Complementariedad entre disponibilidad de datos y retorno de la tecnología

Qué es

Dos insumos son complementarios cuando disponer de más de uno eleva el retorno marginal del otro. En términos formales, la función de producción es supermodular en ese par: la derivada cruzada es positiva (∂²f/∂x∂y > 0). La consecuencia práctica es doble. Primero, una caída exógena en el precio de uno de los insumos —la tecnología— aumenta la cantidad óptima del otro. Segundo, y más importante para leer el mapa productivo: frente a la misma caída de precio, el aumento de utilidad no es igual para todos. Es mayor donde ya hay una dotación grande del complemento.

Aplicado a la inteligencia artificial, el argumento tiene una versión económica precisa y poco mística. La IA moderna es, esencialmente, una tecnología que abarata la predicción (Agrawal, Gans y Goldfarb, 2018). El insumo de la predicción son los datos. Si el precio de predecir cae para toda la economía al mismo tiempo —todos pueden arrendar los mismos modelos—, entonces lo que explica la dispersión de resultados entre empresas no es el acceso a la tecnología, que es commodity, sino el stock del complemento: qué datos tiene cada organización, con qué historia, qué cobertura y qué calidad.

Esto no es una novedad de esta década. Es la misma estructura que Griliches (1969) identificó como complementariedad capital-habilidades: la maquinaria nueva rendía más donde había trabajadores calificados, no donde había más máquinas. Brynjolfsson y Hitt (2000) mostraron lo propio para la informatización: el retorno de la inversión en TI dependía de inversiones organizacionales simultáneas —procesos, descentralización de decisiones, capacitación— y era muy heterogéneo entre firmas por esa razón. Milgrom y Roberts (1990) formalizaron la implicancia incómoda: cuando las prácticas son complementarias entre sí, vienen en racimos, y adoptar una sola de ellas puede incluso reducir la utilidad. No existe la versión por partes.

La literatura sobre tecnologías de propósito general (Bresnahan y Trajtenberg, 1995) agrega la dimensión temporal. Brynjolfsson, Rock y Syverson (2021) describen una "curva J de productividad": mientras se acumulan los activos intangibles complementarios —datos organizados, capital humano, rediseño de procesos—, la productividad medida primero cae, porque el costo se registra y el activo no; recién después sube. Las empresas que ya pagaron esa acumulación por otras razones se saltan el tramo descendente.

Los datos, además, tienen una propiedad que refuerza el efecto: son no rivales (Jones y Tonetti, 2020). El mismo conjunto puede usarse simultáneamente para pronosticar demanda, calibrar precios y detectar fraude, sin desgastarse. Eso genera rendimientos crecientes dentro de la firma y es lo que está detrás de la intuición de que quien tiene datos "escala". El matiz empírico viene de Bajari et al. (2019), que al medir el efecto sobre pronósticos de demanda encontró retornos decrecientes en la dimensión temporal —sumar años de historia agrega cada vez menos— pero no en la dimensión transversal: sirve más ampliar la variedad de productos, clientes o procesos cubiertos que acumular otro año de lo mismo.

Queda una advertencia que la palabra "disponibilidad" esconde. Una base de datos grande pero inservible —silos incompatibles, sin trazabilidad, sin definiciones comunes— no es capital todavía: es materia prima. La brecha entre el dato existente y el dato utilizable es precisamente la inversión intangible que la curva J describe, y es la razón por la cual la restricción activa de la mayoría de las organizaciones no es el acceso al modelo, cuyo precio cae todos los años, sino el complemento.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 11 de septiembre de 2026 (btm-2026-09-11), la discusión sobre dónde impacta más la IA en la matriz productiva chilena llegó a esta lógica por un camino distinto al de la tecnología. El diagnóstico partió por los sospechosos habituales —la minería, que ya hace uso importante y todavía tiene recorrido, y las salmoneras— para argumentar que la velocidad de adopción no se ordena por sector sino por dotación de datos.

Carolina Pérez Echeverría lo planteó así: "las empresas que hoy día tienen grandes bases de datos van a ser las que van a poder escalar más rápido". El fundamento que entregó es exactamente la brecha entre stock y uso: la principal falencia de las organizaciones es la subutilización de sus propios datos, que la IA permite convertir en mejores predicciones y proyecciones, y de ahí en ingresos y eficiencias de costos.

Vale la pena notar qué implica esa formulación. No dice que la IA cree el valor; dice que lo libera de un activo que ya estaba en la empresa y no rendía. Es la lectura correcta de una complementariedad: el retorno estaba latente en el complemento y le faltaba el otro insumo para hacerse efectivo.

Relación con otros conceptos

Es un caso particular de la complementariedad entre capital y habilidades y hereda su estructura: quien tiene el complemento captura el shock tecnológico. Se apoya en la no rivalidad de los datos, que explica por qué el mismo activo rinde en varios usos a la vez, y por eso deriva naturalmente en economías de alcance más que en economías de escala clásicas. Su dinámica temporal es la de las tecnologías de propósito general y los activos intangibles, con el rezago de productividad que eso implica. Choca con los rendimientos decrecientes en la dimensión de historia acumulada. Y si la dotación inicial de datos es muy desigual, alimenta barreras a la entrada y concentración de mercado, porque el ganador de hoy genera los datos que le abaratan el mañana.

Fuentes y lecturas

• Griliches, Z. (1969), "Capital-Skill Complementarity", The Review of Economics and Statistics, 51(4).
• Milgrom, P. y Roberts, J. (1990), "The Economics of Modern Manufacturing: Technology, Strategy, and Organization", American Economic Review, 80(3).
• Brynjolfsson, E. y Hitt, L. (2000), "Beyond Computation: Information Technology, Organizational Transformation and Business Performance", Journal of Economic Perspectives, 14(4).
• Jones, C. I. y Tonetti, C. (2020), "Nonrivalry and the Economics of Data", American Economic Review, 110(9).
• Brynjolfsson, E., Rock, D. y Syverson, C. (2021), "The Productivity J-Curve: How Intangibles Complement General Purpose Technologies", American Economic Journal: Macroeconomics, 13(1).
• Agrawal, A., Gans, J. y Goldfarb, A. (2018), Prediction Machines: The Simple Economics of Artificial Intelligence, Harvard Business Review Press.