En la Era de la IA, la Paradoja de Jevons cobra relevancia en un mundo donde la innovación avanza a un ritmo tan vertiginoso que es imposible de seguir. Se nos dijo que la IA reduciría nuestra carga laboral, pero su impacto real podría ser el contrario: más demanda, más procesamiento de datos y más trabajo.
Imagina un mundo donde las máquinas hacen en minutos lo que los humanos tardamos días. Donde un algoritmo escribe informes, diseña fármacos o predice mercados financieros con una precisión imposible hace una década. La inteligencia artificial (IA) prometía liberarnos del trabajo tedioso, regalándonos tiempo para la creatividad y el ocio. Pero hay un problema en este mundo ideal: cuanto más eficientes nos volvemos, más trabajo creamos.
La IA y la Paradoja de Jevons
Es como si una fuerza invisible convirtiera cada avance en una nueva carga. Pero esta paradoja no es nueva. En el siglo XIX, el economista William Stanley Jevons observó que las máquinas de vapor, al volverse más eficientes, no redujeron el consumo de carbón, sino que lo multiplicaron. Hoy, la IA revive ese mismo dilema: ¿estamos usando la tecnología para simplificar nuestra vida o para acelerar una carrera sin fin?
En 1865, Jevons publicó The Coal Question, un libro que desafiaba la intuición: demostraba que las mejoras en la eficiencia del carbón no llevaban a su menor uso, sino a todo lo contrario. Al abaratar el coste de producir energía, las fábricas aumentaban su producción, las minas se expandían y el consumo total se disparaba. Este fenómeno, conocido como Paradoja de Jevons, revela una verdad incómoda: la eficiencia no siempre implica sostenibilidad.
La Paradoja de Jevons: Un fantasma del siglo XIX en la Era de la IA
Un ejemplo cotidiano de esto podemos verlo en los automóviles. Si un coche consume menos gasolina, los conductores conducen más kilómetros o compran vehículos más grandes. El resultado final es que el consumo de combustible se mantiene o incluso crece. Lo mismo ocurrió con la electricidad. En un principio, era costosa y solo accesible para unos pocos. Pero los avances tecnológicos hicieron que se abaratará, lo que no redujo el uso de energía, sino que multiplicó las horas de luz en hogares y ciudades, haciendo que tuviéramos que generar más energía, e incrementar la infraestructura para mantener el servicio.
LLEGA DEFAI, LA FUSIÓN DEFI E IA PARA TRANSFORMAR LAS FINANZAS
En la economía actual, este principio se aplica a la digitalización. Los servicios en la nube, por ejemplo, son más eficientes que los servidores locales, pero su bajo coste ha llevado a un boom de datos almacenados, consumiendo enormes cantidades de energía y recursos. Lo mismo, por ejemplo, lo vemos con los smartphones. Desde su llegada y evolución tecnológica, su consumo ha crecido de forma significativa y la perspectiva es que seguirá creciendo más y más.
La IA y su propio laberinto de Jevons
Este comportamiento podemos verlo muy claramente en un sector nuevo: la inteligencia artificial. La IA ha vivido un auténtico boom de uso y seguirá creciendo más y más. A medida que herramientas como ChatGPT o DeepSeek aceleran tareas, no solo no reducen la carga laboral, sino que amplían las expectativas de productividad.
Satya Nadella, CEO de Microsoft, lo resumió así: «La paradoja de Jevons reaparece: mientras la IA se vuelve más eficiente, su uso se dispara, convirtiéndola en una commodity del que nunca tendremos suficiente».
El actual ciclo de creciente eficiencia, consumo de tiempo y recursos laborales refleja una compleja interacción entre el progreso tecnológico y el comportamiento humano. La eficiencia incrementa la demanda, anulando los beneficios iniciales en términos de tiempo libre. Las implicaciones de este fenómeno son significativas y se extienden más allá de los hábitos individuales de trabajo, impactando en el mercado laboral y la propia definición del equilibrio entre vida laboral y personal en la era digital.
LOS TOKENS DE AGENTES DE INTELIGENCIA ARTIFICIAL (IA) MÁS CAPITALIZADOS
Algunos ejemplos de su impacto
La mejor forma de ver esto es examinar el impacto de la creciente eficiencia de la IA y como se manifiesta en diversos sectores. Empecemos con un primer ejemplo, el sector de la biomedicina. En este área, modelos como AlphaFold de Google ha demostrado que estos modelos de IA pueden analizar miles de compuestos químicos en horas, acelerando el descubrimiento de fármacos.
