A mediados de los años sesenta, IBM apostó su futuro a una familia de computadoras llamada System/360.
La revista Fortune describió el proyecto como una apuesta de cinco mil millones de dólares, una cifra descomunal para la época. El hardware avanzó según lo previsto, pero el sistema operativo, bautizado OS/360, comenzó a sumar retrasos adicionales a los existentes.
Fred Brooks, el ingeniero que dirigía el proyecto, hizo lo que cualquier gerente habría hecho: pidió refuerzos. Más de mil personas llegaron a trabajar en el proyecto, que consumió cerca de cinco mil años hombre de esfuerzo acumulado.
Cada nueva incorporación adicional, exigía muchas semanas de entrenamiento a cargo de los veteranos y multiplicaba las reuniones necesarias para mantener el rumbo del proyecto.
El cronograma siguió corriéndose de forma exponencial. Una década después, Brooks relato de forma detallada la experiencia en un libro que denominó: ‘The Mythical ManMonth’, ‘El mito del hombremes’, donde formuló la Ley que hoy lleva su nombre: “añadir personal a un proyecto de software retrasado lo retrasa todavía más”.
La figura literaria que aplicó para explicar este fenómeno quedó escrita en mármol en la cultura de la ingeniería: “gestar un bebé toma nueve meses sin importar cuántas mujeres se asignen a la tarea”. Brooks murió en 2022, luego de ser ganador del premio Turing.
Qué es un agente y por qué está de moda
Un agente de inteligencia artificial es un programa que va un paso más allá de un simple agente de chat automático. Mientras el chatbot responde preguntas, el agente ejecuta tareas múltiples o especificas: lee correos, consulta bases de datos, llena formularios, compara precios y se encarga de forma meticulosa de engranar esos pasos sin que una persona intervenga en cada uno.
La promesa comercial pareciera ser esencialmente seductora. Si un agente trabaja como un empleado digital que ni duerme ni cobra horas extra, diez agentes deberían rendir como diez empleados y cien como un pequeño Ejército. Las cifras de inversión reflejan ese entusiasmo.
La consultora Gartner calculó que el gasto mundial en inteligencia artificial generativa rondaría los 644.000 millones de dólares en 2025 y que el gasto total en esta tecnología se acercaría al billón y medio de dólares ese mismo año. Bajo esta extraña lógica de abundante dinero, miles de empresas desplegaron agentes en atención al cliente, ventas, contabilidad, logística y recursos humanos.
Finalmente terminaron repitiendo el error que Brooks describió hace medio siglo: “asume que el trabajo puede partirse en pedazos infinitos y que cada pieza nueva del sistema suma capacidad sin añadir costos”.
La aritmética que nadie quiere hacer
Brooks desmontó el mito del hombremes con aritmética básica de colegio de primaria.
Cuando dos personas colaboran existe un único canal de conversación.
Con cinco, los canales posibles suben a diez. Con veinte, a ciento noventa.
La fórmula, “n por n menos uno dividido entre dos”, crece mucho más rápido que el tamaño del equipo, y cada canal consume horas en explicaciones y malentendidos.
A ese costo se suma la rampa de aprendizaje: un recién llegado produce poco durante sus primeras semanas y, mientras aprende, roba tiempo a los expertos que deben guiarlo. Queda, además, la naturaleza del propio trabajo.
Algunas tareas podrían llegar eventualmente a funcionar muy bien si se reparten entre muchas manos, como cosechar un campo o pintar un edificio o incluso desmantelar una máquina, pero otras son secuenciales y no admiten división alguna, por más recursos que se les asignen.
Los agentes de inteligencia artificial hasta ahora han demostrado incapacidad para admitir división eficiente del trabajo disperso.
Es importante aclarar que esto no implica que en el futuro puedan hacerlo si los sistemas de memorización de los lenguajes de IA mejoran, pero por ahora es bastante más lejano de lo que parece.
Cada agente nuevo necesita contexto, permisos, datos limpios y reglas de operación, su propia rampa de aprendizaje.
Cada agente conectado con otros agentes o con personas abre canales adicionales de coordinación, ahora entre humanos y máquinas.
Y el paso final de casi cualquier proceso, la revisión humana de lo que la máquina produjo, sigue siendo tan indivisible como siempre. Alguien debe verificar el resultado y responder por él, y ese alguien se convierte en el nuevo cuello de botella y eso se repite una y otra y otra vez.
Los números que por ningún lado cuadran
El laboratorio independiente Metr puso la teoría a prueba en 2025 con un experimento controlado: dieciséis programadores veteranos resolvieron 246 tareas reales, unas veces con asistentes de inteligencia artificial y otras sin ellos.
Los participantes creían haber trabajado un veinte por ciento más rápido gracias a la máquina.
El cronómetro mostró lo contrario: fueron un diecinueve por ciento más lentos, porque revisar y corregir las propuestas del asistente consumía más tiempo del que la herramienta ahorraba.
El propio Metr matizó el hallazgo en 2026, con una muestra mayor y modelos más recientes, y hoy sostiene que el efecto negativo se redujo, aunque la evidencia de una aceleración clara sigue siendo débil.
Un informe del MIT calculó que el noventa y cinco por ciento de los pilotos corporativos de inteligencia artificial generativa no produjo retorno medible, un número que varios académicos cuestionan por su metodología, aunque pocos discuten la tendencia.
