Alguna vez llegué a pensar que la pandemia del covid sería el acontecimiento global más importante que iba a ocurrir en mis años de vida. Me equivoqué, y creo que por mucho: es la Inteligencia Artificial.
Con toda la emoción de este punto de inflexión histórico viene también un temor: las potenciales pérdidas de empleo.
Un artículo recientemente publicado por investigadores de Stanford —Erik Brynjolfsson, Bharat Chandar y Ruyu Chen— aporta la primera evidencia sistemática y de gran escala sobre el impacto de la IA en el empleo.
El estudio es innovador por varios motivos:
1) usa una muestra bien grande de datos,
2) usa controles rigurosos que permiten mayor certeza de que los efectos que obtienen son efectivamente por la IA y no por explicaciones alternativas, y
3) usa múltiples medidas de exposición a IA, incluyendo el Anthropic Economic Index, que analiza millones de conversaciones reales con Claude (el LLM de Anthropic) para clasificar qué tareas u ocupaciones están siendo abordadas con IA, y si el uso pertenece a alguno de los dos grupos que el artículo utiliza para clasificar tareas: “automatización” (la IA ejecuta tareas completas, sustituyendo el trabajo humano), o de “aumento” (la IA colabora con humanos para complementar sus capacidades). Dentro de esos dos grupos, las tareas se descomponen en otras subcategorías.
En el caso de automatización, se compone de dos:
AUTOMATION (Automatización): Directive + feedback loop
Directive: contiene las interacciones de delegación completa de la tarea con mínima interacción, es decir, el usuario le da una orden a Claude y este la ejecuta de forma autónoma.A nivel global, directive pasó de 27% a 39% en menos de un año. En México es un poco más, casi 42%, mientras que en Brasil la mayoría de las interacciones son de este tipo.
Feedback Loop: completar tareas guiado por retroalimentación del entorno, esto es, Claude realiza la tarea y el usuario le envía resultados o errores para que corrija (ej: debugging).
En el caso de aumento, se compone de tres:
AUGMENTATION (Aumento): Task Iteration + learning + validation
Task Iteration: proceso colaborativo de refinamiento, es decir, el usuario y Claude trabajan juntos iterando y mejorando algo repetidamente (ej: co-escribir un documento).
Learning: adquisición de conocimiento y comprensión, donde el usuario le hace preguntas a Claude para aprender sobre temas diversos.
Validation: verificación y mejora del trabajo, esto es, el usuario le pide a Claude que revise su trabajo y sugiera mejoras.
Para que te hagas una idea, así es como se distribuye el uso de Claude en el mundo:
El impacto de la IA no es igual entre ocupaciones
El análisis central del estudio de Stanford compara tendencias de empleo antes y después de fines de 2022 —momento en que la adopción de IA generativa se aceleró— entre grupos de alta y baja exposición, desagregados por edades.
Los autores confirmaron que la IA desplaza trabajadores, pero sus impactos son heterogéneos. Documentaron que los trabajadores jóvenes en ocupaciones altamente expuestas—como desarrolladores de software o representantes de servicio al cliente—son los más afectados. Crucialmente, estas caídas se concentran en usos en que la IA puede realizar tareas autónomamente (tareas de automatización), no en usos en que la IA colabora con humanos (tareas de aumento). Además, encontraron que el ajuste se da a través de cantidad de empleo, no de salarios.
Replicando el análisis para el caso mexicano
Usos de la IA
En México, según los datos de Anthropic, la IA se usa para tareas de automatización relativamente más que en Estados Unidos.
Según esta misma fuente, se usa sobre todo para desarrollo de software y programación, desarrollo web, asistencia académica y redacción de documentos profesionales.
Un dato interesante es que Estados Unidos tiene casi 23 veces más interacciones con Claude que México, a pesar de tener poco menos de tres veces su población. Esto puede ser por varias razones, como que en México se use poco Claude vs otras herramientas como ChatGPT, o porque haya menor adopción a la IA en general.
