En algún momento todos hemos vivido la misma situación: se pone en marcha un nuevo servicio –quizás impulsado por IA generativa– y queremos medir cómo ha incrementado la productividad. O bien implantamos una nueva política de outsourcing con proveedores diferentes y queremos determinar cuál funciona mejor. Y es aquí donde empiezan los problemas.

Muchos de estos problemas provienen de la distancia entre lo que intuitivamente entendemos por productividad y lo que realmente puede capturar el indicador económico. Veamos algunos ejemplos que lo evidencian.

El espejismo del Ford T

El Ford T fue el primer modelo fabricado en cadena, un vehículo icónico disponible en todos los colores… siempre que fueran negro, como decía Henry Ford. Pues bien, este modelo tardaba 93 minutos en fabricarse, toda una gesta para la época. Si recordamos que la productividad de proceso se mide dividiendo el output por las horas trabajadas, obtenemos que 1/1,55 = 0,65 coches por hora trabajada.

Seguro que, con tantos robots y tanta tecnología, hemos avanzado mucho, ¿verdad? Bueno, hoy la medida es ligeramente diferente: se habla de HPV (hours per vehicle), que incluye tanto las horas directas como las indirectas. Típicamente, se mueve en una horquilla entre 20 y 35 (Toyota alrededor de 30 HPV; las plantas de Detroit, entre 32 y 34; y el Ford F-150, solo en ensamblaje, 20 HPV). Esto equivaldría a una productividad entre 0,04 y 0,029 coches por hora trabajada.

¿Somos, pues, mucho menos productivos ahora – con robots, just-in-time, lean manufacturing… – que en 1913, cuando salió el Ford T?

Si tenéis a alguien de management cerca, os dirá que Esteve os está tomando el pelo. Ford es un ejemplo emblemático del management científico, y he elegido uno de sus periodos más eficientes. Y tendrá parte de razón, pero no toda. Ford no era exactamente un taylorista, pero sí un gran representante del management científico: adaptó los principios de Taylor a sus necesidades. Es conocido que no quería tener trabajadores mal pagados y los remuneraba con 5 dólares al día, un muy buen salario en la época.

El Ford T fue el primer modelo producido en cadena, que tardaba 93 minutos en fabricarse. ¿Somos ahora menos productivos que en 1913?

Si observamos el tiempo de fabricación antes de Ford, era de unas 12,5 horas. Ford lo redujo a 1,55 horas. ¡Pero estas 12,5 horas siguen siendo mucho menos que las 30 horas típicas de Toyota!

Y aquí es donde interviene el amigo economista. El economista le dirá que no se trata solo del número de coches por hora, sino que hay que ajustarlo por el coste de esas horas y por la paridad de poder adquisitivo (PPP, purchasing power parity). Un dólar de 1914 equivaldría hoy a unos 30 dólares, es decir, unos 18,75 $/h. Una hora de trabajo en una fábrica moderna cuesta unos 60 $/h en EE. UU.

Así pues, rehaciendo los cálculos para contentar a nuestro amigo economista, nuestro Ford T tendría una productividad de 0,034 coches por dólar, mientras que el Toyota se situaría en 0,0005556 coches por dólar. Incluso podríamos decir que estamos peor.

Las paradojas de medir lo que hacemos

Veamos aún algunas paradojas más de la productividad. En una empresa o en una tarea concreta, mediremos la productividad como el cociente entre el valor añadido (o el número de unidades) y el número de horas necesarias para obtenerlo.

Pero esto implica que, si estratégicamente eliminamos las horas menos productivas –y trabajamos menos–, seremos más productivos. Si, por el contrario, trabajamos más horas e incorporamos horas en las que inevitablemente seremos menos productivos porque estaremos cansados, entonces la productividad caerá.

