credibilidad, lo que ancla las expectativas de inflación y evita que el alza de tasas se traduzca en un aumento desordenado de las primas de riesgo. La evidencia sobre regímenes de metas de inflación en América Latina muestra que, tras la adopción de estos marcos, los bancos centrales adquirieron un mayor margen de maniobra para responder a los choques sin comprometer la estabilidad macroeconómica. En estos regímenes, el alza de tasas puede leerse como una señal de madurez institucional: la autoridad monetaria actúa de manera preventiva y sistemática, y los agentes privados internalizan esa reacción en sus expectativas.

La evidencia reciente para los Estados Unidos ilustra este escenario de "fortaleza con endurecimiento". A pesar del ciclo de subidas más rápido desde la década de 1980, el crecimiento del PIB se mantuvo por encima de las proyecciones de consenso, y el mercado laboral conservó una dinámica robusta. La explicación que ofrece la literatura no reside en la ausencia de transmisión monetaria, sino en la composición de la demanda y en la atenuación del canal crediticio. Los componentes de la demanda menos dependientes del crédito —como el consumo de servicios— mostraron una respuesta débil al alza de tasas, mientras que los componentes más dependientes —como la inversión residencial y el consumo de bienes duraderos— se contrajeron. Este patrón sugiere que el alza de tasas puede coexistir con una expansión moderada cuando la estructura productiva se ha desplazado hacia sectores menos intensivos en capital y cuando los balances de los hogares y las empresas presentan una posición de liquidez adecuada.

La normalización de la política monetaria constituye otra manifestación de fortaleza. Cuando un banco central eleva las tasas desde niveles excepcionalmente bajos hacia niveles compatibles con una economía en crecimiento, la medida no debe interpretarse como una restricción, sino como una retirada gradual de un estímulo extraordinario. La evidencia de los ciclos de normalización en economías avanzadas indica que, cuando el endurecimiento se comunica con transparencia y se acompaña de una senda fiscal creíble, los mercados financieros ajustan sus expectativas sin generar episodios de volatilidad desordenada. En este sentido, el alza de tasas es un indicador de que la economía ha superado la fase de emergencia y ha recuperado su capacidad de funcionamiento autónomo.

Riesgo sistémico: condiciones y evidencia

El alza de tasas indica riesgo cuando se combina con fragilidades estructurales que amplifican su impacto contractivo. La primera de estas fragilidades es la insostenibilidad de la deuda. El Fondo Monetario Internacional advierte que el aumento de las tasas de interés, en un contexto de niveles de deuda pública históricamente elevados, está ejerciendo una presión significativa sobre las finanzas públicas y puede amenazar la estabilidad financiera, especialmente en las economías emergentes, si los rendimientos aumentan como consecuencia de una creciente desconfianza en la capacidad de los gobiernos para honrar sus obligaciones. La dinámica de la deuda pública se vuelve particularmente vulnerable cuando la tasa de interés real excede la tasa de crecimiento de la economía: en ese escenario, la deuda crece de manera automática incluso en ausencia de nuevos déficits primarios, lo que puede desencadenar una espiral de refinanciamiento y de primas de riesgo crecientes.

La segunda fragilidad es la vulnerabilidad externa de las economías emergentes. La literatura sobre crisis cambiarias documenta que un aumento de las tasas de interés en las economías avanzadas eleva la probabilidad de una crisis cambiaria en los mercados emergentes en aproximadamente un punto porcentual por año por cada punto porcentual de incremento. El mecanismo opera a través de dos canales: por un lado, las tasas más altas en los países desarrollados reducen el atractivo relativo de las inversiones en mercados emergentes y propician salidas de capital; por otro, el encarecimiento del financiamiento externo deteriora la posición de los sectores público y corporativo que dependen del crédito en moneda extranjera. Los episodios de "sudden stop" —detenciones abruptas de los flujos de capital— tienden a ocurrir en períodos de alta volatilidad global y tienen efectos macroeconómicos de gran magnitud en los países afectados. La evidencia para América Latina muestra que los países con alta deuda en moneda extranjera experimentan contracciones del producto más severas y salidas de capital más pronunciadas cuando se producen reversiones de las condiciones financieras globales.

La tercera fragilidad es la relacionada con la estructura del sistema financiero. El canal de toma de riesgo (risk-taking channel) de la política monetaria establece que las tasas de interés bajas incentivan una mayor tolerancia al riesgo por parte de los bancos, mientras que las tasas altas pueden revertir ese comportamiento y provocar un endurecimiento abrupto de las condiciones crediticias. La evidencia empírica para Colombia muestra que existe un vínculo significativo entre las tasas de interés bajas y una mayor toma de riesgo bancaria, y que la reversión de ese ciclo puede amplificar la contracción del crédito y el deterioro de la calidad de la cartera. Cuando el alza de tasas coincide con un debilitamiento de los balances bancarios y con un aumento de los diferenciales de crédito, el sistema financiero deja de ser un amortiguador y se convierte en un mecanismo de propagación de la crisis.

