Por qué pierdes con (y contra) la IA
El cambio de juego
Artículo de lectura independiente agrupado en la serie “La IA y tú”.
Hay una pregunta que muchos profesionales nos estamos haciendo últimamente “¿Mi trabajo se va a ver afectado por la IA?”. La respuesta corta es sí, pero engaña porque la mayoría imagina que le afectará como un escenario binario (te sustituyen o no te sustituyen). La realidad es bastante más rara y mucho menos cómoda: no te sustituye un sistema, te sustituye un colega que sabe usar el sistema. Y a la vez, lo que era valioso de tu trabajo hace tres años hoy deja de serlo, por lo que deja de tener sentido seguir pagándote por ello, mientras emergen capacidades por las que antes nadie pagaba nada.
Este artículo trata sobre ese cambio. Sobre cómo la IA reordena el mapa del conocimiento de lo que vale en una profesión, sobre por qué hay perfiles que pierden y otros que ganan al mismo tiempo en la misma empresa, y sobre qué señales hay que mirar antes de que el cambio te atrape dejándote sin tiempo de reaccionar.
Lo que se está abaratando no es tu trabajo, es una parte de tu trabajo
Conviene aclarar de entrada un malentendido común. La IA generativa no abarata “el trabajo del periodista”, “el trabajo del abogado” o “el trabajo del programador”. Abarata tareas concretas dentro de esos trabajos: las repetitivas, las que tienen un patrón claro, las que producen un resultado que se puede revisar de un vistazo. Tu trabajo completo no se devalúa de golpe; se devalúan ciertas piezas de él, y eso reordena la importancia relativa de lo que queda.
Pensemos en un periodista. Hace cinco años, transcribir entrevistas era una hora de trabajo manual por cada hora grabada. Hoy una IA lo hace en minutos con precisión más que aceptable. Eso no significa que el periodista sobre. Significa que la hora que se ahorra en transcripción pasa a estar disponible para algo más, y la importancia relativa del “algo más” sube. Si ese algo es “verificar la fuente”, “buscar el enfoque” (es decir, elegir la perspectiva única, la tesis o el punto de vista particular desde el cual vas a contar una historia) o “tener la fuente que nadie tiene”, el periodista capaz de hacer esas tres cosas se vuelve más valioso. Si lo que el periodista hacía además de transcribir era simplemente “redactar a partir de la transcripción”, entonces sí, su rol entero peligra porque la IA también puede hacer un primer borrador.
Esta lógica se repite en docenas de oficios. La parte mecánica baja de coste. La parte de criterio sube de importancia. Quien tenía mayoritariamente partes mecánicas en su rol, pierde. Quien tenía mayoritariamente partes de criterio, gana. Y quien tenía un mix, ve cómo se redibuja su día a día.
No se trata de una teoría económica abstracta o anticuada. El propio Demis Hassabis, CEO de Google DeepMind, abordaba esto de forma directa al calificar de “falta de imaginación” la idea de que si la IA hace a un desarrollador un 300% o 400% más eficiente, la consecuencia lógica para una empresa deba ser recortar tres cuartas partes de su plantilla.
El software y el conocimiento no son recursos con un límite de consumo fijo. Lo que ocurre en el mercado real es que casi todas las organizaciones operan con un backlog infinito: una lista interminable de proyectos, optimizaciones, herramientas internas, refactorizaciones y auditorías de seguridad que jamás se llegan a construir por falta de tiempo o de presupuesto. Al abaratarse radicalmente el coste de ejecutar las tareas mecánicas de producción, la demanda global no cae; se multiplica para absorber y dar salida a todo ese valor acumulado históricamente.
El impacto de la IA en la redefinición de roles: la automatización radical de la ejecución mecánica libera tiempo y dispara la importancia del juicio humano para absorber el backlog infinito.
La paradoja de Jevons aplicada al conocimiento
En 1865 un economista inglés llamado William Stanley Jevons publicó The Coal Question, donde planteó una observación que ha entrado en los manuales de economía con su nombre. Cuando la tecnología hace que un recurso sea más eficiente de usar, el consumo total de ese recurso suele aumentar, no disminuir. El motor de vapor hacía que cada quintal de carbón rindiera más; el resultado no fue que Inglaterra usara menos carbón, fue que lo usó muchísimo más, porque ahora valía la pena quemarlo en sitios donde antes era inviable.
