¿Cómo Afectará Realmente la Automatización Impulsada por la IA a los Empleos?

¿Cómo afectará la automatización impulsada por la IA a los empleos?

Escrito por Alex Imas y Soumitra Shukla a través de Ghosts of Electricity,

Uno de los hallazgos más citados en la política de IA proviene de un artículo de 2023 de Eloundou, Manning, Mishkin y Rock titulado “GPTs are GPTs”. El título tiene un bonito doble sentido: el artículo estudia cómo las tecnologías de propósito general (GPT) impulsadas por modelos de lenguaje grandes (también GPT) pueden remodelar el mercado laboral. El hallazgo principal es que alrededor del 80% de los trabajadores estadounidenses podrían tener al menos el 10% de sus tareas afectadas por los LLM, y aproximadamente el 19% podría ver la mitad o más de sus tareas impactadas. En términos generales, estas medidas de exposición intentan capturar cuán “expuesta” está la ocupación a la IA en función de si la IA puede aumentar las tareas involucradas en el trabajo: la exposición directa se define como “si el acceso a un LLM o a un sistema impulsado por LLM reduciría el tiempo requerido para que un humano realice una tarea específica o complete una tarea en al menos un 50%”. Los autores son muy claros al respecto en el artículo: la exposición corresponde a la capacidad de la IA para involucrarse en el trabajo, no a la medida en que el trabajo puede ser automatizado. Pero la palabra “exposición” resultó generar todo tipo de ansiedades sobre precisamente eso: el desplazamiento. Y quizás por esta razón, estas medidas de exposición a la IA se han vuelto virales en las redes sociales en los últimos dos meses.

Un ejemplo reciente es de Andrej Karpathy, uno de los cofundadores de OpenAI y un líder en cómo pensar sobre la IA en general (por ejemplo, acuñó los términos “jagged intelligence” y “vibe coding”). Su panel, que describió como un proyecto de fin de semana “vibe-coded”, fue una clasificación de cuán expuestas están las principales ocupaciones a la automatización impulsada por la IA. Rápidamente se volvió viral en X, ya que alimentó todas las narrativas ya existentes sobre la rápida pérdida de empleos debido a la IA.

Después de ver el panel sensacionalizado y difundido como la pólvora, Karpathy aclaró que su puntaje de “exposición” se basaba en una medida rápida, generada por LLM, de cuán digital es un trabajo, y nunca pretendió ser una previsión seria de qué ocupaciones se reducirán o desaparecerán. Si bien el sitio web de su propio proyecto hacía la misma advertencia, fue en gran medida ignorado en X. Para arruinar la conocida frase: “Un proyecto de fin de semana vibe-coded viajará dos veces alrededor del mundo antes de que la advertencia tenga tiempo de ponerse los pantalones”.
Sin embargo, lo que ilustra este episodio reciente es que tales medidas de exposición han captado la atención del público pero se leen rutinariamente de forma errónea (con algunos proponiendo una moratoria del término “exposición” por completo). Cuando la gente oye que un trabajo está “80% expuesto” a la IA, imagina que el 80% de ese trabajo desaparece. La economía real de la exposición a la IA y la pérdida de empleos está bastante lejos de esa caracterización.

¿Qué es un “trabajo”?

Un trabajo es un conjunto de tareas; una persona generalmente recibe un pago en función de qué tan bien completa todas las tareas asociadas con el trabajo. Así que digamos que eres un gerente de proyecto. Tu trabajo implica una serie de tareas como generar ideas, resumir esas ideas de manera concisa y obtener comentarios de los miembros del equipo, armar presentaciones y una serie de trabajos rutinarios (por ejemplo, aprobar hojas de tiempo, gestionar la logística). A medida que los modelos de IA mejoran, te das cuenta de que puedes automatizar muchas de estas cosas: la IA puede hacer gran parte del trabajo rutinario por ti, e incluso puede ayudarte a armar presentaciones. Según la medida de exposición, tu trabajo ahora está “expuesto” a la IA. ¿Qué le sucede a tu trabajo y qué le sucede a tu salario? Bueno, si la automatización de algunas de las tareas libera tiempo para generar mejores ideas, tu productividad general aumenta, te vuelves aún más valioso para la empresa. Los humanos siguen empleados y, si acaso, los salarios aumentan.

