Hanademi

Enterprise AI works when the work changes

66 slides · $4.43 · 29 min · 1 minute ago language
ENES
theme
LightDark
view
DeckTableTalk
brand
HanademiPlatzi
Enterprise AI works when thework changesMade for Freddy Vega, by Hanademi
La IA empresarial funcionacuando cambia el trabajoMade for Freddy Vega, by Hanademi
Experienced developers got slower with AIPredicted and observed productivity effect in a 2025 randomized trial, percent.Made for Freddy Vega, by HanademiSources: METR. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity.UnitProductivity effectExpected24%Observed-19%
The developers expected a 24% speed gain. The trial found the opposite: they finished 19% slower. Model capability and workplace productivity are not the same thing.
Los desarrolladores experimentados fueronmás lentos con IAEfecto previsto y observado sobre la productividad en un ensayo aleatorio de 2025, porcentaje.Made for Freddy Vega, by HanademiFuentes: METR. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity.UnidadEfecto en productividadPrevisto24 %Observado-19 %
Los desarrolladores esperaban mejorar su velocidad un 24%. El ensayo encontró lo contrario: terminaron un 19% más lento. La capacidad del modelo y la productividad laboral no son lo mismo.
Terms worth knowingMade for Freddy Vega, by HanademiGenerative AIAI that creates text, code, images or other content.AI agentSoftware using AI to complete several steps toward a goal.Capability frontierThe boundary between tasks a model handles and misses.
Generative AI creates content. Agents attempt sequences of actions. The capability frontier explains why performance can change sharply between similar tasks.
Términos que conviene conocerMade for Freddy Vega, by HanademiIA generativaIA que crea texto, código, imágenes u otro contenido.Agente de IASoftware que usa IA para completar varios pasos hacia una meta.Frontera de capacidadEl límite entre las tareas que un modelo resuelve y falla.
La IA generativa crea contenido. Los agentes intentan secuencias de acciones. La frontera de capacidad explica por qué el rendimiento cambia entre tareas parecidas.
AI adoption can mean 5% or 72%Different executive and US business survey measures, 2024 to 2025.Made for Freddy Vega, by HanademiSources: McKinsey & Company. (2024). The state of AI in early 2024: Gen AI adoption spikes and starts to generate value.; United StatesCensus Bureau. (2024). Tracking firm use of AI in real time: A snapshot from the Business Trends and Outlook Survey.; federalreserve.gov.UnitPercent72%Any business function65%Regular generative AI18%US firms, year-end 20255.4%US firms, February 2024
Executive surveys make AI look nearly universal. Census-style surveys produce much lower estimates. The gap reflects different populations and definitions, not one shared adoption measure.
La adopción de IA puede significar 5% o 72%Distintas medidas de encuestas a ejecutivos y empresas estadounidenses, 2024 a 2025.Made for Freddy Vega, by HanademiFuentes: McKinsey & Company. (2024). The state of AI in early 2024: Gen AI adoption spikes and starts to generate value.; United StatesCensus Bureau. (2024). Tracking firm use of AI in real time: A snapshot from the Business Trends and Outlook Survey.;federalreserve.gov.UnidadPorcentaje72 %Alguna función empresarial65 %IA generativa habitual18 %Empresas de EE. UU., 20255,4 %Empresas de EE. UU., febrero
Las encuestas a ejecutivos hacen que la IA parezca casi universal. Las encuestas censales producen estimaciones mucho menores. La brecha refleja poblaciones y definiciones distintas.
German firm use or planned use rose from26% toward a majority.The later figure combines current use with expected use.Sources: cepr.org.
Only 26% of surveyed German firms used generative AI in 2024. More than half used it or expected to by the end of 2026. Planned adoption is moving faster than proven operating maturity.
Sources
El uso o uso previsto en empresasalemanas pasó del 26% hacia una mayoría.La cifra posterior combina uso presente con uso previsto.Fuentes: cepr.org.
Solo el 26% de las empresas alemanas encuestadas usaba IA generativa en 2024. Más de la mitad la usaba o esperaba usarla al cierre de 2026. La adopción prevista avanza más rápido que la madurez demostrada.
Swedish enterprise AI use rose by halfArtificial-intelligence use by Swedish enterprises, 2024 to 2025, Eurostat measure.Made for Freddy Vega, by HanademiSources: Eurostat. (n.d.). Artificial intelligence by size class of enterprise [ISOC_EB_AI]. Eurostat.UnitEurostat measure8%10%202420257.1%11.0%
Sweden's measure rose from 7.11 in 2024 to 10.97 in 2025. That is a sharp one-year increase. Two observations show movement, not a durable trend.
El uso empresarial de IA en Suecia creciócerca de la mitadUso de inteligencia artificial por empresas suecas, 2024 a 2025, medida de Eurostat.Made for Freddy Vega, by HanademiFuentes: Eurostat. (n.d.). Artificial intelligence by size class of enterprise [ISOC_EB_AI]. Eurostat.UnidadMedida de Eurostat8 %10 %202420257,1 %11,0 %
La medida de Suecia subió de 7,11 en 2024 a 10,97 en 2025. Es un aumento fuerte en un año. Dos observaciones muestran movimiento, no una tendencia duradera.
Only 4% of companies led in AI valueBCG classification of companies by ability to achieve and scale AI value, 2024.Made for Freddy Vega, by HanademiSources: Boston Consulting Group. (2024). Where's the value in AI?UnitShare of companies0%20%40%60%80%100%StrugglingBuilding capabilitiesLeadingCompanies74%22%
BCG classified 74% of companies as struggling to achieve and scale value. Another 22% were building capabilities. Only 4% qualified as leaders.
Solo el 4% lideraba en valor de IAClasificación de BCG según la capacidad de lograr y escalar valor con IA, 2024.Made for Freddy Vega, by HanademiFuentes: Boston Consulting Group. (2024). Where's the value in AI?UnidadPorcentaje de empresas0 %20 %40 %60 %80 %100 %RezagadasCreando capacidadesLíderesEmpresas74 %22 %
BCG clasificó al 74% de las empresas como rezagadas al lograr y escalar valor. Otro 22% estaba creando capacidades. Solo el 4% se consideraba líder.
Only 1% of surveyed executives called theirgenerative-AI rollouts mature.This is a self-reported maturity assessment.Sources: McKinsey & Company. (2025). Superagency in the workplace: Empowering people to unlock AI's full potential.; The state of AI in 2025: Agents,innovation, and transformation.
Adoption describes access or use. Maturity asks whether AI is governed, measured and embedded in work. Only 1% of surveyed executives described their rollout as mature.
Solo el 1% de los ejecutivosencuestados calificó maduros susdespliegues de IA generativa.Es una evaluación de madurez declarada por los encuestados.Fuentes: McKinsey & Company. (2025). Superagency in the workplace: Empowering people to unlock AI's full potential.; The state of AI in 2025: Agents,innovation, and transformation.
