- Los datos actuales no muestran una caída masiva del empleo en ocupaciones con alta exposición a la IA, aunque la IA podría haber influido en parte en la débil contratación de recién graduados y jóvenes oficinistas
- Desde 2022, la tasa de desempleo subió 0,77 puntos porcentuales en el 20% de las ocupaciones con mayor exposición a la IA y 0,85 puntos porcentuales en el 20% con menor exposición, lo que se parece más a una desaceleración general del mercado laboral que a despidos provocados por la IA
- La IA generativa en general aceleró tareas como soporte al cliente, programación, redacción y trabajo legal, pero sus efectos variaron según el puesto y el nivel de habilidad, y también aparecieron imprecisiones, malos consejos y homogeneización de la creatividad
- La adopción de IA en empresas varía, según la encuesta, desde alrededor del 20% hasta más del 80%, y creció rápidamente, pero la mayoría sigue en una etapa de experimentos o pilotos en algunas funciones, por lo que su impacto en el empleo aún es pequeño
- No se pueden establecer los efectos de largo plazo de la IA sobre el empleo solo con la evidencia inicial; la velocidad de adopción y el tiempo de reorganización de las empresas determinarán la magnitud del shock en el mercado laboral y el margen de respuesta de las políticas públicas
Aún falta evidencia que respalde despidos masivos causados por la IA
- Crecieron los temores de que la IA sacuda de forma importante el mercado laboral de oficina en el corto plazo, y Dario Amodei, CEO de Anthropic, predijo que la IA podría eliminar la mitad de los empleos de oficina y elevar el desempleo hasta el 20%
- En los datos agregados actuales casi no hay evidencia de que la IA ya haya provocado una pérdida grave de empleos
- Desde 2022, la tasa de desempleo subió 0,77 puntos porcentuales en el 20% de las ocupaciones con mayor exposición a la IA y 0,85 puntos porcentuales en el 20% con menor exposición
- Esto apunta más a un debilitamiento general del mercado laboral que a un shock exclusivo de las ocupaciones expuestas a la IA
- Las tendencias de empleo en ocupaciones con alta exposición a la IA también se mantienen relativamente estables
- El crecimiento del empleo en ocupaciones con alta proporción de programación se desaceleró, pero sigue siendo positivo
- No hay evidencia de que la adopción de IA haya reducido las ofertas de empleo de las empresas
- Las ofertas para desarrolladores de software crecieron en el último año más rápido que las de otras ocupaciones
- El empleo en empresas que adoptaron IA empresarial aumentó 10% durante los dos años siguientes, impulsado por las compañías con mayor gasto en IA por empleado
- Los anuncios de despidos que mencionan la IA también tienen causas reales distintas entre sí
- Algunas reducciones limitadas de personal podrían estar relacionadas con la automatización mediante IA
- Otros recortes parecen originarse en la necesidad de liberar efectivo para invertir en IA o en ajustes tras la contratación excesiva durante la pandemia
- Los responsables de RR. HH. ven un impacto más claro de la IA en la consolidación de funciones y en evitar nuevas contrataciones para puestos automatizables que en despidos directos
- Puede haber impactos en algunos grupos que no aparecen en las estadísticas agregadas, y en particular hay señales negativas en la demanda de jóvenes trabajadores de oficina
La relación entre la caída en la contratación de recién graduados y la IA
- La tasa de desempleo de recién graduados subió a 5,6% a comienzos de 2026, 1,6 puntos porcentuales más que tres años antes
- Los puestos de nivel inicial incluyen muchas tareas que la IA puede realizar en buena medida, como investigación, análisis y redacción rutinarios, lo que podría debilitar la demanda de nuevas contrataciones
- En el estudio de Brynjolfsson, Chandar y Chen, después del lanzamiento de ChatGPT en 2022 se observó una clara caída del empleo de trabajadores al inicio de su carrera en ocupaciones expuestas a la IA, como desarrolladores de software y representantes de atención al cliente
- El empleo de trabajadores de mayor edad en esas mismas ocupaciones se mantuvo relativamente estable o siguió creciendo
- Los investigadores comparan a los trabajadores jóvenes con “canarios en la mina de carbón”, los primeros en experimentar el shock de la IA en el mercado laboral
- Estudios posteriores en Estados Unidos y el Reino Unido también encontraron efectos negativos similares desde 2022 en la contratación de trabajadores jóvenes expuestos a la IA
- Sin embargo, el momento de la caída es difícil de explicar solo por la IA
- En 2022, las capacidades de los modelos de IA eran muy limitadas
