El dato menos interesante del 3 de septiembre de 2026 es que ChatGPT se cayó.
OpenAI reportó errores elevados en ChatGPT y Codex y señaló que había aplicado una mitigación mientras monitoreaba la recuperación. Ese mismo día, xAI informó una interrupción en Grok. Anthropic, en cambio, mostraba sus sistemas operativos al momento de escribir estas líneas, aunque su historial reciente también registra varias incidencias.
No hay evidencia pública de que estos problemas compartieran una causa. Y justamente por eso conviene no convertir la coincidencia en un titular apocalíptico. La pregunta interesante no es si “se cayó toda la IA”. Es otra.
¿Qué pasaría si la inteligencia artificial dejara de avanzar de repente y quedara reducida a unos pocos asistentes razonablemente buenos para redactar, resumir y escribir código?
No agentes capaces de ejecutar procesos completos. No sistemas que investiguen durante horas, naveguen por software, analicen miles de documentos o coordinen otros agentes. Algo parecido a regresar a la IA generativa de sus primeros años, pero después de haber reorganizado empresas enteras alrededor de sistemas mucho más capaces.
Ese retroceso podría resultar más disruptivo que la propia llegada de la IA.
El riesgo quizá no sea que la IA nos sustituya
Durante años la discusión ha girado alrededor de una pregunta: ¿qué trabajos reemplazará la inteligencia artificial?
Hay otra pregunta menos espectacular y probablemente más importante: ¿qué trabajos estamos rediseñando suponiendo que la IA siempre estará disponible?
Un banco puede conservar sus empleados y, al mismo tiempo, convertir modelos de IA en parte de su infraestructura operativa. Una empresa de software puede mantener sus programadores mientras delega buena parte del código inicial a agentes. Un equipo de investigación puede conservar a sus analistas mientras automatiza búsquedas, extracción de información y primeros borradores.
El trabajador sigue ahí. El problema es que una parte del conocimiento operativo puede dejar de estarlo.
El Fondo Monetario Internacional advirtió en julio de 2026 que muchas aplicaciones financieras de IA dependen de un pequeño número de proveedores de nube, datos y modelos. Una interrupción en un proveedor crítico podría afectar simultáneamente a numerosas instituciones. El riesgo no es solo tecnológico: puede convertirse en riesgo sistémico.
El Banco de Pagos Internacionales describe una cadena de suministro de IA formada por hardware, nube, datos, modelos fundacionales y aplicaciones. Sus autores destacan que los altos costes fijos, las economías de escala y los efectos de red favorecen la concentración. La IA está empezando a parecer menos una aplicación y más una infraestructura.
Y las infraestructuras tienen una propiedad incómoda: normalmente descubrimos cuánto dependemos de ellas cuando fallan.
Las primeras 24 horas serían casi cómicas
Un apagón prolongado de IA no paralizaría inmediatamente la economía.
Millones de personas volverían a escribir correos completos. Los programadores consultarían más documentación. Los analistas reconstruirían fórmulas. Los estudiantes volverían a enfrentarse a una página en blanco. Equipos comerciales redactarían propuestas desde cero.
Excel seguiría funcionando. Los compiladores seguirían funcionando. Internet seguiría funcionando.
La civilización sobreviviría.
Precisamente por eso el escenario es interesante. La primera consecuencia posiblemente sería psicológica antes que económica: descubriríamos cuánto de nuestra sensación reciente de productividad proviene de terminar realmente más rápido y cuánto proviene de que ciertas tareas se sienten mucho menos pesadas.
Un estudio preregistrado de 2026 con 1.237 participantes encontró una especie de “ilusión de aceleración”. En algunas tareas cognitivas simples, las personas esperaban que la IA las hiciera significativamente más rápidas aunque los tiempos reales no mostraran diferencia. Lo que sí disminuía era el esfuerzo subjetivo.
La IA puede estar modificando no solo nuestra productividad, sino nuestra percepción de cuánto debería costar pensar.
El problema aparece seis meses después
Ahora imagine una empresa que durante tres años contrató menos trabajadores junior porque la IA podía resolver muchas de las tareas que tradicionalmente servían como aprendizaje.
Los senior continúan allí. Pero hay menos personas atravesando la etapa en la que se aprende el oficio.
Un pequeño experimento de 2026 sobre programación asistida por IA utilizó un concepto útil: deuda epistémica. Los participantes podían producir software funcional con ayuda de IA, pero quienes usaron asistencia sin restricciones mostraron mucho peor desempeño cuando posteriormente debieron mantener el código sin ella. En esa prueba, el grupo de IA sin restricciones registró una tasa de fallo del 77%, frente al 39% del grupo cuya herramienta les obligaba a explicar y comprender el código generado. Es un estudio pequeño y debe leerse como evidencia preliminar, pero el mecanismo que propone merece atención. Producción visible puede aumentar mientras comprensión invisible disminuye.