Por otro lado, si la IA automatiza todas las tareas —digamos que tu trabajo solo implica dos tareas y ambas se automatizan—, entonces sí, la mano de obra humana será desplazada. Es importante destacar que cuanto menor sea el número de tareas (lo que llamamos la dimensionalidad de un trabajo), mayor será el incentivo de la empresa para automatizarlo en primer lugar. Esta es la parte que se pierde en gran parte del análisis sobre la automatización: adoptar la IA en una organización existente es costoso, por lo que la empresa estará más dispuesta a invertir si puede automatizar el trabajo, no solo la tarea. La “exposición” y el riesgo de automatización no son solo una función de las capacidades del modelo, también dependen de los incentivos de la empresa. Y esto no es hipotético: ahora tenemos mucha evidencia de que tales incentivos importan mucho para lo que se automatiza y cuándo (por ejemplo, las empresas son mucho más propensas a automatizar cuando aumenta el costo de la mano de obra humana).

Por último, incluso si la IA hace que las personas sean más productivas y genera salarios más altos, todavía puede haber despidos masivos en ese sector si los consumidores no “absorben” el aumento de la productividad: si las caídas de precios impulsadas por la productividad no aumentan la demanda del producto, entonces se necesitarán menos trabajadores en ese sector.

En términos más generales, una tarea expuesta a la IA —incluso si esa exposición corresponde a la automatización completa de esa tarea— puede generar salarios más altos y más contratación para esa ocupación. O puede generar despidos e incluso un desplazamiento total. Si la exposición conduce a resultados laborales mejores o peores para los trabajadores depende de dos variables clave: la elasticidad de la demanda del consumidor en ese sector (cuánto más del producto compran las personas a medida que los precios bajan) y la dimensionalidad del trabajo (cuántas tareas están involucradas en ese trabajo). Como esperamos convencerte al final del artículo, deberíamos estar mucho más preocupados por trabajos como el transporte por camión y el almacenamiento de lo que estamos actualmente.

El enfoque estándar de la automatización

Comencemos con el enfoque “estándar” para pensar sobre la automatización. Primero, descomponemos los trabajos en tareas utilizando una taxonomía como O*NET, luego evaluamos cuántas de esas tareas pueden ser automatizadas o aumentadas por la IA. El impacto total en el trabajo es un promedio ponderado de cuánto mejoró cada tarea, lo que significa que puedes construir un “índice de exposición” —típicamente definido como qué parte de las tareas de un trabajo puede hacer la IA?— y ese índice se mapea linealmente en cuánto se ve afectado el trabajo (ver, por ejemplo, el ya clásico artículo de Michael Webb). Este enfoque ha sido enormemente útil para mapear el alcance potencial de la IA. Pero contiene una suposición que es casi seguro incorrecta para la mayoría de los trabajos del mundo real: asume que las tareas son separables. Es decir, automatizar la tarea A no tiene ningún efecto en la productividad de la tarea B, y el impacto general es solo la suma de las partes.

Considera los trabajos que conoces. Hay muchos en los que el resultado consiste en hacer bien muchas cosas diferentes, no solo algunas de ellas. No puedes tener un cocinero que siga la mayoría de los pasos de una receta, un baterista que esté mayormente en el ritmo, un programador cuyo código solo funciona parcialmente (o, para el caso, un profesor que solo hace la mitad de la investigación del trabajo… aunque algunos han puesto a prueba este requisito). Estos son trabajos en los que cada tarea debe completarse con éxito para que el resultado sea aceptable.

Dicho de otra manera, las tareas no son separables; son complementarias, es decir, hacer bien o mal una tarea afecta qué tan bien puedes hacer otras en el trabajo para completarlo. Que las tareas dentro de un trabajo sean complementarias en lugar de sustitutas parece bastante plausible para la mayoría de la producción del mundo real. Y esto tiene una amplia gama de implicaciones importantes sobre cómo la IA afectará realmente a los trabajos.

El modelo O-ring de trabajos

La idea de que las tareas complementarias crean una productividad no lineal se remonta al clásico artículo de Michael Kremer de 1993, “The O-Ring Theory of Economic Development”. El nombre proviene del trágico desastre del Challenger: un solo O-ring defectuoso causó la falla catastrófica de todo el sistema. La idea de Kremer fue que si la producción requiere muchos pasos, y cada paso debe hacerse bien para que el producto final tenga valor, entonces la productividad se convierte en una función multiplicativa en lugar de lineal de la habilidad. Un trabajador que comete ligeramente menos errores por tarea será dramáticamente más productivo en general, porque esas pequeñas ganancias de calidad se acumulan en cada paso.

Este modelo de trabajos basado en tareas ha cobrado nueva relevancia con un artículo reciente de Joshua Gans y Avi Goldfarb, “O-Ring Automation”, que aplica el marco de Kremer directamente a la automatización impulsada por la IA. Si bien su modelo puede parecer simple a primera vista, sus implicaciones son de gran alcance y profundas. Al menos uno de nosotros (Alex) ha estado obsesionado con este artículo durante meses (ver aquí, aquí y aquí).

