Automatización, IA y empleo: qué muestran las pruebas y qué sigue siendo una previsión

Las afirmaciones sobre la inteligencia artificial y el empleo van desde «desaparecerá la mitad de todos los empleos» hasta «nada ha cambiado». La mayoría mezcla tres tipos distintos de afirmaciones: lo que se ha medido sobre la automatización pasada, lo que se ha estimado acerca de las tareas que podrían realizar las nuevas tecnologías y lo que se prevé para el futuro. Este estudio las distingue. Examina las investigaciones más conocidas sobre robots industriales, las estimaciones ampliamente citadas de empleos «en riesgo» por la informatización y sus críticas, los estudios sobre la exposición a los modelos de lenguaje grandes realizados por investigadores de OpenAI y la Organización Internacional del Trabajo, los experimentos de campo y de laboratorio sobre la IA generativa y la productividad, y los primeros estudios de resultados reales en el mercado laboral entre 2023–2026. Las conclusiones establecidas son más limitadas de lo que sugiere el debate público: la automatización ha desplazado a trabajadores en lugares y grupos específicos, mientras que el empleo agregado se ha ajustado hasta ahora; la IA generativa aumenta la productividad en algunas tareas, especialmente para los trabajadores con menos experiencia; y los primeros datos administrativos no muestran un desplazamiento a escala de toda la economía, pero sí una brecha creciente en el empleo de los trabajadores jóvenes en las ocupaciones más expuestas. Todo lo que va más allá de eso es una previsión.

Principales hallazgos

• Los robots han tenido efectos locales medibles. En las zonas de desplazamiento diario de Estados Unidos, un robot industrial adicional por cada mil trabajadores redujo en 0,2 puntos porcentuales la proporción entre empleo y población y en un 0,42 % los salarios (Acemoglu and Restrepo, 2020). En Alemania, las pérdidas de empleo en la industria manufacturera relacionadas con los robots quedaron totalmente compensadas por nuevos empleos en el sector servicios, y la carga recayó principalmente en los jóvenes que se incorporaban a la fuerza laboral (Dauth et al., 2021). En 17 países entre 1993–2007, los robots elevaron el crecimiento anual de la productividad laboral en unos 0,36 puntos porcentuales, sin reducir significativamente el empleo total (Graetz and Michaels, 2018).
• Las estimaciones de «empleos en riesgo» no son previsiones de pérdida de empleo. La estimación de Frey y Osborne de 2013, según la cual alrededor del 47 % del empleo de Estados Unidos corría un alto riesgo de informatización, describía el potencial técnico «a lo largo de un número no especificado de años, quizá una o dos décadas». Un nuevo análisis basado en tareas para la OCDE concluyó que, en promedio, el 9 % de los empleos en 21 países de la OCDE era automatizable.
• Los modelos de lenguaje grandes afectan a muchas tareas. Eloundou y sus colegas estiman que alrededor del 80 % de la fuerza laboral de Estados Unidos podría tener al menos un 10 % de sus tareas laborales afectadas por los modelos de lenguaje grandes, y cerca del 19 %, al menos la mitad; con el LLM por sí solo, alrededor del 15 % de las tareas podrían realizarse significativamente más rápido con la misma calidad, porcentaje que asciende al 47–56 % con programas informáticos basados en ellos.
• La OIT prevé más transformación que automatización. Su índice de 2025 concluye que uno de cada cuatro trabajadores en todo el mundo tiene una ocupación con cierto grado de exposición a la IA generativa, y que el 3,3 % del empleo mundial se encuentra en la categoría de mayor exposición: el 4,7 % del empleo femenino frente al 2,4 % del masculino. La exposición abarca al 34 % del empleo en los países de ingreso alto, frente al 11 % en los países de ingreso bajo.
• La asistencia de la IA aumenta la productividad en tareas medidas. Entre 5,172 agentes de atención al cliente, el acceso a un asistente de IA elevó en promedio un 15 % la cantidad de casos resueltos por hora, con los mayores aumentos entre los trabajadores con menos experiencia y menos cualificaciones (Brynjolfsson, Li and Raymond, 2025). En un experimento con 453 profesionales, ChatGPT redujo en un 40 % el tiempo dedicado a tareas de redacción y aumentó la calidad en un 18 % (Noy and Zhang, 2023).
• Los primeros datos sobre resultados no muestran desplazamiento agregado. Los datos administrativos daneses muestran efectos nulos precisos de los chatbots de IA sobre los ingresos y las horas trabajadas, lo que permite descartar efectos superiores al 2 % dos años después del lanzamiento de ChatGPT (Humlum and Vestergaard, 2025). Los datos de nóminas de Estados Unidos hasta junio de 2026 no muestran un desplazamiento generalizado, pero el empleo de personas de 22–25 años en ocupaciones expuestas a la IA está un 19 % por debajo de donde estaría si hubiera seguido el ritmo de sus pares menos expuestos; se trata de una brecha descriptiva, no de una estimación causal (Brynjolfsson, Chandar and Chen, revised 2026).
• Las ganancias macroeconómicas podrían ser modestas. Acemoglu (2025) estima que la IA aumentará la productividad total de los factores como máximo un 0,66 % en diez años, y posiblemente menos de un 0,53 %.

