Cómo evitar ser sustituido sin venderte a la IA

Aprender, cambiar y no aferrarse, sin convertirte en su esclavo

Artículo de lectura independiente agrupado en la serie “La IA y tú”.

---

Imagínate dos profesionales del mismo sector, parecidos de edad, parecidos de competencia técnica. Llamémoslos con unos nombres originales: AntiIA y ParalaIA. AntiIA ha decidido que la IA es humo, que su trabajo es demasiado importante para confiarlo a una máquina y que ya pasará la moda. Pasa los días haciendo su trabajo como lo lleva haciendo desde hace muchos años. ParalaIA ha decidido lo contrario: la IA es la respuesta a todo y de liberarle de su trabajo, ha empezado a usarla para cualquier tarea, acepta sin revisar lo que le da y se ahorra el tener que pensar.

Dentro de unos pocos años los dos se van a quedar atrás, por motivos opuestos. AntiIA se quedará atrás porque sus compañeros con IA bien usada producen tres veces más con la misma calidad y él no, y porque las habilidades que rechazó aprender se vuelven el estándar. ParalaIA se quedará atrás porque su criterio se ha atrofiado, porque acepta cosas que un experto no aceptaría, y porque su valor diferencial frente a quien tenga el mismo acceso a la IA se ha evaporado. Los dos extremos pierden. El sitio bueno está en medio y no es un lugar cómodo.

Sobre los casos extremos de este artículo. Algunas comparativas, escenarios y diagramas de este texto son ilustrativos: contrastan extremos (utopía / distopía) para hacer visible un rango. No son recomendaciones operativas ni predicciones. El autor no se responsabiliza del uso que cada lector haga de estas ideas. Texto íntegro del aviso aquí.

Conviene también aprender a filtrar el ruido del entorno. El pánico al reemplazo absoluto a corto plazo suele estar propulsado por narrativas corporativas muy interesadas: figuras clave de la industria han señalado abiertamente “el fin definitivo de las profesiones técnicas”, pero solo lo hacen para inflar rondas de financiación o justificar reestructuraciones agresivas ante sus inversores (hace no tanto ocurría que echaban a miles de personas “por culpa de la IA” cuando la IA todavía no estaba implantada en ninguna empresa, aunque se puede oler que era más excusa fácil para despedir y la IA el chivo expiatorio perfecto). Mantener el criterio propio implica entender que la herramienta viene a multiplicar la capacidad de construcción, no a vaciar las oficinas. La corrección del tono la hizo el propio CEO de Microsoft, Satya Nadella, en una entrevista al Wall Street Journal de junio de 2026: «No puedes decir que todos los empleos de cuello blanco van a desaparecer y al mismo tiempo usar todo el poder disponible para construir centros de datos». La postura de Nadella no es desinteresada —Microsoft no tiene un modelo de frontera propio para competir con los más avanzados—, pero que la corrección llegue de uno de los principales inversores en IA dice algo sobre adónde ha llegado el discurso.

---

Los dos extremos malos y por qué fallan

Ambos extremos tienen su lógica propia, y merece la pena entenderla: nos moveremos entre ambos.

El extremo “no la uso, no me hace falta”. La justificación suele ser una mezcla de tres argumentos: “mi trabajo es muy especializado y la IA no lo entiende”, “he visto que se equivoca”, “prefiero las cosas manuales y hechas a la antigua”. Los tres argumentos son parcialmente ciertos y completamente engañosos. Ese trabajo tiene partes mecánicas aunque sea especializado; la IA se equivoca pero también acierta —sabemos que la probabilidad de que acierte es mayor que el azar simple—, y hay que asumir que el competidor la está usando para ganar ventaja —aunque lo desconozcamos y por pura estrategia—; preferir lo antiguo es legítimo como gusto personal pero irrelevante como estrategia profesional.

La consecuencia no es que te despidan mañana. Es que te quedas haciendo en cinco horas lo que tus compañeros hacen en una, sin darte cuenta de que la diferencia se va a notar cuando alguien la mida. El día que se mida, solo queda la defensa del calentón de cólera (“¡con la calidad que tiene mi trabajo!”), pero el indicador que mira tu jefe no es la calidad: es calidad por hora. Y ahí pierdes.

—No es exclusivo de la IA ni de los ordenadores: somos muchos los que nos gusta hacer las cosas con la máxima calidad, casi como una expresión artística en sí misma. A eso se le llama en psicología “maximización”. El problema no ha cambiado: quien saca un producto de calidad aceptable ya tiene más que quien no saca ninguno por seguir buscando la perfección.

El extremo “se lo paso todo a la IA”. La justificación aquí es distinta: “si la herramienta puede, no me voy a esforzar”, “si me ahorro toda la jornada laboral y no hago nada ¿quién es el tonto?”, “al final el cliente lo que quiere es el resultado”. Los argumentos vuelven a ser parcialmente ciertos y completamente engañosos. Si la IA puede hacer algo, hay que dejarla hacerlo, sí, pero revisar lo que produce sigue siendo trabajo tuyo (aquí justo se peca de calidad nula de un producto). No hacer nada durante toda la jornada es no pensar mientras lo haces y eso te atrofia. Y el cliente no quiere “el resultado”: quiere “un resultado de calidad aceptable”, y la diferencia es donde tú metes mano, como puede ser la revisión que tú aportas para que esa calidad sea aceptable para el cliente.

La consecuencia aquí tampoco es despido inmediato. Es que tu valor se vuelve indistinguible del de cualquier persona con el mismo acceso a la IA o el de una IA completamente autónoma. Cuando una empresa puede sustituirte por alguien más barato con la misma herramienta o por un agente de IA que hace todo tu trabajo, la empresa verá para qué pagarte si lo hace la herramienta que también está pagando, se ahorra un coste y lo gasta en otra cosa que le aporte valor.

Los dos pierden. Por lo que la respuesta no está en ninguno de estos extremos, como analizaremos más adelante.

---

Cuatro perfiles tipo

Cuatro perfiles resumen bien el abanico de respuestas posibles, ordenados en dos ejes: si abrazan o rechazan la IA, y si aprenden o se acomodan. La intersección da cuatro figuras que se reconocen fácilmente en cualquier oficio del conocimiento. En el siguiente cuadrante pondré los que mejor lo definen, pero hay muchos más:

Los dos cuadrantes superiores son los que sobreviven. El de la derecha (profesional que abraza la IA y aprende) es el más valorado por el mercado actual de constante cambio y evolución. El de la izquierda (artesano que no la usa pero conserva criterio) sigue siendo viable en oficios donde el producto humano se paga por sí mismo: artes, especialidades, trabajos premium. Los dos cuadrantes inferiores son los que pierden: el negacionista cómodo porque se queda obsoleto, el operador de IA porque su trabajo lo replica cualquiera con la misma herramienta —o la propia herramienta sin él. Los datos del mercado laboral lo confirman: según ManpowerGroup (Desajuste de Talento 2026, 39.063 empresas en 41 países), las competencias en IA son las hard skills más difíciles de encontrar en el mercado laboral, por encima de ingeniería, manufactura o marketing. El cuadrante superior derecho es escaso precisamente porque la mayoría no llega a él.

Lo interesante de este cuadrante es que de manera honesta valoremos dónde estamos ahora y con eso como base nos sirva para desplazarnos hacia donde realmente importa. Esto es solo un diagnóstico, por lo que no todos tendremos que movernos igual, dependerá de muchos factores, pero podremos influir en los que estén de nuestra mano para mejorar.

Hay, sin embargo, un matiz que el cuadrante no captura y que vale la pena tener presente: el eje horizontal («rechaza / abraza la IA») trata la adopción como si fuera un interruptor, encendido o apagado. En la práctica es un interruptor de rosca variable y dependiendo de la intensidad será mejor o peor. Dentro del cuadrante superior derecho hay quien usa la IA como un buscador mejorado, quien la usa para generar borradores de texto, quien la usa en modo agente para automatizar flujos completos y quien construye pipelines de evaluación sobre ella. La diferencia entre el primero y el último no es si usan la IA —todos la usan—, sino hasta qué nivel de profundidad han explorado la herramienta.