La adopción describe acceso o uso. La madurez pregunta si la IA está gobernada, medida e integrada en el trabajo. Solo el 1% de los ejecutivos encuestados describió su despliegue como maduro.
Value starts with the workflowThree people discuss work around a table beneath overlaid data graphics.Sources: Enterprise AI trends 2026: AI transformation strategy | Deloitte US. deloitte.com.
The gap between adoption and maturity closes when teams redesign how decisions and tasks move.
El valor empieza con el flujo de trabajoTres personas conversan alrededor de una mesa bajo gráficos de datos superpuestos.Fuentes: Enterprise AI trends 2026: AI transformation strategy | Deloitte US. deloitte.com.
La brecha entre adopción y madurez se reduce cuando los equipos rediseñan cómo fluyen las decisiones y las tareas.
Workflow redesign tripled AI cost savingsReported cost reduction with end-to-end redesign versus less than 20% without comparable redesign.Made for Freddy Vega, by HanademiSources: bcg.com.BCG reported the second result as less than 20%; 20% is shown as its stated upper boundary.UnitCost reductionEnd-to-end redesign60%Without comparable redesign20%3x
BCG reported 60% cost reductions in redesigned end-to-end agentic processes. Comparable reductions stayed below 20% without that redesign. Power tools matter less when the production line stays unchanged.
Sources
Rediseñar el proceso triplicó el ahorro conIAReducción de costos reportada con rediseño integral frente a menos del 20% sin rediseño comparable.Made for Freddy Vega, by HanademiFuentes: bcg.com.BCG reportó el segundo resultado como menos del 20%; se muestra 20% como límite superior declarado.UnidadReducción de costosRediseño integral60 %Sin rediseño comparable20 %3x
BCG reportó reducciones de costos del 60% en procesos agénticos rediseñados de extremo a extremo. Sin ese rediseño, las reducciones quedaron por debajo del 20%. Las herramientas importan menos si la línea no cambia.
Southeast Asia moved more AI beyondpilotsSurveyed companies scaling AI beyond pilots, Southeast Asia versus cited global average.Made for Freddy Vega, by HanademiSources: thailand-business-news.com.UnitShare of companies46%Southeast Asia35%Global average
Forty-six percent of surveyed Southeast Asian companies reported scaling beyond pilots. The cited global average was 35%. Scaling is further than experimentation, but it is not the same as durable returns.
El Sudeste Asiático llevó más IA más alláde los pilotosEmpresas encuestadas que escalaron IA más allá de pilotos, Sudeste Asiático frente al promedio globalcitado.Made for Freddy Vega, by HanademiFuentes: thailand-business-news.com.UnidadPorcentaje de empresas46 %Sudeste Asiático35 %Promedio global
El 46% de las empresas encuestadas del Sudeste Asiático reportó escalar más allá de los pilotos. El promedio global citado fue 35%. Escalar va más allá de experimentar, pero no equivale a retornos duraderos.
Developers completed a controlled codingtask 55.8% faster with Copilot.A controlled task does not establish the same effect across whole software projects.Sources: Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot.
The task was bounded and the finish line was clear. Developers using GitHub Copilot completed it 55.8% faster. That is strong evidence for assistance on defined coding work.
Los desarrolladores completaron una tareacontrolada 55,8% más rápido con Copilot.Una tarea controlada no establece el mismo efecto en proyectos completos de software.Fuentes: Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot.
La tarea estaba delimitada y la meta era clara. Los desarrolladores con GitHub Copilot la completaron un 55,8% más rápido. Es evidencia sólida para asistencia en programación definida.
Company experiments found developerscompleted 26.08% more tasks with AI.The result measures completed tasks across the reported field experiments.Sources: demirermert.github.io.
The evidence moved beyond a laboratory task. Three company field experiments covered 4,867 developers. AI assistance increased completed tasks by 26.08%.
Experimentos empresariales hallaron quelos desarrolladores completaron 26,08%más tareas con IA.El resultado mide tareas completadas en los experimentos de campo reportados.Fuentes: demirermert.github.io.
La evidencia fue más allá de una tarea de laboratorio. Tres experimentos empresariales incluyeron 4.867 desarrolladores. La asistencia de IA aumentó 26,08% las tareas completadas.
AI helped novice support workers mostProductivity gain from a generative-AI assistant in customer support.Made for Freddy Vega, by HanademiSources: Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. National Bureau of Economic Research WorkingPaper No. 31161.UnitProductivity gainAll workers14%Novice and lower-skilled34%2.4x
The overall productivity gain was 14%. Novice and lower-skilled workers gained 34%. AI acted more like a way to spread expert practice than a universal accelerator.
La IA ayudó más a los agentes novatosMejora de productividad con un asistente de IA generativa en atención al cliente.Made for Freddy Vega, by HanademiFuentes: Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. National Bureau of Economic ResearchWorking Paper No. 31161.UnidadMejora de productividadTodos los trabajadores14 %Novatos y menos cualificados34 %2,4x
La mejora general fue del 14%. Los trabajadores novatos o menos cualificados mejoraron un 34%. La IA difundió prácticas expertas más que acelerar a todos por igual.
Small task changes can erase AI'sadvantageAccuracy penalties reported in separate task-fit studies, percentage points.Made for Freddy Vega, by HanademiSources: Dell'Acqua, F., et al. (2023). Navigating the jagged technological frontier. Harvard Business School Working Paper No. 24-013.;Mirzadeh, I., et al. (2024). GSM-Symbolic: Understanding the limitations of mathematical reasoning in large language models. Apple.Sources use different measurement bases; read the comparison directionally, not as one exact scale.UnitPercentage points-19%Outside capability frontier-65%Irrelevant clauses added
Consultants improved inside GPT-4's capability frontier. Outside it, correct solutions fell by 19 percentage points. A separate Apple study found drops approaching 65 points in some conditions.
Pequeños cambios pueden borrar la ventajade la IAPenalizaciones de precisión reportadas en estudios separados, puntos porcentuales.Made for Freddy Vega, by HanademiFuentes: Dell'Acqua, F., et al. (2023). Navigating the jagged technological frontier. Harvard Business School Working Paper No. 24-013.;Mirzadeh, I., et al. (2024). GSM-Symbolic: Understanding the limitations of mathematical reasoning in large language models. Apple.Las fuentes usan bases de medición distintas; lea la comparación como tendencia, no como una escala exacta.UnidadPuntos porcentuales-19 %Fuera de la frontera-65 %Cláusulas irrelevantes
Los consultores mejoraron dentro de la frontera de GPT-4. Fuera de ella, los aciertos cayeron 19 puntos porcentuales. Otro estudio de Apple halló caídas cercanas a 65 puntos en algunas condiciones.