La IA y el empleo
Al igual que en Estados Unidos, en México el empleo siguió creciendo post lanzamiento de Chat GPT. Sin embargo, al desagregar el empleo por grupo de edad se puede notar que el grupo más jóven no ha corrido con la misma suerte que el resto.
Para darnos una idea de si este efecto podría estar asociado con la adopción de la IA, separamos las ocupaciones por exposición a esta tecnología.
Consideramos como alta exposición a profesionistas, técnicos y oficinistas, y baja exposición a trabajadores en actividades agrícolas, artesanos, operadores de maquinaria, y conductores de maquinaria móvil.
Podemos ver que los trabajadores de alta exposición han visto un impacto negativo mayor que los de baja, pero también en las ocupaciones de baja exposición el empleo joven se contrajo. Aunque ojo, este análisis no es lo suficientemente amplio como para asegurar que esa mayor caída en empleo en sectores de alta exposición sea causada por la IA, solo es capaz de mostrar una correlación.
¿Por qué la IA afecta más a trabajadores jóvenes que a mayores?
Los autores proponen una explicación basada en tipos de conocimiento que resulta económicamente intuitiva y empíricamente consistente con los patrones observados.
La inteligencia artificial generativa, por su naturaleza de entrenamiento en textos masivos, replica especialmente bien el "conocimiento codificado" —información documentada en manuales, libros de texto, procedimientos escritos, código de ejemplo, plantillas estándar—. Este es precisamente el tipo de conocimiento que aportan trabajadores recién egresados: lo aprendido en la universidad o bootcamps.
En contraste, el "conocimiento tácito" —trucos aprendidos con experiencia, redes de contactos, intuiciones sobre cuándo aplicar qué regla, comprensión profunda de contextos específicos de clientes o proyectos— es más difícil de codificar y por tanto más difícil de replicar para la IA. Por ejemplo, un desarrollador senior no solo sabe programar, también sabe cuándo usar qué arquitectura según restricciones políticas y técnicas no documentadas del proyecto, conoce qué miembros del equipo consultar para cada problema, intuye dónde buscar cuando algo falla de manera misteriosa.
Un punto adicional a considerar es el de los salarios. El estudio en Estados Unidos documentó que el ajuste se da en cantidad de empleo y no en salarios, en parte porque los salarios exhiben resistencia a bajar. Uno podría esperar que en el caso de México esta resistencia también suceda, en parte por regulaciones que impiden que el salario se ajuste.
Mayores costos laborales como catalizador del cambio tecnológico
Entre 2018 y 2025, México experimentó aumentos del salario mínimo que acumularon 216% nominal, mientras la inflación acumulada fue de aproximadamente 39% en el mismo período. Simultáneamente, hubieron múltiples reformas laborales que podrían potencialmente haber incrementado costos: la prohibición del outsourcing (2021), el incremento de vacaciones mínimas de 6 a 12 días (2023), y la reforma de pensiones del IMSS que aumenta progresivamente las aportaciones patronales del 3.15% al 11.875% del salario base entre 2023-2030.
Estudios de Banxico revelan que dos terceras partes de la población ocupada se emplea en ocupaciones con alta probabilidad de automatización. En este contexto, es posible que los mayores costos laborales aceleren la adopción de tecnologías, lo cual posiblemente afecte desproporcionadamente al empleo de personas más jóvenes.
Algunas lecciones y miradas personales
Personalmente, soy una optimista de la IA (seguramente todo Fintual lo es). Creo que llegó para liberarnos de tareas tediosas y habilitarnos más tiempo para lo divertido, lo que sea que eso signifique para cada persona. Pero claramente hay retos que abordar.
Respecto de los más jóvenes, quizás como sociedad debemos enfocarnos en que la educación formal enseñe conocimiento táctico; cambiar el enfoque para enseñarles habilidades prácticas. Como dicen los autores, eso incluye cómo usar la IA efectivamente —cuándo confiar en ella, cómo validar sus outputs, cómo combinarla con juicio humano.
Y bueno, para los que estamos más viejos y a veces nos sentimos obsoletos, es reconfortante saber que, a pesar de sus extraordinarios avances, la IA todavía no reemplaza lo que solo con el tiempo se gana.