Pregunta de investigación y alcance

Este estudio pregunta qué ha establecido la investigación, y qué no, sobre los efectos de la automatización y la IA en el empleo, los salarios y la organización del trabajo. Nos interesa esta cuestión porque subyace al debate «poslaboral»: si las sociedades necesitan nuevas instituciones —ingresos básicos, fondos de riqueza social, nuevas formas de propiedad— porque caerá la demanda de trabajo humano.

El alcance abarca investigaciones revisadas por pares y documentos de trabajo destacados publicados entre 2013 y 2026 en cinco categorías: estudios locales de los mercados laborales sobre robots industriales; estimaciones del «riesgo» ocupacional; índices de exposición a la IA generativa; experimentos sobre productividad; y primeras evidencias administrativas sobre resultados en el mercado laboral desde el lanzamiento de ChatGPT en noviembre de 2022. No revisamos pronósticos del sector, informes de consultoría ni encuestas sobre las intenciones de los directivos, que se citan con frecuencia, pero rara vez explican su metodología con transparencia. Otros estudios del atlas cubren la evidencia sobre políticas de apoyo a los ingresos que podrían responder a los cambios en el mercado laboral.

Antecedentes

Una vieja pregunta

Los temores al desempleo tecnológico son tan antiguos como la economía industrial. John Maynard Keynes acuñó la expresión «desempleo tecnológico» en 1930, y lo describió como el desempleo causado por el descubrimiento de medios para economizar el uso del trabajo que avanza más rápido que el ritmo al que se encuentran nuevos usos para el trabajo. Desde entonces, el empleo en los países ricos ha crecido a través de repetidas olas de mecanización y computarización.

Por qué los empleos han sobrevivido — hasta ahora

El ensayo de David Autor de 2015, «Why Are There Still So Many Jobs?», resume la explicación predominante. La automatización sí sustituye al trabajo, como pretende hacerlo, pero también lo complementa, aumenta la producción de maneras que incrementan la demanda de trabajo e interactúa con los ajustes de la oferta laboral. Autor sostiene que los comentaristas tienden a exagerar la sustitución de trabajadores por máquinas e ignoran estas complementariedades. La tecnología sí cambia qué empleos están disponibles y cuánto pagan: en las últimas décadas, una «polarización» del mercado laboral hizo que los aumentos salariales beneficiaran de manera desproporcionada a quienes se encuentran en los extremos superior e inferior de la distribución de habilidades, y no a quienes están en el medio.

Tareas, no empleos

El marco moderno, desarrollado entre otros por Daron Acemoglu y Pascual Restrepo, considera los empleos como conjuntos de tareas. En su modelo de 2018, la automatización de tareas existentes reduce el empleo y la participación del trabajo en el ingreso y puede reducir los salarios, mientras que la creación de nuevas tareas en las que el trabajo tiene una ventaja comparativa produce el efecto opuesto. Que la posición del trabajo mejore o se deteriore depende de la competencia entre estas dos fuerzas. En una versión con habilidades heterogéneas, la desigualdad aumenta durante las transiciones impulsadas tanto por una automatización más rápida como por nuevas tareas. Este marco explica por qué «¿cuántos empleos amenaza la IA?» es la pregunta equivocada: lo que importa es qué tareas se automatizan, qué nuevas tareas surgen y con qué rapidez pueden los trabajadores pasar de unas a otras.