METR estimated reliable task horizonsdoubled about every 7 months.The estimate measures benchmark task duration at 50% reliability, not unsupervisedenterprise autonomy.Sources: METR. (2025). Measuring AI ability to complete long tasks.
Agent capability is improving quickly. METR estimated a doubling about every 7 months. Even so, the 50% reliability horizon reached only about 50 minutes by early 2025.
METR estimó que los horizontes fiables seduplicaban cada 7 meses.La estimación mide duración de tareas de prueba con 50% de fiabilidad, no autonomíaempresarial sin supervisión.Fuentes: METR. (2025). Measuring AI ability to complete long tasks.
La capacidad de los agentes mejora con rapidez. METR estimó una duplicación cada 7 meses. Aun así, el horizonte con 50% de fiabilidad llegó a unos 50 minutos a comienzos de 2025.
Half shipped an agent that failed a customerSurveyed enterprises reporting evaluation failures and full trust in automated evaluation.Made for Freddy Vega, by HanademiSources: venturebeat.com.UnitShare of enterprisesPassed inside, failed customer50%Fully trust automated evaluation5%
Half had shipped an agent that passed internal checks but failed for a customer. Only one in twenty fully trusted automated evaluation. Deployment is moving faster than confidence in the tests.
La mitad desplegó un agente que falló anteun clienteEmpresas encuestadas que reportaron fallos y confianza plena en evaluación automatizada.Made for Freddy Vega, by HanademiFuentes: venturebeat.com.UnidadPorcentaje de empresasAprobó dentro, falló fuera50 %Confía plenamente en evaluación5 %
La mitad había desplegado un agente que aprobó controles internos pero falló ante un cliente. Solo una de cada veinte confiaba plenamente en la evaluación automatizada. El despliegue avanza más rápido que la confianza en las pruebas.
Concern about AI outweighed excitementfive to oneUS adults' sentiment toward AI in 2023.Made for Freddy Vega, by HanademiSources: Pew Research Center. (2023). Growing public concern about the role of artificial intelligence in daily life.UnitShare of adults0%20%40%60%80%100%More concernedEqual concern and excitementMore excitedUS adults52%36%10%
Fifty-two percent felt more concerned than excited. Only 10% felt more excited. Companies are deploying AI without broad emotional permission from the public.
La preocupación por la IA superó 5 a 1 alentusiasmoSentimiento de los adultos estadounidenses hacia la IA en 2023.Made for Freddy Vega, by HanademiFuentes: Pew Research Center. (2023). Growing public concern about the role of artificial intelligence in daily life.UnidadPorcentaje de adultos0 %20 %40 %60 %80 %100 %Más preocupadosIgual preocupación y entusiasmoMás entusiasmadosAdultos de EE. UU.52 %36 %10 %
El 52% se sentía más preocupado que entusiasmado. Solo el 10% sentía más entusiasmo. Las empresas despliegan IA sin un amplio permiso emocional del público.
US workplace AI use nearly doubled in twoyearsUS employees using AI at work at least occasionally, 2023 to 2025.Made for Freddy Vega, by HanademiSources: Gallup. (2025). AI use at work has nearly doubled in two years.UnitShare of employees0%20%40%40%202320242025
Occasional workplace AI use rose from 21% to 40%. The increase took only two years. Governance is chasing behavior that employees have already changed.
El uso laboral de IA casi se duplicó en 2añosEmpleados estadounidenses que usaban IA en el trabajo al menos ocasionalmente, 2023 a 2025.Made for Freddy Vega, by HanademiFuentes: Gallup. (2025). AI use at work has nearly doubled in two years.UnidadPorcentaje de empleados0 %20 %40 %40 %202320242025
El uso ocasional de IA en el trabajo subió del 21% al 40%. El aumento tardó solo 2 años. La gobernanza persigue un comportamiento que los empleados ya cambiaron.
Unapproved AI became routine at workUK employees reporting unapproved consumer-AI use.Made for Freddy Vega, by HanademiSources: ukstories.microsoft.com.UnitShare of employeesEver used · 71%Continued weekly · 51%
Seventy-one percent had used unapproved consumer AI at work. Fifty-one percent continued weekly. Employee demand is already creating a security and policy problem.
La IA no autorizada se volvió habitual en eltrabajoEmpleados británicos que reportaron uso de IA de consumo no autorizada.Made for Freddy Vega, by HanademiFuentes: ukstories.microsoft.com.UnidadPorcentaje de empleadosLa usó alguna vez · 71 %Continuó cada semana · 51 %
El 71% había usado IA de consumo no autorizada en el trabajo. El 51% seguía haciéndolo cada semana. La demanda laboral ya crea un problema de seguridad y políticas.
The IMF estimates that 60% of employmentis exposed to AI in advanced economies.Exposure measures potential task impact, not observed job elimination.Sources: International Monetary Fund. (2024). Gen-AI: Artificial intelligence and the future of work.; AI Will Transform the Global Economy. Let'sMake Sure It Benefits Humanity..
The IMF estimates 60% of employment is exposed to AI in advanced economies.
El FMI estima que el 60% del empleoestá expuesto a la IA en laseconomías avanzadas.La exposición mide el impacto potencial en las tareas, no la eliminación observada deempleos.Fuentes: International Monetary Fund. (2024). Gen-AI: Artificial intelligence and the future of work.; AI Will Transform the Global Economy. Let's MakeSure It Benefits Humanity..
El FMI estima que el 60% del empleo está expuesto a la IA en las economías avanzadas.
The 2030 jobs forecast is net positive by 78millionWorld Economic Forum projection of jobs created and displaced through 2030.Made for Freddy Vega, by HanademiSources: World Economic Forum. (2025). Future of Jobs Report 2025.UnitMillion jobs050100150170Created-92Displaced78Net change
The projection creates 170 million jobs and displaces 92 million. The net is positive by 78 million. The policy problem is the transition between different workers, skills and places.
La previsión laboral para 2030 suma 78millones netosProyección del Foro Económico Mundial de empleos creados y desplazados hasta 2030.Made for Freddy Vega, by HanademiFuentes: World Economic Forum. (2025). Future of Jobs Report 2025.UnidadMillones de empleos050100150170Creados-92Desplazados78Cambio neto
La proyección crea 170 millones de empleos y desplaza 92 millones. El saldo es positivo en 78 millones. El problema político es la transición entre trabajadores, capacidades y lugares.
Generative-AI investment rose elevenfoldPrivate generative-AI investment, USD billions, 2022 to 2024.Made for Freddy Vega, by HanademiSources: Stanford Institute for Human-Centered Artificial Intelligence. (2025). AI Index report 2025.UnitUSD$0$10B$20B$30B202220232024$3B$33.9B
Investment rose from about $3 billion to $33.9 billion. The largest jump came in 2023. Financing expanded much faster than operational maturity.
