El regreso de lo escaso
Cuando producir conocimiento cuesta cada vez menos, el valor se concentra en aquello que no puede copiarse con la misma facilidad.
La tesis en pocas palabras
La inteligencia artificial está reduciendo con rapidez el costo de producir, adaptar y distribuir conocimiento. Stanford documentó una caída superior a 280 veces en el costo de inferencia de un modelo con desempeño equivalente a GPT-3.5 entre noviembre de 2022 y octubre de 2024. Experimentos con trabajadores muestran, además, que la IA puede transferir prácticas expertas y acortar la curva de aprendizaje. Eso erosiona una fuente histórica de escasez: saber ejecutar tareas cognitivas comunes. No implica que los activos físicos sustituyan a todos los intangibles. Datos propietarios, marcas, confianza, procesos, distribución y responsabilidad legal también son capital acumulado. La distinción relevante no es entre átomos y bits, sino entre activos replicables y activos difíciles de reconstruir. La tesis sostiene que, cuando el conocimiento genérico se abarata, la captura económica depende crecientemente de controlar infraestructura, acceso, relaciones, permisos o información exclusiva. Es una hipótesis de redistribución de rentas, no una garantía de retorno accionario.
01
De dónde nace esta idea
Durante décadas, digitalizar significó separar crecimiento de capital físico. El software podía reproducirse casi sin costo y el conocimiento especializado justificaba márgenes elevados. La IA generativa altera esa relación. No elimina el expertise, pero convierte una parte creciente de su expresión cotidiana en una capacidad disponible bajo demanda.
02
Por qué importa ahora
El costo de inferencia cae, los modelos pequeños mejoran y las herramientas se integran en procesos reales. En atención al cliente, el estudio de Brynjolfsson, Li y Raymond encontró un aumento medio de productividad del 14%, concentrado en empleados menos experimentados. En consultoría, el experimento publicado en Organization Science observó más velocidad y mejor calidad dentro de la frontera de capacidad del modelo, aunque también más errores fuera de ella.
03
La cadena lógica
- 01
El costo marginal de generar conocimiento técnico común cae.
- 02
Los servicios basados solo en know-how replicable enfrentan presión de margen.
- 03
Las barreras basadas en capital, acceso físico, reputación, licencias y escala se vuelven mas importantes.
- 04
La abundancia de contenido aumenta el valor de marcas y registros confiables.
04
Qué podría estar subestimando el mercado
El contraste no es físico contra digital. WIPO muestra que marcas, datos y capital organizacional siguen absorbiendo inversión creciente. El mercado puede estar subestimando la complementariedad entre IA y capital acumulado. La IA puede abaratar una operación sin destruir su poder de precio cuando el activo escaso está en la distribución, el registro, la relación contractual o la infraestructura.
05
Cómo se traduce en inversión
- Preferir negocios con activos difíciles de replicar o sustituir.
- Diferenciar know-how replicable de marca, confianza, distribución, datos y permisos.
- Buscar empresas donde la IA reduzca costos sin erosionar el pricing power.
- Exigir evidencia de captura económica, no solo exposición tematica.
La tesis justifica premiar durabilidad y costo de reposición, pero no pagar cualquier precio por activos físicos. Validar balance, retorno incremental de capital, regulación y captura para accionistas.
Contraargumento
El mejor argumento contrario
La IA podria aumentar la productividad de empresas intensivas en conocimiento sin destruir sus ventajas si esas empresas poseen distribución, relaciones, datos exclusivos, integración operacional o responsabilidad legal que no son faciles de copiar.
06
Qué fortalecería o debilitaría la tesis
La fortalece
- Activos físicos escasos o de alto costo de reposición.
- Redes de clientes/proveedores consolidadas.
- Marcas con confianza acumulada y responsabilidad legal.
- Datos propietarios no fácilmente accesibles por competidores.
- Permisos, concesiones, licencias o infraestructura regulada.
La debilita
- Producto principalmente basado en conocimiento genérico.
- Bajos switching costs.
- Mercado fragmentado con presión inmediata de precios.
- Clientes capaces de reemplazar el servicio con IA interna.
07
Qué rompería la tesis
- El activo físico queda tecnológicamente obsoleto.
- La renta es capturada por reguladores, proveedores, deuda o gobiernos.
- La narrativa ya esta totalmente incorporada en la valuación.
08
Evidencia que seguimos
- Compresión de márgenes en consultoras, software horizontal y servicios profesionales.
- Prima de valuación para infraestructura, energía, marcas y activos regulados.
- Casos donde IA reduce barreras de entrada en industrias antes protegidas por expertise.
- Empresas de conocimiento que demuestren defensa via datos, workflow o distribución.
Fuentes
The 2025 AI Index Report
Stanford Institute for Human-Centered AI · 7 abr 2025
Respalda: Caída superior a 280 veces del costo de inferencia comparable a GPT-3.5.
Generative AI at Work
NBER · 1 abr 2023
Respalda: Aumento de productividad del 14% y difusión de prácticas expertas entre trabajadores menos experimentados.
Navigating the Jagged Technological Frontier
Harvard Business School · 1 mar 2026
Respalda: Mejoras en tareas dentro de la frontera de IA y deterioro de precisión fuera de ella.
World Intangible Investment Highlights 2026
WIPO · 8 jul 2026
Respalda: Importancia creciente de capital organizacional, software, datos y marcas.