Método y fuentes

Cinco tipos de evidencia

Cómo clasifica el atlas las afirmaciones

Consideramos establecidos los hallazgos de la primera y la cuarta categoría cuando proceden de estudios revisados por pares con una identificación creíble, aunque reconocemos que describen tecnologías, lugares y periodos específicos. Consideramos establecidas como mediciones las estimaciones de exposición, pero no como predicciones. Consideramos emergente el seguimiento inicial de resultados: es informativo, pero demasiado reciente para ser concluyente. Consideramos pronóstico cualquier afirmación sobre el empleo agregado futuro.

Hallazgos: robots industriales

Estados Unidos

Acemoglu y Restrepo (2020) estudian los efectos de los robots industriales en los mercados laborales de Estados Unidos, utilizando la variación en la exposición a los robots definida a partir de los avances en robótica a nivel de industria y de la composición industrial de cada zona de desplazamiento al trabajo. Encuentran efectos negativos robustos sobre el empleo y los salarios: un robot adicional por cada mil trabajadores reduce la relación empleo-población en 0,2 puntos porcentuales y los salarios en un 0,42%. Las zonas más expuestas a los robots después de 1990 no muestran tendencias diferenciales antes de ese año, y el impacto de los robots es distinto del de otros tipos de capital y tecnologías.

Alemania

Dauth, Findeisen, Suedekum y Woessner (2021) utilizan datos administrativos detallados para estudiar el ajuste de los mercados laborales locales alemanes a los robots industriales. La exposición a los robots está asociada con el desplazamiento de empleos en la industria manufacturera, pero esas pérdidas quedan plenamente compensadas por nuevos empleos en los servicios. La carga recae principalmente en los trabajadores jóvenes que recién ingresan al mercado laboral, quienes sustituyen la formación profesional por estudios en institutos de educación superior y universidades. Los trabajadores ya establecidos disfrutan de un empleo más estable dentro de sus empresas, a menudo asumiendo nuevas tareas en sus plantas originales, y se benefician los trabajadores de ocupaciones con tareas complementarias, como los directivos y los científicos técnicos.

Evidencia entre países

Graetz y Michaels (2018) analizan la adopción de robots en 17 países entre 1993 y 2007. El mayor uso de robots contribuyó aproximadamente 0,36 puntos porcentuales al crecimiento anual de la productividad laboral, al tiempo que elevó la productividad total de los factores y redujo los precios de producción. Encuentran que los robots no redujeron significativamente el empleo total, aunque sí redujeron la proporción de trabajadores poco cualificados en el empleo.

Qué establecen los estudios sobre robots

Los tres estudios no se contradicen. La automatización puede reducir el empleo y los salarios en los lugares y grupos más expuestos, mientras el empleo agregado se ajusta, según las instituciones, la demanda y el ritmo de adopción. Los efectos distributivos —en las regiones, quienes se incorporan al mercado laboral a edades tempranas y los trabajadores poco cualificados— están mejor establecidos que cualquier efecto agregado.

Hallazgos: estimaciones de empleos «en riesgo»

Frey y Osborne

En un documento de trabajo fechado el 17 de septiembre de 2013 y publicado posteriormente en Technological Forecasting and Social Change (2017), Carl Benedikt Frey y Michael Osborne estimaron la probabilidad de informatización de 702 ocupaciones detalladas, utilizando etiquetas asignadas por expertos para un subconjunto y un clasificador estadístico para el resto. Concluyeron que alrededor del 47% del empleo total de EE. UU. se encontraba en la categoría de alto riesgo, «lo que significa que las ocupaciones asociadas son potencialmente automatizables en un número no especificado de años, quizá una o dos décadas». También encontraron una fuerte relación negativa entre la probabilidad de informatización de una ocupación y sus salarios y nivel educativo.