La inversión en IA generativa se multiplicópor 11Inversión privada en IA generativa, miles de millones USD, 2022 a 2024.Made for Freddy Vega, by HanademiFuentes: Stanford Institute for Human-Centered Artificial Intelligence. (2025). AI Index report 2025.UnidadUSD$0$10 mil M$20 mil M$30 mil M202220232024$3 mil M$33,9 mil M
La inversión subió de unos $3.000 millones a $33.900 millones. El mayor salto llegó en 2023. La financiación creció mucho más rápido que la madurez operativa.
Gartner forecast at least 30% ofgenerative-AI projects would be abandonedafter proof of concept.This was a 2024 forecast, not a verified project census.Sources: Gartner. (2024). Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025.; Gartner Predicts30% of Generative AI Projects Will Be ....
Gartner forecast at least 30% abandonment after proof of concept. Cost, unclear value and risk controls were barriers. Funding does not remove the production gap.
Gartner proyectó al menos un 30% deabandono tras la prueba de concepto.Fue un pronóstico de 2024, no un censo verificado de proyectos.Fuentes: Gartner. (2024). Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025.; Gartner Predicts 30%of Generative AI Projects Will Be ....
Gartner proyectó al menos un 30% de abandono tras la prueba de concepto. Los costos, el valor incierto y los controles de riesgo eran barreras. La financiación no elimina la brecha de producción.
Digital infrastructure demand could exceed1,000 TWhIEA estimate for data centers, AI and cryptocurrency electricity use, 2022 and potential 2026 demand.Made for Freddy Vega, by HanademiSources: International Energy Agency. (2024). Electricity 2024: Analysis and forecast to 2026.UnitTWh05001K1,00020222026
The IEA estimated 460 TWh of use in 2022. Potential demand exceeded 1,000 TWh in its 2026 outlook. Model competition is becoming an infrastructure problem.
La demanda de infraestructura digitalpodría superar 1.000 TWhEstimación de la AIE para centros de datos, IA y criptomonedas, 2022 y demanda potencial de 2026.Made for Freddy Vega, by HanademiFuentes: International Energy Agency. (2024). Electricity 2024: Analysis and forecast to 2026.UnidadTWh05001K1.00020222026
La AIE estimó 460 TWh de uso en 2022. La demanda potencial superaba 1.000 TWh en su perspectiva para 2026. La competencia de modelos se convierte en un problema de infraestructura.
Germany's startup density barely moved ina decadeNew business registrations per 1,000 working-age people, Germany, 2015 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS].World Bank Open Data.UnitRegistrations per 1,0001.301.401.50201520172019202120231.31.4
Germany moved from 1.29 to 1.44 registrations per 1,000. A 2021 rise did not persist. Lower software costs do not automatically expand company formation.
La densidad emprendedora de Alemaniaapenas cambió en una décadaNuevos registros empresariales por 1.000 personas en edad laboral, Alemania, 2015 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS]. WorldBank Open Data.UnidadRegistros por 1.0001,301,401,50201520172019202120231,31,4
Alemania pasó de 1,29 a 1,44 registros por 1.000. El aumento de 2021 no persistió. Menores costos de software no amplían automáticamente la creación empresarial.
Spain's startup density reached a decadehighNew business registrations per 1,000 working-age people, Spain, 2015 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS].World Bank Open Data.UnitRegistrations per 1,0002.53.03.53.720152017201920212023
Spain fell to 2.53 in 2020. It then recovered to 3.67 by 2024. AI-native startups enter a market with improving company formation.
La densidad emprendedora de Españaalcanzó un máximo de la décadaNuevos registros empresariales por 1.000 personas en edad laboral, España, 2015 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS]. WorldBank Open Data.UnidadRegistros por 1.0002,53,03,53,720152017201920212023
España cayó a 2,53 en 2020. Después se recuperó hasta 3,67 en 2024. Las startups nativas de IA entran en un mercado con mayor creación empresarial.
France lifted startup density by nearly 60%New business registrations per 1,000 working-age people, France, 2015 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS].World Bank Open Data.UnitRegistrations per 1,0004567201520172019202120234.36.8
France rose from 4.28 to 6.82 registrations per 1,000. The major step came after 2020. Startup formation improved before the latest AI wave matured.
Francia elevó casi 60% su densidademprendedoraNuevos registros empresariales por 1.000 personas en edad laboral, Francia, 2015 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS]. WorldBank Open Data.UnidadRegistros por 1.0004567201520172019202120234,36,8
Francia subió de 4,28 a 6,82 registros por 1.000. El gran salto llegó después de 2020. La creación empresarial mejoró antes de madurar la última ola de IA.
France is in the AI raceThe Paris skyline and Eiffel Tower appear with a digital outline of France.Sources: France, 2nd in Declared AI Maturity: 49% at Pilot Stage, 80% Without Measured ROI – ActuIA. actuia.com.
France's denser startup pipeline places it inside the broader contest to build AI-native companies.
Francia está en la carrera de la IAEl horizonte de París y la Torre Eiffel aparecen junto a un contorno digital de Francia.Fuentes: France, 2nd in Declared AI Maturity: 49% at Pilot Stage, 80% Without Measured ROI – ActuIA. actuia.com.
La mayor densidad de startups de Francia la sitúa en la competencia por crear empresas nativas de IA.
Britain forms far more businesses perworking-age personNew business registrations per 1,000 working-age people, United Kingdom, 2015 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS].World Bank Open Data.UnitRegistrations per 1,00015182020.220152017201920212023
The UK rose from 14.6 to 19.2 registrations per 1,000. It peaked above 20 in 2023. Cheap code enters an unusually active company-formation system.
Reino Unido crea muchas más empresaspor persona en edad laboralNuevos registros empresariales por 1.000 personas en edad laboral, Reino Unido, 2015 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS]. WorldBank Open Data.UnidadRegistros por 1.00015182020,220152017201920212023
Reino Unido subió de 14,6 a 19,2 registros por 1.000. Superó 20 en 2023. El código barato entra en un sistema de creación empresarial muy activo.
India's registered startup density remainsbelow 0.2New business registrations per 1,000 working-age people, India, 2015 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS].World Bank Open Data.UnitRegistrations per 1,0000.000.050.100.15201520172019202120230.09240.2
India nearly doubled from a very low base. It still ended at only 0.18 registrations per 1,000. AI can lower building costs without removing formal-market barriers.
La densidad empresarial registrada deIndia sigue por debajo de 0,2Nuevos registros empresariales por 1.000 personas en edad laboral, India, 2015 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS]. WorldBank Open Data.UnidadRegistros por 1.0000,000,050,100,15201520172019202120230,09240,2
India casi se duplicó desde una base muy baja. Aun así, terminó en solo 0,18 registros por 1.000. La IA puede reducir costos sin eliminar barreras formales.
