SERIE: QUÉ ESTÁ OCURRIENDO REALMENTE
Un análisis calibrado y documentado de lo que la IA le está haciendo al trabajo — separando los hechos establecidos, lo controvertido y lo que es mito. Ni pánico ni falsa tranquilidad. Evidencia.
Tres bandos distintos se gritan mutuamente sin escucharse. Ninguno tiene toda la razón. Comprender la estructura del debate es el requisito previo para comprender la evidencia.
Pocos temas generan más afirmaciones seguras y contradictorias por columna publicada que la inteligencia artificial y el empleo. En una sola semana, medios de referencia publican «La IA viene a por la mitad de los empleos de oficina» y «La IA crea más empleo del que destruye — la historia lo demuestra.» Ambos titulares son técnicamente defendibles. Ninguno cuenta la historia completa.
La confusión es estructural, no accidental. Surge de la fusión de tres debates distintos en uno solo: qué está ocurriendo ahora (empírico, medible), qué ocurrirá hacia 2030 (proyección controvertida) y qué ocurrirá en un horizonte de 20 a 50 años (genuinamente desconocido). Investigadores pesimistas sobre el empleo estructural a largo plazo e investigadores optimistas sobre la creación neta de empleo a corto plazo citan a veces horizontes temporales diferentes — y ambos pueden tener razón simultáneamente.
Existe también una economía política del optimismo. Las empresas que desarrollan IA tienen un interés directo en la narrativa de que su tecnología crea más empleo del que destruye. Los sindicatos y los trabajadores desplazados tienen un interés directo en documentar el daño. Ninguno de los dos grupos es necesariamente deshonesto — ambos ejercen una presión selectiva sobre qué evidencia se amplifica.
Este informe intenta ser útil siendo disciplinado: cada afirmación está explícitamente categorizada por nivel de evidencia. Donde los datos son claros, lo decimos. Donde están controvertidos, lo decimos y presentamos ambas posiciones creíbles. Donde las afirmaciones carecen de respaldo empírico — independientemente de qué bando las formule — también lo decimos.
Separar las cifras bien establecidas de las proyecciones controvertidas — y ser honestos sobre la diferencia.
Goldman Sachs Research (2025) documenta un descenso medible y estadísticamente significativo del empleo específicamente entre trabajadores de 22 a 25 años en ocupaciones expuestas a la IA. El desempleo entre los jóvenes de 20 a 30 años en roles expuestos a la tecnología aumentó en aproximadamente 3 puntos porcentuales desde principios de 2025. Los desarrolladores de software de 22 a 25 años experimentaron un descenso de aproximadamente el 20 % en el empleo respecto a su máximo de finales de 2022. Esto se corrobora con el estudio «Canaries in the Coal Mine» del Stanford Digital Economy Lab (Brynjolfsson et al., 2025), que identificó a la misma cohorte como el indicador adelantado del impacto de la IA en el mercado laboral.
Dato importante: el empleo total sigue aumentando. No se trata de un colapso macroeconómico del empleo — sino de una compresión focalizada del canal de contratación de perfiles junior en roles específicos expuestos a la IA. La señal se concentra en quién es contratado al inicio de su carrera, no en despidos masivos.
Múltiples experimentos aleatorizados de alta calidad confirman que las herramientas de IA aumentan genuinamente la productividad. Brynjolfsson, Li & Raymond (2025, Quarterly Journal of Economics) — el estudio más riguroso disponible — encontraron que la IA generativa elevó la productividad de los trabajadores de atención al cliente en un promedio del 14 %, con las mayores ganancias para los trabajadores menos cualificados. Los estudios de GitHub Copilot muestran mejoras en la velocidad de programación de aproximadamente un 55 % para los desarrolladores. El hallazgo clave es que la IA funciona actualmente como un amplificador de productividad, no como un sustituto, para la mayoría de los trabajadores en activo. La dinámica de sustitución se manifiesta en la contratación — se necesitan menos personas nuevas — más que en despidos de trabajadores existentes.
