No hay apocalipsis laboral. Eso es lo primero que dice el paper, y conviene repetirlo antes de que alguien lo cite mal: en la economía completa, el empleo en ocupaciones muy expuestas a IA se comporta prácticamente igual que en las poco expuestas. El problema no está en el agregado. Está en la puerta de entrada.
Qué pasó
Erik Brynjolfsson, Bharat Chandar y Ruyu Chen —del Stanford Digital Economy Lab— publicaron el 12 de agosto la revisión de Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, el paper que en agosto de 2025 puso número por primera vez al efecto de la IA generativa sobre el empleo. La actualización corre sobre datos administrativos de nómina de ADP —millones de trabajadores en EE. UU.— con corte a junio de 2026.
El hallazgo que cambió: el empleo de trabajadores de 22 a 25 años en ocupaciones expuestas a IA está 19% por debajo de donde estaría si hubiera seguido el ritmo de sus pares en ocupaciones menos expuestas. En la primera versión del paper esa brecha era de 13%. No se cerró: se ensanchó, y lo hizo de forma sostenida durante un año.
Desglosado en términos absolutos desde 2022: en el 40% de ocupaciones más impactadas por IA, el empleo de ese grupo de edad cayó alrededor de 11%. En el 60% menos impactado, creció 10%. Los trabajadores con experiencia no muestran nada comparable —su brecha es esencialmente cero.
El detalle técnico
La metodología es la parte interesante, porque es donde el paper se defiende de las objeciones obvias.
Para clasificar qué tan expuesta está una ocupación, los autores no se quedaron con un solo criterio: cruzaron una medida de impacto potencial en el mercado laboral usada en investigación previa con el Anthropic Economic Index, que mide cómo se usa Claude realmente en cada ocupación (Google publicó un índice equivalente con datos de Gemini el mes pasado). Es decir, uso observado, no especulación sobre qué podría automatizarse.
Tres matices que importan más que el titular:
- El mecanismo es contratación, no despido. El efecto se manifiesta como menor tasa de hiring junior, no como separaciones o renuncias. Nadie está corriendo a los juniors: simplemente dejaron de abrir la vacante.
- Sustitución vs. complemento. Donde el uso de IA sustituye tareas humanas, el empleo cae. Donde complementa, se mantiene plano o sube —y sube sobre todo para los experimentados. La misma tecnología, resultados opuestos según cómo se despliegue.
- El ajuste va por empleo, no por salario. No hay compresión de sueldo base; hay menos puestos. Eso es consistente con salarios rígidos y con que la variable de ajuste sea el headcount de entrada.
Los autores también controlaron por lo que cualquier escéptico levantaría: la divergencia persiste al excluir empresas tecnológicas y ocupaciones de cómputo, al controlar por exposición a las subidas de tasas de interés y por trabajo remoto, y con medidas alternativas de exposición a IA. Y son explícitos sobre los límites: el efecto se atenúa al controlar por educación, hay tendencias divergentes que preceden a la IA generativa, y el patrón es más marcado en la muestra de ADP que en las encuestas nacionales. Ellos mismos lo llaman indicadores descriptivos tempranos —canarios en la mina— y no estimaciones causales.
Por qué importa
El dato aterriza justo sobre otra conversación que esta semana llegó a portada de Hacker News: la tesis de que la expertise en programación va a colapsar por dependencia de la IA. Las dos piezas son el mismo problema visto desde los dos extremos del pasillo.
Porque la vacante junior nunca fue solo producción. Era el mecanismo por el que alguien aprendía a leer un log, a dudar de un output, a reconocer cuándo un hallazgo no cuadra. En seguridad esto es literal: el analista de nivel 1 que triaba alertas repetitivas —exactamente el tipo de tarea que un agente hace hoy más rápido y más barato— es el mismo que en tres años se convierte en el que sabe distinguir un falso positivo de un movimiento lateral real. Si cortas el escalón de abajo porque un modelo lo cubre, el escalón de arriba se queda sin nadie que suba.
Y nadie lo va a notar este trimestre. Ahí está lo incómodo: el ahorro es inmediato y medible, el costo es diferido y difuso. Es la estructura de incentivos perfecta para tomar la decisión equivocada con datos impecables.
Qué hacer
Si te toca decidir plantillas o formar gente:
- Distingue sustituir de complementar antes de recortar. El paper es claro en que ahí está la bifurcación. Un junior con agentes rinde como alguien con más experiencia; un junior reemplazado por agentes no rinde nunca.
- No confundas velocidad con criterio. Si el equipo entrega más rápido pero ya nadie revisa por qué el modelo propuso eso, no ganaste capacidad: cambiaste deuda técnica por deuda de conocimiento.
- Si eres el junior, la lectura útil no es "no hay trabajo". Es que el trabajo se movió a las tareas donde la IA complementa. Vale más aprender a auditar la salida de un modelo —y a defender con evidencia por qué está mal— que competir con él en volumen.
Mi lectura: el titular del 19% se va a usar mal las próximas dos semanas, en las dos direcciones. No es el fin del empleo —el propio paper lo niega en su primera línea de resultados— y no es ruido estadístico tampoco, porque llevan un año viendo cómo se ensancha en lugar de cerrarse. Lo que sí es, y esto es lo que debería preocuparnos en cualquier organización que dependa de expertise acumulada, es evidencia de que estamos optimizando la nómina de este año contra el banco de talento de 2031. Los canarios de la mina no se mueren de golpe. Cantan menos, y para cuando alguien nota el silencio, ya llevas un rato respirando gas.
Fuentes
- Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — Stanford Digital Economy Lab (revisado 12 ago 2026)
- AI is hitting entry-level jobs hardest, Stanford study finds — Ars Technica
- Coding expertise is going to collapse from AI reliance — discusión en Hacker News