- La Reserva Federal de Estados Unidos empezó a subir agresivamente las tasas en marzo de 2022 para responder a la inflación, varios meses antes de la publicación de ChatGPT
- Los dos estudios analizan que la caída en la contratación de ocupaciones expuestas a la IA comenzó después del giro de la política monetaria y antes del lanzamiento de ChatGPT
- La contratación excesiva durante la pandemia y la expansión del trabajo remoto también pudieron influir
- El trabajo remoto puede ralentizar el aprendizaje en el lugar de trabajo y reducir el valor de contratar trabajadores jóvenes; después de la pandemia, la contratación en ocupaciones favorables al trabajo remoto empezó a inclinarse hacia trabajadores con experiencia
- En análisis adicionales que controlan factores de confusión, la caída del empleo de trabajadores de nivel inicial se vuelve marcada a partir de 2024
- En la caída alrededor de 2022 pudieron haber intervenido factores distintos de la IA
- En 2024, la adopción de IA y las capacidades de los modelos habían avanzado mucho, lo que hace más plausible un impacto directo de la IA
- Está claro que hacia 2022 la contratación en ocupaciones de nivel inicial expuestas a la IA cayó de forma importante, pero aún no está resuelto cómo separar el efecto causal de la IA de los shocks macroeconómicos
La productividad mejoró en general, pero los efectos no son uniformes
- En los experimentos, los chatbots y las herramientas de programación a menudo elevaron de forma relativamente mayor el desempeño de trabajadores con menos experiencia y menor rendimiento
- Un asistente de IA generativa en un gran call center mejoró la productividad total en 15%
- Los agentes principiantes y de baja calificación resolvieron 30% más problemas por hora
- En los agentes altamente calificados no hubo mejora de desempeño y la calidad de las respuestas cayó levemente
- En el experimento con GitHub Copilot, las tareas de desarrollo de software se hicieron 56% más rápido, y la mejora se concentró en desarrolladores con menos experiencia
- En otro experimento de campo en empresas, el efecto sobre la productividad del desarrollo fue de 10% a 30%, según la compañía
- ChatGPT redujo el tiempo de escritura en todos los grupos de habilidad y también elevó la calidad de los resultados de trabajadores con menor capacidad de redacción
- También se observaron mejoras de velocidad en tareas legales, como la redacción de contratos por abogados jóvenes, y en la elaboración de historias clínicas
- El efecto de las herramientas médicas de IA para registros fue pequeño, y las imprecisiones ocasionales hicieron necesaria la supervisión de médicos
- Los estudios difieren en tipo de tarea y duración, y algunos no son experimentos aleatorizados, por lo que es difícil comparar directamente el tamaño de los efectos
Capacidades y costos de juicio que varían según la tarea
- El rendimiento de la IA muestra una frontera irregular (jagged frontier) que puede ser muy positiva o negativa según la tarea en la que se aplique
- En el lugar de trabajo real, los empleados deben decidir cuándo y cómo usar la IA, y juzgar si el resultado es útil o requiere correcciones adicionales
- En un experimento con emprendedores de Kenia, los emprendedores de baja calificación que usaron IA tuvieron menores ventas y ganancias que el grupo que hizo crecer su negocio sin usar IA
- Los usuarios de baja calificación eran más propensos a aplicar consejos generales de la IA que no se ajustaban a su situación
- Los emprendedores de mejor desempeño extraían propuestas más adecuadas a las necesidades de su negocio
- La IA puede mejorar la calidad del resultado individual y al mismo tiempo reducir la diversidad de ideas del grupo
- En escritura creativa, mejoró la calidad de las historias de personas de baja habilidad, pero las historias escritas con IA eran mucho más parecidas entre sí que las escritas por humanos
- Los científicos que adoptaron herramientas de IA publicaron más artículos, pero disminuyeron la cantidad total de temas investigados y la interacción entre científicos
Por qué las mejoras en tareas individuales no se traducen en productividad de toda la economía
- La proporción de tareas que la IA puede acortar de manera rentable aún puede ser pequeña en el conjunto de la economía
- Los cuellos de botella en procesos que la IA no puede apoyar pueden limitar las mejoras de productividad total
- Cuando las empresas adoptan una nueva tecnología, deben reorganizar funciones de trabajo y hacer inversiones complementarias, por lo que la productividad medida puede incluso caer al comienzo