La paradoja se ha aplicado a la electricidad, a la informática y, ahora, a la IA. Cuando producir contenido escrito, código o ilustración se abarata, la demanda total no cae: explota. Cosas que antes era inviable hacer porque costaban demasiado dinero o tiempo, ahora son viables. Tu pequeña empresa nunca habría pagado por un dashboard interno (cuadro de mando o analítica completa) a medida porque se asumía que el valor que producía un desarrollador valían más que el dashboard (suponiendo que se tuviese que elegir entre uno u otro por el precio vs el valor aportado). Hoy ese dashboard se hace en una tarde con IA y de pronto cualquier empresa lo encarga.
El resultado neto para los profesionales no es “trabajo menos”. Es trabajo redistribuido: menos demanda para las tareas mecánicas que la IA hace bien, mucha más demanda para las tareas que la IA hace mal o no hace en absoluto. Por eso conviven, paradójicamente, despidos masivos en una parte de un sector con salarios récord en otra parte del mismo sector. No es contradictorio: es la paradoja de Jevons funcionando en tiempo real.
Pero esta paradoja no solo opera en el plano intangible de la demanda cognitiva; su impacto más crítico es biofísico y material. Como demuestran Luccioni, Strubell y Crawford en su análisis sobre los efectos rebote en la tecnología, la eficiencia algorítmica no reduce el impacto ecológico de la IA, sino que lo multiplica. Al abaratar el coste por token, la adopción explota. Esto explica por qué, a pesar de que los modelos de 2026 son infinitamente más eficientes que los de hace tres años, la demanda eléctrica global de los centros de datos se duplicará hacia finales de este año superando el consumo nacional de Canadá, y por qué gigantes como Google y Microsoft han visto dispararse sus emisiones de gases de efecto invernadero (un 48% y un 29.1% respectivamente) debido a la insaciable infraestructura de la IA generativa. El hardware es más eficiente, pero quemamos muchísimo más carbón digital.
Representación de la paradoja de Jevons con sus fases: Fase 1 (Pre-Avance revolucionario), Fase 2 (Avance revolucionario con ganancia de eficiencia) y Fase 3 (Adopción masiva)
Cascada de Democratización
Podemos ver la paradoja de Jevons como una pirámide de accesibilidad inversa. Piensa en el viaje espacial: al principio, era económicamente inalcanzable para cualquiera. Después, se convirtió en un hito exclusivo de los Estados soberanos, los únicos capaces de financiar cohetes sin buscar un retorno de inversión inmediato. Más tarde, entraron en juego las corporaciones aeroespaciales y los multimillonarios, convirtiéndolo en un lujo extremo. Si los costes siguen cayendo, mañana llegará a la clase media y, eventualmente, se transformará en un transporte ubiquo para todos.
Con la tecnología siempre ocurre igual: el volumen explota cuando el coste cruza el umbral de lo que cada capa de la pirámide está dispuesta a pagar.
La única diferencia es que con la IA generativa, las grandes empresas tecnológicas han saltado al mismo nivel (o incluso por delante) de los Estados en la cúspide de la pirámide, debido al brutal despliegue de infraestructura requerida. Pero la ley de la gravedad económica sigue siendo la misma: cuando el coste (por token para la IA) cae por debajo del umbral de viabilidad de la base de la pirámide, lo que antes era un proyecto inviable para una multinacional se convierte en una tarea cotidiana que cualquier pyme automatiza en una tarde. La eficiencia no ahorra el recurso; abre la presa para que el consumo caiga en cascada sobre todo el mercado.
Evolución del umbral de accesibilidad económica en el ciclo de madurez tecnológica: del coste infinito a la ubicuidad del mercado de masas bajo la Paradoja de Jevons.
Qué tareas se devalúan: tres patrones
Sin entrar en sectores concretos, existen unos patrones que se repiten en todos los oficios:
–Tareas de salida estandarizadas: Cualquier cosa donde el resultado esperado es razonablemente uniforme y existe un cuerpo de ejemplos previo. Redactar un contrato tipo, generar un resumen de un acta, traducir un texto técnico, hacer una primera versión de un informe trimestral. La IA hace esto bien y rápido, y un humano lo revisa en una fracción del tiempo que tardaba en hacerlo desde cero.
–Tareas de transformación de dato a texto: Coger una tabla de Excel y describirla en prosa; convertir una grabación en un resumen; transformar una entrevista en un borrador para un artículo. La IA es buena con estas transformaciones porque tiene patrones claros. La parte de “interpretar qué de todo de esos datos importa” sigue siendo trabajo de las personas; la parte de “convertir las decisiones sueltas en un texto fluido” se delega a la IA.