Ese intercambio funciona mientras la máquina está disponible.
El problema aparece cuando deja de estarlo.
La paradoja del trabajador experto
La evidencia de productividad tampoco dice simplemente que “la IA hace a todos más productivos”. Depende de la tarea y de quién la utiliza.
Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron 5.179 trabajadores de atención al cliente y encontraron un aumento promedio de productividad del 14%. Pero el beneficio fue muy desigual: los trabajadores novatos o menos capacitados mejoraron alrededor de 34%, mientras que el impacto sobre los más experimentados fue pequeño. Los autores sugieren que la IA puede distribuir parte del conocimiento tácito de los mejores trabajadores.
Eso parece una buena noticia. Y lo es.
Hasta que aparece una pregunta lateral: ¿qué ocurre si las empresas dejan de producir suficientes expertos de los cuales aprender?
La primera generación de modelos aprendió directa o indirectamente de décadas de producción humana. La siguiente generación de trabajadores aprende cada vez más de los modelos. Si el conocimiento humano deja de renovarse con la misma profundidad, una organización podría volverse extraordinariamente eficiente y, simultáneamente, menos capaz de reconstruir los procesos que la mantienen funcionando.
Es una versión cognitiva del problema de una fábrica que funciona perfectamente mientras nadie tenga que abrir una máquina.
Los disidentes tienen un argumento que conviene escuchar
Gran parte de la industria tecnológica presenta la expansión hacia agentes cada vez más autónomos como una trayectoria casi inevitable. No todos están convencidos.
El economista del MIT Daron Acemoglu ha cuestionado algunas de las proyecciones macroeconómicas más exuberantes. Su análisis estima que el aumento de productividad total de los factores asociado a la IA podría ser inferior al 0,53% durante una década. Su argumento no es que la IA sea inútil, sino que los buenos resultados en tareas fáciles de aprender no pueden extrapolarse automáticamente a actividades complejas, llenas de contexto y juicio. La mejora puede ser real y, a la vez, bastante menos revolucionaria de lo que sugiere el discurso dominante.
Gary Marcus lleva años defendiendo una crítica distinta: que escalar modelos de lenguaje no elimina automáticamente las alucinaciones, la fragilidad ni los problemas de fiabilidad de los agentes. Su pronóstico para 2026 sigue siendo que los LLM son útiles, pero que la narrativa de una transición lineal hacia sistemas generales y autónomos descansa sobre supuestos técnicos todavía no demostrados. Su tesis es deliberadamente contraria al consenso de Silicon Valley.
Y METR produjo uno de los resultados empíricos más incómodos de esta discusión. En 2025, desarrolladores experimentados trabajando en repositorios que conocían muy bien tardaron 19% más cuando podían utilizar herramientas de IA. Antes del estudio creían que serían 24% más rápidos y después seguían sintiendo que habían ganado tiempo. La percepción y la productividad medida fueron en direcciones opuestas.
El propio METR publicó después datos de herramientas más recientes que sugerían mejoras, pero reconoció que los sesgos de selección impedían estimar con confianza el tamaño del efecto. Es decir: la evidencia está cambiando tan rápido como las herramientas.
Ese desacuerdo importa. Obliga a separar dos conceptos que se están usando como si fueran sinónimos: usar IA y ser más productivo.
Pero perderla sí dolería
Ser escéptico sobre algunas promesas no significa negar las ganancias reales.
Microsoft estudió durante seis meses a más de 6.000 trabajadores de 56 empresas. Quienes utilizaron la herramienta dedicaron menos tiempo al correo y completaron documentos aproximadamente 12% más rápido. Hay ganancias concretas en tareas concretas.
La cuestión cambia cuando esas ganancias se convierten en estructura permanente.
Supongamos que una empresa descubre que diez empleados asistidos por IA pueden realizar el trabajo que antes necesitaba quince. Reduce la plantilla a diez. Dos años después pierde acceso a la capa de IA avanzada y solo quedan asistentes modestos de texto y código.
No vuelve automáticamente a su productividad anterior.
Ahora tiene diez personas intentando ejecutar un proceso diseñado para quince humanos asistidos por máquinas.
Ese es el escenario verdaderamente interesante: no un mundo sin ChatGPT, sino un mundo diseñado alrededor de ChatGPT en el que ChatGPT deja de ser lo que era.
La segunda consecuencia sería inesperada: volvería a aumentar el valor del conocimiento
Un retroceso prolongado de la IA produciría ganadores.