- Los efectos comprobados en experimentos se refieren en su mayoría a tareas específicas y períodos cortos, por lo que no equivalen al efecto de largo plazo sobre la productividad de toda la economía
- Es posible que la IA termine elevando la productividad, pero al ritmo actual de adopción empresarial quizás aún no aparezca en las estadísticas de productividad total
Adopción empresarial rápida, pero desigual
- Que la transición a la IA ocurra en 3 años o en 20 cambia mucho el problema de política pública
- Una transición abrupta puede desplazar a muchos trabajadores al mismo tiempo
- Una transición lenta da tiempo a trabajadores y responsables de políticas públicas para adaptarse
- Todas las encuestas empresariales consideran que el uso de IA está creciendo rápido, pero las estimaciones de adopción difieren mucho
- La encuesta nacional representativa BTOS de la Oficina del Censo de Estados Unidos estima que alrededor del 20% de las empresas usa IA
- En encuestas a ejecutivos de empresas estadounidenses, más del 80% de los empleados usa IA en el trabajo
- Más del 50% de los clientes de Ramp gasta en herramientas o proveedores de IA
- En una encuesta nacional representativa de hogares, más del 40% de los encuestados empleados usa IA en el trabajo
- Las diferencias en las cifras provienen de los métodos de encuesta y la composición de las muestras
- Como la adopción de IA es mayor en las grandes empresas, las proporciones ponderadas por tamaño de empleo son más altas que las basadas en el simple número de empresas
- La muestra de Ramp no representa a todas las empresas y está sesgada hacia compañías tecnológicas con alta adopción de IA
- Un estudio de la Reserva Federal considera que hay razones para preferir las estimaciones más bajas de la Oficina del Censo, que usa una muestra nacional, y que al aplicar ponderaciones por empleo las diferencias entre encuestas se reducen bastante
- La adopción de IA se concentra en empresas tecnológicas e industrias intensivas en información, como finanzas
- Las áreas de aplicación más comunes son ventas y marketing, TI, estrategia, finanzas y contabilidad
- Incluso las empresas que la adoptan suelen limitarla a una o dos funciones de negocio o usarla con baja frecuencia en varias tareas
- La integración integral de IA es la excepción; en la encuesta de McKinsey, la mayoría está en etapa de experimentación o piloto, y solo unas pocas grandes empresas lideran el despliegue a escala
- El impacto actual de la adopción empresarial de IA en el empleo es pequeño
- En datos de la Oficina del Censo, 5% de las empresas respondió que hubo impacto en el empleo, con igual cantidad de respuestas de aumento y disminución
- El 80% de los ejecutivos encuestados por la Fed de Atlanta dijo que las inversiones en IA aún no habían cambiado la dotación de personal ni la productividad
- Un estudio en Dinamarca encontró que la IA reconfiguró las tareas y la distribución del tiempo de los trabajadores, pero todavía no afectó el empleo, las horas trabajadas ni los ingresos
- También hay un estudio que encontró que el empleo en empresas que adoptaron IA aumentó 10% durante los dos años siguientes
La evidencia inicial no determina el futuro de largo plazo
- Las innovaciones tecnológicas del pasado tardaron años o décadas en transformar las empresas y el mercado laboral
- Robert Solow dijo en 1987 que “la era de las computadoras se ve en todas partes, excepto en las estadísticas de productividad”
- En la década de 1980, las empresas invirtieron fuertemente en PC, pero para obtener efectos también se necesitaban software empresarial, recapacitación de trabajadores y reorganización de las empresas
- Por estas fricciones de adopción, los resultados económicos medibles de la revolución informática recién aparecieron a fines de la década de 1990
- Las perspectivas sobre la IA están muy divididas
- Quienes la ven como tecnología normal (normal technology) creen que será transformadora como tecnologías anteriores, pero se difundirá de forma gradual
- Otros esperan que sus efectos cambien el mundo tan pronto como en 2027
- Una evidencia fuerte a favor de la perspectiva de tecnología normal es la historia de revoluciones tecnológicas pasadas, que eliminaron o redujeron la demanda laboral en algunas ocupaciones y al mismo tiempo crearon nuevos empleos e industrias
- Cambió la naturaleza del trabajo y de la economía, pero el empleo total aumentó
- Quienes sostienen que la IA es distinta se basan en su rápida velocidad de adopción, su impacto desproporcionado sobre el trabajo cognitivo y su alcance sobre una amplia gama de empleos de oficina, no una sola ocupación