Y si tenemos un bonus ligado a la productividad, quien trabaje menos será, aparentemente, más productivo y recibirá más bonus. Estaremos pues incentivando a toda la empresa a adoptar una estrategia de trabajar menos y a seleccionar los clientes más fáciles, es decir, aquellos donde aportamos menos valor o trasladar a otros equipos los casos difíciles…

¡Obviamente, una empresa que haga esto no durará mucho!

Recordemos la ley de Goodhart: cuando una medida se convierte en objetivo, deja de ser una buena medida. Por eso es necesario un cuadro de mando equilibrado que contemple no solo la productividad, sino también la calidad, la satisfacción del cliente, el retrabajo y la capacidad de innovar, entre otros

Si tenemos un bonus ligado a la productividad, quien trabaje menos será, aparentemente, más productivo y recibirá más bonus. ¡Una empresa que haga esto no durará mucho!

Todo apunta a que la medida económica de la productividad solo es útil cuando comparamos bienes homogéneos, similares en todo. El Ford T es un coche muy diferente del Toyota: en calidad, en complejidad, en todo. Ambos son coches, pero no son comparables. Igualmente, la sociedad de 1914, donde 5 dólares al día era un buen sueldo, tiene poco que ver con la actual. Por lo tanto, estamos comparando costes laborales de dos realidades completamente diferentes; la comparación pierde sentido.

A menudo las mejoras tecnológicas no consisten en hacer lo mismo mejor, de una manera más eficiente, sino en hacer productos diferentes. Si hicieran exactamente lo mismo mejor, la medida económica de la productividad nos sería útil. Pero si generan productos diferentes –coches más seguros, asistidos, casi herramientas digitales con ruedas–, debemos recordar siempre que ya no estamos comparando lo mismo.

Esto es exactamente lo que nos pasa ahora con la IA generativa. Las herramientas de IA generativa nos permiten hacer mejor nuestro trabajo, explorar opciones más ampliamente y reducir la incertidumbre. El resultado final puede parecer similar, pero el proceso es diferente: hemos explorado más, hemos mejorado la calidad potencial del resultado e incluso podemos escribir mejor. Son tareas diferentes, a menudo no apreciables solo mirando el resultado final.

La pregunta clave no es qué incremento de productividad obtendremos, sino cuál es el coste de no adoptar, y si nos lo podemos permitir

La situación se complica aún más cuando el resultado no son unidades comparables –como los coches–, sino estudios de consultoría o informes legales. En estos casos no podemos contar unidades, sino valor. Y el valor lo determina el mercado, la marca, la reputación y muchas otras cosas, desvirtuando completamente la medida.

A menudo, con disrupciones genéricas como la que estamos viviendo, la adopción acaba siendo universal y las ganancias de productividad solo se reflejan en períodos pequeños. Por eso, la pregunta clave no es qué incremento de productividad obtendremos, sino cuál es el coste de no adoptar —y si nos lo podemos permitir.

Esto depende de muchos factores: la intensidad competitiva, hasta qué punto la tecnología afecta a tu sector y cuál es tu estrategia. Si quieres aprovechar la disrupción para ganar una ventaja competitiva, o simplemente quieres mantenerte al nivel del resto, hay que tener claro que la adopción es, tarde o temprano, inevitable. Igual que pasó con Internet, al final solo hay dos tipos de empresas: las que usan Internet y las que ya están muertas.

¿Por qué, pues, insistimos en medir la productividad?

Y entonces llega la pregunta inevitable: si la medida económica de la productividad tiene tantos problemas, ¿por qué la usamos y por qué se le da tanta importancia?

Paul Krugman decía: “Productivity isn’t everything, but in the long run it is almost everything.” Y esta sentencia refleja por qué la productividad es tan relevante.

Cuando medimos países en un mismo momento histórico que compiten con un conjunto de productos similares, la productividad económica quizás no capturará todos los matices, pero a la larga nos indica quién competirá mejor. Y por eso determina ganadores y perdedores. La magia de la agregación en un mercado competitivo hace el trabajo que la medida, por sí sola, no puede hacer.