La participación del trabajo en la renta en las empresas no agrícolas de EE. UU. cayó del 64 % aproximadamente en 1980 al 57 % aproximadamente en 2017 (Acemoglu, Manera & Restrepo, 2020). Esta tendencia previa a la IA refleja décadas de automatización sesgada hacia el capital, donde el tipo impositivo efectivo sobre el trabajo (del 25 al 34 %) supera ampliamente el del capital (del 5 al 10 %), incentivando la sustitución. La investigación del FMI (2024–2025) proyecta que la IA probablemente incremente aún más los rendimientos del capital a expensas de la renta del trabajo — si bien este efecto depende en gran medida de si la IA complementa o sustituye a los trabajadores de ingresos altos, y del grado en que las ganancias de productividad sean capturadas por los propietarios del capital o distribuidas como salarios.
«El impacto más extendido de la IA generativa se producirá probablemente en la calidad del empleo más que en su cantidad.»
— Organización Internacional del Trabajo (OIT/NASK Global Index, mayo de 2025)Nivel de riesgo, mecanismo de exposición y horizonte temporal proyectado — ordenados por categoría ocupacional. Los porcentajes de riesgo son estimaciones basadas en modelos (véase la advertencia de la Sección 02).
| Ocupación | Exposición por tareas | Mecanismo principal | Horizonte | Evidencia |
|---|---|---|---|---|
| Representantes de atención al cliente | Los chatbots basados en LLM gestionan consultas de nivel 1; los roles humanos se reducen a gestión de excepciones | 2024–2026 (ya activo) | ✓ Hecho establecido | |
| Operadores de introducción de datos | Automatización directa del procesamiento de datos repetitivo; OCR de alta precisión + IA | 2024–2027 | ✓ Hecho establecido | |
| Asistentes administrativos / secretariales | Programación, redacción, gestión documental, correo electrónico — todo replicable por IA | 2024–2028 | ◈ Evidencia sólida | |
| Traductores / intérpretes | Los LLM alcanzan ya una calidad casi humana en traducción comercial estándar; descenso documentado del empleo | 2023–2026 (en curso) | ✓ Hecho establecido | |
| Contables / auxiliares de contabilidad | El procesamiento rutinario de datos financieros es totalmente automatizable; el software contable con IA escala rápidamente | 2025–2028 | ◈ Evidencia sólida | |
| Correctores / editores de estilo | Las tareas de corrección gramatical y de estilo las realiza ahora la IA con precisión superior para contenido estándar | 2023–2026 | ◈ Evidencia sólida |
Fuentes: OIT/NASK Global Index 2025; Goldman Sachs Research 2025; McKinsey Global Institute; FMI SDN 2024
| Ocupación | Exposición por tareas | Mecanismo principal | Horizonte | Evidencia |
|---|---|---|---|---|
| Desarrolladores de software junior | Las herramientas de generación de código reducen la necesidad de perfiles junior; los perfiles senior se vuelven más productivos | 2024–2028 | ✓ Hecho establecido | |
| Auxiliares jurídicos / asistentes legales | Revisión documental, investigación jurídica, análisis de contratos — todo replicable por LLM a alta velocidad | 2025–2029 | ◈ Evidencia sólida | |
| Analistas financieros (nivel inicial) | El análisis rutinario, la generación de informes y la síntesis de datos se automatizan; se retiene el juicio senior | 2025–2030 | ◈ Evidencia sólida | |
| Periodistas / redactores de contenido | Se automatizan el periodismo de datos y la generación de contenido estandarizado; el periodismo de investigación y narrativo, menos | 2024–2028 | ◈ Evidencia sólida | |
| Radiólogos (capa de cribado) | La IA supera a los humanos en el cribado inicial de imágenes; el rol se desplaza hacia el diagnóstico complejo y la comunicación | 2026–2032 | ⚖ Controvertido | |
| Cajeros de comercio | Cajas de autoservicio + comercio sin fricción en expansión; el modelo Amazon Go se extiende | 2024–2030 | ◈ Evidencia sólida |
| Ocupación | Exposición por tareas | Mecanismo principal | Notas | Evidencia |
|---|---|---|---|---|
| Docentes / educadores | Se automatizan tareas administrativas y generación de contenido estandarizado; la instrucción y la tutoría son resilientes | Transformación del rol probable; reducción de volumen poco probable a corto plazo | ⚖ Controvertido | |