La cuarta fragilidad es la relacionada con la composición de la deuda y la estructura de vencimientos. La evidencia del Banco Mundial y de la UNCTAD muestra que el aumento de las tasas de interés está absorbiendo una proporción creciente de los ingresos públicos en los países en desarrollo, lo que reduce el espacio fiscal para la inversión y para las políticas contracíclicas. Cuando una economía enfrenta simultáneamente un alto servicio de deuda, una baja capacidad de generar ingresos fiscales y una desaceleración del crecimiento, el alza de tasas deja de ser una señal de normalización y se convierte en un factor de agravamiento de la crisis. La literatura sobre sostenibilidad de la deuda enfatiza que la relación entre la tasa de interés y la tasa de crecimiento es el determinante fundamental de la dinámica de la deuda: cuando el costo del endeudamiento supera sistemáticamente el crecimiento del producto, la trayectoria de la deuda se vuelve explosiva, independientemente de la disciplina fiscal presente.

Evidencia en economías emergentes: entre la fortaleza y la vulnerabilidad

La experiencia de las economías emergentes ofrece un laboratorio privilegiado para examinar la doble naturaleza del alza de tasas. La evidencia reciente del Banco de Pagos Internacionales (BIS), construida a partir de choques de política monetaria identificados mediante las previsiones de analistas profesionales para 18 economías emergentes, muestra que la transmisión monetaria en estos países opera de manera similar a la de las economías avanzadas: un endurecimiento conduce a un aumento inmediato y persistente de los rendimientos de los bonos, a una contracción de la actividad económica y a una reducción retardada de la inflación. Este hallazgo es relevante porque desmiente la idea de que la política monetaria es ineficaz en los mercados emergentes y sugiere que el alza de tasas puede ser un instrumento legítimo de estabilización cuando las condiciones institucionales lo permiten.

Sin embargo, la misma evidencia indica que los efectos del endurecimiento son heterogéneos y dependen de la estructura financiera de cada país. El impacto sobre la inversión es más intenso en las empresas altamente apalancadas, lo que implica que el canal del balance amplifica la contracción en economías con un sector corporativo frágil. Además, la sincronización de los ciclos de endurecimiento entre las economías avanzadas y las emergentes introduce un factor de riesgo adicional: cuando la Reserva Federal de los Estados Unidos y otros bancos centrales de países desarrollados elevan sus tasas simultáneamente, las economías emergentes enfrentan una doble presión —el encarecimiento del financiamiento externo y la depreciación de sus monedas— que puede desbordar la capacidad de respuesta de sus propios bancos centrales. La evidencia sobre crisis cambiarias en Asia y América Latina sugiere que los episodios de contagio financiero se intensifican cuando coinciden con ciclos de endurecimiento en los centros financieros globales.

La literatura sobre metas de inflación en América Latina ofrece un matiz importante. Si bien la adopción de estos regímenes otorgó a los bancos centrales un mayor margen de maniobra, la evidencia también muestra que algunos bancos centrales no son completamente indiferentes a variables distintas de las postuladas en las reglas de Taylor convencionales, como el tipo de cambio o las condiciones financieras globales. Esta sensibilidad adicional refleja la complejidad de operar en economías pequeñas y abiertas, donde el alza de tasas puede atraer flujos de capital y apreciar la moneda, pero también puede desencadenar expectativas de depreciación si los fundamentos fiscales o externos se perciben como insostenibles. La distinción entre fortaleza y riesgo, en este contexto, depende de la credibilidad del marco institucional y de la solidez de los fundamentos macroeconómicos subyacentes.

Conclusiones

La evidencia revisada permite sostener que el aumento de las tasas de interés no posee un significado económico intrínseco. Su interpretación como señal de fortaleza o de riesgo depende de un conjunto de condiciones estructurales e institucionales que la literatura ha identificado con creciente precisión. El alza de tasas indica fortaleza cuando responde a presiones de demanda en una economía que opera cerca de su potencial, cuando el sistema financiero está adecuadamente capitalizado y cuando el banco central goza de credibilidad para anclar las expectativas de inflación. En estas circunstancias, el endurecimiento monetario es un instrumento de normalización que preserva la sostenibilidad de la expansión y que puede coexistir con un crecimiento moderado, especialmente en economías con una estructura productiva diversificada y con balances privados sólidos.