–Tareas de búsqueda y ensamblaje: Buscar referencias en bibliografía, ensamblar un dossier comparativo de distintos productos, hacer un mapa de actores en un sector. La IA acelera radicalmente la fase de búsqueda y la primera consolidación, y el humano valida, descarta lo alucinado y pone el criterio final.
Qué pasa cuando se gana valor
En contraposición a lo anterior, existen unos perfiles que suben de valor cuando se adopta bien a la IA:
–Decisiones bajo ambigüedad: Cualquier momento en el que hay que elegir entre alternativas que no están claramente delimitadas, con consecuencias importantes y poca información. Requiere de juicio, no procesamiento. La IA puede listar opciones, pero no puede asumir las consecuencias de elegir una mal.
–Conocimiento de contexto vivido: Lo que sabes porque has estado en la sala, has hablado con esa persona, conoces la historia del proyecto desde hace años. Ese conocimiento no está en internet y en ninguna base de datos, por lo que no puede entrenar a un modelo y, por tanto, la IA no lo puede reproducir puesto que lo desconoce. Quien tiene ese conocimiento, vale más cuanto más mecánicas se vuelvan las tareas que lo rodean.
–Relación humana: La capacidad de convencer a un cliente, calmar a un jefe enfadado, levantar la moral de un equipo, leer una sala. Por el momento, la IA es incapaz de hacer nada de todo esto, sin embargo, la IA libera tiempo para hacerlo. Por lo que se desplaza el equilibrio: si antes el 80 % de tu trabajo era la ejecución y el 20 % la relación, ahora puedes invertirlo.
–Síntesis novedosa: Conectar cosas que nadie había conectado antes. La IA es buena conectando patrones que ya existen en su corpus; mala conectando cosas que aún no están conectadas. La originalidad sigue siendo humana, al menos por ahora.
–Responsabilidad asumible: Cuando algo se firma (el responsable), alguien tiene que responder. La IA no firma. Quien firma sigue ganando dinero por la firma, no por lo que firma.
Gráfico: Desplazamiento del valor profesional (2020 vs. 2026). Mientras unas se por la automatización, el mercado premia con fuerza el criterio ante la ambigüedad, el contexto vivido y la responsabilidad final.
¿Por qué estos valores en el gráfico? La puntuación asignada a cada eje en este gráfico no pretende ser una métrica matemática exacta, sino una representación cualitativa del profundo vuelco en las prioridades del mercado laboral. Si analizamos los extremos de ambas curvas, el mensaje es claro:
El desplome en transformación y ejecución (del 9 al 3) y salida estandarizada (del 8 al 4): Refleja que las tareas que antes consumían la mayor parte de nuestra jornada y justificaban nuestro salario (traducir, programar código, redactar informes) han dejado de ser un factor diferenciador. Siguen siendo necesarias, pero su coste de producción se ha hundido porque la IA las resuelve en segundos.
El despegue de la ambigüedad y el contexto (del 5/6 al 9): Representa el blindaje profesional. Tomar una decisión crítica cuando los datos son difusos o aplicar ese conocimiento informal que solo se obtiene “habiendo estado en la sala” ha pasado de ser un añadido a convertirse en el núcleo duro de nuestro valor.
El valor absoluto de la responsabilidad asumible (del 7 al 10): En un mundo saturado de borradores y propuestas generadas por IA, el cuello de botella más caro y cotizado del proceso es la firma. La IA puede optimizar el camino, pero la persona que asume el riesgo legal, reputacional y comercial del resultado es la que retiene el verdadero poder de negociación.
La inversión del tiempo en la relación humana (del 6 al 9) y la síntesis (del 5 al 8): Al delegar la carpintería pesada de los datos y el texto a los modelos de lenguaje, el profesional dispone de un superávit de tiempo. Ese tiempo se desplaza de forma masiva hacia lo que verdaderamente expande el negocio: empatizar, liderar, convencer y conectar ideas radicalmente nuevas.
Por qué los datos del mercado lo confirman
El Stanford AI Index 2026 publicó este año un reporte muy completo que dice tres cosas que encajan con lo anterior:
- El empleo de trabajadores jóvenes (22-25 años) en profesiones expuestas a la IA ha caído un 20% desde 2024. La caída es específica de esa franja: los trabajadores mayores en los mismos sectores no caen o crecen.
- Un tercio de las organizaciones esperan reducir plantilla en el próximo año por causa de la IA, con mayor expectativa en operaciones de servicio, cadena de suministro e ingeniería de software.
- La adopción de IA en al menos una función de negocio ha pasado al 88% en dos años, y el 70% de las organizaciones la usan ya en sus funciones de negocio (en producción).