Singapore built a steadily denser startuppipelineNew business registrations per 1,000 working-age people, Singapore, 2015 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS].World Bank Open Data.UnitRegistrations per 1,0008101211.620152017201920212023
Singapore rose from 7.86 to 11.59 registrations per 1,000. Growth stayed broadly steady across the decade. AI-native formation benefits from that existing density.
Singapur construyó un flujo emprendedorcada vez más densoNuevos registros empresariales por 1.000 personas en edad laboral, Singapur, 2015 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). New business density (new registrations per 1,000 people ages 15-64) [IC.BUS.NDNS.ZS]. WorldBank Open Data.UnidadRegistros por 1.0008101211,620152017201920212023
Singapur subió de 7,86 a 11,59 registros por 1.000. El crecimiento fue bastante constante durante la década. La creación nativa de IA se beneficia de esa densidad.
China steadily raised research spendingResearch and development expenditure as a share of GDP, China, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP2.0%2.2%2.4%2.6%201520172019202120232.0%2.6%
China raised R&D from 2.02% to 2.58% of GDP. Every year moved broadly upward. Model competition rests on sustained national investment.
China elevó de forma constante su gasto eninvestigaciónGasto en investigación y desarrollo como porcentaje del PIB, China, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB2,0 %2,2 %2,4 %2,6 %201520172019202120232,0 %2,6 %
China elevó la I+D del 2,02% al 2,58% del PIB. La trayectoria fue ampliamente ascendente. La competencia de modelos descansa sobre inversión nacional sostenida.
Germany held research spending near 3% ofGDPResearch and development expenditure as a share of GDP, Germany, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP2.8%3.0%3.2%3.2%20152017201920212023
German R&D stayed close to 3% of GDP. It reached 3.15% in 2023. The base is stable rather than rapidly accelerating.
Alemania mantuvo la investigación cerca del3% del PIBGasto en investigación y desarrollo como porcentaje del PIB, Alemania, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB2,8 %3,0 %3,2 %3,2 %20152017201920212023
La I+D alemana se mantuvo cerca del 3% del PIB. Alcanzó 3,15% en 2023. La base es estable, no de rápida aceleración.
France's research intensity ended below its2015 levelResearch and development expenditure as a share of GDP, France, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP2.20%2.25%201520172019202120232.2%2.2%
France stayed near 2.2% of GDP. A 2020 rise faded. The 2023 level was below 2015.
La intensidad investigadora de Franciaterminó por debajo de 2015Gasto en investigación y desarrollo como porcentaje del PIB, Francia, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB2,20 %2,25 %201520172019202120232,2 %2,2 %
Francia se mantuvo cerca del 2,2% del PIB. El aumento de 2020 se desvaneció. El nivel de 2023 quedó por debajo de 2015.
British research intensity peaked in 2020Research and development expenditure as a share of GDP, United Kingdom, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP2.5%3.0%2.9%20152017201920212023
UK research intensity rose sharply before 2020. It peaked at 2.94% and then declined to 2.68%. AI leadership must draw from a base that is no longer expanding at its prior pace.
La intensidad investigadora británicaalcanzó su máximo en 2020Gasto en investigación y desarrollo como porcentaje del PIB, Reino Unido, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB2,5 %3,0 %2,9 %20152017201920212023
La intensidad investigadora británica subió con fuerza antes de 2020. Alcanzó 2,94% y luego bajó a 2,68%. El liderazgo en IA depende de una base que ya no crece al ritmo anterior.
Japan pushed research spending to 3.44% ofGDPResearch and development expenditure as a share of GDP, Japan, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP3.2%3.4%201520172019202120233.2%3.4%
Japan recovered from a 2016 dip. Research intensity reached 3.44% in 2023. The country enters the AI race with sustained scientific depth.
Japón elevó la investigación al 3,44% delPIBGasto en investigación y desarrollo como porcentaje del PIB, Japón, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB3,2 %3,4 %201520172019202120233,2 %3,4 %
Japón se recuperó de una caída en 2016. La intensidad investigadora llegó al 3,44% en 2023. El país entra en la carrera de la IA con profundidad científica sostenida.
Korea spends nearly 5% of GDP on researchResearch and development expenditure as a share of GDP, South Korea, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP3.5%4.0%4.5%5.0%4.9%20152017201920212023
Korean R&D rose from 3.79% to 4.94% of GDP. The increase persisted across the period. AI competition is built on this long investment cycle.
Corea destina casi 5% del PIB ainvestigaciónGasto en investigación y desarrollo como porcentaje del PIB, Corea del Sur, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB3,5 %4,0 %4,5 %5,0 %4,9 %20152017201920212023
La I+D coreana subió del 3,79% al 4,94% del PIB. El aumento persistió durante todo el periodo. La competencia en IA se construye sobre este ciclo largo de inversión.
US research intensity rose above 3.4% ofGDPResearch and development expenditure as a share of GDP, United States, 2015 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnitPercent of GDP2.8%3.0%3.2%3.5%201520172019202120232.8%3.4%
US R&D rose from 2.77% to 3.45% of GDP. Most of the increase came before 2021. Frontier models sit on a much broader research system.
La intensidad investigadora de EE. UU.superó el 3,4% del PIBGasto en investigación y desarrollo como porcentaje del PIB, Estados Unidos, 2015 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Research and development expenditure (% of GDP) [GB.XPD.RSDV.GD.ZS]. World Bank Open Data.UnidadPorcentaje del PIB2,8 %3,0 %3,2 %3,5 %201520172019202120232,8 %3,4 %
La I+D estadounidense subió del 2,77% al 3,45% del PIB. Gran parte del aumento llegó antes de 2021. Los modelos de frontera descansan sobre un sistema científico mucho más amplio.
China's unemployment stayed near itspre-AI rangeModeled unemployment rate, China, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS]. WorldBank Open Data.UnitPercent of labor force4.5%5.0%5%201520172019202120232025
China moved within a narrow band around 4% to 5%. The 2025 estimate was 4.62%. Aggregate unemployment does not show immediate mass replacement.
El desempleo de China siguió cerca de surango previo a la IATasa modelada de desempleo, China, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS].World Bank Open Data.UnidadPorcentaje de la fuerza laboral4,5 %5,0 %5 %201520172019202120232025
China se movió en una banda estrecha cercana al 4% y 5%. La estimación de 2025 fue 4,62%. El desempleo agregado no muestra reemplazo masivo inmediato.
German unemployment stayed below its2015 levelModeled unemployment rate, Germany, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS]. WorldBank Open Data.UnitPercent of labor force3%4%2015201720192021202320254.6%3.7%
German unemployment fell through 2023. It then rose to 3.71% in 2025. The level remained below 2015.