- Cualquiera sea la perspectiva correcta, una revolución tecnológica puede causar grandes impactos en las personas, por lo que es necesario detectar rápidamente los cambios en el mercado laboral y preparar posibles respuestas de política pública
1 comentarios
Opiniones de Hacker News
Apenas se abre la discusión, los dos comentarios principales dicen cosas opuestas. Uno afirma que la IA aumenta aún más la productividad de quienes ya rinden mucho y convierte el 80:20 en 99:1; el otro dice que los LLM elevan a quienes están por debajo del promedio, pero estorban a los expertos y hacen que todo converja hacia el promedio
Cuando se acaben las tareas fáciles, puede que solo queden las difíciles y los juniors ya no puedan avanzar. Las empresas burocráticas generan grandes cantidades de trabajo fácil, así que si se mide la productividad por el volumen de tickets de Jira resueltos, la mejora de productividad por IA en juniors se verá mucho mayor
Ahora creo que un proyecto grande compuesto por yo, 2 desarrolladores frontend, un desarrollador casi full-stack, un tester, 2 personas de producto y un PM puede ejecutarse más eficientemente solo con el tester y conmigo. Aunque vuelva a usar SQL después de 20 años, no me vuelvo más lento, y puedo hacer rápido por mi cuenta CSS, funciones y pruebas
Como originalmente somos una organización pequeña con 1 o 2 desarrolladores por proyecto, llevamos mal los proyectos grandes y desperdiciamos el 80% del esfuerzo en comunicación. Al inicio, el equipo de producto fue útil para el alcance y los patrones de UI/UX, pero después basta con encargarles solicitudes concretas de diseño, y con un tester meticuloso que detecte condiciones límite extrañas es suficiente
No significa que yo sea un genio; solo soy razonablemente competente en varias áreas, pero da miedo lo que puede lograr un desarrollador full-stack experimentado que además tenga sentido de UX y capacidad para gestionar stakeholders usando estas herramientas
Los resultados que dicen que la mejora se concentra en juniors también podrían deberse a diferencias en las tareas asignadas. Si un senior hiciera trabajo de junior, podría ser 1,000% más rápido, pero en la práctica lo difícil se concentra en los seniors, y ahora incluso el trabajo que Claude no resuelve fácilmente ya se clasifica de por sí como trabajo difícil
Las personas de alto rendimiento terminan el trabajo muy rápido y se enfocan en calidad y procesos, produciendo software bien pulido, pero los PM se dan cuenta y empiezan a seguir agregando trabajo al sprint, empeorando la situación
Lo más sorprendente es que ya no hace falta ser un experto de dominio (SME). Un equipo pequeño sin ninguna experiencia en Android lanzó en pocos meses, y casi sin bugs, una función de producto difícil de portar; sin IA, habría tomado al menos medio año más. Es el nivel de pasar de “ni siquiera entiendo qué significa esto” un día a tenerlo terminado al siguiente
La dificultad de este tipo de estudios es que los agentes de programación como Claude Code y OpenAI Codex recién empezaron a funcionar bien a fines de noviembre, y por las vacaciones de diciembre mucha gente no los usó de verdad hasta inicios de enero. Los agentes generales como OpenClaw, Anthropic Copilot y ChatGPT “Work” llegaron incluso más tarde
Como su impacto en el trabajo podría ser mucho mayor que el de los sistemas conversacionales de 2022~2025, es posible que los estudios que solo cubren hasta fines de 2025 se hayan perdido un salto real de rendimiento
Uso Claude, pero casi no vi fanáticos de la IA en otros lugares, y eso también fue un filtro importante en la búsqueda de empleo. La narrativa de la caída del empleo está muy exagerada y me parece más cercana al marketing apocalíptico de Anthropic, OpenAI y sus voceros
El año pasado el ambiente era de “hacer el mismo software con menos gente”, pero ahora las startups están creciendo con la expectativa de “hacer software de otro tipo o de otra manera”. Aun así, eso no garantiza ni el tamaño futuro de la plantilla ni el éxito
En empresas no startup siguen existiendo amenazas de despido y presión para usar herramientas de IA, y no hay consenso sobre si agentes de larga ejecución pueden ser efectivos en código legacy sin romper cosas y sin una supervisión cuidadosa
Incluso si el desarrollo de software cambió por completo, no parece que mucha gente crea que en 2027 ya no harán falta desarrolladores o que su número vaya a caer 50%
La productividad sigue una distribución de Pareto, y la IA ya es una herramienta afilada que vuelve proporcionalmente más productivas a las personas que ya eran productivas. A medida que aumente la inteligencia de la IA, 80:20 podría volverse 90:10, 95:5, 99:1