La interpretación: las empresas están adoptando IA muy rápido, dejan de contratar a los perfiles cuya función era la parte mecánica del trabajo (junior dev, soporte, transcripción, asistencia administrativa), pero no dejan de necesitar más profesionales con criterio. Por eso a la vez crecen las vacantes para roles que orquestan IA, gobiernan su adopción y validan su salida.
A esto se suma el peso de los datos históricos frente a las narrativas catastrofistas. Un análisis riguroso publicado en la Harvard Data Science Review por los investigadores Thomas Davenport y Miguel Paredes examinó las predicciones de pérdida de empleo por IA emitidas sistemáticamente desde 2017. Su conclusión fue clara: los pronósticos de un “apocalipsis laboral” han sido históricamente inexactos y exagerados.
La realidad en los sectores con mayor tasa de adopción tecnológica no muestra olas de despidos masivos provocados por la automatización pura, sino una reasignación interna de roles. El impacto real de la tecnología no es la destrucción del oficio, sino su rediseño integral hacia tareas de supervisión, diseño de flujos de trabajo y control de calidad del output generado por las máquinas.
Los datos del mercado europeo y español confirman este mismo patrón de fractura y oportunidad. Según un reciente informe sectorial analizado por la dirección de Economía de la Cadena COPE en mayo de 2026, no estamos viviendo un apocalipsis de desempleo, sino una “reorganización profunda”.
Mientras que los perfiles técnicos puros especializados en IA ya escalan hasta salarios brutos de entre 55.000 y 65.000 euros anuales, el verdadero fenómeno masivo se está dando en los llamados “perfiles híbridos”: trabajadores en puestos tradicionales que incorporan activamente la IA en sus flujos de trabajo y que están logrando mejoras salariales de hasta un 25%.
La consultora McKinsey cifra en un 60% las horas de trabajo susceptibles de automatizarse en España. La lectura es la misma que intuía Hassabis: el mercado no está destruyendo el empleo por falta de presupuesto, lo está reestructurando estratégicamente para desplazar el capital hacia aquellos que aportan el criterio de supervisión. Donde antes hacían falta tres personas ejecutando de forma mecánica, hoy se busca a una sola que domine la herramienta y firme el resultado.
Errores típicos al ver venir el cambio
Esto no es teoría, los siguientes errores lo he vivido en mayor o menor medida y posiblemente tú también. Por eso conviene recogerlos:
–Error 1: “La IA no me afecta porque mi trabajo es muy especializado”: Suele ser cierto que los trabajos más especializados se ven menos afectados en el sentido de “ser reemplazados”. Pero todos los trabajos tienen tareas de bajo nivel que la IA hace bien (responder correos, redactar primeras versiones, buscar referencias). Si tu día se compone de la mayoría de esas tareas, tu trabajo sí se ve afectado por mucho que el núcleo del oficio sea más sofisticado o “imposible de que una IA lo haga”.
–Error 2: “La IA no me afecta porque no la uso”: Esto es una variante del “no veo el problema, luego no existe”. Aunque tú no uses IA, tus colegas que sí la usan están redefiniendo el estándar de productividad esperado en tu profesión. El día en que tu jefe descubra que un perfil más joven con IA hace en una tarde lo que tú haces en tres días ¿Qué ocurrirá? Por lo pronto un problema al que no te habías preparado.
–Error 3: “La IA me afecta tanto que voy a delegarle todo”: El error contrario. Hay quien, al ver la potencia de la IA, decide convertirse en operador de la IA y dejar de pensar por su cuenta. Esto te deja sin valor diferencial: si todo lo que aportas es enviar prompts y aceptar la salida, te puede sustituir cualquier persona con el mismo acceso a la herramienta. El valor está en lo que añades encima de lo que la IA produce, no en lo que produce la IA.
Qué hacer con esto si eres profesional del conocimiento
Hay tres movimientos defensivos que parecen sensatos plantearse, sin caer en el extremismo de ninguno:
–Aprender a usar bien la IA en tu sector: No “saber que existe ChatGPT”. Saber qué hace bien en tu campo, qué hace mal, dónde inventa, dónde acierta, qué prompts funcionan, cómo se revisa lo que escupe, qué modelos te vienen mejor en cada parte, qué herramientas con IA probadas por ti te mejoran. Esto no se aprende en un curso de un fin de semana, se aprende usándo la IA muchas horas en tu trabajo real.
