La secuela que nadie escribe
Cada año, el discurso sobre la IA y el empleo produce una nueva cosecha de cifras con fecha adjunta. La mitad del trabajo de oficina de nivel de entrada, desaparecido en cinco años. Noventa y dos millones de empleos desplazados para 2030. El cuarenta y siete por ciento del empleo estadounidense en riesgo. Casi ninguna se verifica jamás.
Eso no es un accidente de pereza. Es estructural: las instituciones que publican pronósticos son las mismas que publican el próximo pronóstico, y una retrospectiva es mala imagen y no tiene público. Cuando la proyección de 2020 del World Economic Forum —85 millones de empleos desplazados para 2025— llegó a su plazo, la respuesta del WEF fue publicar un nuevo par de cifras para 2030 sin calificar el par anterior. Nadie más las calificó tampoco. Nosotros sí miramos.
Esto es un marcador. Cincuenta y cinco afirmaciones con fecha sobre la IA y el trabajo, cada una calificada frente a la evidencia publicada desde que nuestra propia pieza sobre el tema se publicó el 18 de julio de 2026 —en camino, exagerada, subestimada o demasiado pronto para saberlo—, con el razonamiento y la fuente detrás de cada veredicto.
Diez de las filas son nuestras.
Los veredictos son nuestra lectura de la evidencia, no una medición. El color es una ayuda de lectura: cada veredicto también aparece nombrado en texto, y la vista de tabla presenta todo el marcador sin color.
Calificado el 7 de septiembre de 2026 contra la evidencia publicada desde el 18 de julio de 2026.
Cómo se ven cincuenta y cinco veredictos
El patrón más claro de todos es que el modo de fallo es el tiempo, no la dirección.
Veintitrés afirmaciones están en camino y diecisiete están exageradas, pero si lees las exageradas, casi todos los casos son de alguien que describió bien la forma y se equivocó de año. Geoffrey Hinton dijo en 2016 que el aprendizaje profundo superaría a los radiólogos en cinco años y que la gente debería dejar de formarlos. Desde entonces han subido la cantidad de radiólogos, las plazas de residencia, los salarios y las vacantes sin cubrir; hay 4.333 puestos de radiólogo abiertos que tardan un promedio de 130 días en cubrirse. Pero la IA sí es hoy genuinamente buena leyendo imágenes médicas, y la propia concesión de Hinton es el resumen honesto: “equivocado en el tiempo, pero no en la dirección.”
La misma forma se repite. Elon Musk prometió un millón de robotaxis en las calles en 2020; no hubo ninguno, y a septiembre de 2026 Tesla tiene 420 vehículos registrados para operación automatizada en Texas. Sin embargo, Waymo opera un servicio pago sin conductor en catorce ciudades con más de medio millón de viajes semanales. El hito tecnológico llegó en gran medida. La consecuencia laboral, no: el empleo de camioneros en EE. UU. subió cerca de un 30 % en la década, y las propias perspectivas ocupacionales del gobierno para ese trabajo no mencionan los vehículos autónomos en absoluto.
La capacidad y el impacto en el mercado laboral se separaron por más de una década. Todo pronóstico que asumió que se movían juntos se equivocó de año, y la mayoría se equivocó en la misma dirección.
Tres cosas que vale la pena saber antes de citar cualquier cosa
Muchas de las cifras famosas nunca fueron pronósticos. El “47 % de los empleos en EE. UU.” de Frey y Osborne es la estadística más citada de todo este campo, y la página 44 de su artículo dice: “No intentamos estimar el número de empleos que realmente se automatizarán.” Mide la automatizabilidad técnica, sin ritmo de adopción ni predicción de empleo. Frey lleva una década diciéndolo. La cifra de 2,2 a 3,1 millones de empleos de conducción de la Casa Blanca de Obama lleva una nota explícita de que “no es un cálculo neto”. La nota de Goldman Sachs de 2017 sobre el desplazamiento de conductores situó el efecto total “a varias décadas de distancia”. Las tres se citan habitualmente como predicciones de pérdida de empleo de corto plazo. Ninguna lo fue.