El desempleo alemán siguió por debajo desu nivel de 2015Tasa modelada de desempleo, Alemania, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS].World Bank Open Data.UnidadPorcentaje de la fuerza laboral3 %4 %2015201720192021202320254,6 %3,7 %
El desempleo alemán cayó hasta 2023. Después subió al 3,71% en 2025. El nivel siguió por debajo de 2015.
French unemployment fell despite the AIshockModeled unemployment rate, France, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS]. WorldBank Open Data.UnitPercent of labor force8%10%10.4%201520172019202120232025
French unemployment fell from 10.35% to 7.54%. The latest years show only a mild rise. The aggregate path does not resemble mass AI displacement.
El desempleo francés cayó pese al choquede la IATasa modelada de desempleo, Francia, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS].World Bank Open Data.UnidadPorcentaje de la fuerza laboral8 %10 %10,4 %201520172019202120232025
El desempleo francés bajó del 10,35% al 7,54%. Los últimos años muestran solo un aumento leve. La trayectoria agregada no parece un desplazamiento masivo por IA.
UK unemployment rose gradually, notexplosivelyModeled unemployment rate, United Kingdom, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS]. WorldBank Open Data.UnitPercent of labor force4%5%2015201720192021202320255.6%4.7%
UK unemployment rose after its 2022 low. It reached 4.75% in 2025. That remains below the 2015 level.
El desempleo británico subió de formagradual, no explosivaTasa modelada de desempleo, Reino Unido, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS].World Bank Open Data.UnidadPorcentaje de la fuerza laboral4 %5 %2015201720192021202320255,6 %4,7 %
El desempleo británico subió tras su mínimo de 2022. Llegó al 4,75% en 2025. Sigue por debajo del nivel de 2015.
India's unemployment fell sharply after2020Modeled unemployment rate, India, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS]. WorldBank Open Data.UnitPercent of labor force0%2%5%8%7.9%201520172019202120232025
India reached 7.86% unemployment in 2020. It fell to about 4.2% by 2025. AI adoption arrived during a broad labor-market improvement.
El desempleo de India cayó con fuerzadespués de 2020Tasa modelada de desempleo, India, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS].World Bank Open Data.UnidadPorcentaje de la fuerza laboral0 %2 %5 %8 %7,9 %201520172019202120232025
India alcanzó 7,86% de desempleo en 2020. Bajó a cerca de 4,2% en 2025. La adopción de IA llegó durante una mejora laboral amplia.
Japan kept unemployment near 2.5%Modeled unemployment rate, Japan, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS]. WorldBank Open Data.UnitPercent of labor force2.5%3.0%2015201720192021202320253.4%2.5%
Japanese unemployment fell below 2.5% by 2025. The 2020 rise was temporary. Advanced technology did not produce an economy-wide employment shock.
Japón mantuvo el desempleo cerca del 2,5%Tasa modelada de desempleo, Japón, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Unemployment, total (% of total labor force) (modeled ILO estimate) [SL.UEM.TOTL.ZS].World Bank Open Data.UnidadPorcentaje de la fuerza laboral2,5 %3,0 %2015201720192021202320253,4 %2,5 %
El desempleo japonés bajó del 2,5% en 2025. El aumento de 2020 fue temporal. La tecnología avanzada no produjo un choque laboral general.
US unemployment shows no immediate AIshockUS unemployment rate, 2015 to 2025.Made for Freddy Vega, by HanademiSources: United States Bureau of Labor Statistics. (2025). Labor force statistics from the Current Population Survey.UnitPercent of labor force0%2%5%8%8.1%201520172019202120232025
The major break was 2020, before the generative-AI wave. Unemployment averaged about 4.2% in 2025. This does not rule out occupational disruption, but it rejects immediate mass unemployment.
El desempleo de EE. UU. no muestra unchoque inmediato por IATasa de desempleo de Estados Unidos, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: United States Bureau of Labor Statistics. (2025). Labor force statistics from the Current PopulationSurvey.UnidadPorcentaje de la fuerza laboral0 %2 %5 %8 %8,1 %201520172019202120232025
La gran ruptura fue 2020, antes de la ola de IA generativa. El desempleo promedió cerca del 4,2% en 2025. Esto no descarta disrupción ocupacional, pero rechaza desempleo masivo inmediato.
Germany's employment ratio returned nearits 2015 levelEmployment-to-population ratio for people aged 15 and older, Germany, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnitPercent57%58%59%20152017201920212023202557.4%58.3%
Germany peaked before 2020 and recovered by 2023. It eased to 58.32% in 2025. The movement is gradual rather than a sudden AI shock.
La tasa de empleo alemana volvió cerca desu nivel de 2015Relación empleo-población para personas de 15 años o más, Alemania, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnidadPorcentaje57 %58 %59 %20152017201920212023202557,4 %58,3 %
Alemania alcanzó un máximo antes de 2020 y se recuperó en 2023. Bajó a 58,32% en 2025. El movimiento es gradual, no un choque repentino por IA.
France's employment ratio stayed above2015Employment-to-population ratio for people aged 15 and older, France, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnitPercent50%51%52%51.2%201520172019202120232025
France rose after 2020 and peaked in 2023. The ratio eased to 51.17% in 2025. It remained above every pre-2020 observation.
La tasa de empleo francesa siguió porencima de 2015Relación empleo-población para personas de 15 años o más, Francia, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnidadPorcentaje50 %51 %52 %51,2 %201520172019202120232025
Francia subió después de 2020 y alcanzó un máximo en 2023. La tasa bajó a 51,17% en 2025. Siguió por encima de todas las observaciones previas a 2020.
Britain's employment ratio has eased since2019Employment-to-population ratio for people aged 15 and older, United Kingdom, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnitPercent58%59%60%20152017201920212023202558.8%58.5%
The UK peaked at 60.34% in 2019. The ratio then declined to 58.46% by 2025. The timing warns against assigning the entire change to AI.
La tasa de empleo británica baja desde2019Relación empleo-población para personas de 15 años o más, Reino Unido, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnidadPorcentaje58 %59 %60 %20152017201920212023202558,8 %58,5 %
Reino Unido alcanzó 60,34% en 2019. La tasa bajó después hasta 58,46% en 2025. El momento impide atribuir todo el cambio a la IA.
India's employment ratio rose 5 pointsafter 2020Employment-to-population ratio for people aged 15 and older, India, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnitPercent48%50%52%53.3%201520172019202120232025
India fell to 47.5% in 2020. It climbed above 53% by 2024 and held there in 2025. National labor paths are diverging, not collapsing together.