| Contadores / auditores (senior) | Los elementos rutinarios son automatizables; el juicio complejo, la relación con el cliente y el trabajo con responsabilidad jurídica son resilientes | Bifurcación: roles junior comprimidos, roles senior amplificados | ◈ Evidencia sólida | |
| Especialistas en marketing | La creación de contenido, las pruebas A/B y el análisis de campañas se automatizan rápidamente; la estrategia creativa, menos | Amplificador de productividad actualmente; desplazamiento inminente en perfiles junior | ◈ Evidencia sólida | |
| Recursos humanos | Se automatizan cribado, programación y administración; cultura, resolución de conflictos y trabajo de juicio, no | Los ATS (sistemas de seguimiento de candidatos) ya funcionan con IA | ◈ Evidencia sólida | |
| Conductores de camiones / repartidores | Los vehículos autónomos se acercan técnicamente a la viabilidad; persisten retrasos regulatorios, de seguros y de última milla | Alto volumen de trabajadores afectados (3,5 M solo en EE. UU.); plazos constantemente retrasados | ⚖ Controvertido |
| Ocupación | Exposición por tareas | Por qué es resiliente | Nivel de riesgo | Evidencia |
|---|---|---|---|---|
| Fontaneros / electricistas / oficios cualificados | Requieren destreza física en entornos no estructurados; los robots aún no pueden realizarlo de forma fiable ni rentable | Bajo — horizonte mínimo de 10 a 20 años | ✓ Hecho establecido | |
| Enfermeros titulados | Cuidado físico, comunicación con el paciente, trabajo emocional, juicio clínico en situaciones no estructuradas | Bajo para desplazamiento; alto para aumento de productividad (diagnóstico con IA) | ✓ Hecho establecido | |
| Terapeutas de salud mental | Relación terapéutica, empatía, juicio humano matizado; las herramientas de IA como complemento, no como sustituto | Bajo — las barreras regulatorias y éticas son altas incluso si la IA mejora | ◈ Evidencia sólida | |
| Educadores de primera infancia | Cuidado físico, formación de vínculos, seguimiento del desarrollo — no replicables por IA | Muy bajo | ✓ Hecho establecido | |
| Altos ejecutivos / directores generales | Juicio estratégico, capital relacional, rendición de cuentas, toma de decisiones ambigua en situaciones nuevas | Bajo — pero la IA amplificará la productividad de quienes la adopten | ◈ Evidencia sólida | |
| Trabajadores de la construcción | Manipulación física en entornos no estructurados y variables; la robótica aún no es viable a escala | Bajo durante más de 10 años; potencialmente mayor entre 2030 y 2040 | ✓ Hecho establecido |
Las cifras agregadas ocultan experiencias radicalmente diferentes según género, edad, educación e ingresos. El mismo titular de «la IA crea más empleo» puede ser simultáneamente cierto en el agregado y catastrófico para poblaciones específicas.
La razón estructural: Entre el 93 y el 97 % de los puestos de secretariado y asistencia administrativa en EE. UU. estuvieron ocupados por mujeres entre 2000 y 2019 (Oficina del Censo de EE. UU.). Se trata de ocupaciones de nivel 1 para el desplazamiento por IA. La OIT concluye que la sobrerrepresentación de las mujeres en roles administrativos y de oficina es el principal impulsor de la brecha de género en la exposición a la IA — no una característica inherente del trabajo femenino que lo haga especialmente automatizable.
El problema acumulativo: Las mujeres no solo están concentradas en empleos de mayor riesgo — además adoptan las herramientas de IA a un ritmo inferior, lo que las hace menos propensas a pasar de «la IA me sustituye» a «la IA me amplifica». La investigación sugiere que las mujeres enfrentan penalizaciones sociales adicionales por usar herramientas de IA (preocupación por ser percibidas como «tramposas» o menos inteligentes) que los hombres no enfrentan en el mismo grado.
La capa de sesgo: Los sistemas de IA entrenados con datos históricos reproducen y pueden amplificar los sesgos de género existentes en contratación, decisiones salariales y calificación crediticia — generando riesgo tanto en los empleos perdidos como en los empleos solicitados. La OIT señala que las mujeres están infrarrepresentadas en el desarrollo de IA (solo el 22 % de los profesionales de IA a nivel mundial, según el FEM 2025), lo que dificulta estructuralmente la autocorrección mediante equipos de desarrollo diversos.