Sin embargo, esta velocidad no ha disminuido la carga de trabajo en el sector. Al contrario, ha incrementado la cantidad de proyectos simultáneos, aumentando exponencialmente la demanda de recursos humanos, computacionales y energía. Esto se ve reflejado en un estudio de Morgan Stanley, que predice que pese a la disminución de los costes de procesamiento, el volumen de experimentos podría crecer un 300% en cinco años.
Toda actividad es susceptible
Pasemos la industria de la manufactura. Las fábricas autónomas impulsadas por IA nos ayudarán a reducir errores y mejorar los tiempos de producción, pero esta eficiencia no se traducirá en una disminución de la actividad productiva y tampoco se traducirá en una disminución de trabajadores humanos. Esto puede verse claramente en empresas como Tesla y Siemens, que están expandiendo sus líneas de producción y diversificando sus ofertas, saturando las cadenas de suministro e incrementando la demanda de materias primas. Esto deja claro que la eficiencia se convierte en un catalizador de la sobreproducción.
Pongamos el ejemplo de sector médico. Supongamos que tenemos sistemas de diagnóstico por IA que analizan radiografías o tomografías en segundos. Podemos pensar de cara a los pacientes que esto es excelente, que lo es, pero en lugar de liberar tiempo para los médicos, los hospitales incrementan su capacidad de atención, generando más historiales clínicos digitales y requiriendo una mayor infraestructura de almacenamiento de datos y, por supuesto, de profesionales relacionados con toda esta actividad. De esa forma, se crea un círculo vicioso: mayor eficiencia, más pacientes, más presión sobre el sistema.
DEEPSEEK DERROTA A NVIDIA EN BOLSA Y DESATA UN TERREMOTO EN LA INDUSTRIA DE LA IA
Cripto y TradFi en la misma situación
¿Qué pasa con las finanzas TradFi y Cripto? En ambos sectores se presenta un panorama similar. En Wall Street, por ejemplo, los algoritmos de alta frecuencia ejecutan transacciones en microsegundos, reduciendo costes operativos. Sin embargo, esto atrae a más inversores, aumentando el volumen de operaciones y el consumo energético de los centros de datos. Algo parecido pasa con la IA en DeFi. La actual explosión de DeFAI está ayudando a expandir el sector de forma acelerada.
Por ejemplo, el sector DeFAI tiene una valoración actual de más de 1,3 mil millones de dólares y la mayor parte de los proyectos dentro no tienen 6 meses de vida. La misma situación pasa en el sector AI Agents, donde la capitalización ya supera los 7,5 mil millones de dólares.
El futuro inmediato: ¿Hacia un colapso o una reinvención?
Partiendo de lo anterior queda claro que a cinco años vista (medio plazo) el impacto de esta paradoja podría redefinir industrias enteras. Y es aquí donde nos enfrentamos a un dilema: ¿Cómo regulamos algoritmos que al reducir costes e incrementar la productividad generan bienestar a la población pero también incentivan la especulación desenfrenada?
La verdad es que regular un sector así parece una tarea imposible. Porque al final, son más negativas las consecuencias de regular que dejar que la innovación continúe su camino. Sobre todo, porque el impulso que la tecnología de IA trae al sector de la investigación es inestimable. Por eso, quizá lo mejor que se puede hacer en este punto es abogar por desarrollar modelos que estén al alcance de todos, abiertos y gratuitos, que nos ayuden a cerrar esa odiosa brecha entre quienes controlan los recursos computacionales y quienes no.
En todo caso, la Paradoja de Jevons nos enseña que los avances tecnológicos, sin una gestión consciente, pueden convertirse en boomerangs. La IA no es una excepción. Su verdadero desafío no está en hacer las cosas más rápido, sino en redefinir qué queremos hacer como sociedad. Si seguimos midiendo el progreso por la cantidad de tareas completadas, caeremos en la trampa de la eficiencia infinita. Pero si usamos la IA para priorizar calidad sobre cantidad, quizás podamos escapar del ciclo. Como escribió Jevons en 1865, «no es sabiduría, sino ilusión, creer que el uso eficiente de un recurso equivale a usarlo menos». La pregunta ahora es: ¿aprenderemos la lección esta vez?