Críticas

La cifra del 47% se convirtió en uno de los números más citados en el debate sobre la automatización, a menudo como pronóstico de que desaparecería la mitad de los empleos. Tres críticas son importantes.

1. Las ocupaciones no son tareas. Arntz, Gregory y Zierahn (2016) sostuvieron, en un trabajo para la OCDE, que suponer que se automatizan ocupaciones enteras exagera la automatizabilidad, porque las ocupaciones clasificadas como de alto riesgo suelen contener todavía una proporción sustancial de tareas difíciles de automatizar. Al tener en cuenta la heterogeneidad de las tareas dentro de las ocupaciones, encontraron que, en promedio, el 9% de los empleos en 21 países de la OCDE eran automatizables, desde el 6% en Corea hasta el 12% en Austria.
2. El potencial técnico no equivale a la adopción. La automatización de una tarea depende de los costos, la regulación, el cambio organizativo y la demanda, no solo de la viabilidad técnica. Frey y Osborne describieron explícitamente un «plazo aproximado», no una predicción de pérdidas de empleo.
3. Las estimaciones a nivel individual difieren. Nedelkoska y Quintini (2018), en un trabajo para la OCDE, se basaron en la evaluación experta de Frey y Osborne, pero estimaron el riesgo para empleos individuales utilizando la Encuesta de competencias de los adultos en 32 países y relacionaron el riesgo con el uso de competencias y la formación. Su enfoque, al igual que el de Arntz y sus colegas, arroja estimaciones muy inferiores a la cifra basada en ocupaciones.

Una década después

Más de una década después del artículo de 2013, el empleo en EE. UU. no ha disminuido ni remotamente un 47%. Esto no demuestra que Frey y Osborne se equivocaran, ya que no predijeron una fecha, pero ilustra por qué las estimaciones del potencial técnico no deben interpretarse como pronósticos.

Hallazgos: exposición a la IA generativa

«Los GPT son GPT»

Eloundou, Manning, Mishkin y Rock evaluaron las ocupaciones de EE. UU. según su grado de correspondencia con las capacidades de los modelos de lenguaje de gran tamaño, combinando evaluaciones de anotadores humanos y clasificaciones de GPT-4. La primera versión se publicó en marzo de 2023; el estudio se publicó en Science en 2024. Estiman que alrededor del 80% de la fuerza laboral estadounidense podría tener al menos un 10% de sus tareas laborales afectadas por los LLM, y que aproximadamente el 19% de los trabajadores podría ver afectadas al menos el 50% de sus tareas. Con acceso a un LLM, alrededor del 15% de todas las tareas laborales podrían completarse significativamente más rápido con la misma calidad; con software y herramientas basados en LLM, esta cifra aumenta al 47–56%. Los efectos previstos abarcan todos los niveles salariales, y los empleos con mayores ingresos podrían estar más expuestos. Los autores declaran expresamente que no hacen predicciones sobre los plazos de desarrollo o adopción, y sostienen que los LLM tienen las características de las tecnologías de propósito general.

Se aplican dos salvedades. «Afectada» significa que una tarea podría realizarse más rápido, no que se reemplazaría a un trabajador. Y la clasificación se basa en parte en que un modelo de lenguaje evalúa su propio potencial, lo que plantea interrogantes sobre la calibración.

El análisis de la OIT de 2023

El primer estudio mundial de la OIT (Gmyrek, Berg y Bescond, agosto de 2023) evaluó la exposición a GPT-4 y concluyó que el efecto predominante de la tecnología probablemente sería la ampliación de las capacidades de las ocupaciones, en lugar de su automatización. Los empleos con alto potencial de automatización representaban solo el 0.4% del empleo en los países de ingresos bajos, frente al 5.5% en los países de ingresos altos. El potencial de ampliación era mayor: afectaba al 10.4% del empleo en los países de ingresos bajos y al 13.4% en los de ingresos altos. Los efectos estaban muy marcados por el género: en los países de ingresos altos, los empleos con alto potencial de automatización representaban el 8.5% del empleo femenino, frente al 3.9% del empleo masculino, en gran medida porque los empleos administrativos son una fuente importante de empleo para las mujeres.