Nadie oficial atribuye las pérdidas de empleo a la IA. Cuando la Bureau of Labor Statistics de EE. UU. finalmente construyó una medida de exposición a la IA en agosto de 2026 —usando, entre otras cosas, los propios datos de uso de Anthropic y Microsoft—, incluyó la advertencia en la documentación: “Una categoría de exposición no es un pronóstico de crecimiento o disminución del empleo. La exposición no implica pérdida de empleo.” Toda cifra de atribución a la IA en circulación es una proyección, un puntaje de exposición, o la razón autorreportada de un empleador para un despido. La última de esas es la más débil y la más citada.
Fíjate quién califica a quién. La evidencia más creíble de este conjunto de datos es la que avergonzó a quien la publicó. El Work Trend Index 2025 de Microsoft encontró que el 81 % de los líderes esperaba que los agentes de IA estuvieran moderada o ampliamente integrados en un plazo de 12 a 18 meses; la propia edición 2026 de Microsoft, relevada cuando esa ventana se cerraba, se construye alrededor de lo que llama la Paradoja de la Transformación —“Los trabajadores están listos. Sus organizaciones no.” Solo el 19 % de los usuarios de IA está en su zona Frontier. Incluso en software y tecnología, la industria líder, apenas una de cada cinco empresas usa agentes. Mientras tanto, el jefe de economía de Anthropic pasó julio de 2026 contradiciendo públicamente al director ejecutivo de Anthropic: “No espero que el desempleo sea notablemente más alto dentro de un año, al menos no por culpa de la IA.” El desempleo en EE. UU. fue del 4,1 % en agosto, frente a un pronóstico del 10–20 %.
La pregunta del nivel de entrada, con cuidado
La afirmación que hicimos más fuerte el año pasado fue que es el nivel de entrada el que tose, no toda la mina. Eso se sostiene, y la evidencia se ha vuelto considerablemente más interesante que un simple sí.
Canaries in the Coal Mine de Stanford es el resultado empírico más citado de este debate, y su revisión de agosto de 2026 reporta que la brecha entre los trabajadores jóvenes en ocupaciones expuestas a la IA y sus pares menos expuestos se amplía al 19 %. Pero la cifra principal no es una sola serie: las cifras anteriores del 13 % y el 16 % eran estimaciones de regresión ajustadas por shocks de empresa, mientras que el 19 % es una divergencia descriptiva sin controles. Sobre una base consistente, el artículo recalcula hacia atrás un 15 % que sube a 19 %. Enterrada en su propio apéndice está la revelación de que, con los filtros originales, la estimación dentro de la empresa para el quintil más expuesto cayó de −11,7 puntos logarítmicos a −5,3 y perdió significancia estadística. Sigue siendo un artículo de trabajo, sigue sin revisión por pares, sobre datos propietarios que los autores no pueden compartir.
Mientras tanto, Handshake —el conjunto de datos de nuevos graduados más amplio que existe— muestra publicaciones en baja del 2 % interanual. El desempleo en EE. UU. para los de 20 a 24 años cayó del 9,2 % al 7,1 % desde septiembre de 2025. El Employment Outlook de julio de 2026 de la OECD concluye que los grandes modelos de lenguaje no son en absoluto la causa principal del desempleo entre graduados, porque la brecha se ha estado ampliando desde antes de la pandemia, sin ningún punto de inflexión en la irrupción de los LLM.
Todo esto es cierto a la vez, y no hay contradicción. Stanford mide el empleo relativo entre ocupaciones expuestas y no expuestas, no niveles. Algo real y específico está pasando en la base de escaleras específicas. No es un colapso del nivel de entrada a nivel de toda la economía, y la forma que realmente está emergiendo es más extraña que cualquiera de las dos: PwC encuentra que los roles de entrada expuestos a la IA tienen siete veces más probabilidades de exigir habilidades de nivel sénior, con empleos de entrada “senializados” que subieron un 35 % desde 2019 mientras otros roles de entrada cayeron un 10 %. Indeed llama a este patrón cambio tecnológico sesgado hacia la seniority. El peldaño más bajo no está desapareciendo. Lo están subiendo fuera de alcance.
