La inteligencia artificial generativa (IAG) se ha convertido en un punto central en los debates sobre productividad y el futuro del trabajo. Sin embargo, la evidencia sistemática a nivel de empresa sigue siendo escasa, lo que refleja la novedad de la tecnología y la velocidad de su difusión. Estudios basados en tareas documentan ganancias significativas en el rendimiento en actividades específicas (Noy y Zhang 2023, Brynjolfsson et al. 2025, Maršál y Perkowski 2025). No obstante, traducir esta evidencia microeconómica a estimaciones de las ganancias agregadas de productividad sigue siendo un desafío (Brynjolfsson et al. 2021, Bergeaud 2024, Acemoglu 2025, OECD 2025).
En este análisis, nos basamos en el Panel Online de Empresas del Bundesbank (BOP-F), una encuesta representativa del sector corporativo alemán. Utilizando los datos del segundo trimestre de 2025, que abarcan más de 7.000 empresas de los sectores manufacturero y de servicios, documentamos la adopción pasada, actual y planificada de la IAG, tanto en términos de alcance como de intensidad, los costos asociados y los efectos percibidos por las empresas en resultados económicos clave, como la productividad, el empleo por nivel de cualificación y los salarios (Falck y Nagengast 2026).
Difusión a dos velocidades: rápida adopción, profundización gradual
En lo que respecta al alcance de la adopción, los resultados de la encuesta señalan una rápida expansión de la IAG en el sector corporativo alemán entre 2024 y 2026. El porcentaje de empresas que informan que utilizan –o esperan utilizar– la inteligencia artificial generativa aumentó del 26% en 2024 al 44% en 2025, alcanzando el 56% en 2026 (Figura 1, panel izquierdo).
Figura 1 Adopción de la IAG en empresas alemanas
Notes: Firms reported GenAI intensity in intervals (0%; 1–5%; 6–10%; 11–20%; 21–40%; 41–60%; and >60% of working hours). To compute the average intensity, we assign each firm the midpoint of its selected interval (0%, 3%, 8%, 15.5%, 30.5%, 50.5%, and 60% for the open-ended top bin). The lower and upper bounds shown in the figure are computed analogously by assigning the lower and upper endpoints of each interval. For the open-ended top category (>60%), we use 60% as an upper cap. All statistics are computed using firm weights to obtain representative estimates.
Una ventaja clave de nuestra encuesta es que va más allá de una medida binaria de sí/no de adopción y cuantifica directamente la intensidad del uso, definida como la proporción de las horas totales de trabajo durante las cuales los empleados utilizan la inteligencia artificial generativa. El panel derecho de la Figura 1 muestra que, entre las empresas que informan del uso de la IAG a lo largo de 2024-2026 (‘early adopters’), la proporción media de tiempo de trabajo que implica la IAG aumenta de alrededor del 7,5% en 2024 al 10,2% en 2025 y se espera que aumente al 12,6% en 2026. En el mismo período, el promedio en todas las empresas que utilizan la IAG aumenta más gradualmente, de alrededor del 7,5% en 2024 a alrededor del 8,9% en 2026, porque los nuevos usuarios suelen comenzar con una intensidad comparativamente baja (alrededor del 6-7% en su primer año de adopción) y solo la aumentan con el tiempo. Dicho de otra manera, gran parte del crecimiento en la exposición efectiva a la IAG proviene de la profundización del uso entre los adoptantes iniciales, mientras que el cambio composicional, con nuevos adoptantes que comienzan a pequeña escala, atenúa mecánicamente el aumento en la intensidad promedio a medida que continúa la difusión.