El índice perfeccionado de la OIT de 2025

La actualización de 2025 (Gmyrek et al.) reconstruyó el índice utilizando una muestra de 29,753 tareas de la clasificación ocupacional polaca, una encuesta a 1,640 trabajadores de todos los principales grupos ocupacionales que generó 52,558 puntos de datos sobre 2,861 tareas, y rondas al estilo Delphi con expertos internacionales. Concluye que las ocupaciones administrativas siguen teniendo la mayor exposición, que algunas ocupaciones profesionales y técnicas muy digitalizadas han pasado a estar más expuestas, y que, en todo el mundo, uno de cada cuatro trabajadores tiene una ocupación con cierta exposición a la IA generativa. El 3.3% del empleo mundial se sitúa en el nivel más alto de exposición: el 4.7% del empleo femenino frente al 2.4% del masculino; la brecha aumenta al 9.6% frente al 3.5% en los países de ingresos altos. La exposición general alcanza al 11% del empleo en los países de ingresos bajos y al 34% en los de ingresos altos. La OIT concluye que, dado que la mayoría de las ocupaciones se componen de tareas que requieren intervención humana, el impacto más probable es la transformación de los empleos.

Resultados: experimentos de productividad

Atención al cliente

Brynjolfsson, Li y Raymond estudian la introducción escalonada de un asistente conversacional de IA generativa para 5,172 agentes de atención al cliente. El acceso a la asistencia de IA aumentó la productividad, medida como el número de casos resueltos por hora, en un promedio del 15%, con una heterogeneidad considerable. Los trabajadores con menos experiencia y menos cualificados mejoraron tanto la velocidad como la calidad de su trabajo, mientras que los más experimentados y cualificados registraron pequeñas mejoras en velocidad y pequeñas disminuciones en calidad. La asistencia de IA pareció ayudar a los trabajadores a aprender y mejoró su dominio del inglés, especialmente entre los agentes internacionales. Las mejoras fueron mayores en el caso de problemas relativamente poco frecuentes. Los clientes fueron más corteses y menos propensos a pedir hablar con un gerente.

Redacción profesional

Noy y Zhang asignaron tareas de redacción incentivadas y específicas de cada ocupación a 453 profesionales con estudios universitarios y dieron acceso a ChatGPT de manera aleatoria a la mitad de ellos. El tiempo medio de finalización disminuyó un 40% y la calidad del resultado aumentó un 18%. La desigualdad entre los trabajadores disminuyó. Los trabajadores que tuvieron acceso a ChatGPT en el experimento fueron el doble de propensos a declarar que lo usaban en su trabajo real dos semanas después y 1.6 veces más propensos a hacerlo dos meses después.

Qué muestran y qué no muestran los experimentos

Estos estudios demuestran que las herramientas actuales de IA generativa pueden aumentar sustancialmente la productividad en tareas bien definidas y que las mejoras tienden a ser mayores para los trabajadores con menos experiencia, lo que reduce las brechas en esas tareas. No muestran qué ocurre con el empleo cuando esas mejoras se generalizan. Una mayor productividad por trabajador puede reducir el número de trabajadores necesarios, aumentar la producción y la demanda, o trasladar a los trabajadores a nuevas tareas; los experimentos no permiten determinar cuál de estos efectos predominará.

Resultados: primeros efectos en el mercado laboral, 2023–2026

Dinamarca: adopción rápida, sin efectos en los ingresos por ahora

Humlum y Vestergaard relacionan encuestas a gran escala sobre la adopción de chatbots con los registros administrativos del mercado laboral danés. Documentan «corrientes rápidas»: la mayoría de los empleadores en ocupaciones expuestas había adoptado iniciativas relacionadas con chatbots, los trabajadores informaban de mejoras en la productividad y las nuevas tareas relacionadas con la IA estaban muy extendidas. Sin embargo, mediante métodos de diferencias en diferencias, estiman efectos nulos precisos en los ingresos y las horas registradas, tanto a nivel de los trabajadores como de los lugares de trabajo, y descartan efectos superiores al 2% dos años después del lanzamiento de ChatGPT. Lo que cambió fue la estructura del trabajo: los empleadores incorporaron la IA reorganizando las tareas e incluyendo nuevas tareas de generación de contenido, supervisión de IA e integración de IA.