El programador capaz de comprender una arquitectura completa sería más valioso que quien solo sabe coordinar agentes. El investigador con dominio real de su disciplina recuperaría ventaja frente al excelente operador de prompts. El abogado que comprende procedimiento y jurisprudencia sería más difícil de sustituir. El analista capaz de reconstruir una metodología desde los datos originales sería más útil que quien simplemente sabe pedir un informe convincente.
Quizá aparecería una nueva categoría profesional: el trabajador resiliente a la IA.
No alguien que rechaza las herramientas. Alguien capaz de utilizarlas intensamente sin entregarles por completo su comprensión del oficio.
Esta idea conecta con algo que ya hemos discutido en ScalarPivot: el modelo ya no es toda la historia. Cuando la herramienta se integra al flujo de trabajo, importan también el contexto, la infraestructura, los datos, la verificación y la capacidad humana que queda alrededor.
Las empresas tendrán que aprender una nueva palabra: reversibilidad
Durante décadas la informática empresarial desarrolló conceptos como redundancia, copias de seguridad, recuperación ante desastres y continuidad del negocio.
La adopción de IA necesita algo parecido.
NIST recomienda gestionar explícitamente los riesgos de componentes de terceros y modelos preentrenados dentro de los sistemas de IA. La cadena de valor importa porque el sistema final hereda dependencias que el usuario quizá ni siquiera ve.
Pero la resiliencia no consiste simplemente en pagar OpenAI, Anthropic y Google al mismo tiempo. Si proveedores distintos dependen de infraestructuras, chips, nubes o cadenas de suministro altamente concentradas, la diversificación aparente puede no ser una verdadera redundancia.
La OCDE ha señalado precisamente la concentración creciente de componentes críticos a lo largo de la pila de IA, desde capacidad de cómputo y nube hasta modelos fundacionales. La competencia en la capa visible puede ocultar dependencia en las capas inferiores.
La verdadera redundancia tendría que incluir algo más incómodo y menos glamuroso:
- procesos que todavía puedan ejecutarse manualmente;
- documentación comprensible por humanos;
- datos exportables;
- modelos locales para algunas funciones;
- trabajadores que mantengan capacidades fundamentales;
- y sistemas que sigan operando, aunque peor, cuando desaparezca la capa más avanzada de inteligencia automática.
En ingeniería existe una expresión útil para esto: graceful degradation, degradación gradual.
Cuando falla una parte del sistema, el sistema no colapsa. Pierde capacidad, pero continúa funcionando.
Tal vez esa sea una de las competencias organizacionales más importantes de la próxima década.
¿Y si el gran apagón nunca ocurre?
Es perfectamente posible.
Los modelos podrían continuar mejorando. La infraestructura podría hacerse más robusta. El coste del cómputo podría bajar. Los agentes podrían integrarse todavía más en la economía.
En ese mundo, mantener procesos manuales y capacidades humanas redundantes parecería ineficiente.
Hasta el día en que deje de parecerlo.
Los aviones conservan sistemas redundantes que rara vez utilizan. Los bancos mantienen capital para crisis que esperan no sufrir. Las ciudades pagan cuerpos de bomberos aunque la mayoría de los edificios nunca se incendien.
Tal vez las organizaciones necesiten conservar también una determinada cantidad de capacidad cognitiva humana no automatizada.
No porque la IA vaya necesariamente a desaparecer.
Porque cualquier tecnología que se convierte en infraestructura convierte su disponibilidad en un riesgo.
La caída de ChatGPT del 3 de septiembre probablemente termine siendo una entrada más en un historial de disponibilidad. Pero durante unas horas hizo visible algo que normalmente permanece escondido: no cuánto puede hacer la inteligencia artificial por nosotros, sino cuánto hemos empezado a asumir que estará ahí cuando la necesitemos.
Y esa puede ser una pregunta más importante que intentar adivinar la fecha exacta de la AGI.
Fuentes
- OpenAI Status — Elevated errors across ChatGPT and Codex
- xAI Status — Grok models outage
- Claude Status
- IMF — How Central Banks Can Contain Financial Stability Risks as AI Accelerates Change
- BIS — The AI supply chain
- OECD — Is AI across the stack competitive or concentrated?
- NIST — Generative AI Profile
- NBER — Generative AI at Work
- NBER — The Simple Macroeconomics of AI
- METR — AI and experienced developer productivity
- METR — 2026 productivity update
- Microsoft Research — Early Impacts of M365 Copilot
- Yu et al. — Cognitive offloading and the speedup illusion
- Sankaranarayanan — Epistemic Debt in AI-assisted programming
- Gary Marcus — Predictions for AI in 2026