La tasa de empleo de India subió 5 puntosdespués de 2020Relación empleo-población para personas de 15 años o más, India, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnidadPorcentaje48 %50 %52 %53,3 %201520172019202120232025
India cayó al 47,5% en 2020. Superó el 53% en 2024 y se mantuvo en 2025. Las trayectorias laborales nacionales divergen, no caen juntas.
Japan's employment ratio kept climbingEmployment-to-population ratio for people aged 15 and older, Japan, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnitPercent58%60%62%20152017201920212023202557.5%61.9%
Japan rose from 57.49% to 61.89%. Even 2020 produced only a small pause. Technology adoption does not map mechanically to fewer employed people.
La tasa de empleo de Japón siguió subiendoRelación empleo-población para personas de 15 años o más, Japón, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnidadPorcentaje58 %60 %62 %20152017201920212023202557,5 %61,9 %
Japón subió del 57,49% al 61,89%. Incluso 2020 produjo solo una pausa pequeña. La adopción tecnológica no se traduce mecánicamente en menos empleo.
US employment recovered, then flattenedEmployment-to-population ratio for people aged 15 and older, United States, 2015 to 2025.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnitPercent56%58%60%60.5%201520172019202120232025
The employment ratio collapsed in 2020 and recovered through 2023. It then eased to 59.11% in 2025. The timing does not support a simple immediate AI shock.
El empleo de EE. UU. se recuperó y luego seestancóRelación empleo-población para personas de 15 años o más, Estados Unidos, 2015 a 2025.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]. World Bank OpenData.UnidadPorcentaje56 %58 %60 %60,5 %201520172019202120232025
La tasa de empleo cayó en 2020 y se recuperó hasta 2023. Después bajó a 59,11% en 2025. El momento no respalda un choque inmediato y simple por IA.
US economic scale keeps wideningNominal GDP, United States, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$0$10,000B$20,000B$30,000B2015201720192021202320252027$18,295B$33,790B
US nominal GDP rose above $30 trillion in 2025. IMF estimates approach $33.79 trillion in 2027. Economic scale expands the capital available for the AI race.
La escala económica de EE. UU. sigueampliándosePIB nominal, Estados Unidos, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$0$10.000 mil M$20.000 mil M$30.000 mil M2015201720192021202320252027$18.295 mil M$33.790 mil M
El PIB nominal estadounidense superó $30 billones en 2025. Las estimaciones del FMI se acercan a $33,79 billones en 2027. La escala amplía el capital disponible para la carrera de la IA.
China's economic base resumed growthafter 2023Nominal GDP, China, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$0$10,000B$20,000B$21,929B2015201720192021202320252027
China rose from $11.31 trillion to $19.63 trillion by 2025. IMF estimates approach $21.93 trillion in 2027. That scale supports chips, power and research alongside models.
La base económica de China retomó elcrecimiento después de 2023PIB nominal, China, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$0$10.000 mil M$20.000 mil M$21.929 mil M2015201720192021202320252027
China subió de $11,31 billones a $19,63 billones en 2025. Las estimaciones del FMI se acercan a $21,93 billones en 2027. Esa escala sostiene chips, energía e investigación.
Britain's economy regained momentum after2022Nominal GDP, United Kingdom, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$3,000B$4,000B2015201720192021202320252027$2,946.2B$4,466.1B
UK nominal GDP reached about $4 trillion in 2025. IMF estimates rise to $4.47 trillion in 2027. Britain competes through specialization rather than comparable scale.
La economía británica recuperó impulsodespués de 2022PIB nominal, Reino Unido, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$3.000 mil M$4.000 mil M2015201720192021202320252027$2.946,2 mil M$4.466,1 mil M
El PIB nominal británico llegó a unos $4 billones en 2025. Las estimaciones del FMI suben a $4,47 billones en 2027. Reino Unido compite mediante especialización, no escala comparable.
Germany is approaching a $5.6 trillioneconomyNominal GDP, Germany, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$3,000B$4,000B$5,000B$6,000B$5,642.2B2015201720192021202320252027
German nominal GDP passed $5 trillion in 2025. IMF estimates reach $5.64 trillion in 2027. Industrial capacity remains a strategic AI asset.
Alemania se acerca a una economía de $5,6billonesPIB nominal, Alemania, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$3.000 mil M$4.000 mil M$5.000 mil M$6.000 mil M$5.642,2 mil M2015201720192021202320252027
El PIB nominal alemán superó $5 billones en 2025. Las estimaciones del FMI llegan a $5,64 billones en 2027. La capacidad industrial sigue siendo un activo estratégico para la IA.
France's economic base resumed growthafter 2022Nominal GDP, France, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$2,500B$3,000B$3,500B2015201720192021202320252027$2,442.7B$3,672.1B
France reached $3.37 trillion in 2025. IMF estimates rise to $3.67 trillion in 2027. Scale supports investment, but does not guarantee leadership.
La base económica de Francia retomó elcrecimiento después de 2022PIB nominal, Francia, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$2.500 mil M$3.000 mil M$3.500 mil M2015201720192021202320252027$2.442,7 mil M$3.672,1 mil M
Francia alcanzó $3,37 billones en 2025. Las estimaciones del FMI suben a $3,67 billones en 2027. La escala apoya la inversión, pero no garantiza liderazgo.
Japan's dollar GDP has not regained its2019 peakNominal GDP, Japan, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$4,000B$4,500B$5,000B$5,500B$5,245.8B2015201720192021202320252027
Japan peaked above $5.2 trillion in 2019. It fell sharply in dollar terms after 2021. IMF estimates remain below the prior peak through 2027.
El PIB en dólares de Japón no recuperó sumáximo de 2019PIB nominal, Japón, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$4.000 mil M$4.500 mil M$5.000 mil M$5.500 mil M$5.245,8 mil M2015201720192021202320252027
Japón superó $5,2 billones en 2019. Cayó con fuerza en dólares después de 2021. Las estimaciones del FMI siguen por debajo del máximo hasta 2027.
India is approaching Japan's economicscaleNominal GDP, India, USD billions, 2015 to 2027; 2026 and 2027 are estimates.Made for Freddy Vega, by HanademiSources: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnitUSD$0$2,000B$4,000B2015201720192021202320252027$2,081.6B$4,579.1B
India more than doubled from 2015 to the 2027 estimate. IMF estimates place it near $4.58 trillion. Its economic scale is converging with Japan in dollar terms.
India se acerca a la escala económica deJapónPIB nominal, India, miles de millones USD, 2015 a 2027; 2026 y 2027 son estimaciones.Made for Freddy Vega, by HanademiFuentes: International Monetary Fund. (n.d.). NGDPD [NGDPD]. IMF DataMapper.UnidadUSD$0$2.000 mil M$4.000 mil M2015201720192021202320252027$2.081,6 mil M$4.579,1 mil M
India más que se duplica entre 2015 y la estimación de 2027. El FMI la sitúa cerca de $4,58 billones. Su escala económica converge con Japón en dólares.