La compresión del nivel inicial: El efecto de edad más claro y documentado es la compresión de la contratación de perfiles junior. La IA reduce la necesidad de trabajadores de nivel inicial precisamente en los roles que tradicionalmente servían como primer peldaño de las carreras profesionales: desarrollador junior, analista junior, auxiliar jurídico junior, representante de atención al cliente. El canal de acceso a los roles senior se está estrechando antes de que esos roles se vean amenazados.
La ironía para la Generación Z: La generación más preocupada por la IA no es la que pierde empleo en el agregado — el empleo total no se está desplomando. Es la generación que encuentra la puerta de acceso a su escalera profesional más estrecha de lo que lo fue para cohortes anteriores. Se trata de un daño real incluso si las cifras macroeconómicas parecen correctas.
Trabajadores desplazados de mayor edad: Los trabajadores mayores de 50 años que pierden empleos expuestos a la IA enfrentan los retos de transición más severos. La investigación de la Reserva Federal de Boston (diciembre de 2024) reveló que aproximadamente el 21 % de los trabajadores encuestados esperaban que la IA empeorara su situación financiera en un plazo de 5 años, concentrándose intensamente en esta cohorte de mayor edad. La recualificación hacia nuevos sectores es más difícil, lleva más tiempo y ofrece menores rendimientos en esta etapa vital — este grupo es el identificado por Brookings como más vulnerable.
El documento de trabajo del FMI (Rockall, Tavares, Pizzinelli, 2025) distingue tres grupos ocupacionales: HELC (alta exposición, baja complementariedad — la zona de peligro), HEHC (alta exposición, alta complementariedad — la zona amplificada) y LE (baja exposición — en gran medida no afectados). La cuestión política crucial es qué trabajadores caen en cada categoría.
Baja formación (sin título universitario): Menor exposición inmediata a la IA (FMI: 26 % para trabajadores de países de ingresos bajos frente al 60 % en economías avanzadas), pero también menor capacidad para transitar hacia roles complementarios con la IA. La «protección» de no estar en el punto de mira de la economía de la IA es en parte un artefacto de no tener aún acceso a la infraestructura digital que posibilita tanto el riesgo como la oportunidad.
Titulados universitarios: El 44 % reconoce que la IA puede realizar algunas de sus tareas (frente al 22 % sin título universitario) — mayor conciencia, pero también mayor capacidad de adaptación. Los estudios confirman que los trabajadores con educación postsecundaria experimentan la IA más como un complemento de sus capacidades que como un sustituto.
La Brookings Institution confirmó: «Los trabajadores mejor pagados y con mayor formación se enfrentan a la mayor exposición.» Pero exposición no equivale a daño si la complementariedad es alta. El verdadero peligro es la capa de trabajadores con formación suficiente para estar en roles expuestos a la IA pero sin la antigüedad, la adaptabilidad o los recursos para pivotar hacia la complementariedad.
La dimensión de clase del impacto de la IA en el empleo es el aspecto más políticamente combustible y analíticamente controvertido de este tema. Requiere separar cuidadosamente dos dinámicas diferentes que operan simultáneamente.
La réplica más habitual a los temores de desplazamiento por IA es que surgirán nuevos empleos, como ha ocurrido en transiciones tecnológicas anteriores. En los países ricos, este argumento es controvertido pero plausible. En el mundo en desarrollo, es mucho más difícil de sostener.
La paradoja de la India: India aspira a convertirse en un gran centro de IA, con un mercado de IA proyectado para crecer a una tasa compuesta anual del 25 al 35 % para 2027. Sin embargo, el sector de servicios informáticos y empresariales de India — valorado en aproximadamente 250.000 millones de dólares y que emplea a millones en roles cognitivos externalizados en inglés — es precisamente el sector más expuesto a la automatización por IA de las corporaciones occidentales que buscan reducir costes. Los trabajadores que se benefician de las ambiciones de India en IA y los que pierden su empleo a causa de ella son poblaciones enteramente diferentes, separadas por formación, idioma, ubicación e ingresos.
