Los datos como activo productivo de la empresa

Qué es

Cuando una empresa mira su balance, ve máquinas, inventario, edificios y quizás una marca comprada. No ve las cuatro millones de transacciones que registró su sistema de punto de venta el año pasado. Esa ausencia no es un descuido contable: la norma internacional (NIC 38) prohíbe expresamente reconocer como activo las listas de clientes y partidas similares generadas internamente, porque su valor es demasiado incierto para medirlo con fiabilidad. El resultado es una empresa que acumula, sin proponérselo, un stock de capital que ningún estado financiero declara.

La economía llegó antes que la contabilidad. Arrow (1962) mostró que la información es una mercancía peculiar: producirla cuesta caro, copiarla no cuesta casi nada, y quien quiere comprarla no puede valorarla sin haberla visto —momento en que ya no necesita comprarla. Romer (1990) formalizó lo que eso implica para el crecimiento: las ideas son no rivales, es decir, el uso que una persona hace de ellas no impide el uso simultáneo de otra, y por eso pueden sostener retornos crecientes que los activos físicos no sostienen. Jones y Tonetti (2020) llevaron ese argumento directamente a los datos: un registro de clientes puede alimentar a la vez el pronóstico de demanda, el modelo de riesgo crediticio y la campaña de marketing, sin desgastarse. Una máquina que corta acero, no.

De ahí viene la diferencia con cualquier otro activo productivo. El capital físico se deprecia por uso; el dato se deprecia por obsolescencia —el comportamiento de compra de 2019 predice mal el de hoy— pero no por compartirse. Y su valor no es lineal en la cantidad. Bajari y coautores (2019), midiendo pronósticos de demanda en Amazon, encontraron retornos fuertemente decrecientes en el número de productos observados: duplicar el volumen mejora la predicción bastante menos del doble. Varian (2019) plantea el mismo punto: más allá de cierto umbral, la ventaja de tener más datos se agota, y lo que decide la carrera pasa a ser otra cosa.

Esa otra cosa es la capacidad de convertirlos en decisiones. Corrado, Hulten y Sichel (2009) mostraron que el gasto en intangibles —software, bases, procesos, capacitación— es cuantitativamente comparable a la inversión física en una economía desarrollada, y que ignorarlo subestima el crecimiento. Brynjolfsson, Hitt y Kim (2011) documentaron que las firmas que adoptan decisiones basadas en datos exhiben una productividad significativamente mayor que sus pares del mismo rubro y tamaño, controlando por su inversión en tecnología. El dato por sí solo no explica esa brecha: la explican los procesos rediseñados alrededor de él. Brynjolfsson, Rock y Syverson (2021) llaman a ese rezago la "curva J" de la productividad —primero se gasta en intangibles complementarios, la contabilidad lo registra como costo, y recién después aparece el rendimiento.

Desde la teoría de la firma, el dato califica como recurso estratégico en el sentido de Barney (1991): es valioso, es escaso, es difícil de imitar —nadie puede comprar el historial de veinte años de una empresa— y es difícil de sustituir. Pero Teece (1986) agrega la advertencia decisiva: quien posee un activo innovador no necesariamente captura su renta; la captura depende de los activos complementarios que controle. Una empresa puede estar sentada sobre una base de datos excepcional y ver cómo el valor se lo lleva el proveedor de software que sí sabe explotarla.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 11 de septiembre de 2026, la discusión sobre dónde impacta más la inteligencia artificial en la matriz productiva chilena llegó por un camino inesperado. No por los sectores obvios —la minería, que ya hace un uso importante y aún tiene potencial, o las salmoneras—, sino por una característica que atraviesa rubros: el tamaño y la calidad del acervo 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 argumento que sostiene esa frase es el que da nombre a este concepto: la principal falencia de las organizaciones no es que les falten datos, sino que subutilizan los que ya tienen. La IA, en esa lectura, no es un generador de información nueva; es un mecanismo para exprimir un stock existente y convertirlo en mejores predicciones, proyecciones, ingresos y eficiencias de costos.

Vale la pena notar lo que ese diagnóstico implica y lo que no. Implica que el retorno de la IA está condicionado por una inversión que ya se hizo —posiblemente sin saber que era una inversión— y que por lo tanto no todas las empresas parten en la misma línea. No implica que el tamaño de la base sea suficiente: la evidencia de retornos decrecientes sugiere que, pasado un umbral, la ventaja se desplaza hacia quien tiene el proceso y la gobernanza para usarla.

Relación con otros conceptos

El dato como activo se apoya en la no rivalidad de las ideas y hereda de ella los retornos crecientes; su medición pertenece al capital intangible, que es la categoría contable y estadística donde cabe. Su rendimiento efectivo depende del capital organizacional complementario a la tecnología y del rediseño de procesos como condición del impacto tecnológico: sin ambos, la brecha entre adopción declarada y uso efectivo de una tecnología convierte la inversión en gasto. Como activo estratégico se conecta con la ventaja del primer entrante —quien acumula antes acumula más— y con las economías de escala que ese acervo habilita. Del lado de los riesgos, está atado a la asimetría de información de Arrow, que explica por qué el mercado de datos funciona mal, y a la gobernanza del uso de inteligencia artificial, que decide quién puede leerlos.

Fuentes y lecturas

• Arrow, K. (1962), "Economic Welfare and the Allocation of Resources for Invention", en The Rate and Direction of Inventive Activity, NBER / Princeton University Press.
• Jones, C. I. y Tonetti, C. (2020), "Nonrivalry and the Economics of Data", American Economic Review, 110(9).
• Corrado, C., Hulten, C. y Sichel, D. (2009), "Intangible Capital and U.S. Economic Growth", Review of Income and Wealth, 55(3).
• Bajari, P., Chernozhukov, V., Hortaçsu, A. y Suzuki, J. (2019), "The Impact of Big Data on Firm Performance: An Empirical Investigation", AEA Papers and Proceedings, 109.
• Shapiro, C. y Varian, H. (1999), Information Rules: A Strategic Guide to the Network Economy, Harvard Business School Press.