DeepMind evalúa 11 políticas para una economía con AGI

Google DeepMind acaba de publicar en su nuevo DeepMind Institute un ensayo que evalúa 11 políticas públicas para la transición hacia una economía con AGI: desde el seguro de desempleo ampliado hasta el Universal Basic Capital (UBC). El resultado, basado en una simulación con 51 economistas digitales entrenados con datos reales, descarta la idea de una única solución mágica y propone tres respuestas escalonadas según el escenario de disruption que se materialice. Para founders latinoamericanos y europeos el mensaje es doble: el debate político sobre IA ya no es hipótesis académica, y la dirección del gasto público de los próximos cinco años se va a decidir con marcos como este.

Por qué Google DeepMind se mete en política económica

El DeepMind Institute se lanzó con dirección de Shane Legg (Chief AGI Scientist de DeepMind), Demis Hassabis (chair y chief scientist de Alphabet) y James Manyika (Google president of research, labs, technology and society). El ensayo Economic Policy for AGI lo firman Julian Jacobs, economista e investigador de Google DeepMind, y Alex Imas, Director of AGI Economics de la división. La motivación declarada: la ansiedad sobre el impacto laboral de la IA ya es tema central en campañas políticas y entre generaciones jóvenes, "antes de que el efecto de la IA se vea en la mayoría de los datos económicos", según el texto.

El contexto del lanzamiento no es casual. En las últimas semanas, según recoge The Next Web, Jensen Huang (Nvidia) declaró que la AGI ya llegó el 7 de septiembre; OpenAI aseguró haberlo alcanzado el 4 de septiembre; y Dario Amodei (Anthropic) pidió el 12 de septiembre frenar el ritmo de publicaciones. Mientras se disputa cuándo "llega" la AGI, DeepMind empuja el debate hacia qué hacer cuando llegue.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El marco: 4 dimensiones y 3 escenarios

El ensayo no califica las políticas solo por costo. Propone evaluarlas en cuatro ejes: bienestar y resiliencia (impacto en nivel de vida y estabilidad); agencia y voz (autonomía económica, propiedad de las ganancias, participación democrática); viabilidad y eficiencia (apoyo político, costo, capacidad administrativa); y durabilidad frente a distintos escenarios de disruption. Para el análisis, los autores usaron revisiones de literatura, encuestas y 51 "personas-economista" digitales basadas en datos de 51 economistas humanos — una metodología de deliberación multi-agente descrita por John Horton.

A partir de ese ejercicio, el ensayo descarta la idea de una sola política que funcione para todos los casos y propone tres respuestas tipo "least-regret" vinculadas a umbrales de datos macroeconómicos: si el desempleo sube X, activamos Y; si la participación del trabajo en el PIB cae sostenidamente, activamos Z. Esa arquitectura de triggers automáticos es la contribución más concreta del paper para policymakers.

Qué propone cada escenario

Escenario 1 — Disruption leve (AGI aumenta productividad, automatización similar a olas previas): ampliar el seguro de desempleo, expandir el Earned Income Tax Credit (EITC) y escalar programas de retraining liderados por empleador. El texto cita el caso de Dinamarca, donde el seguro cubre hasta el 90% del salario previo (máximo US$3.200) durante hasta dos años dentro del modelo de flexicurity. En el paper, la encuesta a estadounidenses registra 85% de apoyo al retraining público y 72% al seguro de desempleo.

Escenario 2 — Desplazamiento moderado (desempleo prolongado, sustitución de trabajo cognitivo): transformar el EITC en un Negative Income Tax (NIT), una garantía de ingreso mínima condicionada al nivel de ingreso y no a la causa de la pérdida. El ensayo argumenta que el NIT es más eficiente que el Universal Basic Income (UBI) porque concentra el gasto donde hace falta y no presiona inflación. En bienestar agregado, el NIT obtiene el puntaje más alto (69,8/100) entre las 11 políticas.