La trampa de la anotación de datos: Una proporción significativa de los «nuevos empleos» en IA para el Sur Global consiste en etiquetado de datos, moderación de contenidos y trabajo de entrenamiento de IA — a menudo pagado a 1–2,50 dólares/hora en Kenia, y cifras similares en Bangladés e India. Estos trabajadores realizan el trabajo poco visible que hace que los sistemas de IA funcionen, con protecciones mínimas, sin trayectoria profesional y con exposición a contenido psicológicamente dañino. La UNCTAD advirtió de que la IA podría reducir la ventaja competitiva de la mano de obra de bajo coste en los países en desarrollo — la única palanca económica de la que disponen — sin crear una oportunidad alternativa equivalente.
La investigación del FMI (2024) y el análisis de ResearchGate (2025) confirman: el desplazamiento se concentra entre 2024 y 2027, mientras que la creación de empleo se extiende a lo largo de plazos más prolongados. En las economías avanzadas, las instituciones, las redes de seguridad y los sistemas educativos para gestionar esta transición existen (de forma imperfecta). En las economías en desarrollo que experimentan el desplazamiento de roles externalizados, esos amortiguadores institucionales están ausentes. El resultado: las economías en desarrollo experimentan desplazamiento sin creación compensatoria, ampliando la desigualdad internacional.
En América Latina: aproximadamente el 25 % de los empleos en Brasil, Chile, Colombia, México y Perú presentan alta exposición a la IA pero baja complementariedad de tareas — lo que los hace altamente vulnerables a la sustitución. Para los trabajadores de centros de llamadas y servicios externalizados en particular, este riesgo es caracterizado como «agudo» por los investigadores de la OIT.
El argumento más poderoso a favor del optimismo en el mercado laboral son 200 años de evidencia de que la tecnología crea más empleo del que destruye. Este argumento merece un análisis serio — y un escrutinio serio.
La réplica económica estándar: La «falacia de la cantidad fija de trabajo» — la creencia errónea de que existe una cantidad fija de trabajo por realizar — es un error lógico real. Las nuevas tecnologías crean nueva demanda, nuevas industrias, nuevas ocupaciones que no podemos predecir de antemano. El gobernador de la Reserva Federal Barr (mayo de 2025): los economistas han sido durante mucho tiempo escépticos ante la suposición de que la automatización conduce al desempleo permanente.
La réplica de Acemoglu (MIT/FMI, diciembre de 2023): «No hay garantía de que, en su trayectoria actual, la IA genere más empleo del que destruye.» El patrón histórico de creación de nuevos empleos dependía de un equilibrio entre automatización y creación de nuevas tareas. A partir de aproximadamente 1970, ese equilibrio se rompió. La participación del trabajo en la renta lleva cayendo 50 años. La creación de nuevas tareas se ha ralentizado, en particular para los trabajadores sin título universitario de cuatro años. La IA puede estar acelerando una dinámica ya averiada, no revirtiéndola.
El argumento de la velocidad: Las transiciones históricas tardaron generaciones. El telar desplazó a los tejedores en 50 a 100 años; los hijos de los trabajadores se adaptaron. La IA está potencialmente comprimiendo transiciones equivalentes a 5–10 años. Aunque el resultado a largo plazo sea neto positivo, los costes de transición medidos en vidas humanas — pérdida de ingresos, angustia psicológica, ruptura familiar — son reales y están concentrados en poblaciones específicas que no pueden simplemente «esperar a los nuevos empleos».
El término «Tecnología de Propósito General» (TPG en sentido económico) se refiere a tecnologías que transforman múltiples sectores simultáneamente — la electricidad, la informática, internet. Deming y Summers (2025) concluyeron que la IA reúne los requisitos de una TPG de esta magnitud.
