Marc Andreessen admite una paradoja de la IA: más código, pero no siempre más productividad

Una nueva crítica al discurso dominante sobre inteligencia artificial cuestiona si el aumento en la producción de código realmente se traduce en mayor eficiencia. El comentario gira en torno a Marc Andreessen, OpenAI, Anthropic y la presión corporativa por adoptar herramientas que prometen automatización, pero que también podrían estar elevando el agotamiento y la deuda técnica.
***

• Un análisis del comentarista Mo Bitar sostiene que la IA no está volviendo más eficientes a muchos equipos de software, sino prolongando su carga de trabajo.
• La crítica apunta a la narrativa comercial de empresas como OpenAI y Anthropic, centrada en promesas de productividad, automatización y reemplazo laboral.
• El debate distingue entre usos individuales de la IA para prototipos rápidos y su desempeño en sistemas críticos usados por millones de personas.

El debate sobre la productividad real de la inteligencia artificial volvió a escalar tras una crítica centrada en Marc Andreessen, uno de los inversionistas más influyentes del sector tecnológico. En una lectura mordaz del discurso actual sobre IA, el comentarista Mo Bitar cuestionó la idea de que más código y más uso de agentes equivalgan automáticamente a mejores resultados para las empresas.

La discusión se apoya en comentarios atribuidos a Andreessen durante una conversación con Joe Rogan, donde el inversionista describió un escenario en el que algunos ingenieros serían entre 20 y 50 veces más productivos gracias a la IA. Según ese relato, hay trabajadores que incluso alargan voluntariamente sus jornadas porque el costo de oportunidad de detener a sus agentes sería demasiado alto.

Para Bitar, sin embargo, esa descripción revela el problema en vez de resolverlo. Su tesis es que jornadas de hasta 20 horas no prueban una explosión de eficiencia, sino una nueva forma de atasco: empleados atrapados en una dinámica de “un prompt más” con la esperanza de que la siguiente interacción arroje una solución utilizable.

En Marc Andreessen accidentally told the truth about AI, Mo Bitar plantea que la promesa de productividad hoy se parece más a una máquina tragamonedas que a una verdadera revolución del trabajo intelectual. En esa lectura, el usuario siente que está cerca de resolver el problema, pero cada nuevo intento apenas mueve el resultado un poco más cerca de una versión que pueda enviarse a producción.

Una crítica a la productividad basada en volumen

El eje central del argumento es que producir más tokens no es lo mismo que producir más valor. Bitar sostiene que la obsesión por generar enormes cantidades de texto y código puede inflar la sensación de progreso, cuando en realidad añade una carga adicional de revisión, filtrado y corrección.

La analogía que retoma del fundador de Basecamp, Jason Fried, resume bien esa idea. Presumir cuántos tokens se generan sería comparable a presumir haber tomado 10.000 fotos en un día: el volumen luce impresionante, pero luego hay que revisar cada imagen para encontrar las pocas que realmente sirven.

Desde esa óptica, la IA generativa estaría desplazando parte del trabajo desde la ingeniería tradicional hacia una especie de “refinería de tokens”. Es decir, menos tiempo dedicado a construir de forma directa y más tiempo orientado a depurar, evaluar, comparar y corregir salidas producidas por modelos.

La crítica no niega que la tecnología sea útil. Por el contrario, reconoce que puede acelerar prototipos, paneles, pruebas de concepto y herramientas pequeñas. El cuestionamiento aparece cuando esa utilidad puntual se extrapola al software profesional de alta complejidad, como sistemas bancarios, kernels, Linux, iOS u otros productos usados por millones o miles de millones de personas.

El choque entre promesa tecnológica y objetivos de negocio

Otro punto importante del análisis apunta a la responsabilidad gerencial. Bitar sostiene que parte de la distopía laboral actual no nace solo de la tecnología, sino de directivos y ejecutivos que empujan a sus equipos a usar IA bajo la premisa de que aumentará la productividad, sin definir con precisión hacia qué objetivo concreto debe orientarse ese esfuerzo.

Según esa visión, muchas organizaciones estarían tomando decisiones presentes con base en un potencial futuro aún no materializado. El razonamiento sería que, si los modelos llegarán a ser mucho mejores algún día, entonces la empresa debe reorganizarse desde ahora para no perder esa oportunidad cuando finalmente llegue.