Gans y Goldfarb construyen un modelo de una empresa donde el trabajo de cada empleado se compone de n tareas. El resultado del trabajo es multiplicativo en la calidad de cada tarea —esta es la función de producción O-ring:

Un trabajador tiene una dotación de tiempo h y la asigna entre las n tareas. Si la tarea s se realiza manualmente, el trabajador dedica h_s horas a ella y genera calidad:

donde a es la productividad laboral, asumida constante en todas las tareas (una suposición simplificadora). La restricción de tiempo del trabajador es:

La empresa también puede optar por automatizar cualquier tarea alquilando una pieza de capital que ofrezca una calidad fija θ a un costo r por tarea. Esta es la parte clave a la que prestar atención: si las empresas invierten en automatizar una tarea depende de las compensaciones incorporadas en este problema. Una vez que una tarea se automatiza, el trabajador ya no necesita dedicarle tiempo.

Hasta ahora, la configuración es bastante simple. La parte interesante es lo que implica la estructura multiplicativa de la función de producción una vez que entra en juego la automatización.

¿Cómo puede la automatización aumentar los salarios?

Ahora supongamos que una empresa elige automatizar k de n tareas. ¿Qué le sucede al trabajador y cómo afecta eso al salario?

Antes de la automatización, el trabajador asigna el tiempo de manera uniforme entre las n tareas, lo cual es óptimo dada la estructura simétrica. Cada tarea manual, por lo tanto, recibe h/n horas y tiene una calidad a · h/n. El resultado total es:

Después de que k tareas se automatizan con calidad θ, el trabajador ahora tiene las h horas completas para asignar entre solo n - k tareas manuales restantes. Cada tarea manual ahora recibe h/(n-k) horas, produciendo una calidad a · h/(n-k). El resultado total se convierte en:

Por lo tanto, el resultado aumenta después de la automatización parcial si y solo si:

Esta es una condición importante que establece que si la calidad de la tarea automatizada θ es al menos tan buena como la calidad manual original del trabajador antes de la automatización en esas tareas, entonces el resultado aumenta con seguridad. El resultado no aumenta automáticamente solo porque algunas tareas se automatizan; aumenta cuando la calidad de la automatización es lo suficientemente alta.

Pero aquí está la idea clave: debido a que la automatización también libera al trabajador para concentrar más tiempo en las tareas restantes, el resultado puede aumentar incluso si las tareas automatizadas se realizan con una calidad ligeramente menor que la que el trabajador lograba originalmente antes de la automatización. La automatización permite al trabajador concentrarse en menos tareas, aumentando la calidad de cada una. Este es el “efecto de enfoque”. Debido a la forma funcional de la función de producción, una mayor calidad en las tareas manuales restantes no solo se suma al resultado, sino que se multiplica a través de la función de producción. El trabajador se vuelve más productivo precisamente porque está haciendo menos cosas.

Cuando la calidad de la automatización es suficientemente alta en relación con lo que el trabajador estaba produciendo manualmente en esas tareas, el producto marginal del trabajador aumenta, y con él (típicamente) su salario. La automatización parcial, en el mundo O-ring, a menudo es un complemento a la mano de obra humana en lugar de un sustituto, lo que aumenta el salario del trabajador.

Pero esto no son necesariamente buenas noticias para el trabajo

Una mayor productividad del trabajador es buena para los salarios, pero ¿conduce a más o menos empleos? Esto depende de la demanda del consumidor. Cada trabajador fabrica una calculadora al día y la empresa tiene 10 trabajadores. Todas las calculadoras se venden al precio vigente. Ahora imagine que cada trabajador se vuelve mucho más productivo, de modo que cada trabajador pueda fabricar 10 calculadoras. El precio de cada calculadora baja (los costos bajan), pero los consumidores todavía demandan aproximadamente la misma cantidad de calculadoras. Este es el caso de la demanda inelástica, una que no responde mucho a los precios. Ahora la empresa despedirá a 9 de los trabajadores. Pero, ¿qué pasa si los consumidores compran muchas más calculadoras a precios más bajos, es decir, la demanda es muy elástica? Entonces la empresa terminará contratando más trabajadores para satisfacer la nueva demanda, a pesar de que son más productivos.

En términos más generales, si la demanda es elástica (elasticidad > 1), entonces una disminución del precio conduce a un aumento más que proporcional en la cantidad demandada. El resultado se expande mucho. La empresa necesita más trabajadores para producir este mayor resultado, a pesar de que cada trabajador es ahora más productivo. Efecto neto: más contratación.