Por el contrario, el alza de tasas indica riesgo cuando se combina con fragilidades que amplifican su impacto contractivo: una deuda pública elevada cuya dinámica se vuelve explosiva cuando la tasa de interés real supera la tasa de crecimiento; una estructura de financiamiento externo vulnerable a las reversiones de los flujos de capital; un sistema bancario con descalces de vencimientos o con una calidad de cartera deteriorada; y una economía emergente expuesta a los choques de contagio financiero global. En estos escenarios, el alza de tasas deja de ser un instrumento de estabilización y se convierte en un factor de agravamiento de la crisis, como lo demuestran los episodios de crisis cambiarias y de "sudden stop" documentados en la literatura.

La curva de rendimientos, lejos de ser un oráculo infalible, constituye una bisagra interpretativa cuyo valor informativo es condicional. La inversión de la curva es un indicador robusto de recesión cuando se acompaña de un deterioro de los precios de la vivienda y de un aumento de los diferenciales de crédito corporativo. Por sí sola, en cambio, puede reflejar factores técnicos —como las políticas de compra de activos o las primas de plazo comprimidas— que no necesariamente anticipan una contracción económica. Esta conclusión es consistente con la evidencia reciente que muestra que la inversión de la curva ha precedido a recesiones, pero también ha producido falsos positivos en contextos de bajas primas de plazo y de intervención masiva de los bancos centrales en los mercados de bonos.

En el plano de la política económica, la implicación es clara: los responsables de la toma de decisiones no pueden interpretar el alza de tasas de manera aislada, sino que deben evaluarla en el contexto de la posición del ciclo, de la estructura de deuda, de la solidez del sistema financiero y del régimen de expectativas. La literatura revisada ofrece un marco analítico para realizar esta evaluación, pero también revela que la evidencia disponible es heterogénea y que muchos de los mecanismos identificados operan de manera no lineal y dependen de condiciones institucionales específicas de cada país.

Retos

La investigación futura enfrenta al menos cinco retos fundamentales. El primero es el de la identificación de choques de política monetaria en tiempo real. La evidencia del BIS muestra que los choques identificados mediante las previsiones de analistas profesionales permiten estimar los efectos causales del endurecimiento, pero este enfoque requiere datos de alta frecuencia y una cobertura amplia de países que aún no está disponible para muchas economías en desarrollo. Ampliar la cobertura y mejorar la desagregación sectorial de estos choques constituye una prioridad metodológica.

El segundo reto es el de la modelización de la heterogeneidad estructural. La evidencia sobre la composición de la demanda y sobre el papel del canal crediticio sugiere que los efectos del alza de tasas varían sustancialmente según la estructura productiva y financiera de cada economía. Los modelos macroeconómicos convencionales, que suponen agentes representativos y mercados financieros completos, no capturan adecuadamente esta heterogeneidad. Se requiere un esfuerzo de modelización que integre la heterogeneidad de los hogares, de las empresas y de los intermediarios financieros, así como la no linealidad de los mecanismos de transmisión.

El tercer reto es el de la medición de la prima de plazo y de su influencia sobre la capacidad predictiva de la curva de rendimientos. La evidencia reciente indica que la compresión de las primas de plazo, asociada a las políticas de compra de activos, puede atenuar la relación entre la pendiente de la curva y el crecimiento futuro. Desarrollar indicadores de prima de plazo robustos y disponibles para una muestra amplia de países es esencial para refinar la interpretación de la curva como señal de fortaleza o de riesgo.

El cuarto reto es el de la evaluación de la sostenibilidad de la deuda en un entorno de tasas de interés estructuralmente más altas. La literatura sobre la relación entre la tasa de interés y la tasa de crecimiento ofrece un marco conceptual, pero la evidencia empírica sobre la magnitud de los efectos de la deuda pública sobre las primas de riesgo y sobre el crecimiento potencial es aún limitada, especialmente para las economías emergentes con mercados financieros poco profundos. Se requieren estudios longitudinales que examinen la dinámica de la deuda en episodios de endurecimiento monetario y que distingan entre los efectos de corto y de largo plazo.

El quinto reto es el de la integración de la dimensión institucional y política en el análisis de la política monetaria. La evidencia sobre la credibilidad de los bancos centrales y sobre el papel de las expectativas sugiere que el mismo movimiento de tasas puede tener efectos radicalmente distintos según el marco institucional en el que se produzca. La investigación futura debe incorporar de manera sistemática variables institucionales —como la independencia del banco central, la transparencia de la comunicación y la calidad de la regulación financiera— en los modelos empíricos de transmisión monetaria. Solo así será posible construir una teoría robusta que explique por qué el alza de tasas es, en algunos contextos, una señal de fortaleza y, en otros, un presagio de riesgo.