Menos rendimiento por el costo: gasto considerable en IAG, rendimientos marginales decrecientes
Una pregunta natural es cómo la rápida difusión documentada anteriormente afecta el gasto relacionado con la IA, un aspecto sobre el que todavía hay muy poca información. Para capturar esto, pedimos a las empresas que estimaran su gasto total relacionado con la IAG como porcentaje de las ventas anuales, cubriendo tanto los gastos únicos como los recurrentes, como proveedores de servicios externos, hardware y software, costos de personal interno y externo, capacitación y tarifas de licencia y mantenimiento (Figura 2, panel izquierdo). Entre las empresas que realmente utilizan o planean utilizar la tecnología, el gasto promedio aumenta de aproximadamente el 1,0% de las ventas en 2024 al 1,2% en 2025 y al 1,5% en 2026. Para la economía alemana en su conjunto, un cálculo aproximado sugiere que el gasto relacionado con la IA aumenta del 0,3% de las ventas agregadas en 2024 al 0,5% en 2025 y alcanza el 0,8% en 2026. Esto es económicamente significativo y probablemente sitúa el gasto en IAG en un rango similar al de algunas categorías de inversión digital ‘clásicas’ en los datos macroeconómicos.
Figura 2 Gasto en IAG por parte de empresas alemanas
Notes: Right panel: The very high-expenditure tail is difficult to characterise because the top category is open-ended (i.e., right-censored at ≥10% of sales). Hence, we disregard this category in the figure.
El gasto y la intensidad del uso están estrechamente relacionados, pero en el rango observado, la programación de costo-intensidad es cóncava (Figura 2, panel derecho). Las empresas en los tramos de costo más bajos (incluidos los usuarios de costo cero) ya informan un uso no trivial de la IAG, lo que es consistente con la adopción de prueba basada en herramientas gratuitas o suscripciones de nivel inferior. A medida que el gasto aumenta en el rango medio, la intensidad aumenta, pero a un ritmo marginal decreciente, lo que sugiere rendimientos decrecientes una vez que se han implementado aplicaciones fácilmente escalables y los complementos organizativos se vuelven vinculantes (Bresnahan et al. 2002, Brynjolfsson et al. 2021). Los adoptantes iniciales y las empresas de información y comunicación se sitúan sistemáticamente por encima de la relación agregada, lo que es consistente con capacidades complementarias más sólidas y una combinación de tareas más adecuada para la IAG.
La composición del gasto en IAG es llamativa. Para la mayoría de los usuarios, los costos de implementación únicos –como la consultoría externa y el hardware– representan menos del 25% del gasto total, con solo un aumento modesto esperado con el tiempo (Figura 3, panel izquierdo). Una excepción notable son las empresas más grandes, que tienden a informar una mayor proporción de costos fijos, lo que es consistente con un modelo de implementación más complejo (Figura 3, panel derecho). En general, este patrón indica que la IAG se integra principalmente a través de un modelo de ‘gasto operativo’, como suscripciones recurrentes y personal de TI permanente. Este cambio también tiene implicaciones para la medición y la cíclicidad: debido a que muchos gastos relacionados con la IA se registran como consumo intermedio en lugar de capital (Highfill et al. 2025), las medidas basadas en la inversión pueden subestimar el aumento de la tecnología y exagerar mecánicamente el residuo de productividad, mientras que un modelo de flujo de servicios puede hacer que el uso sea más sensible a las condiciones de flujo de caja que la inversión en TI hundida (DeStefano et al. 2025).
Figura 3 Proporción de costos fijos para la IAG
Grandes expectativas: aumento de la productividad, mayor demanda de personal altamente cualificado, aumento de los salarios
Dos hallazgos destacan en las evaluaciones de las empresas sobre los efectos económicos de la IAG (Figura 4). Primero, entre los adoptantes (y los adoptantes a corto plazo), las expectativas de productividad son decididamente positivas. El porcentaje de (usuarios actuales o potenciales) de IAG que esperan un aumento de la productividad laboral de al menos el 2% aumenta del 46% (2024) al 51% (2025) y al 54% (2026); alrededor de una cuarta parte incluso espera ganancias del 5% o más, mientras que solo alrededor del 4-5% prevé pérdidas de productividad. Estas magnitudes no son pronósticos a nivel de toda la economía, pero se hacen eco de la visión generalmente optimista de la literatura macroeconómica sobre el potencial de crecimiento de la IA (Bergeaud 2024, Acemoglu 2025, OECD 2025).