Este patrón es predecible y tiene nombre: satisficing (Herbert Simon, 1956). Las personas adoptan la primera solución «suficientemente buena» y dejan de explorar aunque existan opciones mejores. Se ha documentado en entornos de herramientas complejas: el informe Mind the Product Benchmarks (2024) —basado en datos de 6.800 aplicaciones y 2.500 empresas— encontró que solo el 6,4% de las funcionalidades concentra el 80% de los clics: el resto existe, pero apenas recibe uso. En entornos de desarrollo, funciones como la refactorización automática, la inspección de código o la generación de tests llevan años disponibles en IDEs y siguen siendo usadas por una minoría frente al autocompletado básico. El usuario llega al nivel que resuelve su tarea habitual y ahí se detiene, aunque haya un botón que haría la misma tarea considerablemente mejor y en mucho menos tiempo. Con la IA pasa exactamente lo mismo —y el coste de quedarse en ese primer nivel es hoy bastante más alto que el de no aprender el formato condicional en Excel.

Valores estimados a partir de patrones de adopción documentados (ManpowerGroup 2026, datos de uso de GitHub Copilot, estudios de feature utilization en software empresarial). No corresponden a ningún estudio; ilustran el efecto satisficing: cada escalón tiene un coste de aprendizaje percibido que detiene a la mayoría de usuarios antes de alcanzarlo.

---

2023 y lo que pasó después: el mapa se invirtió

En 2023, la narrativa dominante sobre el empleo era bastante clara: las empresas iban a contratar un junior con IA en lugar de un senior, la IA multiplicaría la productividad del junior hasta compensar la diferencia de experiencia, y el profesional veterano quedaría expuesto. Era un argumento intuitivo y se repitió mucho.

Lo que pasó fue diferente, y más severo para quien estaba empezando.

Las empresas no reemplazaron al senior por junior + IA. Lo que hicieron fue no contratar al junior en absoluto. Las tareas que ocupaban los primeros años de carrera —análisis de datos rutinario, primeras versiones de contratos, código de scaffolding (estructura básica de un proyecto) o boilerplate (repetitivo), informes tipo, investigación de mercado básica— son exactamente las que los modelos de lenguaje hacen bien. El resultado: la puerta de entrada al mercado se cerró. Desde el lanzamiento de ChatGPT en noviembre de 2022, el empleo de trabajadores de entre 22 y 25 años en ocupaciones con alta exposición a IA comenzó a caer; el de los perfiles con más experiencia siguió creciendo en ese mismo período (Dominski & Lee, arXiv:2507.08244).

A gran escala Hosseini y Lichtinger (Harvard, 2026) estudiaron datos de 65 millones de trabajadores en más de 280.000 empresas —LinkedIn + Revelio Labs, 2015-2025— y confirmaron el mecanismo: desde finales de 2022, el empleo júnior en empresas que adoptaron IA generativa cayó de forma sistemática respecto a las que no lo hicieron, mientras el empleo sénior no mostró ninguna ruptura comparable. Tras seis trimestres de adopción, la brecha alcanza una caída del ~9% en empleo júnior relativo al sénior.

En el sector tecnológico los datos son más crudos: el Stanford AI Index 2026 documenta que la cuota de empleos tech con tres o menos años de experiencia requerida cayó del 43% en 2018 al 28% en 2024, y el empleo de desarrolladores de software de entre 22 y 25 años acumula un descenso de entre el 16% y el 20% desde el pico de finales de 2022; los analistas del mercado laboral con datos más granulares hablan de caídas del 73% interanual en puestos de entrada con un +88% en empleos vinculados a IA en el mismo período. La literatura anglosajona tiene ya un nombre para este efecto: el «missing rung» —el peldaño que falta—: si la IA automatiza exactamente las tareas que entrenaban a los profesionales jóvenes, desaparece el escalón por el que se llegaba al nivel siguiente.

El debate sobre la causalidad exacta no está cerrado: un estudio de la LSE (Lambert & Schindler, «The Broken Ladder», mayo 2026) argumenta que el teletrabajo podría ser el predictor más robusto —encarece la supervisión y la formación en el puesto de los júniores en remoto más que la de los séniores—, y que el coeficiente de GenAI se atenúa cuando se controla por ambas variables a la vez. Que sea la IA, el remoto o su combinación, la consecuencia práctica es la misma: el escalón de entrada al mercado es hoy más difícil de subir para quien empieza.

La misma encuesta de la Atlanta Fed permite concretar qué perfiles están más expuestos a sustitución frente a cuáles son más complementados. El estudio construye un índice de exposición negativa (menciones de sustitución / menciones de complementación) a partir de las respuestas abiertas de los propios CFOs:

Se sugiere un patrón donde la IA sustituye en la base administrativa —los roles más rutinarios y más fácilmente automatizables—; complementa en los que requieren contexto, criterio y relación.

El senior sobrevivió porque tiene algo que el junior todavía no tiene y que la IA no puede replicar: criterio construido a través de errores propios. Sabe cuándo el output de la IA tiene un error sutil de lógica que no viola ninguna regla pero que en este contexto concreto está mal. Sabe cuándo el cliente que pide X realmente necesita Y. Sabe cuándo el informe “correcto” lleva a una decisión equivocada. Ese saber no se aprende leyendo; se aprende haciéndolo y equivocándote, y la IA se lo está quitando a la siguiente generación antes de que lo desarrolle.

Si no hay juniors hoy, no habrá seniors en el futuro. Las organizaciones que están optimizando costes ahora están acumulando una deuda de criterio que pagará quien gestione esas organizaciones dentro de una década. Matt Garman, CEO de AWS, lo calificó de «una de las ideas más estúpidas» que había escuchado: si eliminas la base de la pirámide, «en algún momento todo explota». El junior no es solo producción; es el futuro senior en formación.

El efecto no se limita al sector tecnológico. Dario Amodei, CEO de Anthropic, advirtió a finales de 2025 que la IA podría eliminar buena parte de los empleos de entrada en derecho, finanzas y consultoría en cinco años —precisamente los sectores donde el trabajo del júnior (revisión de documentos, análisis básico, investigación de datos) es el que los modelos de lenguaje ejecutan mejor.

Para quien esté empezando su carrera, este panorama es hoy más exigente que el de 2023, no menos. El camino ahora requiere mostrar criterio desde el principio, no solo ejecución.

La consecuencia práctica es que un portafolio de proyectos reales vale más que la mayoría de certificaciones. El periodista que ha conectado una API de transcripción para un proyecto personal sabe cuándo el output tiene errores de contexto; el analista que ha armado un cuaderno con datos reales sabe lo que cuesta limpiar una fuente mal estructurada; el desarrollador que ha desplegado algo en un proveedor cloud —aunque sea en el tier gratuito— ha resuelto configuraciones, permisos y errores de producción que no aparecen en ningún ejercicio de clase. Esa experiencia, aunque sea modesta, es exactamente lo que diferencia dos CVs aparentemente iguales.

Existe aquí un riesgo real: los servicios cloud y las suscripciones a modelos de IA tienen costes que pueden dispararse si no se controlan los límites de gasto, y no todo el mundo puede asumirlos. Hay caminos intermedios —tiers gratuitos, créditos para estudiantes, contribuciones a proyectos de código abierto—, pero lo que cuenta no es la herramienta concreta sino haber resuelto algo con ella, aunque sea pequeño y poder explicar qué salió mal en el proceso.

Un matiz: la experiencia doméstica no iguala a la profesional. En un entorno real hay restricciones de seguridad, dependencias de equipo, presión de plazos y decisiones con consecuencias reales que no existen en casa. Pero quien llega a una entrevista habiendo tocado la herramienta de verdad parte desde un punto completamente distinto al que llega habiendo visto tutoriales.

---

La trampa de la productividad: el tiempo que ahorras no es tuyo

Hay una idea que circuló con fuerza cuando la IA generativa entró en los entornos de trabajo: la IA iba a liberar horas de jornada que el profesional podría dedicar a trabajo más creativo, más estratégico, o simplemente al descanso. Era una idea cómoda y resultó ser, en la mayoría de los contextos laborales, incorrecta. Aunque esa idea de que la IA despediría a la gente en masa ya cojeaba desde el principio: si hubiera sido la causa real, los trabajadores que se quedaron habrían asumido la carga de los que salieron —y la jornada se habría disparado, no los tiempos libres.