Finalmente, se identifica un vacío de evidencia en lo que respecta a la interacción entre la política monetaria y la política macroprudencial. La literatura sobre el canal de toma de riesgo sugiere que las tasas bajas incentivan un comportamiento más agresivo por parte de los bancos, pero la evidencia sobre cómo las herramientas macroprudenciales —como los colchones de capital contracíclicos o los límites a la relación préstamo-valor— pueden modular este efecto es aún incipiente. Investigar la complementariedad entre la política monetaria y la política macroprudencial constituye una de las fronteras más prometedoras para comprender cuándo el alza de tasas es un instrumento de estabilización y cuándo se convierte en un detonante de fragilidad financiera.

Referencias

Banco de la República. (2025). Box 1: The transmission of the monetary policy interest rate and its expectations to certificate of deposit and credit interest rates. Report of the Board of Directors to the Congress of Colombia. https://banrep.gov.co/en/publications-research/report-board-directors-congress/box1-february-2025

Banco de la República. (s. f.). Bank lending, risk taking, and the transmission of monetary policy: New evidence for Colombia. https://www.banrep.gov.co

Bank for International Settlements. (2024). Monetary policy transmission in emerging markets: Proverbial concerns, novel evidence (BIS Working Papers No. 1170). https://www.bis.org/publications/working-paper-1170-monetary-policy-transmission-emerging-markets-proverbial-concerns-novel-evidence

Bauer, M. D., & Mertens, T. M. (2018). Economic forecasts with the yield curve. FRBSF Economic Letter, 2018-07. Federal Reserve Bank of San Francisco. https://fraser.stlouisfed.org/title/economic-letter-federal-reserve-bank-san-francisco-4960/economic-forecasts-yield-curve-633763/fulltext

Estrella, A., & Mishkin, F. S. (1997). The predictive power of the term structure of interest rates in Europe and the United States: Implications for the European Central Bank. European Economic Review, 41(7), 1375–1401.

International Monetary Fund. (2026). High debt, hard choices. https://www.imf.org

Kinehara, K., Okimoto, T., & Yamamoto, H. (2026). The limited effects of post-pandemic U.S. monetary policy tightening: Demand composition and the credit channel (Bank of Japan Working Paper Series No. 26-E-06). https://www.boj.or.jp/en/research/wps_rev/wps_2026/wp26e06.htm

Mishkin, F. S. (1995). Symposium on the monetary transmission mechanism. Journal of Economic Perspectives, 9(4), 3–10.

Mishkin, F. S. (1996). The channels of monetary transmission: Lessons for monetary policy. Banque de France Bulletin Digest, 27, 33–44.

National Bureau of Economic Research. (s. f.). Sudden stops: A perfect storm scenario. https://www.nber.org

Reserve Bank of Australia. (2026). Box A: How does an increase in longer-term real yields affect financial conditions? Statement on Monetary Policy. https://www.rba.gov.au

ScienceDirect. (2024). Reassessing the inversion of the Treasury yield curve as a sign of U.S. recessions: Insights from the housing and credit markets. Journal of Macroeconomics. https://www.sciencedirect.com/science/article/pii/S1062940824000986

ScienceDirect. (2025). A predictive term-spread model in the age of inflation targeting. Journal of Macroeconomics. https://www.sciencedirect.com

United Nations Conference on Trade and Development. (2026). The rising cost of debt is squeezing development prospects in many countries. https://unctad.org

World Bank. (2025). Global economic prospects: Debt dynamics in Latin America and the Caribbean. https://openknowledge.worldbank.org

Doxa 2689

Promesa y peligro de un consejo de administración asistido por IA:
Oportunidades, riesgos legales y gobernanza algorítmica

Por: Oscar Hernando Benavides Paz, MBA

Palabras clave: inteligencia artificial; consejo de administración; gobernanza corporativa; captura epistémica; responsabilidad fiduciaria; gobernanza algorítmica; delegación; juicio humano.

1. Introducción

La integración de la inteligencia artificial (IA) en los consejos de administración constituye uno de los desarrollos más disruptivos —y menos comprendidos— en la gobernanza corporativa contemporánea. La promesa es seductora: la IA ofrece capacidades de procesamiento de información, análisis de riesgos y generación de perspectivas que podrían remediar deficiencias históricas del monitoreo board-level, tales como la asimetría informacional, la limitación temporal de los directores y la captura gerencial. Sin embargo, la evidencia académica emergente advierte que estas promesas coexisten con peligros sistémicos que van desde la “captura epistémica” y el “pensamiento de grupo algorítmico” hasta la erosión de la deliberación crítica, la opacidad decisional y la dilución de la responsabilidad fiduciaria.