Escenario 3 — Decoupling estructural (la productividad marginal del trabajo cae a cero en muchos sectores): preparar un Universal Basic Capital (UBC) como red de seguridad — un fondo soberano donde cada ciudadano recibe una participación accionaria, no efectivo. La propuesta se inspira en el Alaska Permanent Fund, que repartió US$1.000 por residente elegible en 2025. El UBC obtiene el puntaje más alto del ensayo en agencia (76,3/100) y en durabilidad frente a la transformación AGI (93,5/100); su punto débil es la viabilidad política (33,1/100).

Datos del momento: dónde estamos parados

Para aterrizar el marco vale la pena mirar los números recientes que recoge la prensa especializada.

Según cifras publicadas por The Economist y recogidas por Townhall, la IA ya creó cerca de un millón de nuevos empleos en Estados Unidos, frente a unos 200.000 layoffs atribuidos a la IA en el mismo período. La infraestructura de centros de datos (electricistas, técnicos HVAC, construcción comercial) ha sumado aproximadamente 320.000 puestos por encima de la tendencia desde 2023, según las mismas fuentes. LinkedIn estima 640.000 nuevos puestos específicos de IA entre 2023 y 2025.

Del lado del impacto cognitivo, el reporte del Stanford Digital Economy Lab dirigido por Erik Brynjolfsson (citado por CNBC) detectó que el empleo de trabajadores de 22 a 25 años en ocupaciones altamente expuestas a la IA cayó 16% relativo a sus pares. El American AI Jobs Risk Index de Tufts, publicado a comienzos de 2026, ubica a escritores/autores con 57% de exposición a riesgo, programadores con 55% y diseñadores web con 55%. En el otro extremo, médicos y cardiólogos aparecen como menos expuestos: la IA en salud tiende a augmentar, no a sustituir.

En el campo de productividad, Brynjolfsson documentó — publicó en Quarterly Journal of Economics — que agentes de customer service asistidos por IA mostraron un 34% de mejora de productividad para los menos experimentados, frente a un promedio general del 14%. El patrón se repite: la IA complementa el conocimiento tácito de los senior y sustituye el conocimiento formal de los juniors.

En inversión, el análisis de EY-Parthenon basado en datos de la Bureau of Labor Statistics proyecta que los cuatro mayores hyperscalers invertirán alrededor de US$700.000 millones en 2026, US$300.000 millones más que en 2025. El sector de infraestructura de información lleva una caída acumulada del 4% en empleo en tres años, pero sigue 30% por encima del nivel de 2019.

¿Qué significa esto para tu startup?

El ensayo de DeepMind insiste en un punto que a veces se pierde en el ruido: la lección de la historia industrial no es "no te preocupes". Es que los resultados dependen de las decisiones que tomemos — empresas, policymakers y workers. El futuro del trabajo sigue siendo un problema de diseño, no de predicción. Tres acciones concretas para aplicar esta semana:

Audita tu entry-level. Si tu plan de hiring 2026 asume 10 juniors para escalar, reescríbelo con un mix de 4-5 seniors más 2-3 juniors augmentados con IA, y reinvierte el ahorro en producto. El dato de Stanford es claro: la disruption cognitiva empieza en los 22-25 años.
Diseña tu propio negative income tax interno. Aunque el debate macro siga en Washington, Bruselas o Brasilia, puedes ejecutarlo hoy: bonifica a tu equipo por output generado, no por horas trabajadas. El experimento de Brynjolfsson mostró 34% de uplift en soporte. Replica el experimento en redacción, análisis o desarrollo.
Construye un capital account para tu equipo. Si el UBC se va a implementar en algún momento, el principio detrás — propiedad directa sobre el upside — ya lo puedes ejecutar: stock options, profit sharing o un fondo interno donde tus empleados tengan skin in the game del crecimiento de la empresa. Cuando llegue la disruption, quien tenga propiedad aguanta mejor.