Estados Unidos: una brecha creciente para los trabajadores jóvenes

Brynjolfsson, Chandar y Chen utilizan datos de nóminas de alta frecuencia de ADP que abarcan a millones de trabajadores estadounidenses. Su artículo, publicado por primera vez en agosto de 2025 y revisado en agosto de 2026 con datos hasta junio de 2026, no encuentra indicios de un desplazamiento laboral generalizado en el conjunto de la economía. Sin embargo, el empleo de los trabajadores jóvenes de entre 22 y 25 años en ocupaciones expuestas a la IA se sitúa ahora un 19% por debajo del nivel que habría alcanzado si hubiera seguido el ritmo de sus pares menos expuestos; esta brecha se ha ampliado de manera sostenida desde agosto de 2025. No se observa una brecha comparable entre los trabajadores con experiencia. La divergencia se debe principalmente a una menor contratación de trabajadores jóvenes, más que a un aumento de las separaciones, y se concentra en ocupaciones en las que el uso de la IA sustituye sobre todo tareas humanas; en aquellas en que principalmente complementa el trabajo, el empleo se mantiene estable o aumenta. Este patrón persiste al excluir las empresas tecnológicas y las ocupaciones informáticas, y al controlar por la exposición a los tipos de interés y el trabajo remoto. Se atenúa al controlar por la educación, muestra algunas tendencias divergentes anteriores a la IA generativa y es más pronunciado en la muestra de ADP que en los parámetros de referencia de las encuestas nacionales. Los autores describen estos hechos como indicadores descriptivos tempranos —«canarios en la mina de carbón»— y no como estimaciones causales.

Expectativas macroeconómicas

En «The simple macroeconomics of AI» (2025), Acemoglu emplea un modelo basado en tareas y estimaciones existentes de la exposición y de los aumentos de productividad a nivel de tarea para calcular los efectos agregados. Encuentra efectos macroeconómicos no triviales, pero modestos —un aumento de la productividad total de los factores de no más del 0.66% en diez años— y sostiene que incluso esta cifra podría ser demasiado alta, porque la evidencia inicial procede de tareas fáciles de aprender, lo que da lugar a una estimación revisada inferior al 0.53%. También sostiene que es poco probable que la IA aumente la desigualdad tanto como las tecnologías de automatización anteriores, pero que no hay pruebas de que vaya a reducir la desigualdad de los ingresos laborales y que se prevé que amplíe la brecha entre los ingresos del capital y los del trabajo.

Separar la evidencia de las previsiones

Lo que la evidencia no demuestra

• No demuestra que la IA vaya a causar desempleo masivo. Ningún estudio revisado aquí aporta pruebas de una pérdida agregada de empleo causada por la IA generativa hasta la fecha, y las estimaciones de exposición no son estimaciones de desplazamiento.
• No demuestra que la IA no vaya a causar grandes pérdidas de empleo. Los primeros estudios de resultados abarcan entre dos y tres años desde la aparición de una tecnología cuyas capacidades y adopción están cambiando rápidamente. La automatización del pasado tardó décadas en mostrar todos sus efectos.
• No demuestra que la automatización del pasado sea una guía fiable. Los estudios sobre robots se refieren a una tecnología utilizada principalmente en la manufactura. La IA generativa afecta tareas cognitivas y administrativas en todos los sectores, incluidos los empleos mejor remunerados.
• No demuestra que las ganancias de productividad se distribuyan ampliamente. Los experimentos miden la producción por trabajador en una tarea, no quién se apropia de las ganancias.
• No identifica la causa de la brecha entre los trabajadores jóvenes. La evidencia de nóminas es descriptiva y se atenúa en parte al controlar por educación y por tendencias preexistentes.
• No resuelve si la exposición implica aumento o sustitución. Los índices de la OIT y de Eloundou miden qué podría verse afectado; una misma exposición puede aumentar o reducir la demanda de trabajo, según cómo las empresas implementen la tecnología.