La literatura reciente subraya una paradoja fundamental: la IA, diseñada para ampliar la racionalidad decisoria, puede terminar subvirtiendo las condiciones mismas del juicio independiente que se espera de un consejo. Ben-Shahar y colaboradores (2025) denominan captura epistémica al proceso mediante el cual el consejo cede su autoridad cognitiva a los outputs algorítmicos, percibidos como verdad objetiva, desplazando la deliberación humana y generando un pseudo-consenso impulsado por la deferencia a la máquina. A ello se suma un entramado jurídico que no fue diseñado para la delegación algorítmica: los marcos de responsabilidad fiduciaria, las safe harbours y las reglas de delegación operan en un entorno antropocéntrico que no contempla la intervención de sistemas autónomos en la toma de decisiones societarias.

Esta revisión de literatura tiene como propósito sintetizar la evidencia científica disponible sobre las oportunidades y los riesgos de un consejo de administración asistido por IA, con especial énfasis en las dimensiones legales, éticas y de gobernanza. Se han privilegiado fuentes primarias publicadas en revistas indexadas, series de working papers de centros de investigación en derecho y gobernanza corporativa, y contribuciones de organismos internacionales, con el fin de ofrecer un marco analítico riguroso y verificado.

2. Objetivos

Objetivo general: Analizar críticamente la literatura académica y los desarrollos normativos sobre la integración de la inteligencia artificial en los consejos de administración, identificando las promesas funcionales y los peligros sistémicos que de ella se derivan para la gobernanza corporativa.

Objetivos específicos:

• Sistematizar las oportunidades que la IA ofrece para superar las limitaciones estructurales del monitoreo board-level, incluyendo la reducción de asimetrías informacionales y la mejora de la capacidad analítica.
• Identificar y caracterizar los riesgos cognitivos, organizacionales y legales asociados a la asistencia algorítmica en la sala de juntas, con especial atención a la captura epistémica y al pensamiento de grupo algorítmico.
• Examinar la tensión entre la delegación de funciones decisorias en sistemas de IA y el mantenimiento de la responsabilidad fiduciaria y el juicio humano en los marcos jurídicos vigentes.
• Evaluar los marcos emergentes de gobernanza algorítmica —transparencia, explicabilidad, auditoría y supervisión humana— y su aplicabilidad al contexto del consejo de administración.

3. Metas

La presente revisión se plantea las siguientes metas académicas y prácticas:

• Proporcionar un estado del arte actualizado —hasta 2026— sobre la intersección entre IA y gobernanza corporativa, integrando perspectivas del derecho societario, la teoría organizacional y la ética algorítmica.
• Ofrecer un marco conceptual que permita a investigadores y reguladores distinguir entre asistencia algorítmica legítima y sustitución indebida del juicio directivo.
• Identificar vacíos de investigación y proponer agendas futuras que aborden empíricamente los efectos de la IA en la calidad de la deliberación board-level y en la atribución de responsabilidad.
• Derivar recomendaciones normativas e institucionales para el diseño de salvaguardas que preserven la independencia epistémica del consejo sin renunciar a los beneficios de la IA.

4. Desarrollo

4.1. La promesa: superación de las limitaciones históricas del monitoreo board-level

La literatura clásica en gobernanza corporativa ha identificado persistentes fallas institucionales que inhiben la efectividad del consejo como órgano de monitoreo. Eisenberg (1976) ya advertía sobre las restricciones de tiempo, información y composición que aquejan a los directorios, mientras que Gilson y Gordon caracterizaron a los directores bien intencionados como “escasamente informados, subdotados de recursos y limitadamente motivados”. En este contexto, la IA se presenta como una tecnología capaz de mitigar tales restricciones mediante la automatización de procesos rutinarios, la provisión de insights cognitivos y la ampliación de la capacidad de análisis.

La revisión sistemática de Ahdadou, Aajly y Tahrouch (2025) documenta que la IA puede reducir la asimetría informacional en el monitoreo, mejorar la gestión de riesgos, optimizar la nominación de directores, fortalecer la planificación estratégica y ampliar el involucramiento de los accionistas. Asimismo, evidencia empírica reciente sugiere que los directores perciben la IA como una tecnología de aumento que mejora la deliberación al mitigar limitaciones informacionales y cognitivas, aliviando las presiones de carga de trabajo que de otro modo conducirían a la desvinculación y al conformismo. El Foro Económico Mundial (2026) añade que, utilizada en tiempo real durante las reuniones, la IA puede identificar riesgos desatendidos, destacar desarrollos regulatorios relevantes y cuestionar supuestos que contradicen la evidencia histórica.