Calificándonos a nosotros mismos
Autocalificarse es lo que separa a un marcador de un regaño, así que diez filas del marcador son nuestras, calificadas con el mismo criterio que las demás. Tres se sostienen, cinco están exageradas —dos de ellas errores factuales directos— y dos son demasiado pronto para saberlo.
Escribimos que la OECD encuentra “las brechas más grandes y persistentes en manipulación (0,7) e inteligencia robótica (0,6)”. Las brechas más grandes de la OECD están en interacción social, resolución de problemas y metacognición, todas en 1,1; los dominios físicos ocupan el tercer y cuarto lugar. Lo que el informe realmente dice sobre ellos es que “podrían resultar los más difíciles de cerrar”, una afirmación sobre dificultad, que convertimos en una afirmación sobre tamaño. También atribuimos el puntaje más alto del índice, 6,4, a “cuidado personal, trabajo social y servicios comunitarios”; pertenece únicamente a las ocupaciones de servicios comunitarios y sociales, y el cuidado personal está del lado expuesto. Ambos errores ya están corregidos en la pieza fuente.
El fallo más interesante es el argumento y no la aritmética. Llamamos al aumento frente a la automatización “lo más parecido a una teoría unificadora” en la investigación. Los propios datos de Stanford de agosto de 2026 muestran que el coeficiente de complementariedad para los de 22 a 25 años es insignificante y ligeramente negativo: el efecto protector del aumento aparece solo para los trabajadores mayores de 40, es decir, no se sostiene para el grupo que preocupaba a toda la pieza. Y citamos la cifra de consumo de Anthropic, 52 % aumentado frente a 45 % automatizado, sin notar que el tráfico empresarial de la API de Anthropic —donde las empresas realmente despliegan la IA contra su nómina— corre en cerca de un 75 % automatizado, y que Anthropic lee explícitamente el trabajo que migra hacia allí como un indicador adelantado de desplazamiento. Elegimos la mitad más favorable de los datos. La distinción es real y sigue siendo útil. Llamarla teoría unificadora fue forzar la nota.
Lo que mejor calificó fue la sección donde admitimos lo que no sabíamos. Sus tres matices se sostuvieron: el artículo de Stanford que señalamos como no revisado por pares todavía no lo está, la advertencia de Microsoft que repetimos ha sido reivindicada desde entonces por tres conjuntos de datos independientes, y la advertencia general de que todo esto son apuestas sobre líneas de tendencia resulta ser el hallazgo de todo este ejercicio.
Diseñado para repetirse
Esta página está diseñada para calificarse de nuevo el próximo septiembre, y el año siguiente. Las afirmaciones son hechos históricos y nunca cambian; lo que cambia es un veredicto, un párrafo y una cita. El conjunto de datos vive aparte de la prosa específicamente para que la segunda edición sea el trabajo de una tarde y no una reescritura, y para que cuando un veredicto cambie, el cambio sea legible.
Dos filas valen especialmente la pena vigilar. La ventana de desempleo del 10–20 % de Amodei corre hasta mayo de 2030, y actualmente está a dieciséis puntos de distancia y alejándose. Los pronosticadores de Metaculus esperan que el empleo en EE. UU. caiga cerca de un 3 % durante la próxima década, frente a una proyección gubernamental de +3 %: un desacuerdo de seis puntos con un método de resolución público y con fecha, que es justo lo que casi ninguno de los pronósticos calificados aquí tuvo jamás.
Si hay una sola lección en cincuenta y cinco veredictos, es la que nuestra propia sección de humildad encontró sin buscarla: sostén un pronóstico como sostendrías cualquier apuesta honesta, y presta más atención a quién declara su mecanismo que a quién declara el número más grande. Los pronósticos que calificaron bien —el 9 % de Arntz, el eje de complementariedad del IMF, la propia advertencia de Microsoft contra sus propios datos— hicieron todos lo mismo, sin glamour: dijeron qué tendría que ser cierto, y cómo lo sabrías.