Por Leonardo Veiga, profesor del IEEM
En una columna anterior sostuve que, con la inteligencia artificial, el empleo ya no se muda de sector, sino que debe transformarse en el propio puesto. Pero queda pendiente una pregunta incómoda: ¿todos podrán transformarse? Durante la mayor parte de la historia económica, la demanda laboral exigió un portafolio amplio de destrezas —fuerza, habilidad manual, paciencia, trato con las personas, cálculo, oficio—. Esa diversidad funcionaba como un seguro distributivo: quien no tenía una destreza tenía otras y casi todo el mundo poseía ventaja comparativa en algo.
Ese seguro ya venía erosionándose. La literatura sobre polarización del empleo documentó cómo la automatización de las tareas rutinarias vació las ocupaciones intermedias —administrativas, de producción— y empujó el empleo hacia los dos extremos de la distribución.[1] La pregunta que abre la IA generativa es si completa ese proceso o lo revierte.
Una primera ola de evidencia sugiere lo segundo: la IA como igualadora. En un centro de atención al cliente con más de 5.000 agentes, un asistente de IA aumentó la productividad 15 % en promedio, con las mayores ganancias entre los trabajadores novatos y de menor desempeño.[2] Entre 758 consultores de BCG, la mitad inferior en habilidad mejoró 43 % su desempeño con IA; la mitad superior, solo 17 %.[3] Y un experimento reciente con 1.174 adultos encontró que el acceso a un asistente de IA cerró tres cuartas partes de la brecha de desempeño entre personas de alta y baja educación formal.[4] Si la escasez relativa determina la remuneración, una tecnología que hace competente al mediocre comprime las diferencias en lugar de ampliarlas. Con un matiz importante: en este último experimento, cuando el asistente se retiraba, buena parte de la brecha educativa reaparecía. La nivelación opera mientras la herramienta está en la mano; no sustituye por sí sola el capital humano subyacente.[4]
Pero hay una segunda ola que apunta en la dirección contraria. En un experimento de campo con 640 emprendedores kenianos que recibieron un mentor de negocios basado en GPT-4, los de mejor desempeño inicial aumentaron sus resultados en torno a 15 %, mientras que los de peor desempeño empeoraron cerca de 10 %.[5] El factor decisivo no fue el acceso a la herramienta, sino el juicio para distinguir el consejo útil del genérico o equivocado. El propio estudio de BCG encontró lo mismo por otra vía: en tareas que estaban fuera del alcance real de la IA, quienes la usaron rindieron 19 puntos porcentuales peor que quienes trabajaron sin ella, porque adoptaban sus respuestas sin interrogarlas.[3] En ambos casos, la diferencia no estuvo en cuánto se usaba la herramienta, sino en qué se le pedía y qué se hacía con la respuesta.
Las dos olas de evidencia se reconcilian si se distingue qué destreza mide cada una. La IA iguala la ejecución de tareas definidas: redactar, resumir, analizar, responder. Pero concentra los retornos de una destreza distinta: el discernimiento para saber qué pedirle, cuándo creerle y cuándo descartarla. La destreza que pierde escasez —la ejecución competente— estaba ampliamente repartida en la población. Sobre la que gana escasez, el juicio, no lo sabemos.
Y hay un agravante: el juicio se aprendía ejecutando. El camino tradicional hacia la experticia pasaba por años de tareas de nivel inicial —los borradores, los análisis de rutina, las primeras respuestas— que son exactamente las que la IA hoy ejecuta. Los datos de nóminas de Estados Unidos muestran una caída relativa cercana a 16 % en el empleo de los trabajadores de 22 a 25 años en las ocupaciones más expuestas a la IA desde fines de 2022, mientras el empleo de los trabajadores experimentados en esas mismas ocupaciones se mantiene estable.[6] El problema no es nuevo —todos los oficios se aprendieron haciendo—, pero nunca la tarea de aprendizaje y la tarea automatizable habían coincidido tan exactamente. Si se desmonta la escalera, el juicio queda reservado a quienes ya subieron.
La analogía histórica esperanzadora es la alfabetización. En 1800, leer y escribir era una destreza de élite; la educación masiva la universalizó en tres generaciones. Nada garantiza que el discernimiento sea enseñable a escala como lo fue la lectura; pero nada demuestra que no lo sea, y la evidencia igualadora sugiere que buena parte del camino puede recorrerse.
El riesgo que enfrentamos, entonces, no es tanto que falte trabajo, sino que las destrezas que el nuevo mundo remunera queden concentradas en una parte de la población, mientras que las que posee el resto pierden valor de mercado simultáneamente. Esa respuesta no la dará la tecnología: la darán las instituciones educativas y laborales, según logren enseñar a trabajar con la IA —y crear los espacios donde el juicio se aprenda— antes de que la brecha se consolide. La primera revolución educativa universalizó la lectura; la que viene tendrá que universalizar el juicio.
Notas
[1] David H. Autor y David Dorn, “The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market”, American Economic Review, vol. 103, núm. 5, 2013, pp. 1553–1597.
[2] Erik Brynjolfsson, Danielle Li y Lindsey Raymond, “Generative AI at Work”, The Quarterly Journal of Economics, vol. 140, núm. 2, 2025.
[3] Fabrizio Dell’Acqua et al., “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality”, Harvard Business School Working Paper 24-013, 2023.
[4] Guillermo Cruces, Diego Fernández Meijide, Sebastián Galiani, Ramiro Gálvez y María Lombardi, “Does Generative AI Narrow Education-Based Productivity Gaps? Evidence from a Randomized Experiment”, NBER Working Paper 34851, 2026.
[5] Nicholas Otis, Rowan Clarke, Solène Delecourt, David Holtz y Rembrand Koning, “The Uneven Impact of Generative AI on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya”, Harvard Business School Working Paper 24-042, 2024.
[6] Erik Brynjolfsson, Bharat Chandar y Ruyu Chen, “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab, 2025.