Lo que es posiblemente diferente de la IA respecto a TPG anteriores:
1. Las TPG anteriores automatizaban tareas físicas o cognitivas estrechas. La IA es la primera tecnología capaz de realizar razonamiento general, lenguaje y tareas creativas — el trabajo que antes se consideraba exclusivamente humano e inmune a la automatización. 2. Las TPG anteriores creaban nuevas tareas que requerían mano de obra humana para ejecutarlas. Las nuevas tareas que la IA crea (entrenador de IA, responsable de ética de IA, gestor de producto de IA) requieren muchos menos trabajadores en relación con las tareas que sustituyen. Los ingenieros de prompts — cuyo auge se predecía como una ocupación masiva — representan menos del 0,5 % de las ofertas de empleo en LinkedIn. 3. El incentivo para sustituir trabajo por capital está estructuralmente incrustado en el código fiscal de EE. UU. (el trabajo tributa al 30 % aproximadamente, el capital al 8 % aproximadamente), lo que convierte la sustitución en la opción racional para cualquier actor corporativo.
«La economía estadounidense tenía 2,5 robots industriales por cada mil trabajadores en la industria manufacturera en 1993. Esta cifra ascendió a 20 para 2019. La automatización excesiva ha provocado una caída de la participación del trabajo en la renta del 64 % en 1980 al 57 % en 2017.»
— Acemoglu, Manera & Restrepo, citado en Chicago Booth ReviewLa IA está elevando la productividad en los sectores expuestos a la IA. Esto está bien evidenciado y no se discute seriamente. La pregunta crucial y controvertida es si esas ganancias de productividad se traducen en prosperidad generalizada o se concentran aún más en la cúspide.
La evidencia de productividad es real. Ensayos controlados aleatorizados — el estándar de referencia de las ciencias sociales — confirman que las herramientas de IA elevan la producción en entornos profesionales. La pregunta no es si la productividad aumenta, sino quién captura ese aumento.
Acemoglu y Johnson (Power and Progress, 2023) introducen el concepto del «efecto arrastre de la productividad»: la idea de que para que la mayoría de las personas se beneficien del crecimiento de la productividad, esa productividad debe estar «anclada» a la mejora de la eficiencia del trabajo humano — elevando la productividad marginal de los trabajadores — en lugar de limitarse a automatizar tareas humanas y capturar las ganancias como renta del capital.
El análisis del EPI (Economic Policy Institute) añade que el tipo impositivo efectivo sobre el trabajo es aproximadamente el doble del tipo sobre el capital en EE. UU., lo que significa que las empresas tienen un incentivo estructural para sustituir capital por trabajo incluso cuando no es la opción económicamente más eficiente. Brynjolfsson (MIT) recomienda equiparar los tipos impositivos efectivos sobre el trabajo y el capital como la intervención más directa para cambiar esta estructura de incentivos.
La contraevidencia de los años noventa: La investigación del EPI muestra que los años noventa — que registraron un crecimiento masivo de la productividad impulsado por internet — dieron como resultado un crecimiento salarial generalizado y un descenso del desempleo, no ganancias concentradas. La explicación: el desempleo descendió lo suficiente como para generar un poder de negociación real para los trabajadores. La lección política es que las condiciones macroeconómicas del empleo importan tanto como la tecnología en sí para determinar si las ganancias de productividad se distribuyen.
Tanto el bando catastrofista como el desdeñoso producen afirmaciones ampliamente compartidas que carecen de respaldo empírico. Esta sección identifica las más comunes de ambos lados.
Frey & Osborne (Oxford Martin, 2013) produjeron un modelo muy citado que predecía que el 47 % de las ocupaciones en EE. UU. estaban en alto riesgo. La Harvard Data Science Review (otoño de 2025) documenta que se trataba de un análisis a nivel de tareas incorrectamente extrapolado a empleos completos. La replicación de la OCDE aplicando su propia metodología llegó al 9 % — cinco veces menos. Más críticamente: las ocupaciones señaladas como «en riesgo» en 2013 (preparadores fiscales, teleoperadores, suscriptores de seguros) de hecho no han desaparecido a escala en los 12 años posteriores. La cifra del 47 % es técnicamente un resultado de modelo de 2013 proyectado con advertencias metodológicas significativas — presentarla como un hecho es desinformación.
Esta cifra de Goldman Sachs (2023) se cita frecuentemente de forma errónea. El informe original señalaba que 300 millones de equivalentes de empleos a tiempo completo podrían estar expuestos a la automatización si la IA fuera ampliamente adoptada — una estimación de exposición por tareas en un escenario optimista de despliegue de IA. El mismo informe proyectaba que el escenario de desplazamiento más probable es del 6 al 7 % de la fuerza laboral de EE. UU., con un aumento del desempleo de solo 0,5 puntos porcentuales por encima de la tendencia durante el período de transición, antes de recuperarse en aproximadamente dos años. La cifra de 300 M es real; presentarla como una previsión de desempleo masivo a corto plazo no lo es.
