Curva de aprendizaje en la adopción tecnológica

Qué es

La curva de aprendizaje describe una regularidad vieja y bien medida: el costo unitario de hacer algo cae de manera predecible a medida que se acumula experiencia haciéndolo. La formuló Wright (1936) observando el ensamblaje de aviones —cada vez que se duplicaba la producción acumulada, las horas de trabajo por unidad caían alrededor de un 20%— y desde entonces se ha replicado en semiconductores, turbinas, paneles solares y cirugías. La forma importa: la mejora no depende del tiempo transcurrido sino de las repeticiones acumuladas. No se aprende esperando; se aprende produciendo.

Arrow (1962) la convirtió en teoría económica al mostrar que ese aprendizaje es un subproducto de la inversión —"learning by doing"— y que, por lo tanto, parte del rendimiento de una máquina no está en la máquina sino en lo que la organización descubre mientras la usa. De ahí se sigue la consecuencia incómoda para quien evalúa una tecnología nueva: en el tramo inicial de la curva, la medición es engañosa. Los costos son plenos y los beneficios aún no aparecen, así que el retorno observado es bajo o negativo justo cuando la decisión de seguir o abandonar se está tomando.

En adopción tecnológica conviene no confundir dos curvas distintas. Una es la de difusión —la S de Rogers (2003): innovadores, mayoría temprana, rezagados—, que describe cuántas empresas adoptan a lo largo del tiempo. La otra es la interna: cuánto le cuesta a esta empresa volver productiva la herramienta. La primera es un fenómeno de mercado; la segunda es un problema de proceso, y es la que explica por qué dos compañías con el mismo software obtienen resultados incomparables.

El aparato moderno para pensarlo es la curva en J de la productividad (Brynjolfsson, Rock y Syverson, 2021). Cuando llega una tecnología de propósito general, las empresas deben construir activos intangibles complementarios —rediseñar procesos, capacitar, reescribir procedimientos, acumular datos propios— y esa inversión se contabiliza como gasto mientras el producto medido todavía no sube. La productividad medida cae antes de subir. Es la misma paradoja que David (1990) documentó con la electricidad: las fábricas tardaron cuatro décadas en dejar de colgar motores eléctricos del eje central de vapor y rediseñar la planta alrededor de la nueva fuente de energía. Recién ahí llegó el salto.

Dos precisiones sobre el costo de subir la curva. Primero, es una inversión irreversible: una vez pagada queda hundida, y la regla estándar de finanzas corporativas es que un costo hundido no debe entrar en la decisión de seguir (Brealey, Myers y Allen). Eso corta para ambos lados: no justifica abandonar por lo ya gastado, pero tampoco justifica persistir porque ya se gastó. Segundo, no todo el costo cae con la práctica. Si el output de la herramienta exige verificación, ese gasto de control es permanente; lo que sí baja por la curva es saber cuándo desconfiar.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 12 de agosto de 2026, Manuel Bengolea puso la curva a trabajar sobre el retorno de la inteligencia artificial. Partió con la cifra que circula en la industria —cada dólar invertido en IA rinde 3,70 dólares en promedio y 10,30 en las empresas líderes— y la marcó con una advertencia sobre su procedencia: "Datos de McKinsey, Microsoft, no datos de Manuel Bengolea, para que quede claro". La aclaración no es un tecnicismo: son estudios de consultoría y de un proveedor de la propia tecnología, no evidencia académica independiente, y la brecha entre el promedio y las líderes es exactamente el rango de la curva.

El argumento central fue que ese retorno no viene de consultar un chat. Exige incorporar la herramienta al proceso de la empresa, y esa incorporación tiene un costo hundido que él cuantificó en unos dos meses de dedicación con retorno probablemente negativo por ahora. Es la curva en J descrita sin nombrarla: el tramo bajo primero, el beneficio después, y en el medio una tentación permanente de concluir que la tecnología no sirve.

A eso sumó una segunda condición, la disciplina de verificación: ante una premisa falsa, el modelo devuelve un gráfico que la confirma con datos inventados. De ahí la regla de exigir siempre la fuente. Vale la pena notar que él mismo la aplicó a su propia cifra —citó el origen antes de que se lo preguntaran—, que es la manera más barata de enseñar la práctica.

Relación con otros conceptos

Se apoya en aprender haciendo y en economías de escala dinámicas: a diferencia de las estáticas, que dependen del volumen de hoy, aquí lo que baja el costo es la experiencia acumulada. Se conecta con las tecnologías de propósito general y con la paradoja de Solow (la computación visible en todas partes menos en las estadísticas de productividad), que es la curva en J observada demasiado temprano. Del lado financiero toca el costo hundido, la irreversibilidad de la inversión —que hace valiosa la opción de esperar cuando hay incertidumbre— y el retorno sobre la inversión, cuyo cálculo se distorsiona si el horizonte es más corto que la curva. Del lado organizacional, empalma con el capital intangible y las complementariedades: la herramienta rinde solo junto al rediseño del proceso. Y la disciplina de verificación introduce un costo de transacción que no desaparece con la escala, emparentado con el sesgo de confirmación de la economía conductual: el problema no es que la máquina mienta, sino que confirma con entusiasmo lo que se le pidió confirmar.

Fuentes y lecturas

• Wright, T. P. (1936), Factors Affecting the Cost of Airplanes, Journal of the Aeronautical Sciences.
• Arrow, K. J. (1962), The Economic Implications of Learning by Doing, The Review of Economic Studies.
• Rogers, E. M. (2003), Diffusion of Innovations (5.ª ed.), Free Press.
• Brynjolfsson, E., Rock, D. y Syverson, C. (2021), The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, American Economic Journal: Macroeconomics.
• Brealey, R., Myers, S. y Allen, F., Principios de finanzas corporativas, McGraw-Hill (capítulos de decisión de inversión y costos hundidos).