La burocracia corporativa cambia lentamente, pero si aparecen top performers y crean competidores más pequeños, el cambio en el que empresas medianas y grandes sean reemplazadas por pequeñas podría ser rápido. La competencia entre empresas eficientes puede aumentar el excedente del consumidor, al mismo tiempo que provoca una desvinculación económica masiva y el colapso de la base fiscal
La IA apenas recientemente se volvió así de buena, y también se necesita tiempo para fundar competidores, por lo que todavía no se reflejaría en los indicadores rezagados. Yo también estoy avanzando en una comoditización con la que puedo ganar mucho dinero ofreciendo prácticamente gratis un producto mejor que el software premium de una industria de nicho, y no hay razón para contárselo a mis competidores. Si lo mismo ocurre en varias industrias, el mundo podría cambiar por completo
Harían falta robots muy inteligentes para encargarse de la burocracia, desde despliegues multi-cloud y multi-región hasta regulación local, contabilidad, impuestos y temas legales; hoy empresas como SAP cumplen ese rol. Si esa automatización se vuelve posible, estaríamos cerca de una situación en la que la empresa como tal deja de ser necesaria
Me intriga por qué el gráfico de desempleo sube gradualmente por más de un año desde antes del COVID. Los datos del BLS muestran un salto repentino en marzo de 2020 (datos)
Tampoco está claro qué significa la “exposición a la IA” en 2015. En ese momento no existían los LLM, y la división en quintiles del paper citado en la práctica se parece más al uso de computadoras que a IA. Hay que distinguir entre una IA que juega ajedrez y un LLM que realiza trabajo real; este último probablemente solo existe desde hace alrededor de un año
Revisé mis credenciales en el mercado laboral reciente, y aunque pensaba que como desarrollador único dentro de una organización me había mantenido suficientemente al día durante los últimos 18 meses, el resultado fue duro. Las empresas estaban pidiendo 4 años de experiencia con IA agéntica
Al final, todos se están inventando las cosas; creen en el hype sin entender los principios básicos y por eso fijan estándares imposibles de alcanzar. Incluso si desarrollas capacidades AI-native, sigues quedando corto para puestos AI-native
Aun así, sigue valiendo la pena probar modelos antiguos o modelos pequeños modernos con restricciones parecidas. Hábitos como el manejo cuidadoso del contexto y ejemplos bien hechos también funcionan con los modelos más recientes; mejoran el rendimiento y reducen costos. Si es posible, hay que mostrar en vez de explicar con palabras
Es una pena que hayan desaparecido los modelos base y de texto, que eran muy interesantes y divertidos
“X años de experiencia” también es más un indicador sustituto de habilidad que una duración literal. Si haces ese trabajo tan bien como una persona promedio que lo ha hecho durante X años y puedes demostrarlo, es suficiente
Hay dos puntos clave que conviene destacar. Primero, la mayoría de los estudios de productividad del gráfico 3 usan datos de 2023~2024, por eso Copilot registró cifras altas; en ese momento estaba al nivel de un autocompletado potente y todavía antes de la explosión de los agentes de programación
Segundo, más del 50% de los estadounidenses reporta usar IA cada semana, pero el uso real representa solo el 6% de las horas de trabajo, lo que encaja con lo que un estudio de Google describió como un “uso amplio pero superficial”
En la misma encuesta, el tiempo ahorrado fue el 2% de las horas de trabajo, lo que implica una mejora de productividad de más del 30% por hora de uso de IA, y coincide con resultados de varias industrias y estudios controlados. Algunos economistas creen que incluso con una tasa de adopción tan baja ya aparecen efectos en las estadísticas nacionales de productividad laboral
El 6% es muy bajo, así que el impacto en el empleo podría apenas estar comenzando. Dado que la utilidad se confirma tanto en reportes propios como en cifras micro y macro, tanto la cantidad de usuarios como el alcance de las tareas aumentarán, y da miedo que el impacto avance gradualmente para luego explotar de golpe
seguimiento de adopción, estudio de Google (discusión), datos de la Fed de St. Louis, análisis de productividad
Hay una gran salvedad: las mejoras de productividad se concentran sobre todo en ingenieros con poca experiencia, y en los de mucha experiencia desaparecen o incluso se vuelven negativas. Esto coincide con la sensación de que los LLM mueven la línea base hacia el promedio, ayudando a quienes están por debajo del promedio pero estorbando a quienes están por encima.