China more than doubled electricity use perpersonElectric power consumption per person, China, kWh, 2010 to 2023.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person02,0004,0006,0006,523.72010201220142016201820202022
China rose from 2,944 to 6,524 kWh per person. Growth accelerated again after 2020. AI demand enters an electricity system already expanding quickly.
China más que duplicó el consumo eléctricopor personaConsumo eléctrico por persona, China, kWh, 2010 a 2023.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona02.0004.0006.0006.523,72010201220142016201820202022
China subió de 2.944 a 6.524 kWh por persona. El crecimiento volvió a acelerarse después de 2020. La demanda de IA entra en un sistema eléctrico que ya crece rápido.
German electricity use fell for most of thedecadeElectric power consumption per person, Germany, kWh, 2010 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person6,0006,5007,000201020132016201920227,266.06,109.1
German use fell from about 7,266 to 6,109 kWh per person. A small 2024 recovery followed the 2023 low. New AI loads meet a system shaped by long conservation and industrial change.
El consumo eléctrico alemán cayó durantegran parte de la décadaConsumo eléctrico por persona, Alemania, kWh, 2010 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona6.0006.5007.000201020132016201920227.266,06.109,1
El consumo alemán bajó de unos 7.266 a 6.109 kWh por persona. Una pequeña recuperación en 2024 siguió al mínimo de 2023. Las nuevas cargas de IA llegan a un sistema marcado por ahorro y cambio industrial.
French electricity use fell 17% from 2010Electric power consumption per person, France, kWh, 2010 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person6,0007,0008,0007,737.820102012201420162018202020222024
French use fell from 7,738 to 6,447 kWh per person. The decline accelerated after 2019. AI demand will compete with an energy system undergoing its own transition.
El consumo eléctrico francés cayó 17%desde 2010Consumo eléctrico por persona, Francia, kWh, 2010 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona6.0007.0008.0007.737,820102012201420162018202020222024
El consumo francés bajó de 7.738 a 6.447 kWh por persona. La caída se aceleró después de 2019. La demanda de IA competirá dentro de un sistema energético en transición.
British electricity use fell by a quarterElectric power consumption per person, United Kingdom, kWh, 2010 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person4,0005,000201020132016201920225,712.74,194.9
UK use fell from 5,713 to 4,195 kWh per person. The decline persisted almost every year. AI infrastructure adds a new load to a long downward trend.
El consumo eléctrico británico cayó unacuarta parteConsumo eléctrico por persona, Reino Unido, kWh, 2010 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona4.0005.000201020132016201920225.712,74.194,9
El consumo británico bajó de 5.713 a 4.195 kWh por persona. La caída persistió casi cada año. La infraestructura de IA añade una nueva carga a una tendencia descendente.
Japan uses less electricity per person thanin 2010Electric power consumption per person, Japan, kWh, 2010 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person7,5008,0008,5009,0008,774.320102012201420162018202020222024
Japanese use fell from 8,774 to 7,530 kWh per person. A 2021 rebound did not last. Industrial AI demand arrives within a declining national pattern.
Japón usa menos electricidad por personaque en 2010Consumo eléctrico por persona, Japón, kWh, 2010 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona7.5008.0008.5009.0008.774,320102012201420162018202020222024
El consumo japonés bajó de 8.774 a 7.530 kWh por persona. El repunte de 2021 no duró. La demanda industrial de IA llega dentro de una tendencia nacional descendente.
Korea built one of the deepest electricitybasesElectric power consumption per person, South Korea, kWh, 2010 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person9,00010,00011,000201020132016201920229,223.111,350.2
Korean use rose above 11,000 kWh per person. It peaked in 2021 and remained high. That infrastructure supports chips, manufacturing and data centers.
Corea construyó una de las bases eléctricasmás profundasConsumo eléctrico por persona, Corea del Sur, kWh, 2010 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona9.00010.00011.000201020132016201920229.223,111.350,2
El consumo coreano superó 11.000 kWh por persona. Alcanzó un máximo en 2021 y siguió alto. Esa infraestructura sostiene chips, manufactura y centros de datos.
US electricity use remains the highest inthis groupElectric power consumption per person, United States, kWh, 2010 to 2024.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnitkWh per person12,50013,00013,50013,392.720102012201420162018202020222024
US use stayed near 12,000 to 13,000 kWh per person. It remained above the other supplied economies. AI data centers enter a system accustomed to high electricity demand.
El consumo eléctrico de EE. UU. siguesiendo el mayor del grupoConsumo eléctrico por persona, Estados Unidos, kWh, 2010 a 2024.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Electric power consumption (kWh per capita) [EG.USE.ELEC.KH.PC]. World Bank Open Data.UnidadkWh por persona12.50013.00013.50013.392,720102012201420162018202020222024
El consumo estadounidense se mantuvo cerca de 12.000 a 13.000 kWh por persona. Siguió por encima de las demás economías suministradas. Los centros de datos llegan a un sistema acostumbrado a gran demanda.
In summaryMade for Freddy Vega, by HanademiSources: McKinsey & Company. (2025). Superagency in the workplace: Empowering people to unlock AI's full potential.; demirermert.github.io.;federalreserve.gov.; Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHubCopilot.Only 1% of surveyed executives described their generative-AI rollouts as mature in a 2025 McKinsey report.Across three company field experiments involving 4,867 developers, AI coding assistance increased completed tasks by 26.08%.U.S. Census Bureau business surveys found about 18% of firms had adopted AI by year-end 2025.Developers using GitHub Copilot completed a controlled coding task 55.8% faster than the control group.
The value of the research is not only what each source knew, but what became visible when their evidence was combined.
En resumenMade for Freddy Vega, by HanademiFuentes: McKinsey & Company. (2025). Superagency in the workplace: Empowering people to unlock AI's full potential.; demirermert.github.io.;federalreserve.gov.; Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHubCopilot.Solo el 1% de los ejecutivos encuestados describió sus despliegues de IA generativa como maduros en un informe de McKinsey de 2025.En tres experimentos de campo empresariales con 4.867 desarrolladores, la asistencia de IA para programar aumentóen 26,08% las tareas completadas.Las encuestas empresariales de la Oficina del Censo de Estados Unidos hallaron que cerca del 18% de las empresas habíaadoptado IA al cierre de 2025.Los desarrolladores que utilizaron GitHub Copilot completaron una tarea controlada de programación un 55,8% más rápido que el grupo de control.
El valor de la investigación no está solo en cada fuente, sino en lo que apareció al combinar sus evidencias.

The research behind this deck

A capable model did not guarantee faster expert work. These terms separate model skill from dependable business performance.

Key findings

The argument

This research is published in English and Spanish. Ver en español