Si la demanda es inelástica (elasticidad

Esto está estrechamente relacionado con una idea popular comúnmente conocida como la paradoja de Jevons: cuando un recurso se vuelve más eficiente de usar, el consumo total de ese recurso a menudo aumenta en lugar de disminuir. Cuando la máquina de vapor hizo más eficiente el carbón, el consumo de carbón se disparó porque muchas nuevas aplicaciones se volvieron económicamente viables. La misma lógica se aplica al trabajo: si la IA hace que un trabajador sea dramáticamente más productivo, y la demanda de ese producto es elástica, uno puede terminar con más trabajadores en esa ocupación, no menos.

Por qué importa la dimensionalidad del trabajo: el caso de los incentivos de la empresa

La relación entre las tareas y la elasticidad de la demanda del consumidor es una dimensión importante para predecir el desplazamiento impulsado por la IA, pero una variable que a menudo se pasa por alto es el número de tareas en el propio trabajo, es decir, su dimensionalidad. La dimensionalidad de un trabajo importa por dos razones.

Primero, condicionado a que una tarea sea automatizada, es más probable que un trabajo de baja dimensionalidad sea completamente desplazado. Si un trabajo tiene 20 tareas y una se automatiza, un trabajador humano todavía es necesario para hacer las otras 19 tareas. Pero si un trabajo tiene una tarea y una tarea se automatiza, ese trabajo desaparece. Segundo, y esta dimensión quizás se pasa por alto más, las organizaciones tienen un mayor incentivo para automatizar tareas cuanto menos tareas no automatizadas queden en el trabajo. Imagine que automatizar una tarea requiere una inversión de $ 10 millones (comprar el software, la incorporación, conectarlo al resto del sistema, etc.). En un caso, esta tarea es la única tarea no automatizada que queda en un trabajo; en el otro caso, si esta tarea se automatiza, quedan otras 19 tareas no automatizadas. La empresa tiene un incentivo mucho mayor para automatizar la tarea en el primer caso que en el segundo porque entonces puede reemplazar al trabajador y obtener los ahorros de costos involucrados.1

Debido a esto, las empresas tienen un mayor incentivo para invertir en tecnología para automatizar trabajos de baja dimensionalidad. En un trabajo de baja dimensionalidad, automatizar todas o la mayoría de las tareas centrales puede eliminar el puesto y la nómina por completo. Eso hace que el retorno de la automatización sea mucho mayor. En otras palabras, no todas las tareas “no expuestas” importan por igual: en algunos trabajos las tareas restantes aún mantienen al trabajador existente en la empresa; en otros no.

Esto da una predicción clara: incluso si un trabajo no está actualmente “expuesto” a la IA, en el sentido de que la IA no se está utilizando para las tareas involucradas, si es de baja dimensionalidad y la tecnología se está acercando a automatizar las tareas, debería considerarse en riesgo. Las empresas trabajarán más duro e invertirán más para automatizar la(s) tarea(s) involucrada(s) que en el caso donde los trabajos tienen muchas tareas no automatizadas.

Transporte por camión y almacenamiento, los canarios olvidados en la mina de carbón

Es por eso que creemos que la gente debería estar más preocupada por trabajos como el transporte por camión y el almacenamiento.

Aproximadamente 3 millones de estadounidenses conducen camiones para ganarse la vida. Muchos tienen 50 años, han estado conduciendo durante décadas y viven en comunidades donde el transporte por camión es una columna vertebral económica. El transporte por camión es uno de los mejores trabajos que se pueden conseguir sin un título universitario. El trabajo real de un conductor de camión de larga distancia está dominado por unas pocas funciones principales: mover el camión de manera segura del punto A al punto B. La logística, la carga/descarga, etc., son realizadas por otros. Si la conducción autónoma se vuelve confiable en rutas de larga distancia, el trabajo de un conductor de camión no solo está siendo aumentado; está fundamentalmente amenazado y puede incluso ser desplazado por completo. Y esa posibilidad ya no es teórica. Empresas como Aurora Innovation y Kodiak Robotics ya están realizando pilotos de camiones autónomos a gran escala y despliegues comerciales en rutas restringidas. El almacenamiento cuenta una historia similar. El almacenamiento emplea a millones de trabajadores estadounidenses, y muchos trabajos de almacén —recogida, empaquetado, clasificación, movimiento de paletas— son relativamente estrechos y cada vez más automatizables. En el extranjero, las empresas ya operan “almacenes oscuros” altamente automatizados que funcionan las 24 horas del día con mano de obra humana mínima. Estos almacenes no se parecen en nada a lo que vemos hoy: están diseñados desde cero para ser operados por máquinas.