Figura 4 Efectos esperados del uso de la IAG en empresas alemanas
Segundo, las expectativas del mercado laboral de las empresas son modestamente positivas en general, con ganancias netas en empleos altamente cualificados y un aumento gradual de los salarios. Para el empleo altamente cualificado, alrededor de dos tercios esperan cambios dentro de ±1%, pero las colas son asimétricas: en 2026, el 28% prevé un crecimiento de al menos el 2%, frente al 8% que espera una disminución de al menos el 2%, lo que es consistente con la percepción de que la IAG es complementaria al trabajo altamente cualificado. Las expectativas de empleo de baja cualificación están cerca de equilibradas en promedio y se concentran en ‘sin cambios’.
Se espera que los salarios se mantengan en su mayoría estables, pero tiendan a aumentar con el tiempo: el porcentaje de empresas que esperan un crecimiento salarial de ≥2% aumenta del 19% en 2024 al 26% en 2026. En el marco basado en tareas de Acemoglu (2025), este patrón sugiere que los adoptantes esperan que el desplazamiento sea más que compensado por las complementaridades de las tareas y la expansión de las tareas humanas, una interpretación que vale la pena destacar, dadas las medidas basadas en la exposición que enfatizan los importantes impactos potenciales en las tareas de cuello blanco (Eloundou et al. 2023).
Nota de los autores: Esta columna representa las opiniones personales de los autores y no refleja necesariamente las opiniones del Deutsche Bundesbank o del Eurosistema.
Referencias
Acemoglu, D (2025), “The simple macroeconomics of AI”, Economic Policy 40(121): 13–58.
Bencivelli, L, L De Masi, E Falck, A Fernández Cerezo, S Formai, I H Bricio, E Mattevi, and A Nagengast (2026), “Embracing AI in Europe: New evidence from harmonized central bank business surveys”, VoxEU.org, 6 January.
Bergeaud, A (2024), “The past, present and future of European productivity”, paper prepared for ECB Forum on Central Banking.
Bresnahan, T F, E Brynjolfsson. and L M Hitt (2002), “Information technology, workplace organization, and the demand for skilled labor: Firm-level evidence”, Quarterly Journal of Economics 117(1): 339–76.
Brynjolfsson, E, D Li, and L Raymond (2025), “Generative AI at work”, The Quarterly Journal of Economics 140(2): 889–942.
Brynjolfsson, E, D Rock, and C Syverson (2021), “The productivity J-curve: How intangibles complement general purpose technologies”, American Economic Journal: Macroeconomics 13(1): 333–72.
DeStefano, T, R Kneller, and J Timmis (2025), “Cloud computing and firm growth”, Review of Economics and Statistics 107(6): 1638–51.
Eloundou, T, S Manning, P Mishkin, and D Rock (2023), “GPTs are GPTs: An early look at the labor market impact potential of large language models”, arXiv:2303.10130.
Falck, E, and A Nagengast (2026), “Scaling generative AI: Diminishing marginal returns and firm-level outcomes”, SSRN.
Highfill, T, D Wasshausen, and G Prunchak (2025), “Concepts and challenges of measuring production of artificial intelligence in the US economy”, BEA Working Paper Series WP2025-1.
Maršál, A, and P Perkowski (2025), “Task-based returns to generative AI: Evidence from a central bank”, VoxEU.org, 31 July.
Noy, S, and W Zhang (2023), “The productivity effects of generative artificial intelligence”, VoxEU.org, 7 June.
OECD (2025), “Macroeconomic productivity gains from artificial intelligence in G7 economies”, OECD Artificial Intelligence Papers No. 41.