Allí entra la dimensión comercial del fenómeno. Bitar argumenta que OpenAI y Anthropic están vendiendo principalmente a clientes empresariales, y que esos compradores quieren escuchar un mensaje muy específico: más automatización, más productividad y menor dependencia de trabajadores humanos.

Por eso, añade, no sorprende que parte del discurso público de la industria haya terminado girando alrededor del reemplazo laboral. No necesariamente porque ese sea el único resultado posible, sino porque es el mensaje que mejor encaja con los incentivos de ventas en el mercado corporativo.

En esta lectura, cambiar la narrativa hacia una IA que solo complemente a los empleados tendría un costo comercial. Si una empresa oye que debe seguir pagando salarios humanos y además sumar el costo de la IA, el atractivo económico se reduce. Por eso Bitar considera que la promesa de sustitución sigue siendo el argumento de venta más rentable.

¿La IA se está volviendo más inteligente o solo usa más herramientas?

Bitar también cuestiona la idea de que los grandes modelos estén avanzando de forma lineal hacia una inteligencia general artificial. Su postura es que la “especie LLM” ya fue descubierta y que lo que hoy se observa no es tanto un salto cualitativo en inteligencia como una ampliación de capacidades mediante herramientas adicionales.

En términos prácticos, eso significa que nuevas funciones, agentes o integraciones no necesariamente prueban que el modelo base se haya vuelto mucho más listo. Podrían reflejar, más bien, que el mismo tipo de sistema ahora opera con mejores utilidades alrededor, lo que aumenta su poder, pero no cambia por completo su naturaleza.

La crítica se vuelve más dura cuando se habla del camino hacia la AGI. Bitar ironiza con la idea de que para llegar a ese punto harían falta uno o dos descubrimientos científicos de escala histórica, comparables al fuego o la rueda. Su objeción es que no se puede construir una narrativa empresarial seria asumiendo que innovaciones de ese calibre llegarán en plazos inmediatos.

Ese contraste importa porque muchas compañías justifican reestructuraciones, ajustes y despidos con la expectativa de una disrupción futura muy grande. Para Bitar, ese tipo de apuesta se parece a sostener un modelo de ingresos esperando descubrir un continente nuevo: una hipótesis demasiado ambiciosa para tomarla como base operativa en el corto plazo.

Del entusiasmo individual al problema industrial

Una parte relevante del planteamiento distingue entre el usuario individual y la industria del software en gran escala. Bitar admite que muchas personas hoy pueden crear herramientas, aplicaciones pequeñas o prototipos en minutos, incluso sin experiencia previa enviando software a producción.

Pero también insiste en que ese éxito personal no debe confundirse con una validación automática para entornos críticos. Hacer dashboards o demostraciones rápidas no equivale a mantener productos robustos, seguros y escalables para millones de usuarios ni a reemplazar procesos maduros de ingeniería.

En ese contexto, la presión por despedir personal para ahorrar unos cientos de millones también recibe críticas. Bitar sugiere que, para compañías valoradas en miles de millones, esos recortes pueden mejorar los números de corto plazo, pero no resuelven el problema más difícil: encontrar nuevos productos o nuevas fuentes de ingresos reales.

Su conclusión es que no existe una demanda infinita y lista para absorber “50 veces más software”, como habría sugerido Andreessen. Para él, también hay mucho software sin usuarios, sin clientes y sin una propuesta clara de valor. El verdadero trabajo difícil sigue siendo identificar qué construir, para quién y por qué.

En otras palabras, la IA puede aumentar la capacidad de producción, pero no reemplaza el juicio humano necesario para definir objetivos de negocio sólidos. Y en la medida en que las empresas confundan volumen de salida con progreso estratégico, el riesgo es terminar con más código, más deuda técnica y más desgaste laboral, sin una mejora equivalente en resultados.

La controversia expone una tensión que también interesa a inversionistas y mercados: la diferencia entre una narrativa poderosa y una ventaja operacional comprobable. En plena carrera por monetizar la IA generativa, ese matiz podría ser decisivo para separar a las empresas que realmente mejoren sus procesos de aquellas que solo acumulen tokens, gasto y expectativas.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín