La nota al pie decía utm_source=chatgpt.com.

Es el parámetro que ChatGPT le pega a los enlaces cuando te entrega una fuente. Sobrevivió al proceso editorial completo de una de las cuatro firmas de auditoría más grandes del mundo y quedó publicado, tal cual, como referencia en un reporte de PwC Middle East sobre ciberseguridad en el sector energético.

GPTZero analizó cuatro reportes de thought leadership de PwC Middle East publicados entre 2024 y 2026, sobre IA agéntica, servicios de gobierno, movilidad eléctrica y ciberseguridad. El Financial Times verificó los hallazgos. Uno de los reportes, “Transforming Governance”, tiene 17 citas en su sección de referencias y GPTZero lo clasificó como generado o mezclado con IA en su totalidad. Un paper académico sobre calidad del aire en Riad no existe: no está en la revista citada ni bajo los nombres de los autores a los que se le atribuye, según la cobertura de The Irish Times.

Y el detalle que me parece el más revelador de todos: el reporte de gobernanza afirma que los gobiernos de Dinamarca, Arabia Saudita, Estados Unidos y Australia usan un marco llamado “Citizen Pulse”. GPTZero no encontró evidencia pública de que ese marco exista fuera del propio documento.

PwC Middle East respondió que “toma en serio la exactitud de nuestra investigación publicada y está actualizando un número limitado de citas de apoyo”.

Un número limitado.

El cuello de botella nunca fue el modelo

Esto es lo que más me interesa del caso, y no es la parte que se está comentando.

El modelo hizo exactamente lo que hacen los modelos. Le pediste un reporte con referencias y te dio un reporte con referencias plausibles. Un modelo de lenguaje no tiene forma de saber si el paper que acaba de citar existe, salvo que lo conectes a algo que pueda verificarlo. No falló la capacidad. Falló el paso siguiente, el paso en el que un humano con nombre y reputación tenía que abrir cada enlace antes de que el PDF saliera con el logo de la firma encima.

Escribí en marzo sobre la brecha de utilización del 95%: las empresas tienen acceso a modelos capaces y usan una fracción mínima de lo que ya pueden hacer, porque comprar licencias no es lo mismo que integrar la IA a un proceso real. El caso de PwC es esa misma brecha vista desde el otro lado. No es una empresa que compró suscripciones y no las usa. Es una empresa que sí las usó, a volumen, sin conectarlas al único control que hacía que ese producto valiera algo: la revisión senior.

La integración operativa no es la parte glamorosa. Es quién revisa, con qué criterio, en qué momento del flujo de trabajo, y qué pasa cuando el revisor dice que no. Eso no se compra con una licencia y no se resuelve con un prompt mejor.

Y hay una ironía específica acá que vale la pena nombrar. Estas cuatro firmas venden asesoría sobre adopción responsable de IA. Le cobran a sus clientes por diseñar exactamente el control que a ellas les falló.

Deloitte ya pagó la factura de este mismo error

No es un caso aislado ni un tropiezo raro de una oficina regional.

En octubre de 2025, Deloitte Australia devolvió más de 97.000 dólares australianos, la última cuota de un contrato de 440.000 dólares australianos con el Departamento de Empleo y Relaciones Laborales. El reporte revisaba el sistema informático que el gobierno usa para aplicar sanciones automáticas a solicitantes de subsidios. Contenía referencias a papers académicos que no existen y una cita fabricada de un fallo de la corte federal. Los errores los detectó Chris Rudge, investigador de derecho de la salud y el bienestar en la Universidad de Sídney, no un control interno de la firma. La versión corregida incluyó, por primera vez, una declaración de que se había usado un sistema generativo de Azure OpenAI en la redacción. El caso está documentado en la AI Incident Database.

Dos firmas distintas, dos continentes, el mismo agujero de proceso: contenido producido a volumen sin que nadie con la antigüedad suficiente se hiciera responsable de revisarlo.

La disrupción no está llegando por la nómina. Está llegando por el precio.

Acá está la mitad del argumento que casi nadie está discutiendo, y me la encontré bien planteada en un post de James O’Dowd, de Panoramic Search, que usó el episodio de PwC como ilustración.

Las firmas de servicios profesionales están midiendo el impacto de la IA en el lugar equivocado. Lo están buscando en la línea de costos, en cuánta gente junior necesitan contratar. PwC recortó 5.600 personas en el año fiscal cerrado en junio de 2025 y abandonó la meta de sumar 100.000 empleados que había fijado en 2021, cayendo por debajo de 365.000 personas. Primera contracción de su planilla desde 2010.

Pero la presión real viene por arriba, en el precio.

Thomson Reuters publicó en octubre de 2025 su Law Firm Rates Report 2026 con una conclusión seca: los ingresos de los bufetes hoy dependen más de las alzas de tarifa que del crecimiento de la demanda. Las tarifas trabajadas subieron 7,4% en 2025 contra una inflación de 2,8%. En el primer trimestre de 2026 las firmas del Am Law 100 llegaron a casi 10% de crecimiento en tarifa trabajada, con una demanda que creció 2,7%.

Ese diferencial es poder de fijación de precios. Y es exactamente lo que el cliente está empezando a mirar.

Una encuesta de la Association of Corporate Counsel a 657 abogados internos en 30 países encontró que el 59% no percibe ningún ahorro derivado del uso de IA de sus firmas externas, mientras el uso de IA generativa en esos despachos saltó de 23% a 52% en un año. Del lado de servicios profesionales en general, una encuesta de General Assembly a 258 líderes de nivel director o superior en firmas de consultoría, contabilidad y legal con más de 1.000 empleados reportó que el 79% ya ve la IA cambiando las conversaciones de precio y que el 42% tiene clientes cuestionando directamente su modelo de cobro.

Traducido: el cliente sabe que la firma automatizó el trabajo y todavía no vio bajar la factura. Ese reclamo se está armando ahora y se va a cobrar en la próxima renegociación.

Es el mismo movimiento que vimos del lado de los proveedores de modelos cuando Alex Karp atacó el precio por token en CNBC y días después la factura de un cliente saltó de 400.000 a 1,4 millones de dólares sin haber usado más IA. El valor no se está evaporando. Se está mudando de lugar, y el que no sabe dónde quedó lo pierde en la negociación.

Treinta y seis años viendo el mismo patrón, y lo que hacemos con él

Llevo programando desde 1990, desde los quince años, y he visto esta película en cuatro o cinco ciclos: cuando una tecnología comprime el costo de producir el entregable, el entregable deja de ser el producto. Pasó con la maquetación, pasó con el desarrollo a la medida, pasó con la analítica. El PDF, el modelo financiero, el reporte de 40 páginas: eso es lo que se abarata. Lo que se aprecia es la firma al pie, la persona dispuesta a revisar la evidencia y poner su nombre encima.

El caso PwC es lo que pasa cuando se saca a esa persona del circuito y se deja el volumen corriendo solo.

En IQ Source arrancamos con eso, no con la herramienta. AI Maestro es un programa de dos meses de discovery, no una instalación: consultoría, educación y entrenamiento del equipo, un Process Reality Map de cómo trabajan hoy de verdad, un AI Opportunity Score que prioriza dónde la IA rinde y dónde no, y una compuerta Go/No-Go al final. Si el diagnóstico dice que un proceso no está listo para automatizarse, la respuesta es no automatizarlo. El diseño y la implementación son una segunda etapa, condicionada a esa compuerta.

En el mapa de procesos, el punto de control de un entregable que sale al mundo con tu marca encima no es un detalle de gobernanza. Es el proceso. Si nadie es dueño de la verificación, el ahorro que la IA te dio en producción te lo cobra después un investigador externo, con tu nombre en el titular.

Y esa es la pregunta que le haría a cualquier firma de servicios profesionales que esté escalando contenido o análisis con IA este trimestre: ¿quién, con nombre y apellido, revisa lo último antes de que salga, y qué le pasa si dice que no está listo? Si no tienes ese nombre, no tienes un proceso. Tienes volumen.

Encuentra el punto de control antes de que lo encuentre un investigador externo