El caso de International Holding Company (IHC), el mayor conglomerado listado de los Emiratos Árabes Unidos, ilustra el potencial transformador: en 2025 introdujo un escaño board no votante impulsado por IA, denominado Aiden Insight, respaldado por Microsoft, que analiza datos y proporciona asesoramiento en tiempo real sobre evaluación de riesgos, monitoreo de cumplimiento y cuestiones estratégicas. Experiencias como esta evidencian que la promesa de la IA no es meramente especulativa, sino que ya se está materializando en estructuras de gobernanza concretas.

4.2. El peligro: captura epistémica, pensamiento de grupo algorítmico y erosión de la deliberación

Frente al optimismo predominante, una línea de investigación crítica advierte que la integración de la IA en los consejos puede socavar las condiciones mismas de la supervisión efectiva. Ben-Shahar, Carmeli, Sulganik y Weiss (2025) teorizan una paradoja según la cual el uso de IA en los consejos erosiona tres vías esenciales para la reducción del sesgo decisorio: la heterogeneidad informacional, la elaboración informacional y el consenso de elección. El mecanismo explicativo es la captura epistémica: el consejo cede su autoridad de conocimiento a los outputs de la IA, que al ser percibidos como verdad objetiva desplazan la deliberación humana crítica y fomentan un pensamiento de grupo algorítmico —un falso consenso impulsado por la deferencia al algoritmo—, inhibiendo la sinergia decisoria del board.

Esta dinámica se ve reforzada por el fenómeno de la “rendición cognitiva” (cognitive surrender), definido como la aceptación pasiva del output de la IA sin aplicar el pensamiento crítico propio. La sobredependencia de la IA también puede generar homogeneidad en el análisis del consejo, negando la diversidad de experiencias que los directores humanos aportan. En términos organizacionales, la IA puede desplazar la deliberación crítica y sustituirla por una deferencia algorítmica que, paradójicamente, reduce la calidad de la supervisión al eliminar los desacuerdos productivos y la confrontación de perspectivas que caracterizan a los consejos eficaces.

La literatura jurídica complementa este diagnóstico al señalar que la IA genera nuevos riesgos derivados de la opacidad, el sesgo de automatización y la disminución de la supervisión humana. Se configura una “paradoja de la transparencia”: aunque la IA promete mayor claridad informacional, los sistemas opacos dificultan que los directores comprendan y interroguen significativamente las bases de las recomendaciones algorítmicas. A ello se suma el problema del antropomorfismo, mediante el cual la atribución de agencia a la IA oscurece la responsabilidad humana.

4.3. La tensión legal: delegación algorítmica, deberes fiduciarios y accountability

El marco jurídico de la gobernanza corporativa continúa siendo profundamente antropocéntrico. En la mayoría de las jurisdicciones europeas no es legalmente posible transferir la autoridad de gestión a sistemas de IA; la autoridad decisoria última y las funciones nucleares de administración deben permanecer en órganos humanos. En consecuencia, la IA no puede formalmente servir como miembro del consejo, aunque sí puede actuar como observador sin derecho a voto, como herramienta de apoyo a la decisión o como instrumento analítico. Esta restricción refleja la convicción normativa de que el juicio humano y la responsabilidad fiduciaria son irreductibles a la lógica algorítmica.

Sin embargo, la frontera entre asistencia y sustitución es crecientemente porosa. La doctrina alemana, a partir de la sentencia ISION del Tribunal Federal de Justicia (BGH), ha desarrollado principios —selección cuidadosa, asignación clara, revisión de plausibilidad y evaluación independiente— que ahora se aplican analógicamente a los insumos de IA, aunque con adaptaciones derivadas de la naturaleza de “caja negra” de estos sistemas. Más aún, comienza a sostenerse que, a medida que la IA se estandariza en ciertos sectores, la mera no utilización podría constituir un incumplimiento de los deberes corporativos si ello conduce a decisiones basadas en información o análisis inferiores.

En el plano de la responsabilidad, Petrin (2026) advierte que los daños relacionados con la IA a terceros pueden desencadenar responsabilidad corporativa, pero también reclamaciones directas y derivativas contra directores y altos ejecutivos, transmitiendo riesgos externos hacia el interior del board y la alta dirección. Los regímenes de responsabilidad que exigen conocimiento o intención se vuelven vulnerables cuando la IA genera resultados dañinos sin que ningún actor humano o corporativo posea el estado mental requerido, creando brechas de accountability. Los detalles de los deberes fiduciarios de los directores en materia de IA permanecen sin resolver, aunque los contornos de la responsabilidad corporativa externa por daños algorítmicos pueden ayudar a perfilarlos.