La Reserva Federal de San Luis cuantificó en un working paper de 2025 que los trabajadores que usan IA generativa reportan ahorrar una media del 5,4% de sus horas de trabajo (aproximadamente 2,2 horas en una jornada de 40 horas semanales). La pregunta es por qué solo 2,2 horas de 40 y no más —si se nos prometió mejoras drásticas de tiempo con la IA.

Hay una razón estructural de por qué ese ahorro es tan modesto. La Ley de Amdahl, formulada para entender los límites teóricos de la aceleración en sistemas de cómputo, se aplica con precisión al trabajo del conocimiento: si las tareas que la IA puede ejecutar —redactar, estructurar, generar código, resumir— representan el 25-35% del tiempo real de una jornada laboral, la mejora sistémica máxima teórica es del 15-25%, aunque la IA cubriera ese fragmento al 100%. El resto de la jornada —tomar decisiones con contexto organizativo implícito, gestionar la relación con el cliente que nunca termina de definir lo que quiere, revisar si lo que el modelo produce tiene sentido en este proyecto concreto, coordinar con personas— no entra en ningún modelo. No es una limitación que se resuelva con un modelo más potente; es la arquitectura del trabajo.

Los números empíricos confirman ese techo. Más del 80% de los desarrolladores usan ya herramientas de IA activamente —la mitad a diario—, pero la ganancia organizacional medible es mínima: una encuesta global a directivos en cuatro países (NBER WP 34836, nov. 2025 – ene. 2026) encontró que el 89% reporta cero impacto en productividad; los que sí detectan alguna mejora la cifran de media en el 0,3%. El resultado más contraintuitivo llegó del estudio de METR (2025), con un diseño experimental controlado: los desarrolladores con experiencia que usaban IA tardaban un 19% más en completar tareas reales que quienes no la usaban —y, al mismo tiempo, creían haber sido un 20% más rápidos. Una brecha de percepción de 39 puntos entre lo que sentían y lo que medía el cronómetro.

Fuentes: METR (2025) — experimento controlado con asignación aleatoria, 16 desarrolladores, 246 tareas (blog METR) — para los dos primeros valores. NBER WP 34836 (2026) — encuesta a directivos en cuatro países, nov. 2025 – ene. 2026 — para el tercero.

En este punto quiero mencionar literalmente lo que dice el informe de tendencias del futuro del empleo de ManpowerGroup – El valor H. La aportación humana en la era de la IA 2026: “hoy es más común que la productividad disminuya, ya que los trabajadores luchan por adaptar nuevos sistemas a procesos ya establecidos”.

El mismo patrón aparece a escala organizacional. La encuesta de la Reserva Federal de Atlanta a 750 directores financieros (CFOs de empresas de todos los sectores, diciembre 2025) encontró que los CFOs reportan una mejora de productividad laboral del 1,8% en 2025 atribuida a la IA, pero la mejora real implícita —calculada a partir de la variación de ingresos y empleo que los mismos CFOs reportan— es de solo el 0,6%: tres veces menos. El mismo gap entre lo que se percibe y lo que aparece en las cifras, esta vez desde la perspectiva del directivo que toma las decisiones de inversión.

Un ejecutivo de Dun & Bradstreet lo resumió con precisión: “I got the eight hours to two hours, but now I can get 20 hours of work, because the work came down… it goes back to productivity.” (lo que traducido es: “Pasé de ocho horas a dos horas, pero ahora puedo trabajar 20 horas, porque la carga de trabajo se ha reducido… todo se reduce a la productividad”). Cuando la eficiencia de un trabajador sube, las organizaciones no reducen la carga: aumentan las expectativas de lo que ese trabajador puede hacer. La jornada no se acorta; se llena con más tareas que antes eran inviables por falta de tiempo.

Esto tiene un nombre en economía: la paradoja de Jevons, que ya describimos en el artículo sobre el cambio de juego. Cuando algo se vuelve más barato o más rápido de hacer, la demanda de ese algo crece hasta absorber la ganancia de eficiencia. Aplicado al trabajo: si puedes redactar un informe en dos horas en vez de ocho, la empresa no te da seis horas libres; te pide tres informes adicionales.

Este patrón precedía a la IA generativa. El Microsoft Work Trend Index documentó que los trabajadores del conocimiento reciben una media de 117 correos electrónicos al día, intercambian 153 mensajes en plataformas de chat y experimentan una interrupción cada dos minutos —aproximadamente 275 interrupciones diarias. El 48% describe su jornada como caótica y fragmentada. La proliferación de herramientas de productividad no redujo la carga de trabajo: la aumentó. Con la IA se está produciendo el mismo ciclo, pero a mayor velocidad.

El escenario opuesto existe, pero es minoritario: un estudio coreano (Kim et al., 2026) con más de 50.000 trabajadores usuarios de IA encontró que el tiempo ahorrado se capturaba mayoritariamente como “ocio laboral” —trabajar a menor intensidad durante las mismas horas— con una correlación casi nula entre ahorro de tiempo y aumento de output. Ese escenario ocurre cuando el trabajador controla su ritmo, típicamente en trabajo autónomo o en organizaciones que miden resultados en vez de horas.

La consecuencia práctica tiene dos caras:

• Si la IA te hace más rápido pero te reasignan más trabajo, tu situación no ha mejorado en bienestar pero sí en visibilidad: produces más, y eso tiene valor mientras el trabajo exista.
• Si la IA puede hacer directamente lo que hacías tú, lo que hacían tus manos dejan de hacerlo, entonces el circuito se cierra sin tu participación. No te han sustituido por la IA: has quedado fuera del flujo por propia inercia y de manera silenciosa.

La distinción entre “soy el que dirige la IA para hacer este trabajo” y “soy el paso que la empresa saltará cuando conecte la IA directamente al proceso” es la que determina si la productividad te protege o te expone.

---

Del prototipo a producción: la sorpresa del coste real

La narrativa sobre sustitución omite casi siempre un detalle concreto: la distancia entre el prototipo y la solución que funciona en producción.

Cualquier equipo puede tener una demo de IA funcionando en días. Lo que ocurre después es otra historia. Gartner estima que la mayoría de los proyectos de IA no cumplirán las expectativas previstas, principalmente por fallos en la gobernanza del dato (G00821153, marzo 2026). No porque la tecnología falle en el laboratorio, sino porque el paso al entorno real exige lo que el prototipo no necesita: integración con sistemas existentes, manejo de los casos que el demo no anticipó, gobernanza de los datos que entran al modelo, observabilidad del comportamiento en producción, control de latencia y coste a escala, y alguien que entienda suficientemente bien tanto el proceso de negocio como la arquitectura de IA como para hacer que el sistema sea fiable cuando los usuarios reales lo usan en condiciones reales. Esa persona no abunda.

La encuesta de la Atlanta Fed a CFOs (diciembre 2025) identificó los dos obstáculos más citados entre las empresas que todavía no habían invertido en IA: el 42% consideraba la tecnología demasiado inmadura y el 36% reconocía que su plantilla no estaba formada para usarla. Esos dos datos son exactamente los puntos de fallo que aparecen cuando el prototipo intenta convertirse en producción: la tecnología que parecía madura en la demo revela sus límites con datos reales y nadie interno sabe cómo sostenerla.

Una analogía que aclara cuándo tiene sentido automatizar y cuándo no: una panadería pequeña con un panadero experto puede producir cincuenta tipos de pan distintos, adaptarse al gusto del cliente de cada día, recuperarse del lote fallido y decidir cuándo la masa necesita más tiempo. Un horno industrial automatizado puede producir diez millones de barras al día —pero solo si son la misma barra, con los mismos ingredientes, en las mismas condiciones. El ROI de la automatización depende de si el proceso es homogéneo, repetible y está a escala suficiente. En la mayor parte del trabajo del conocimiento, el valor entregado es específico y contextual, no reproducible en serie. La automatización de IA amortiza en los procesos que se parecen a producción industrial de barras; en los que se parecen al pan artesanal que varía cada día, el coste de adaptación supera el beneficio.

El coste real tampoco suele verse a través del plan adecuado. Un profesional individual que experimenta paga 20$/mes. Un equipo que integra IA en producción de forma seria tiene otro panorama: modelo de frontera con volumen suficiente para la carga real, herramientas de observabilidad para monitorizar el comportamiento en producción, pipelines de evaluación automática para detectar regresiones antes de que lleguen al usuario, infraestructura para contexto extendido y almacenamiento vectorial. En entornos empresariales serios, el resultado está en el rango de 200-600$/mes por persona —entre diez y treinta veces el plan básico— antes de contar el tiempo de ingeniería necesario para que todo funcione. Para un equipo de diez, eso son entre 2.000 y 6.000$/mes en herramientas, más los perfiles que saben integrarlas.

La tabla siguiente compara los rangos salariales por mercado con el coste real del stack de IA —que es el mismo en todas las geografías porque los modelos tienen precio global en dólares:

Stack de producción: GitHub Copilot Enterprise ($39/usuario/mes) + GitHub Enterprise ($21/usuario/mes) + acceso a modelo de frontera + observabilidad + infra vectorial. El coste IA representa el 3-9 % del salario anual de un junior en EEUU y el 20-60 % en India, lo que cambia completamente el análisis coste-beneficio de la sustitución según región. Fuentes salariales: Stack Overflow Developer Survey 2025 · Glassdoor 2026 · levels.fyi 2026 · Howdy.com LATAM 2026 · PayScale India 2026 · Manfred Guía Salarial España 2026. Coste stack IA: github.com/features/copilot/plans. Datos compilados: junio 2026. Las cifras son rangos orientativos; varían por empresa, ciudad y perfil concreto. Tipo de cambio aplicado: 1 EUR = 1,145 USD (referencia BCE, 21 jun 2026); cifras en euros entre paréntesis son equivalencias aproximadas redondeadas.

Y este es el mapa de dónde gana la IA y dónde necesita al profesional, por fase del ciclo de desarrollo:

Puntuaciones indicativas que sintetizan los patrones observados en la literatura sobre rendimiento de IA en entornos de producción real. No son benchmarks medidos; ilustran la distribución relativa de fortalezas en cada fase.

La consecuencia para las decisiones profesionales es la contraria de lo que el relato de sustitución sugiere: las organizaciones que extraen valor real de la IA no son las que reemplazaron personas por modelos; son las que invirtieron en personas que saben hacer funcionar los modelos en producción. El perfil que el mercado necesita no es “o IA o humano”: es el profesional que sabe qué parte de un proceso real puede automatizarse de forma fiable, cómo construir la integración y cómo sostenerla cuando el sistema falla en producción a las dos semanas.

---

El suelo ha subido: la media se ha devaluado, la excelencia no

Mientras el debate se centraba en los despidos, la IA hizo algo diferente y más difícil de ver: subió el suelo de la calidad en casi todos los oficios del conocimiento.

Antes de los modelos generativos actuales, había una diferencia real y económicamente valiosa entre quien sabía redactar con claridad y quien no, entre quien hacía un análisis coherente y quien no, entre quien generaba una presentación con estructura y quien no. Esa diferencia existía porque las habilidades básicas de comunicación y estructuración cognitiva no estaban distribuidas uniformemente. La IA ha comprimido esa diferencia: hoy, cualquier persona con acceso a un modelo decente puede producir un texto pasable, un análisis básico, un borrador coherente.

Lo que no se ha comprimido es la diferencia entre “pasable” y “excelente”. La brecha entre trabajo suficientemente bueno y trabajo verdaderamente bueno —el que tiene el matiz correcto, la interpretación no obvia, el juicio contextual que no está en ningún prompt— sigue siendo humana. Y en muchos contextos, esa brecha vale más que antes precisamente porque el trabajo “suficientemente bueno” se ha abaratado y el cliente que quiere algo mejor sabe que tiene que pagarlo.

Lo que esto ha invertido es la lógica de 2023. En aquel momento, el argumento era: “aprende a usar la IA y tendrás una ventaja”. Ese argumento era cierto en 2023 y falso en 2026. En 2026, saber usar la IA es la condición de entrada al mercado, no la ventaja. La ventaja está en la combinación: conocimiento de dominio profundo más IA. El PwC 2026 Global AI Jobs Barometer —más de 1.000 millones de ofertas en 27 países— lo cuantifica: los puestos con competencias en IA pagan un 62% más que sus equivalentes sin IA (56% el año anterior), y crecen a un ritmo ocho veces mayor que el mercado general. Pero el dato más relevante no es la media: el barómetro documenta un mercado laboral de dos carriles. Los roles «profesionalizados» —los que exigen criterio de dominio además del manejo de la herramienta, como radiólogos o arquitectos de sistemas— tienen el doble de crecimiento de empleo y un 42% más de aumento salarial que los roles «democratizados», aquellos donde la IA ejecuta la mayor parte y cualquier usuario con acceso puede hacerlos. Las primeras son las que combinan IA con expertise que el modelo no puede replicar; las segundas son exactamente el suelo que ha subido.

El perfil que el mercado no sabe cómo valorar todavía —pero que empieza a reconocer— es el del profesional con años en un campo concreto que además entiende cómo integrar la IA en ese campo de forma operativa. No el que sabe todo de IA en abstracto, sino el abogado que sabe qué preguntas jurídicas tiene sentido hacer a un modelo y cuáles no; el médico que sabe cuándo la sugerencia diagnóstica del modelo carece del contexto clínico que él tiene; el arquitecto de sistemas que sabe por qué una propuesta generada automáticamente no se puede llevar a producción en esta infraestructura concreta.

El caso más llamativo de cómo el dominio profundo revaloriza a quien lo tiene lo protagonizan los filósofos. Una disciplina que durante décadas acumuló tasas de inserción laboral entre las más bajas entre universitarios se ha convertido en uno de los perfiles más demandados por las propias empresas que construyen IA. El mecanismo es el mismo: las preguntas sobre conciencia, ética y valores —que la filosofía lleva siglos abordando— resultan ser exactamente lo que necesita un modelo que habla con millones de personas al día. Anthropic contrató a Amanda Askell —filósofa con doctorado en ética por la NYU— para liderar el equipo que define el carácter del modelo; su trabajo dio lugar en enero de 2026 a la Constitución de Claude, un documento de más de 20.000 palabras que se usa directamente en el entrenamiento. Google DeepMind creó en mayo de 2026 un puesto literalmente titulado «Philosopher» para Henry Shevlin, especialista en conciencia artificial de Cambridge. Y los datos del mercado académico lo confirman: las ofertas en PhilJobs que mencionaban IA pasaron del 1% en 2013 al 16% en 2025. La advertencia que acompaña el dato la pone Daniel Fogal, bioético en la NYU: hay filósofos que se orientan a la IA por presión laboral, no por vocación, y el riesgo es trabajo mediocre al ritmo que impone una industria que lanza modelos cada pocos meses. «La buena filosofía necesita tiempo, y rara vez surge como respuesta directa al mercado.» El mismo riesgo aplica a cualquier profesional que abrace la IA sin tener claro qué aporta en ella que otros no puedan aportar igual.

El suelo ha subido. El techo sigue igual. La estrategia racional es apuntar al techo, no a quedarse encima del suelo nuevo.

---

Estrategias personales para la mejora continua

1. Aprender a usar bien la IA en tu oficio concreto

No basta con “saber que existe ChatGPT”. Hay que saber qué hace bien en tu campo concreto, qué hace mal, dónde inventa, qué tipos de instrucción funcionan mejor, qué herramientas son mejores que otras para tu tarea específica. Esto no se aprende en un curso de fin de semana: se aprende usándola muchas horas en tu trabajo real.

Si trabajas en periodismo, tienes que aprender a transcribir entrevistas, generar primeros borradores y verificar fuentes con IA. Si trabajas en finanzas, tienes que aprender a hacer modelos rápidos, validar datos y generar primeros borradores de informes. Si trabajas en derecho, tienes que aprender a redactar primeras versiones de contratos tipo, buscar jurisprudencia y validar citas. Y en todos los casos, tienes que aprender cuándo no fiarte, porque ahí está tu valor.

Una señal de alerta: según ManpowerGroup (2026), solo el 44% de los trabajadores a nivel global recibió formación en nuevas habilidades en los últimos seis meses, mientras las competencias en IA ya ocupan los dos primeros puestos entre las habilidades más difíciles de encontrar. Usar sin entender es exactamente el escenario del “Operador de IA devaluado” del cuadrante anterior.

La brecha entre uso y confianza tiene una explicación cognitiva precisa: es el mismo satisficing que describíamos en la sección anterior aplicado aquí. La misma razón por la que mucha gente sigue coloreando celdas a mano aunque Excel lleve décadas con formato condicional automático, o ignora el 80% de las funciones de su IDE aunque estén a un atajo de teclado. La herramienta existe, el usuario aprende lo suficiente para que «le salga algo», y el coste percibido de aprender el siguiente nivel supera el beneficio percibido. Así que se queda ahí.

Con la IA el escalón más visible hoy es el que separa el chat básico del modo agente o los workflows orquestados. Hacer una pregunta a ChatGPT y obtener una respuesta tiene coste de aprendizaje casi nulo. Configurar un agente que acceda a herramientas externas, gestione un flujo de múltiples pasos y devuelva un resultado compuesto requiere entender cómo funciona el modo agente, qué herramientas puede invocar, cómo se encadenan las llamadas, cuándo hay que intervenir para corregir e incluso conocer profundamente la versión del modelo que se está aplicando. El beneficio potencial es enorme; el coste de aprendizaje inicial también lo parece —y ahí se queda la mayoría. Lo que antes diferenciaba al «saber usar la IA» del «no saber usarla» era si la usabas. Lo que diferenciará en los próximos años es si llegas al nivel donde la herramienta hace cosas que sin ella serían inviables, no solo cosas que antes llevaban más tiempo.

2. Conservar el músculo cognitivo

Hay un fenómeno bien documentado en psicología cognitiva: el cognitive offloading (Risko & Gilbert, 2016). Cuando descargamos una tarea cognitiva en una herramienta externa, dejamos de practicar esa habilidad y se atrofia. Es lo que pasa cuando, por usar el GPS, perdemos la capacidad de orientarnos.

Con la IA pasa lo mismo, multiplicado. Si delegas escribir, dejas de escribir. Si delegas pensar el argumento, dejas de pensar argumentos. Si delegas la revisión, dejas de revisar. El término técnico que se ha popularizado para esto es metacognitive laziness (Fan et al., British Journal of Educational Technology 56(2), 2025): cuando la IA hace el “cómo” además del “qué”, el usuario pierde la capacidad de evaluar críticamente los procesos. Un estudio independiente publicado en abril de 2026 (Liu, Christian, Dumbalska et al., arXiv:2604.04721) lo confirma con números concretos: con solo 10-15 minutos de interacción con GPT-5, los 191 participantes del grupo que usó IA se rendían con más frecuencia ante problemas posteriores sin asistencia que los 163 del grupo de control (tasa de resolución 0,57 vs. 0,73; tasa de abandono 0,20 vs. 0,11) —aunque ambos grupos eran igualmente capaces antes. El efecto replicó en comprensión lectora, lo que sugiere un mecanismo general, no específico de las matemáticas. El mecanismo que identifican es la «productive struggle»: la “lucha productiva” que no solo construye conocimiento sino la calibración metacognitiva que sostiene la persistencia cuando algo se pone difícil. Si una exposición breve ya tiene ese efecto medible, los efectos acumulativos del uso diario son potencialmente más profundos y más difíciles de revertir.

Una estrategia que parece funcionar: delega el “qué” mecánico pero conserva el “cómo” reflexivo. Deja que la IA escriba el primer borrador, pero antes de aceptarlo escribe tú dos líneas sobre por qué lo aceptas o lo rechazas. Esa práctica activa mantiene viva la capacidad. Es también lo que te diferencia del “operador de IA” que acepta lo primero que sale: la revisión deliberada, no el output final.

3. Mover tu mix hacia lo que requiere criterio

La trampa de la productividad descrita más arriba tiene una salida individual: desplazar tu carga de trabajo hacia las tareas que requieren el juicio que la IA no tiene. No esperar a que te lo asignen; pedirlo activamente.

En la práctica, esto se hace de tres formas:

• Trabajando en proyectos con ambigüedad alta. Los que requieren decisión sin datos completos, relación con personas difíciles, contexto organizativo no escrito. Son los que nadie quiere y los que más te construyen.
• Documenta lo que sabes que no está escrito. Tu contexto vivido en la organización —por qué se tomó aquella decisión hace dos años, cómo funciona realmente el proceso aunque el manual diga otra cosa— vale más cuando está reconocido. Conviértelo en notas, decisiones documentadas, post-mortems internos.
• Hazte visible fuera de la organización. Tu firma, tu nombre, tu cara. Quien sabe que existes te llama; quien no sabe que existes te sustituye.

Esto conecta directamente con la brecha de criterio que la eliminación de roles junior está creando. Quien acumule ese juicio hoy —el tipo de saber que antes se adquiría progresivamente durante años— tiene un activo que escasea y que las organizaciones van a necesitar con urgencia.

Vimos en el artículo Lo que tú tienes y la IA cómo afrontar esto con el M-Shaped, donde profundizamos con esto.

4. Construir un activo no automatizable

La IA puede replicar lo que ya existe en el corpus de internet. Lo que no está en internet, no lo puede replicar:

• Una red profesional construida en años (la IA no tiene LinkedIn).
• Una marca personal con voz reconocible (la voz de IA suena a la media o poco natural; la tuya, no).
• Una experiencia única en un dominio difícil (la IA no fue al taller, no operó pacientes, no llevó casos al juzgado).
• Una comunidad que te sigue (la IA puede generar contenido, no relación y no puede estar físicamente en eventos).
• Una manera específica de pensar que sintetiza cosas que nadie más sintetiza igual.

Construir uno de estos activos lleva tiempo y no se automatiza. Es también el activo que protege contra la otra cara de la trampa de productividad: si lo que haces puede desconectarse de tu participación, necesitas algo que haga que la gente quiera que seas tú quien lo haga.

---

Por qué no hay solución milagrosa

Conviene cerrar con un punto que nadie comenta, pero es sincero: No existe una estrategia que te garantice no quedarte atrás. La IA está cambiando muy rápido, los benchmarks de hoy van a ser irrelevantes en unos meses, las herramientas top de hoy las relevará una nueva el año que viene. Cualquiera que te ofrezca “el método”, es decir, un plan de pasos perfectamente numerados que solo él te puede decir, te está vendiendo humo. ¿Y este artículo no peca de esto? Eso lo tienes que valorar tú —si te lo afirmara yo, sería exactamente de ese tipo. Los puntos numerados de las secciones anteriores son estrategias argumentadas aplicables a conveniencia, no obligaciones mágicas de ningún método.

Lo que sí funciona y que seguramente ya sabes es mantener una actitud activa: probar, aprender, descartar, ajustar. No abrazar todo, no rechazar todo. Tener una opinión cada poco tiempo sobre qué está pasando, basada en haberlo usado, no en haberlo leído. Estar dispuesto a cambiar de opinión cuando los datos cambien.

Un ejemplo concreto de lo deprisa que cambia todo esto: en 2023, la habilidad más cotizada del mercado era “saber escribir buenos prompts” (Prompt Engineering). En 2026, eso ya no es una ventaja —los modelos entienden la intención sin necesidad de prompts elaborados y todos los usuarios de una herramienta tienen acceso a las mismas capacidades— y es algo que se exige venir sabido (en desarrollo ya se considera una habilidad tan básica como la mecanografía). En tres años, la ventaja competitiva rotó completamente. Quien la había construido sobre esa única habilidad tuvo que reconstruirse o, si no lo ha hecho, quizás deba replantearse la estrategia.

El precio de los modelos muestra el mismo patrón que han seguido otras tecnologías al madurar: entrada barata para ganar mercado, consolidación y luego diferenciación de gama alta vs. gama media:

Los modelos de frontera se han mantenido en torno a los 15 $/M: GPT-4o arrancó ahí en mayo 2024 y GPT-4.1 —sucesor de abril 2026— mantiene ese precio. La diferenciación real está en el tier de acceso: GPT-3.5 Turbo salió en 2023 a ~1,50 $/M de salida; GPT-4.1 Nano (2026) cuesta 0,40 $/M pero rinde al nivel que en 2023 solo alcanzaba el modelo de frontera. El precio del acceso cae, la capacidad sube, y lo que antes era techo se convierte en el suelo nuevo. Fuente: anuncios oficiales de precios de OpenAI documentados en marzo 2023, noviembre 2023 y mayo 2024.

La propia trayectoria tecnológica del campo añade una capa más de incertidumbre. La industria lleva años construyendo sobre el supuesto de que modelos más grandes seguirían siendo modelos más capaces indefinidamente. Los datos de 2025-2026 cuestionan esa linealidad: las mejoras en los benchmarks de referencia se han ralentizado —MMLU, el estándar durante años, quedó saturado en 2025 cuando prácticamente todos los modelos frontera lo superaron al 88-90%, forzando el diseño de evaluaciones más complejas—, y el 76% de los expertos en IA encuestados por la AAAI en marzo de 2025 (475 investigadores) consideraba «improbable» o «muy improbable» que escalar los enfoques actuales bastara para llegar a la AGI. Ilya Sutskever —cofundador de OpenAI— lo dijo públicamente en NeurIPS 2024: “Pre-training, as we know it, will unquestionably end” (“el preentrenamiento, tal como lo conocemos, sin duda llegará a su fin”).

La respuesta de la industria es la que los ingenieros han dado siempre cuando un componente general alcanza su techo: especialización. Las CPUs llegaron a un muro energético en torno a 2004 —Intel canceló Tejas, el sucesor planificado del Prescott, cuyo prototipo ya consumía 150 W a solo 2,8 GHz (EE Times, mayo 2004)— y el sector respondió con multinúcleo en las propias CPUs y con el repropósito de las GPUs, que ya existían para gráficos, para cómputo masivamente paralelo:

Tasas aproximadas de mejora anual del rendimiento en hilo único de CPU (SPECint). El muro energético de 2004 es visible: la mejora cayó de ~45-50 %/año a ~10 %/año de un período al siguiente. Al mismo tiempo, el cómputo de las GPU de consumo creció de ~0,3 TFLOPS (GeForce 8800 GTX, 2006) a ~82 TFLOPS (RTX 4090, 2022): 270 veces más en 16 años. Fuente: Karl Rupp, 42 Years of Microprocessor Trend Data (2023).

Los algoritmos de propósito general cedieron terreno a implementaciones específicas optimizadas para cada tipo de problema. En el propio hardware de IA este patrón ya ha ocurrido: donde antes bastaba una CPU general, hoy hay GPUs para entrenamiento masivo, TPUs (Google) para operaciones tensoriales, NPUs integradas en el teléfono para inferencia sin conexión, LPUs para servir LLMs con latencia mínima, DPUs para descargar la gestión de red del procesador principal y, en el extremo más llamativo, los WSE (Wafer Scale Engine) de Cerebras: el mayor chip fabricado hasta hoy, literalmente del tamaño de una oblea de silicio completa, con cuatro billones de transistores, diseñado exclusivamente para entrenar modelos masivos.

La misma transición se está produciendo en los modelos de lenguaje: del modelo generalista que lo hace todo hacia arquitecturas de modelos especializados por dominio —medicina, derecho, ingeniería, finanzas— orquestados conjuntamente. Los primeros signos son ya visibles: Mixture-of-Experts (“Mezcla de expertos”), modelos de razonamiento distintos de los generativos, modelos de codificación específicos que empiezan a superar a los generalistas en sus nichos específicos.

Lo que esto implica para quien toma decisiones de carrera va en contra del relato habitual: si la IA se especializa por dominios, el experto de dominio que sabe integrarla tiene más valor todavía. No el que sabe “mucho de IA” en abstracto, sino el que sabe cuándo aplicarla en su campo concreto y cuándo no. La ventaja no está en conocer la IA como disciplina; está en ser el profesional que comprende cómo se comporta la IA en su contexto específico. Nadie sabe qué arquitecturas vendrán después del transformer, cuándo se alcanzarán los techos teóricos del escalado ni qué modelos serán relevantes dentro de unos años. Las habilidades de dominio profundo no se hacen obsoletas con un cambio de arquitectura; la apuesta a un modelo o herramienta concretos, sí.

Y, sobre todo, proteger el músculo que te hace valioso: el criterio, la atención sostenida, la capacidad de pensar despacio cuando hace falta, la red de confianza profesional. La IA puede ahorrarte tareas; no puede ahorrarte la práctica deliberada de las habilidades que justifican tu sueldo.

---

Qué llevarte

Pregúntate “¿qué voy a hacer yo en los próximos años para que no me sustituya ni mi propia versión obsoleta de mí mismo, ni mi versión convertida en operador sin criterio de una herramienta?”

El mercado de 2026 ha dejado ya algunas respuestas empíricas, no especulativas: los profesionales que están saliendo reforzados de la transición son los que combinan criterio de dominio profundo con uso activo de la herramienta, y que mantienen activos no automatizables —una red, una voz, una experiencia que no se replica en un corpus—. Los que están en mayor riesgo son los que ocupaban el espacio intermedio: suficientemente buenos como para hacer trabajo rutinario, insuficientemente expertos como para aportar el juicio que la IA todavía no puede dar.

Si tuviera que elegir una sola frase para colgar de la pared, sería: usa la IA en lo que te libera para pensar más, no en lo que te evita pensar. Si después de una jornada has usado mucho la IA y has pensado más, vas bien. Si has usado mucho la IA y has pensado menos, mal.

Los que no la usan pierden velocidad. Los que la usan sin criterio pierden valor. Solo se sostiene en el medio quien aprende ambas cosas a la vez.

---

Fuentes verificadas

• AAAI (2025). AAAI 2025 Presidential Panel on the Future of AI Research. American Association for Artificial Intelligence, marzo 2025. Encuesta a 475 expertos en IA: el 76% considera «improbable» o «muy improbable» que escalar los enfoques actuales (LLMs) produzca AGI. Citado en la sección “Por qué no hay solución milagrosa” para documentar el consenso investigador sobre los límites del escalado. aaai.org (PDF)
• Gartner (Seth, Sicular et al., marzo 2026). A Journey Guide to Manage AI Governance, Trust, Risk and Security. ID G00821153. Predicción estratégica: “Through 2027, most AI projects will fail to meet expectations due to their failure to focus on data governance.” Citado en la sección “Del prototipo a producción” para documentar la brecha entre expectativa y realidad en proyectos de IA empresariales. gartner.com/doc/reprints (acceso restringido a suscriptores)
• Risko, E.F. & Gilbert, S.J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676-688. DOI: 10.1016/j.tics.2016.07.002 · PubMed 27542527. Base conceptual del “cognitive offloading” en la sección “Conservar el músculo cognitivo”.
• Fan, Tang, Le, Shen et al. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology 56(2), 489-530. DOI: 10.1111/bjet.13544 · arXiv:2412.09315 (acceso abierto). Acuña el concepto de «metacognitive laziness»: cuando la IA realiza el “cómo” además del “qué”, el usuario pierde la capacidad de evaluar críticamente sus propios procesos cognitivos. Base conceptual de la sección “Conservar el músculo cognitivo”.
• Liu, Christian, Dumbalska, Bakker & Dubey (2026). AI Assistance Reduces Persistence and Hurts Independent Performance. arXiv:2604.04721 (acceso abierto, abril 2026). Experimento controlado con 354 participantes (191 grupo IA + 163 control): resolver 12 problemas de fracciones con/sin acceso a GPT-5, seguido de 3 problemas adicionales sin asistencia para medir la actuación independiente. Resultados: menor tasa de resolución en el grupo IA (0,57 vs. 0,73; p < 0,001, d = −0,42) y mayor tasa de abandono (0,20 vs. 0,11; p = 0,031). El efecto replicó en comprensión lectora. Identifica la «productive struggle» (lucha productiva) como el mecanismo que la IA elimina y que construye tanto el conocimiento como la calibración metacognitiva que sostiene la persistencia. Citado en la sección “Conservar el músculo cognitivo”; divulgado en El País (22 jun 2026, Ignacio Morgado Bernal).
• Federal Reserve Bank of Atlanta — Working Paper 2026-4, marzo 2026. Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives. Encuesta a 750 CFOs (Duke University + Fed Atlanta + Fed Richmond, dic. 2025): mejora de productividad reportada por directivos = 1,8% (2025); mejora implícita medida por ingresos/empleo = 0,6%. Índice de Exposición Negativa por ocupación: admin/oficina 2.0 (sustitución), software/IT 0.6 (complementación), dirección 0.1 (más complementado). Barreras de adopción: 42% tecnología “demasiado inmadura”, 36% plantilla sin formación. atlantafed.org
• Federal Reserve Bank of St. Louis — Working Paper 2024-027C, revisado febrero 2025. The Rapid Adoption of Generative AI. Los trabajadores usuarios de IA generativa reportan ahorrar un 5,4% de sus horas de trabajo semanales, lo que implica un aumento de productividad del 1,1% para el conjunto de la fuerza laboral. Dato citado en la sección “La trampa de la productividad”. stlouisfed.org
• NBER Working Paper 34836 (Yotzov, Barrero, Bloom, Davis et al., 2026). Firm Data on AI. Encuesta global a directivos en EE.UU., Reino Unido, Australia y Alemania (nov. 2025 – ene. 2026). El 89% reporta cero impacto en productividad en los últimos 3 años; quienes sí detectan alguna mejora la cifran de media en +0,3%. Adopción empresarial: 69% global, 78% en EE.UU. Proyección a 3 años: +1,4% productividad, −0,7% empleo. Fuente del tercer valor de la tabla “percepción vs. realidad”. nber.org/papers/w34836 · Digest NBER mayo 2026
• Kim et al. (2026). Generative AI and the Reallocation of Time: Productivity, Leisure, and Fulfilling Work. arXiv:2602.12695. Estudio con 51.800 trabajadores coreanos: 3,8% reducción media de tiempo de trabajo con IA; correlación entre ahorro de tiempo y aumento de output cercana a cero — el tiempo ahorrado se captura como ocio laboral en contextos donde el ritmo lo controla el trabajador.
• Dominski & Lee (2026). Advancing AI Capabilities and Evolving Labor Outcomes. arXiv:2507.08244. Análisis del impacto de la IA sobre el empleo (octubre 2022–marzo 2025): mayor exposición a IA asociada a menor empleo y menor intensidad de trabajo en algunos perfiles. El efecto es diferencial por edad: caída de empleo en trabajadores de 22-25 años en ocupaciones de alta exposición; estabilidad o crecimiento en perfiles con más experiencia en el mismo período. Citado en la sección “2023 y lo que pasó después”.
• ManpowerGroup (2026). El valor H: la aportación humana en la era de la IA (Informe de tendencias del futuro del empleo 2026) y Desajuste de Talento 2026. Encuestas a más de 12.000 profesionales y 39.063 empresas en 41 países. Datos citados: solo el 44% de los trabajadores globales recibió formación en nuevas habilidades en los últimos 6 meses (Barómetro global del talento, ene. 2026); las competencias en IA son las hard skills más difíciles de encontrar, tanto en España (78% de desajuste de talento, +3 puntos respecto a 2025) como globalmente. El informe advierte que “la verdadera alfabetización en IA implicará pensar más, no menos”. manpowergroup.es/estudios/el-valor-h-la-aportacion-humana-en-la-era-de-la-ia · manpowergroup.es/estudios/desajuste-de-talento-2026
• Garman, M. (CEO de AWS, diciembre 2025). Declaraciones sobre el riesgo de eliminar empleados junior en favor de IA: «una de las ideas más estúpidas»; «en algún momento todo explota». Base de la cita sobre la deuda de criterio y el pipeline de talento en la sección “Lo que nadie vio en 2023”. fortune.com
• Hosseini, S.M. & Lichtinger, G. (Harvard University, 2026). Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data. Primera versión: agosto 2025; versión citada: junio 2026. Datos: LinkedIn + Revelio Labs, 65 millones de trabajadores, más de 280.000 empresas EE.UU., 2015-2025, ~200 millones de ofertas de empleo. Resultado: el empleo júnior en empresas que adoptaron GenAI cae ~9% respecto al sénior tras 6 trimestres; en ocupaciones de alta exposición a IA, ~7% respecto a las de baja exposición. El empleo sénior no muestra ruptura comparable. ssrn.com/abstract=5425555
• El Diario / Olías & del Castillo (30 abr 2026). La inteligencia artificial irrumpe con despidos en el mercado de trabajo con muchas dudas sobre su impacto real. Fuente para el análisis de Ravio (firma de compensación laboral): puestos de entrada en tech −73% interanual, empleos ligados a IA +88% (sin enlace primario verificado); y para las declaraciones de Dario Amodei (CEO Anthropic, finales 2025) sobre eliminación de empleos de entrada en derecho, finanzas y consultoría en cinco años. eldiario.es
• PwC (2026). Global AI Jobs Barometer 2026. Análisis de más de 1.000 millones de ofertas de trabajo en 27 países. Los puestos con competencias en IA pagan un 62% más que sus equivalentes sin IA en 2026 (56% en 2025 según el mismo barómetro, 25% el año anterior). Los empleos con skills de IA crecen ocho veces más rápido que el mercado general (69% vs 9%). Documenta un mercado de dos carriles: roles «profesionalizados» (2× crecimiento de empleo, 42% más de crecimiento salarial) frente a roles «democratizados» (menores ganancias en ambas dimensiones). Base de la prima salarial y el concepto de dos carriles citado en la sección “El suelo ha subido”. pwc.com (comunicado oficial 2026)
• The National News / PwC — Hidden cost of replacing junior talent with AI, abril 2026. El porcentaje de empresas que planean reducir roles junior saltó del 17% al 43% en un año. Sectores más afectados: marketing, comunicación, derecho, banca, contabilidad. thenationalnews.com
• Slok, T. (Apollo Global Management). A 160-year-old paradox explains why AI will create more lawyers and accountants—not fewer. Fortune, abril 2026. Aplicación de la paradoja de Jevons al mercado laboral: la eficiencia no reduce la demanda de trabajo, la redirige hacia más trabajo del mismo tipo o trabajo de nivel superior. fortune.com
• Fortune — The AI productivity paradox: More work, not less, marzo 2026. Documentación del fenómeno de reasignación de carga: caso Dun & Bradstreet (“I got the eight hours to two hours, but now I can get 20 hours of work”), AES Corporation (auditoría de 14 días → 1 hora), BCG (12% más de fatiga mental en trabajadores supervisando múltiples herramientas IA). fortune.com
• Stanford AI Index 2026 — Stanford HAI. Datos sobre empleo, expectativas de reducción de plantilla y adopción organizacional. Datos específicos sobre mercado de talento junior: la cuota de empleos tech con tres o menos años de experiencia requerida cayó del 43% en 2018 al 28% en 2024; el empleo de desarrolladores de software de entre 22 y 25 años acumula un descenso de entre el 16% y el 20% desde el pico de finales de 2022. Citado en la sección “2023 y lo que pasó después”. Informe completo PDF
• Hassabis, D. / WIRED (mayo 2026). Entrevista exclusiva con el CEO de Google DeepMind. Declaraciones sobre los incentivos cruzados de líderes tecnológicos que pregonan “el fin de la programación” para inflar valoraciones. Artículo Wired
• METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Becker, Rush, Barnes, Rein. Experimento controlado con asignación aleatoria: 16 developers experimentados en repositorios open-source, 246 tareas (~2h c/u), Cursor Pro + Claude 3.5/3.7 Sonnet. Los developers tardaron un 19% más en completar tareas reales que quienes no usaban IA, al tiempo que estimaban haber sido un 20% más rápidos (brecha de percepción de 39 puntos). Dato extra: antes del experimento esperaban +24% de ganancia; expertos externos (economistas, especialistas ML) predijeron +38-39%. arXiv:2507.09089 · metr.org/blog
• Faros AI (2025). AI Engineering Report 2025: The AI Productivity Paradox. Telemetría de 10.000+ developers en 1.255 equipos. Métricas verificadas: +21% tareas individuales completadas; +98% más PRs merged; +91% más tiempo de revisión de PRs; +154% en tamaño de PRs; +9% bugs por developer. Conclusión del propio reporte: “AI coding assistants are making individual developers faster. They are not making companies more productive” — sin correlación significativa entre adopción de IA y mejoras a escala de empresa. faros.ai/research
• Sutskever, I. (diciembre 2024). Declaración en evento paralelo de NeurIPS 2024: “Pretraining as we know it will end.” Referencia a la transición desde el paradigma de escalado puro hacia la especialización de modelos, desarrollada en la sección “Por qué no hay solución milagrosa”.
• Stack Overflow Developer Survey 2025 — Encuesta a 49.000+ desarrolladores globales. Referencia para rangos salariales por región usados en la tabla comparativa. survey.stackoverflow.co/2025
• Howdy.com (2026). LATAM Software Engineer Cost Benchmarks 2026. Datos verificados de salarios por país en América Latina (AR/BR/CL/CO/MX). howdy.com/blog/latam-software-engineer-cost-benchmarks-2026
• GitHub (junio 2026). Copilot Plans & Pricing. GitHub Copilot Enterprise: $39/usuario/mes; GitHub Enterprise Cloud (requerido): $21/usuario/mes adicionales. github.com/features/copilot/plans
• OpenAI — Historial de precios documentado: GPT-4 (mar. 2023) $60/M tokens output → GPT-4 Turbo (nov. 2023) $30/M → GPT-4o (may. 2024) $15/M → mantenido en ~$15/M en 2026. Fuente del diagrama de evolución de precios. openai.com/pricing
• Mind the Product Benchmarks (2024). Powered by Pendo data. Sobre datos de 6.800 aplicaciones y 2.500 empresas: solo el 6,4% de las funcionalidades concentra el 80% de los clics; en empresas de referencia sube al 15,6%. Base empírica del fenómeno satisficing aplicado a herramientas de software, desarrollado en la sección “Cuatro perfiles tipo”. pendo.io/product-benchmarks
• Microsoft Work Trend Index — Breaking Down the Infinite Workday. Análisis de patrones de trabajo en organizaciones: media de 117 correos/día, 153 mensajes de chat/día, ~275 interrupciones diarias, 48% de trabajadores describe su jornada como caótica. Documentación de cómo la proliferación de herramientas de productividad expande la carga de trabajo en vez de reducirla. microsoft.com/worklab
• Daily Nous (3 jun 2026). AI in the Philosophy Job Market (guest post). Análisis de las ofertas publicadas en PhilJobs —el portal académico de filosofía— desde 2013: las que mencionaban IA pasaron del 1% en 2013 al 16% en 2025, incluyendo plazas de perfil junior. Dato citado en la sección “El suelo ha subido” como evidencia empírica del auge de filósofos como perfil demandado por la industria de la IA. dailynous.com