Ahora compárelo con un trabajador del conocimiento, por ejemplo, un consultor de gestión. El trabajo combina investigación, análisis de datos, comunicación con el cliente, diseño de presentaciones, razonamiento estratégico, coordinación de equipos y gestión de relaciones. Eso son al menos siete u ocho tareas complementarias distintas. Claude o Codex podrían automatizar el primer borrador del análisis de datos y la creación de diapositivas, pero el consultor todavía es necesario para todo. En términos O-ring, la automatización de algunas tareas puede hacer que las restantes sean más valiosas al permitir que el trabajador les dedique más tiempo —el consultor puede pasar más tiempo hablando con el cliente y haciéndolo sentir cómodo con la implementación, obteniendo el apoyo de las diversas unidades, etc. Como consecuencia, los salarios pueden aumentar, y el empleo también puede aumentar si un mejor resultado y precios más bajos expanden la demanda del cliente.

Se puede ver la misma lógica en muchas profesiones de alto riesgo como la medicina y la academia. Ahora hay más de 870 herramientas de IA para radiología aprobadas por la FDA, y el 66% de los médicos utilizan al menos una herramienta de IA, principalmente para dictado de notas y soporte diagnóstico. Pero estas herramientas están aumentando a los radiólogos y médicos, no reemplazándolos. La IA generalmente se encarga del aspecto de reconocimiento de patrones rutinario del trabajo, liberando a los médicos para que se concentren en casos complejos, comunicación con el paciente y juicio clínico. Del mismo modo, los académicos han estado debatiendo si los avances en IA hacen que los asistentes de investigación sean más o menos valiosos. A medida que la IA automatiza las tareas analíticas rutinarias, tanto los profesores como los asistentes de investigación pueden concentrarse más en ideas y juicio, expandiendo así la producción y la demanda de mano de obra calificada en investigación. Este es nuevamente el efecto de enfoque O-ring en la práctica.

Lo mismo en nuestro laboratorio. Cada miembro adicional puede hacer mucho más, el desafío es poner a todos al día, tener discusiones abiertas sobre las mejores formas de usar estas herramientas o no y construir una cultura donde las personas se sientan más valoradas y no menos. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 de marzo de 2026
¿Qué capturan los índices de exposición?

Volvamos al marco de exposición. En el enfoque estándar, un consultor de gestión está muy “expuesto” a la IA, mientras que un conductor de camión no lo está. Pero, ¿significa esto que el consultor tiene un mayor riesgo de desplazamiento que el conductor de camión? No necesariamente. La alta exposición del consultor puede ser una buena noticia porque significa que la IA aumentará muchas de sus tareas complementarias, desencadenando el efecto de enfoque y potencialmente aumentando los salarios. Por otro lado, la exposición moderada del conductor de camión en una sola tarea crítica es mucho más peligrosa porque las empresas de camiones tienen un incentivo mucho mayor para automatizar la tarea de conducir, y una vez que eso se hace, el trabajo también desaparece. Estos incentivos ya se están manifestando en la práctica:

NOTICIAS: Jeff Bezos está en conversaciones para recaudar $ 100 mil millones para un nuevo fondo que compraría empresas de fabricación y buscaría utilizar tecnología de IA para acelerar su camino hacia la automatización.
Está vinculado a la startup de IA Project Prometheus de Jeff, que tiene como objetivo construir productos de IA para ingeniería… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 de marzo de 2026
Por lo tanto, el objeto relevante no es la exposición promedio a las tareas, sino la estructura de los cuellos de botella y cómo la automatización remodela el tiempo del trabajador a su alrededor. Dos trabajos con puntuaciones de exposición idénticas pueden tener riesgos de desplazamiento completamente opuestos dependiendo de si sus tareas son complementarias, si la demanda de su producción es elástica o inelástica, y los incentivos de la empresa para invertir en automatización. Los trabajadores con mayor riesgo no son necesariamente aquellos con la mayor exposición promedio, sino aquellos cuyos trabajos se basan en un pequeño número de tareas centrales que la IA puede automatizar.

1 En el caso en que los trabajos no se automatizan por completo, los ahorros de costos de automatizar la tarea marginal dependerán de las complementariedades entre las otras tareas del trabajo. La relación exacta se desarrolla en el artículo del modelo O-ring de automatización.

Alex Imas es profesor en UChicago Booth. Investiga en Economía e IA Aplicada. Substack aquí.

Tyler Durden
Sáb, 04/04/2026 - 09:20