El director general de Anthropic, Dario Amodei, declaró en 2025 que la IA podría eliminar aproximadamente el 50 % de los empleos de oficina de nivel inicial en un plazo de cinco años. El director general de Nvidia, Jensen Huang, le rebatió explícitamente. La evidencia muestra una compresión real y documentada de la contratación de perfiles junior en sectores expuestos a la IA — especialmente en tecnología. Sin embargo, «el 50 % de los empleos de oficina de nivel inicial» en todas las industrias en 5 años requeriría una velocidad y un alcance de adopción que los datos actuales no confirman. La preocupación subyacente es legítima; la cifra y el plazo específicos carecen de respaldo empírico sólido.
El patrón histórico es real: el 60 % de los empleos actuales en EE. UU. no existían en 1940. Pero Acemoglu y Johnson documentan que la creación de nuevas tareas se ha ralentizado desde 1970, que el equilibrio entre automatización y creación de empleo ya está descompensado, y que la velocidad de adopción de la IA puede comprimir transiciones que históricamente tardaron generaciones. La validez pasada del patrón no garantiza su validez futura — en particular cuando la IA es la primera tecnología que amenaza tareas de razonamiento general en lugar de solo tareas manuales o cognitivas estrechas. La falacia de la cantidad fija de trabajo es un error económico real; desestimar enteramente el riesgo de la IA invocándola también lo es.
La evidencia sobre los programas de recualificación es aleccionadora. «The China Shock» (Autor, Dorn & Hanson, 2016) — el artículo de economía estadounidense más influyente de la última década — demostró que la competencia importadora de China devastó a amplios segmentos de la fuerza laboral estadounidense, y que los programas de recualificación fracasaron en gran medida a la hora de producir transiciones exitosas. La Ley de Innovación y Oportunidades en la Fuerza Laboral (WIOA) de EE. UU.: en el período 2023–24, menos del 10 % de los participantes en programas de formación recibieron formación en el puesto de trabajo; apenas el 2 % recibió formación en régimen de aprendizaje. Los ejemplos exitosos de recualificación son escasos. Decirles a trabajadores desplazados de 55 años del sector manufacturero o administrativo que «se recualifiquen» sin abordar las barreras estructurales de coste, tiempo, dificultad psicológica y discriminación por edad no es una política — es una tranquilización que falla a los trabajadores más vulnerables.
La Harvard Data Science Review (otoño de 2025) documenta: los ingenieros de prompts representan menos del 0,5 % de una muestra reciente de ofertas de empleo publicadas en LinkedIn (Vu & Oppenlaender, 2025). Las predicciones específicas de «nuevos empleos de la IA» que circularon ampliamente en 2022–2023 (ingeniero de prompts, responsable de ética de IA como empleador masivo) no se han materializado en gran medida a la escala predicha. Esto no significa que no surjan nuevos empleos a raíz de la IA — significa que las predicciones específicas sobre cuáles serán esos empleos son sistemáticamente poco fiables, y que el volumen total neto de nuevos empleos creados es mucho más difícil de predecir que los empleos que se están desplazando.
Un panorama de lo que realmente se está ensayando, qué dice la evidencia sobre cada intervención, y la brecha estructural entre la escala de la perturbación potencial y la escala de la respuesta política.
Los problemas estructurales requieren soluciones estructurales. Pero mientras se espera a las políticas, las personas pueden adoptar acciones que la evidencia respalda. Filtradas por su etapa vital y sector.
Si su ocupación aparece en las tablas de «Riesgo crítico» o «Riesgo alto» de la Sección 03 — o si su rol es principalmente administrativo, de introducción de datos o de atención al cliente rutinaria.
Si su ocupación aparece en la categoría «Resiliente» — oficios cualificados, sanidad, educación, servicios profesionales complejos.
Todas las afirmaciones factuales de este informe están documentadas con publicaciones específicas y verificables. Las proyecciones se distinguen claramente de los hallazgos empíricos.