Lecturas opinables

• Despedidos o millonarios: la nueva fractura invisible entre desarrolladores — Enrique Dans, mayo 2026. Enlace
• AI vs Gen Z: How AI has changed the career pathway for junior developers — Stack Overflow Blog, diciembre 2025. Documentación del cambio en el mercado de empleo junior en tecnología tras la adopción masiva de IA generativa. stackoverflow.blog
• Will AI replace juniors? The false debate that’s only the tip of the iceberg — Bertrand Duperrin, noviembre 2024. Análisis del debate de 2023 sobre “junior + IA sustituye al senior” y por qué era la pregunta equivocada. duperrin.com
• If AI takes the junior work, who becomes the next senior? — Tash Willcocks, Medium / Bootcamp, junio 2026. El problema del pipeline de talento: sin formación junior, no hay seniors en 5-7 años. medium.com
• Reuters Institute — Generative AI and News Report 2025. Comodidad del público con news AI-only (12%) vs human-led (62%). PDF oficial
• CEOs Say Layoffs Are AI’s Fault, But Some Experts Think Companies Are Lying — Mary Roeloffs, Forbes, mayo 2026. Expertos argumentan que la IA es el chivo expiatorio preferido para justificar despidos causados por sobrecontratación pandémica: Sam Altman, Babak Hodjat (Cognizant) y Marc Andreessen coinciden en que algunas Big Tech tienen entre un 25 y un 75 % de exceso de personal. forbes.com
• La inteligencia artificial irrumpe con despidos en el mercado de trabajo con muchas dudas sobre su impacto real — Laura Olías y Carlos del Castillo, El Diario, 30 abr 2026. Análisis de los despidos en Big Tech (Meta, Amazon, Microsoft, Block), el fenómeno del “AI washing”, el estudio de Harvard sobre contratación júnior en 285.000 empresas, los datos de Ravio sobre caída de puestos de entrada en tech (−73%) y el crecimiento de empleos vinculados a IA (+88%). Incluye perspectivas sindicales y datos Eurostat sobre adopción empresarial. eldiario.es
• Intel cancels Tejas, moves to dual-core designs — EE Times, mayo 2004. Cobertura en tiempo real de la cancelación del procesador Tejas (sucesor del Prescott) y del pivote de Intel hacia el multinúcleo; documenta el muro energético que marcó el fin del escalado por frecuencia. Fuente para la analogía CPU/GPU en la sección “Por qué no hay solución milagrosa”. eetimes.com
• The Broken Ladder: AI, Remote Work, and Early-Career Hiring — Lambert & Schindler (LSE, mayo 2026). Estudio que analiza el descenso en contratación junior controlando simultáneamente por exposición a IA y a teletrabajo. Resultado: el coeficiente de GenAI se atenúa hasta hacerse estadísticamente indistinguible de cero cuando se controla por ambas variables; la exposición al trabajo en remoto se mantiene como predictor robusto. El mecanismo propuesto: el teletrabajo eleva los costes de supervisión y de formación en el puesto de los júniores más que de los séniores, desincentivando la contratación entry-level. Citado como matiz de causalidad en la sección “2023 y lo que pasó después”. Reseñado en hcamag.com y builtin.com.
• Efectos perjudiciales de la inteligencia artificial (IA) — Ignacio Morgado Bernal, El País, 22 jun 2026. Divulgación de Liu et al. (arXiv:2604.04721, 2026): el experimento de 10-15 minutos con GPT-5 que reduce la persistencia medible. Explica el concepto de productive struggle y el riesgo de dependencia acumulativa. elpais.com
• Head of Microsoft Rages at His Fellow CEOs for Admitting What They’re Actually Doing to Society With AI — Futurism, junio 2026. Cobertura de la entrevista al WSJ en que Satya Nadella criticó el tono de sus competidores: «No puedes decir que todos los empleos de cuello blanco van a desaparecer y al mismo tiempo usar todo el poder disponible para construir centros de datos». El artículo contextualiza también la posición estratégica de Microsoft: sin modelo de frontera propio, a Nadella le conviene un mercado distribuido y de precios asequibles. futurism.com
• Creator of Claude Code Fears This Could Be the Last Year That Software Engineers Are Employable — Futurism, febrero 2026. Boris Cherny, creador de Claude Code, predice que «el título de ingeniero de software va a empezar a desaparecer» y que «todo el mundo va a ser product manager y todo el mundo programa»; describe que no ha editado «una sola línea a mano desde noviembre». Complementa su entrevista en Platformer (junio 2026), donde añade que habrá «100 veces más ingenieros que hoy, aunque no se llamarán así». Una perspectiva de primera mano desde dentro de la industria, más extrema que lo que reflejan los datos empíricos sobre contratación junior. futurism.com · platformer.news
• Cómo la IA está destruyendo la carrera de programación que una vez amé — El Salto, julio 2026. Testimonio en primera persona de una desarrolladora autodidacta que llegó a la clase media programando y ve su carrera precarizarse: la IA multiplicó las exigencias sin subir el salario, y la combinación de despidos FAANG y currículos generados por IA hace casi imposible recolocarse. El tono es político y el registro diferente al del resto de fuentes, pero el patrón que describe —trampa de la productividad desde el punto de vista del trabajador individual— está respaldado por los datos de Faros AI y METR citados en este artículo. elsaltodiario.com
• Más de 500 millones de dólares para preparar a los trabajadores estadounidenses ante la revolución de la inteligencia artificial — El País, 25 jun 2026. La iniciativa bipartidista RAISE US —con OpenAI, Anthropic, Amazon y Microsoft entre los financiadores— aspira a mil millones de dólares para reciclaje profesional en EE.UU. Lo más significativo: las mismas empresas que aceleran la automatización financian también la adaptación, lo que confirma que la transición laboral es real y requiere políticas activas, no solo adaptación individual. Alcance todavía piloto en cuatro estados. elpais.com
• Why AI firms are turning to philosophers — The Week, 2026. Análisis de la contratación de filósofos en las grandes empresas de IA: Anthropic (Amanda Askell), Google DeepMind (Henry Shevlin como «Philosopher» en mayo de 2026) y OpenAI. Documenta tanto el fenómeno como la advertencia de Daniel Fogal (NYU) sobre el riesgo de trabajo mediocre cuando la presión laboral sustituye a la vocación en una industria que exige ritmos incompatibles con los de la buena filosofía. theweek.com

---

← Artículo anterior: La regulación de la IA · Volver al índice: Presentación de la serie