La literatura sobre supervisión board-level enfatiza que el uso de IA en la sala de juntas debe ser consistente con los deberes fiduciarios y de conducta. Las disposiciones legales de puerto seguro (safe harbour) y las reglas de confianza y delegación operan en un entorno humano-céntrico y no contemplan el uso de IA. El énfasis en la accountability es particularmente importante cuando los tribunales consideran si atribuir responsabilidad directamente a una corporación, ya sea a través de sistemas adoptados o mediante decisiones grupales. Se configura así un “vacío de gobernanza de IA” (AI governance gap) que exige una adaptación urgente de los deberes de los directores a la toma de decisiones algorítmica.

4.4. Hacia una gobernanza algorítmica del consejo: transparencia, explicabilidad y supervisión humana

La respuesta normativa a estos desafíos se articula en torno a lo que la literatura denomina gobernanza algorítmica. O’Malley y Underwood (2026) sostienen que mantener la legitimidad en la era de la IA requiere un renovado énfasis en el juicio humano, la supervisión a nivel de board y marcos de gobernanza adaptativos capaces de reconciliar el poder tecnológico con la accountability legal y las expectativas sociales. El desafío que plantea la toma de decisiones algorítmica no es primordialmente de cumplimiento o competencia técnica, sino de justificación: la deferencia fiduciaria sigue siendo normativamente defendible solo cuando las herramientas algorítmicas median, en lugar de sustituir, el juicio humano.

El Foro Económico Mundial (2026) ha propuesto un marco de gobernanza para la IA agéntica que parte de un diagnóstico lúcido: el riesgo real no reside en el comportamiento del sistema, sino en cómo los consejos definen la frontera de la delegación. Gobernar sistemas de confianza exige que el board abandone la fantasía del control omnicomprensivo y asuma una nueva misión: construir arquitecturas de restricción (constraint architectures) que delimiten con precisión qué decisiones pueden ser asistidas, aumentadas o delegadas. La transparencia y la explicabilidad emergen como pilares de un marco de cuatro pilares para la gobernanza algorítmica, junto con la equidad y el control.

En el plano de la supervisión interna, se ha propuesto que la supervisión de IA resida en el comité de riesgos del board más que en el comité de tecnología, y que los consejos aprueben políticas claras de uso de IA que incluyan protocolos de seguridad, requisitos de cumplimiento y salvaguardas de confidencialidad. La literatura sobre la función de monitoreo del board en la era de la accountability intensificada aboga por refinar el enfoque de “humano en el bucle” (human-in-the-loop), asegurando que la IA opere como un instrumento al servicio de la deliberación y no como un sustituto de ella.

Finalmente, la investigación de Ben-Shahar et al. (2025) propone un principio de gobernanza novedoso: la independencia epistémica. Según este principio, los consejos deben cultivar activamente el análisis divergente —por ejemplo, mediante sistemas de “IA abogado del diablo” (Devil’s Advocate AI)— para resistir la convergencia prematura en torno a los outputs algorítmicos y preservar la función de supervisión independiente. Este tipo de salvaguardas institucionales, junto con la formación de los directores en los riesgos y limitaciones de la IA, constituyen condiciones necesarias para que la asistencia algorítmica fortalezca —y no subvierta— la calidad de la gobernanza corporativa.

5. Conclusiones

La evidencia científica disponible permite afirmar que un consejo de administración asistido por IA es, simultáneamente, una promesa y un peligro. La promesa se sustenta en la capacidad de la tecnología para superar limitaciones históricas del monitoreo board-level, reducir asimetrías informacionales y ampliar la capacidad analítica de los directores. El peligro reside en la posibilidad de que esa misma tecnología erosione las condiciones cognitivas y deliberativas que hacen posible un juicio independiente y responsable, dando lugar a fenómenos de captura epistémica, pensamiento de grupo algorítmico y rendición cognitiva.

El marco jurídico vigente no está preparado para esta transformación. Los deberes fiduciarios, las reglas de delegación y los regímenes de responsabilidad fueron diseñados para agentes humanos y ofrecen una guía limitada cuando los directores se apoyan en insights generados por IA o cuando los sistemas algorítmicos impulsan funciones corporativas nucleares. La tensión entre la prohibición legal de delegar la autoridad de gestión en sistemas de IA y la creciente expectativa de que los consejos utilicen estas herramientas constituye uno de los nudos normativos más apremiantes de la gobernanza corporativa contemporánea.