–Identificar tus tareas mecánicas y empezar a delegarlas con criterio: Que la IA te haga las transcripciones, los primeros borradores, los resúmenes, los emails que se autoescriben. Te ahorras horas que puedes invertir precisamente en mejorar lo anterior y dar un valor por el que merezca la pena seguir pagándote.
–Identificar y reforzar tu lado no mecánico: Las cinco capacidades que listamos arriba (en “Qué pasa cuando se gana valor”: decisión, contexto vivido, relación, síntesis, responsabilidad). Mira en cuáles eres fuerte, cuáles puedes desarrollar más y cuáles te puedes apoyar en otras personas o equipos.
Lo que no funciona es ignorar el cambio. Ni quedarse callado esperando a que pase.
Matriz de estrategia profesional en la era de la IA. Mapa de cuadrantes que contrasta el valor diferencial de las tareas frente a la proactividad del profesional, ubicando los tres errores críticos de percepción frente a los movimientos defensivos necesarios para asegurar la relevancia en el mercado.
Qué llevarte
El cambio que está trayendo la IA no se entiende bien con la pregunta “¿me va a sustituir?”. Se entiende mejor con la pregunta “¿qué parte de lo que hago se va a abaratar hasta el punto de no pagármelo, y qué parte de lo que hago se va a apreciar hasta el punto de pagármela más?”. Ambas cosas pasan a la vez, en el mismo trabajo, en el mismo año.
La paradoja de Jevons explica por qué no debemos esperar menos trabajo sino más: lo que se abarata se consume más, y entonces hace falta más volumen total de profesionales que sepan dirigir bien la herramienta. Pero la composición interna del trabajo cambia para todos, sin avisar (esto tampoco es ninguna sorpresa, lleva pasando como poco desde que se inventó el ordenador). Para no quedarse atrás no hace falta convertirse en un evangelista de la IA; hace falta entender en cuál de los dos lados de la balanza estás y redistribuir tu día a día en consecuencia.
No se trata de competir con la IA. Se trata de no quedarte haciendo justo lo que ella hace, y de empezar a hacer justo lo que ella no puede.
Fuentes verificadas
- Stanford AI Index 2026 — Stanford HAI. Empleo dev/profesionales 22-25, expectativas de reducción de plantilla, adopción organizacional 88 %. Informe completo PDF · Capítulo Economy · Cobertura IEEE Spectrum
- Reuters Institute — Generative AI and News Report 2025 (Felix Simon, Rasmus Kleis Nielsen, Richard Fletcher). Datos sobre uso de IA en periodismo y comodidad del público con news AI-only (12 %) vs human-led (62 %). PDF oficial · Resumen
- Jevons, W. S. (1865). The Coal Question. Fuente original de la paradoja, accesible en dominio público. Arxiv Archive Wikipedia
- Hassabis, D. / WIRED (Mayo 2026). Entrevista exclusiva con el CEO de Google DeepMind previa al Google I/O. Fuente primaria donde expone la tesis del “backlog infinito” y califica de falta de imaginación basar la estrategia corporativa en el recorte de plantillas de ingeniería. Artículo Wired
- Davenport, T. & Paredes, M. (2025). Can We Predict What Jobs AI Will Take? Harvard Data Science Review. Fuente primaria académica que analiza la inexactitud histórica de las predicciones de desempleo por IA y critica el enfoque simplista de la “automatización por tareas”. Disponible en: Harvard Data Science Review
- Luccioni, A. S., Strubell, E., & Crawford, K. (2025). From Efficiency Gains to Rebound Effects: The Problem of Jevons’ Paradox in AI’s Polarized Environmental Debate. Un análisis interdisciplinar fundamental que demuestra cómo los efectos rebote y las dinámicas de mercado anulan los beneficios de la optimización técnica en la IA, transformando la eficiencia en mayor consumo de recursos. Arxiv
- Cadena COPE — Análisis de Impacto Laboral y Salarial de la IA (Mayo 2026). Datos de bandas salariales en España (€55k-€65k), el bonus del 25% en perfiles híbridos tradicionales y proyecciones de automatización de horas de la consultora McKinsey España (60%). Enlace
Lecturas opinables
- Despedidos o millonarios: la nueva fractura invisible entre desarrolladores — Enrique Dans, mayo 2026. Enlace
- Reports of an AI Job Apocalypse Have Been Greatly Exaggerated — Joe McKendrick, Forbes (Diciembre 2025). Análisis divulgativo sobre la brecha entre los titulares sensacionalistas de sustitución laboral y los datos de reasignación real del estudio de la Harvard Data Science Review. Enlace
← Artículo anterior: “No quiero nada hecho con IA” · Volver al índice: Presentación de la serie ·
