Hay una superstición moderna: creer que, si una frase viene acompañada de siglas (IA, GPT, LLM), entonces tiene que ser verdad. Antes era “lo dijo el doctor”; ahora es “lo dijo chat gé pe te”. Y como toda superstición, sirve para no pensar. O, más cómodo todavía, para pensar mal, pero con seguridad.
En los últimos meses he escuchado, con la misma solemnidad con que se recita un salmo, dos profecías contradictorias sobre la inteligencia artificial y el trabajo. La primera: la IA va a destruir millones de empleos. La segunda: la IA no va a cambiar nada; es entusiasmo exagerado. Ambas tienen el encanto de lo simple. Y ambas, por eso mismo, suelen ser falsas.
Lo primero que habría que decir —sin dramatismos, pero también sin anestesia— es que, hasta ahora, la evidencia seria no sugiere un apocalipsis laboral generalizado. Los números agregados (empleo total, desempleo a nivel macro) no muestran todavía una disrupción masiva atribuible a la IA. Esto desilusiona a los catastrofistas y también a los evangelistas: unos se quedan sin ruina; los otros sin milagro. Pero que el promedio esté tranquilo no significa que el problema no exista; significa, en todo caso, que no está repartido democráticamente.
Porque hay un pero, y es grande: los trabajadores jóvenes, sobre todo los que buscan entrar a ocupaciones más expuestas a herramientas de IA, están recibiendo el golpe primero. La metáfora más obvia —y por eso efectiva— es la del canario en la mina: el aire puede seguir pareciendo respirable para quienes ya están adentro, pero al que intenta entrar se le cierran puertas que antes estaban entornadas. El mercado laboral tiene esa crueldad: no necesita despedirte para castigarte; basta con no contratarte.
Alguien dirá que eso es por las tasas de interés o por la cruda del sobrecontratamiento en tecnología, o por la situación económica general. Y sí: esas fuerzas existen, y empujan. Pero empujan en muchas direcciones y no explican todo. Si una parte de la caída en oportunidades para jóvenes ocurre justo donde la IA puede sustituir tareas de entrada (redacción básica, análisis rutinario, soporte inicial, programación mecánica), entonces la hipótesis incómoda es que la IA no está destruyendo el edificio… está remodelando la planta baja. Y los que llegan sin llaves se quedan afuera.
Ahora, que esto sea plausible no significa que lo tengamos medido como se debe. El segundo gran error del debate es confundir que no sabemos medir perfecto el efecto de la IA con no podemos medir nada. Se puede aproximar la exposición de un empleo a la IA con más precisión de la que se cree, y cada vez se valida mejor con uso real: las predicciones de qué trabajos usan IA suelen correlacionar con qué trabajos efectivamente están usándola. Pero, como en todo lo económico, lo importante no es solo medir: es medir lo que importa.
¿En qué dimensiones va a mejorar más rápido la IA? La pregunta suena técnica, pero es profundamente laboral. Si los modelos avanzan sobre todo en tareas de lenguaje (resumir, redactar, traducir, responder), entonces ciertas ocupaciones de oficina se vuelven más permeables a la automatización parcial. Si avanzan en visión (interpretar imágenes, video, entornos), entonces se abre otra frontera. Y si avanzan —como se está intentando— en agentes que ejecutan cadenas de tareas con poca supervisión, el asunto deja de ser una herramienta y se parece más a un trabajador de bajo puesto incansable (y barato). Entender esa trayectoria no es curiosidad nerd: es anticipación económica.
Además, solemos caer en una trampa conceptual: evaluar a la IA como si su destino natural fuera reemplazar humanos, cuando una parte enorme de su impacto puede venir de hacer que un humano rinda más, no que desaparezca. La tecnología no necesita despedirte; puede, simplemente, subir el estándar de producción esperado y, con ello, cambiar quién es redituable contratar. El modo en que medimos el rendimiento de los modelos empuja su desarrollo. Si optimizamos para hacerlo sin humano, nos acercamos a la automatización. Si optimizamos para hacerlo con humano mejor nos acercamos a la colaboración. Y esa diferencia —que parece filosófica— se traduce en salarios y vacantes.
