The Accumulation Paradox: When Markups Enable and Inhibit AI Adoption

Resumen Técnico: La Paradoja de la Acumulación

Planteamiento del Problema
El artículo aborda la "paradoja de la productividad de la IA", una discrepancia entre las robustas ganancias de productividad a nivel de empresa atribuidas a la inteligencia artificial generativa (estimadas en 4%) y el estancamiento del crecimiento agregado de la Productividad Total de los Factores (PTF) en la economía estadounidense (1%/año). Mientras que la literatura existente atribuye esta brecha a errores de medición, desplazamiento laboral o externalidades de la demanda (por ejemplo, Falk & Tsoukalas, 2026), estos modelos suelen tratar la estructura del mercado como algo exógenamente fijo. El artículo sostiene que la estructura del mercado no es un trasfondo estático, sino que coevoluciona con la adopción tecnológica. Específicamente, investiga cómo la distribución de las rentas de la IA —mediada por la concentración del mercado y el poder de fijación de precios— determina si las ganancias de eficiencia a nivel de empresa se traducen en crecimiento macroeconómico agregado.

Metodología
El estudio emplea un Modelo Basado en Agentes (ABM, por sus siglas en inglés) situado dentro de la tradición de la economía evolutiva (Nelson & Winter, 1982; Dosi & Roventini, 2019). El modelo simula una economía de competencia monopolística con $N=200$ empresas heterogéneas y un consumidor representativo. Las características metodológicas clave incluyen:

• Racionalidad Limitada: Las empresas no resuelven problemas de optimización prospectivos. En su lugar, siguen heurísticas de inversión, aprenden mediante la imitación de sus pares exitosos y ajustan sus estrategias basándose en la rentabilidad observada.
• Estructura de Mercado Endógena: La concentración del mercado (medida por el HHI), la dispersión de los márgenes de beneficio (markups) y el tiempo de adopción emergen de las decisiones de las empresas en lugar de ser parámetros impuestos. Las empresas poseen elasticidades de sustitución específicas de la firma ($\sigma_i$) derivadas de su productividad y cuota de mercado, lo que determina su poder de fijación de precios.
• Dinámicas de Adopción: La inversión en IA está condicionada por una variable de preparación informativa ($R_i$) que se acumula mediante la difusión y la influencia de los pares. Esto crea una trayectoria de adopción en forma de curva en S, retrasando la inversión hasta que se cruza un umbral.
• Enfoque Generativo: El modelo está diseñado para la identificación de mecanismos (Epstein & Axtell, 1996) más que para la estimación estructural. Prueba si la competencia, la imitación y las dinámicas de adopción son conjuntamente suficientes para generar la paradoja observada.
• Calibración: Los parámetros se anclan a momentos empíricos, incluyendo la distribución de los márgenes de beneficio de las empresas (De Loecker et al., 2020) y las tasas de crecimiento de la PTF a corto plazo (BLS). Los rankings de adopción sectorial del modelo se comparan con la Encuesta de Tendencias y Perspectivas Empresariales de EE. UU. (BTOS).

Contribuciones Clave y Hallazgos
Las simulaciones generan tres patrones primarios que explican la supresión de la PTF agregada:

1. Absorción de Márgenes (Markup Absorption): En mercados concentrados (baja elasticidad de sustitución $\sigma$), las empresas convierten las ganancias de eficiencia inducidas por la IA en mayores márgenes de beneficio en lugar de bajar los precios o expandir la producción. El artículo identifica este "canal de margen" como el principal supresor de la transmisión de la PTF, contabilizando aproximadamente 24 puntos porcentuales de la supresión de la PTF a través del rango de $\sigma$. Un mecanismo secundario, el "umbral de adopción" (inversión retrasada debido a la acumulación de información), contribuye con una supresión media adicional de 10.4 puntos porcentuales.
2. Reversión Temporal en los Rankings de Adopción: El modelo predice una evolución no monotónica en la adopción sectorial. Inicialmente (años 0–4), los sectores competitivos (alto $\sigma$) adoptan la IA más rápido debido a las menores barreras de entrada y la rápida difusión de la información. Sin embargo, tras un punto de cruce (aproximadamente 4 años), los sectores concentrados (bajo $\sigma$) los superan. Esta reversión ocurre porque los mayores márgenes de beneficio en los sectores concentrados proporcionan los fondos internos sostenidos necesarios para la inversión en IA duradera y a gran escala, mientras que los sectores competitivos erosionan estos retornos.
3. Biestabilidad y Umbrales de Competencia: Existe un umbral de competencia crítico alrededor de $\sigma \approx 5$. Por debajo de este valor, los mercados concentrados sostienen una alta adopción; por encima, la presión competitiva erosiona los márgenes hasta un punto en que la inversión en IA se vuelve insostenible, lo que conduce a una baja adopción. Cerca de este límite, el sistema exhibe biestabilidad: parametrizaciones idénticas producen regímenes de alta o baja adopción dependiendo de las condiciones iniciales aleatorias. Esto formaliza una tensión kaleckiana donde los márgenes sirven simultáneamente como el combustible para la inversión y como una barrera para la difusión competitiva de las ganancias.

Significancia y Reivindicaciones
El artículo enmarca explícitamente sus contribuciones como "demostraciones generativas" en lugar de estimaciones causales de fenómenos del mundo real. Su significancia radica en:

• Identificación de Mecanismos: Demuestra que la paradoja de la productividad de la IA puede emerger endógenamente de la coevolución de la tecnología y la estructura del mercado, sin depender únicamente de las externalidades de la demanda o de errores de medición.
• Integración Teórica: Los hallazgos conectan herramientas de modelado convencionales (demanda CES, producción Cobb-Douglas) con marcos teóricos heterodoxos. El canal de absorción de márgenes resuena con la absorción del excedente marxista y el capital monopolista de Baran/Sweezy; la biestabilidad del umbral refleja la tensión post-keynesiana/kaleckiana entre la inversión liderada por los beneficios y la demanda liderada por los salarios; y el papel de la imitación se alinea con las visiones institucionalistas sobre la coordinación no de mercado (Hodgson, 1988).
• Implicaciones de Política (Indirectas): El artículo clarifica las precondiciones analíticas para la política en lugar de prescribir instrumentos específicos. Sugiere que la política de competencia y la política industrial deben abordar los mecanismos distributivos: evitar que la absorción de márgenes prive a la PTF agregada mientras se asegura la difusión suficiente donde los retornos privados son insuficientes.
• Predicciones Empíricas: El modelo ofrece una hipótesis contrastable: si los sectores competitivos lideran actualmente la adopción de la IA (como sugiere la de los datos de la BTOS de 2024), los sectores concentrados deberían superarlos hacia el año 2029 aproximadamente.

Los autores mantienen una postura modesta, señalando que el modelo es una economía cerrada con mercados laborales simplificados y que los niveles cuantitativos de adopción son valores de equilibrio a largo plazo que superan los datos transversales actuales. La afirmación central es que los patrones observados están estructuradamente generados por un conjunto mínimo de reglas de comportamiento, ofreciendo una nueva lente a través de la cual interpretar la interacción entre el poder de mercado y la difusión tecnológica.