La conclusión central de esta revisión es que la gobernanza algorítmica del consejo no puede reducirse a una cuestión de adopción tecnológica. Se trata, fundamentalmente, de una cuestión de diseño institucional y de arquitectura de responsabilidad. La IA debe ser integrada como un instrumento que media el juicio humano, no que lo sustituye; debe estar sujeta a marcos de transparencia, explicabilidad y auditoría; y debe operar dentro de arquitecturas de restricción que delimiten con precisión las fronteras de la delegación. Como advierte Srinivasan, “la IA hará mejores a los buenos consejos y peores a los malos”. La calidad previa de la gobernanza corporativa determinará si la tecnología amplifica las virtudes o los vicios del board.

6. Retos

La literatura identifica una serie de retos abiertos que configuran la agenda de investigación y regulación futura:

• Reto de la atribución de responsabilidad: Los regímenes de responsabilidad basados en el conocimiento o la intención humana resultan inadecuados cuando la IA genera daños sin que exista un estado mental humano correspondiente. Persisten brechas de accountability que exigen nuevos modelos de atribución, posiblemente orientados hacia una responsabilidad corporativa despersonalizada y centrada en la entidad.
• Reto de la adaptación de los deberes fiduciarios: Los contornos de los deberes fiduciarios de los directores en materia de IA permanecen sin resolver. Se requiere clarificar si la no utilización de IA puede constituir un incumplimiento del deber de cuidado, y cómo aplicar principios como el Business Judgment Rule a decisiones mediadas por sistemas opacos.
• Reto de la preservación de la independencia epistémica: Diseñar salvaguardas institucionales —como sistemas de IA que fomenten el disenso y la divergencia analítica— para contrarrestar la captura epistémica y el pensamiento de grupo algorítmico sin renunciar a los beneficios de la asistencia algorítmica.
• Reto de la transparencia y la explicabilidad: Superar la “paradoja de la transparencia” mediante el desarrollo de explicaciones que permitan a los directores conectar los outputs de la IA con su propio conocimiento y sus deberes legales, más allá de meras reconstrucciones técnicas de la lógica algorítmica.
• Reto de la gobernanza de la IA agéntica: A medida que los sistemas de IA adquieren mayor autonomía, los consejos deben definir con precisión las fronteras de la delegación y construir arquitecturas de restricción que impidan que la IA sustituya indebidamente el juicio humano en decisiones nucleares.
• Reto de la evidencia empírica: La mayoría de los estudios existentes son teóricos o basados en casos. Se requieren investigaciones empíricas longitudinales que midan los efectos de la IA en la calidad de la deliberación board-level, en la diversidad cognitiva de los consejos y en los resultados de gobernanza a largo plazo.

7. Referencias

• Ahdadou, M., Aajly, A., & Tahrouch, M. (2025). Enhancing corporate governance through AI: A systematic literature review. Technology Analysis & Strategic Management. https://doi.org/10.1080/09537325.2024.2326120
• Ben-Shahar, D., Carmeli, A., Sulganik, E., & Weiss, D. (2025). Artificial intelligence transforms board decision-making processes: An extension of the information-processing model of board decision synergy. AI & Society. https://doi.org/10.1007/s00146-025-02773-1
• Freshfields. (2026, 2 de marzo). AI, boardrooms and the law: Delegation, ownership and human judgment. https://www.freshfields.com/en/our-thinking/blogs/technology-quotient/ai-boardrooms-and-the-law-delegation-ownership-and-human-judgment-102mioo
• Harvard Business Review. (2026, 6 de noviembre). The promise—and peril—of an AI-assisted board. https://hbr.org/2026/11/the-promise-and-peril-of-an-ai-assisted-board
• O’Malley, P. J., & Underwood, P. (2026). Reimagining corporate governance in the AI era: Law, legitimacy and algorithmic power. Cambridge Forum on AI: Law and Governance. https://doi.org/10.1017/cfl.2026.10012
• Petrin, M. (2026). AI accountability from the outside in: Corporate liability, AI governance, and managerial duties (ECGI Law Working Paper N° 935/2026). European Corporate Governance Institute. https://ecgi.global/content/working-papers
• Rethinking Board Oversight: The Puzzle of AI Use in Corporate Governance and the Law. (2025, 5 de noviembre). ECGI Blog. https://www.ecgi.global/publications/blog/rethinking-board-oversight-the-puzzle-of-ai-use-in-corporate-governance-and-the
• Stanford Law School. (2026, 8 de mayo). No. 135: Fiduciary duties and business judgment rule 2.0 in the EU AI Act age. https://law.stanford.edu
• The Board Monitoring Function: Artificial Intelligence in the Era of Heightened Accountability. (2026, 23 de julio). ECGI. https://www.ecgi.global
• World Economic Forum. (2026, 14 de octubre). From systems of record to systems of trust: A board-level playbook for governing agentic AI. https://www.weforum.org
• World Economic Forum. (2026, 5 de agosto). The hybrid boardroom: How AI is changing the role of directors. https://www.weforum.org