Implicaciones para el diseño institucional

1. Crear sistemas de seguimiento antes de diseñar respuestas. Los trabajos recientes más útiles vinculan encuestas de adopción con registros administrativos de nóminas e impuestos. Los gobiernos y las agencias estadísticas deberían crear indicadores públicos y actualizados periódicamente sobre la adopción de la IA, la contratación, los ingresos y los cambios en las tareas por ocupación y edad, para que las políticas puedan responder a la evidencia y no a las previsiones.
2. Vigilar la contratación en puestos de entrada. Si la IA reduce la contratación de trabajadores jóvenes en ocupaciones expuestas, las primeras instituciones que se verán sometidas a presión serán las que forman e incorporan a quienes recién ingresan: los aprendizajes, los programas para graduados y los primeros peldaños de las carreras profesionales. Los estudios sobre robots en Alemania también encontraron que la carga recayó en los jóvenes que se incorporaban al mercado laboral.
3. Preparar ayudas a los ingresos que puedan ampliarse en función de la evidencia. La evidencia sobre transferencias monetarias revisada en otra parte del atlas sugiere efectos modestos de los pagos incondicionales en la oferta laboral. Serían más defendibles los mecanismos similares a los seguros, que se amplían automáticamente cuando aumenta el desplazamiento medido, que tanto los programas universales prematuros como la ausencia total de planes.
4. Tratar la distribución entre capital y trabajo como una cuestión de diseño. Si la IA amplía la brecha entre los ingresos del capital y los del trabajo, como predice Acemoglu, los debates sobre fondos de riqueza social, reparto de beneficios o «dividendos de la IA» pasan a ser cuestiones de propiedad, no solo de prestaciones.
5. Promover el aumento de las capacidades, no solo afrontar el desplazamiento. Los experimentos muestran que las herramientas de IA pueden elevar la productividad de los trabajadores con menos experiencia. La formación, las políticas de contratación pública y la consulta en el lugar de trabajo pueden orientar la implementación hacia la complementariedad con los trabajadores: una de las pocas palancas disponibles antes de conocer los resultados.
6. Identificar las previsiones como tales. El debate público se beneficiaría de la disciplina empleada en este estudio: separar lo que se ha medido de lo que se ha modelizado y de lo que se predice, indicando la fecha y la fuente de cada elemento.

Preguntas abiertas

• ¿Persistirá, se ampliará o se cerrará la brecha de empleo de los trabajadores jóvenes en ocupaciones expuestas a la IA, y es la IA su causa principal?
• ¿Con qué rapidez se traducirá la reorganización de tareas dentro de las empresas —la creación de nuevas tareas de supervisión e integración de la IA— en cambios salariales y en la estructura ocupacional?
• ¿Seguirá la IA generativa el patrón de la automatización anterior, con efectos locales y distributivos, pero con un empleo agregado estable, o su alcance en todos los sectores producirá efectos agregados mayores?
• ¿Cómo afectará la exposición diferenciada por género del trabajo administrativo al empleo de las mujeres, especialmente en los países de ingresos altos?
• ¿Qué proporción de las ganancias de productividad impulsadas por la IA corresponderá a los trabajadores, los consumidores y los propietarios del capital?

Fuentes

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Documento de trabajo de Oxford Martin School. PDF; publicado en Technological Forecasting and Social Change 114 (2017): 254–280, doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. Documentos de trabajo de la OCDE sobre asuntos sociales, empleo y migración 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. Documentos de trabajo de la OCDE sobre asuntos sociales, empleo y migración 202. doi:10.1787/2e2f4eea-en
8. Autor, D. H. (2015). "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives 29(3): 3–30. doi:10.1257/jep.29.3.3
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998; documento de trabajo arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. Documento de trabajo de la OIT 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. Documento de trabajo de la OIT. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Documento de trabajo del NBER 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025, revisado en 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042