Tercero: sabemos poquísimo sobre lo que ocurre fuera de Estados Unidos y un puñado de países ricos. Esto es casi cómico: discutimos el futuro del trabajo como si el planeta fuera un campus. ¿Qué pasa en México, en Brasil, en India, en Nigeria? ¿Qué significa adopción de IA donde la informalidad es alta, donde el acceso a herramientas es desigual, donde la empresa promedio no tiene ni departamento de datos? Si no estudiamos eso estamos haciendo economía con un ojo cerrado, y luego nos sorprenderemos de que el mundo no encaje en nuestras gráficas.
Y aquí aparece uno de los agujeros más grandes: la adopción. ¿Qué cuenta como adoptar IA? ¿Usarla una vez? ¿Usarla diario? ¿Que la use 1% de la empresa o 10%? ¿Cuenta que alguien use una aplicación de consumo para hacer trabajo corporativo? La palabra adopción suena limpia, pero es un pantano. Y de ese pantano salen estimaciones radicalmente distintas. Por eso la idea más prometedora no es preguntarle a la gente si usa IA (la gente miente, exagera, confunde; y además usar puede significar ‘jugué con ella cinco minutos’). Es ver datos: gasto empresarial en suscripciones, compras institucionales, licencias, integración en flujos internos. El dinero, como siempre, es un pésimo filósofo, pero un gran testigo.
Con todo esto, la conclusión sensata no es calma, no pasa nada, sino midamos mejor y estudiemos con detenimiento. Necesitamos tableros (dashbords, para decirlo en idioma de consultoría) que sigan el mercado laboral en el tiempo: vacantes, salarios, rotación, transiciones entre ocupaciones, y especialmente lo que ocurre en el nivel de entrada. Porque el primer lugar donde se rompe una escalera es en el primer escalón.
También hay un tema nuevo que casi nadie está tomando en serio: el proceso de emparejamiento entre empresas y trabajadores. Si las vacantes son generadas por IA y los currículums también, ¿qué estamos optimizando? ¿La eficiencia del mercado o el ruido? Puede que la IA reduzca fricciones y mejore el match. O puede que produzca una inflación de palabras perfectas que dificulta detectar talento real. Si ambos lados se vuelven sintéticos, el mercado podría parecer más activo sin serlo: muchas postulaciones, muchas respuestas, poca contratación. Mucho movimiento, poca vida.
Y luego está la educación, que seguimos tratando como si fuera una estación fija: estudias, te gradúas, trabajas. Pero por más de un siglo la escuela fue, en la práctica, la fábrica lenta de habilidades laborales. ¿Qué pasa si la IA altera la forma en que los estudiantes aprenden, eligen carrera, se entrenan? Sabemos que estudiantes y profesores la usan; no sabemos bien cómo cambia lo que se aprende (ni lo que se deja de aprender). Y aquí hay otra ambivalencia: la IA puede acelerar la obsolescencia de trabajos, sí, pero también puede acelerar el reentrenamiento, bajar barreras para entrar a nuevas profesiones, abaratar la curva de aprendizaje. El problema es que, si no lo medimos, terminaremos discutiendo con intuiciones, que es la forma eufemística de decir con prejuicios.
Finalmente, el punto que siempre llega tarde porque incomoda: ingresos, riqueza e inequidad. Los que ganan más suelen estar en trabajos más expuestos a IA, pero reciben menos de su ingreso en forma de salario (más rentas, más capital, más propiedad). Los que ganan menos, al revés, dependen más del salario. Entonces la misma tecnología puede afectar de manera muy distinta según de dónde venga tu dinero. Si la IA presiona salarios en ciertos segmentos pero aumenta rendimientos del capital, la desigualdad puede moverse sin que el empleo total colapse. La injusticia moderna no siempre se ve como desempleo; a veces se ve como estancamiento.
¿Y qué hacemos con todo esto? En lugar de discutir en tuiter o en la sobremesa (mostrando nuestra pálkda sabiduría de kínder), hacen falta modelos económicos que permitan simular políticas: capacitación, seguros de transición, incentivos de adopción complementaria (IA que aumente productividad humana), y sí, hasta escenarios de disrupción más fuerte. Pero que esos escenarios estén atados a datos y supuestos claros, no a la imaginación de un gurú con PowerPoint (léase, sin eufemismos, los consultores).
La IA, por ahora, no parece estar derribando el mercado laboral entero. Pero sí parece estar cambiando la forma del umbral. Y el umbral importa: ahí decide quién entra, quién se queda esperando y quién, por cansancio, se va a otra parte. En un mundo que presume eficiencia, seguimos olvidando que la primera ineficiencia es moral: acostumbrarnos a que los costos los paguen siempre los mismos.