Además, el trabajo hecho con LLM se recuerda menos que el realizado directamente. Si es así, los ingenieros con poca experiencia en realidad no estarían acumulando experiencia real. Puede que los CEOs de empresas tecnológicas solo quieran mano de obra de baja calificación a la que puedan pagar menos
En cambio, en empresas donde el software no es más que un componente no esencial o un sistema interno de TI, ven a los desarrolladores no como un activo generador de ingresos sino como un costo a minimizar. Buscan al personal más barato y con menos experiencia, e intentan evitar contratar grandes desarrolladores usando outsourcing o LLM
Aunque el trabajo real sea difícil y requiera gente experimentada, mientras la empresa lo vea como un costo intentará resolverlo con la mano de obra más barata posible. Si se puede, conviene evitar productos o sistemas de TI donde para la dirección no sea evidente la conexión entre la calidad del software y la rentabilidad
El mayor impacto de la IA en el trabajo hoy son los generadores de código con LLM para desarrolladores, pero eso apenas rasca la superficie de lo que sería posible en las empresas. En nuestra empresa no tenemos la dirección, la voluntad ni la capacidad técnica para aprovechar el verdadero poder de la IA en función de los objetivos del negocio; solo compramos soluciones empaquetadas externas y no logramos integrar una capa de inteligencia en el entorno
Probablemente no sea raro encontrar empresas así. Los chatbots son útiles, pero para que la IA transforme el trabajo harán falta años, quizá décadas, y en la vida cotidiana podría tardar aún más. Por profunda que sea una tecnología, tiene que difundirse enfrentando la fricción del mundo real
Pero la IA se está filtrando mucho más ampliamente que un sitio web, y como todo el mundo ya usa teléfonos móviles, la fricción también es menor de lo que parece. Si MS Copilot llega a ser lo bastante bueno, incluso usuarios no técnicos pondrán a la IA a trabajar
El dueño de una empresa de HVAC podría decir: “Hay una gran emergencia en Bob’s Burgers de Brentwood, manda a dos empleados lo antes posible y, si hace falta, cambia otras visitas programadas”. Este tipo de tareas no requiere una cantidad enorme de tokens, así que se abaratará, y órdenes generales de oficina como “programa esto” o “contacta a X sobre Y” probablemente serán muy prácticas en 3 a 5 años. El principal cuello de botella es lograr que el agente acceda a los datos adecuados
A mi alrededor sí veo gente perdiendo el trabajo, aunque por suerte todavía no me ha afectado directamente. Al adoptar SaaS, iPaaS y serverless como tecnologías principales, el trabajo de agencia ya lo hacen equipos más pequeños que hace 10 años
Gracias a la IA se puede hacer más con menos gente, pero no hay suficiente demanda de proyectos como para mantener ocupados a todos
El CEO de Anthropic, Dario Amodei, predice que la IA podría eliminar la mitad de los empleos de oficina y llevar el desempleo al 20%, mientras al mismo tiempo dice que ciertos modelos son demasiado peligrosos para lanzarse