La IA no quita empleos: solo el 22% escala con ROI

¿La IA está quitando trabajo? Qué dicen los datos hasta ahora

El estudio que Anthropic publicó en marzo de 2026, firmado por los economistas Maxim Massenkoff y Peter McCrory con el título Labor market impacts of AI: A new measure and early evidence, encontró que en áreas como la computación y las matemáticas la IA podría cubrir teóricamente cerca del 94% de las tareas, pero el uso real diario apenas alcanza el 33%. Esa distancia entre capacidad teórica y uso efectivo —lo que los autores llaman exposición observada— es la explicación más concreta de por qué la ola de despidos tecnológicos anunciada no se materializó.

Para un founder la lectura útil no es ideológica sino operativa: antes de reemplazar a una persona por un modelo conviene calcular cuánto cuesta automatizar esa tarea y qué pasa con el margen.

Según el mismo trabajo, desde el lanzamiento público de ChatGPT a finales de 2022 no se ha registrado un aumento sistemático del desempleo en las profesiones más expuestas. Lo que sí detecta es una ralentización de la contratación de jóvenes de 22 a 25 años en ocupaciones altamente expuestas, con una caída de aproximadamente el 14% en su tasa de entrada. Los perfiles más afectados son programadores de software —cuya exposición ronda el 75%—, atención al cliente, entrada de datos y analistas financieros.

El Anthropic Economic Index, construido a partir del análisis de millones de conversaciones anónimas, apunta en la misma dirección: el uso de la IA se reparte casi al 50% entre automatización de tareas y aumentación de capacidades humanas, con una ligera inclinación hacia la aumentación. El patrón se repite fuera de Anthropic. El Stanford Digital Economy Lab reportó que la brecha de empleo de los trabajadores de 22 a 25 años en ocupaciones muy expuestas a la IA llegó al 19% en junio de 2026, frente al 15% de la medición de julio de 2025, sobre datos de nómina de ADP recogidos por GCN. El mismo análisis señala que el ajuste ocurre por menos contrataciones y no por despidos masivos, y que la presión empieza a asomar también en el tramo de 26 a 30 años.

¿Por qué automatizar sale más caro que contratar?

Gartner publicó en septiembre de 2026 que solo el 22% de las organizaciones logró escalar la IA en varias unidades de negocio, y que un 11% desconoce cuánto gastó en IA en 2025, según una encuesta a 1.303 responsables de empresas con ingresos anuales de al menos US$50 millones. Aun así, el 85% de los líderes funcionales planea aumentar el gasto en IA durante 2026, después de haber dedicado en promedio el 12% de su presupuesto funcional en 2025.

La asimetría está en la medición: las compañías que rastrean el retorno de cada iniciativa reportaron resultados positivos en el 81% de sus proyectos de IA, mientras que las de peor desempeño no sabían cuál era el retorno del 29% de sus iniciativas.

Ese diagnóstico se profundiza con el informe de Gartner difundido en octubre de 2026 y analizado por CIO Dive: menos del 25% de las empresas implementó la IA con éxito en múltiples unidades de negocio, y la consultora anticipa un abandono masivo de proyectos por falta de ROI medible, mala calidad de los datos corporativos e incertidumbre sobre el valor real aportado.

Los datos macro acompañan. S&P Global registró que en 2025 un 42% de las empresas abandonó la mayoría de sus iniciativas de IA, frente al 17% de 2024, con una tasa media de descarte del 46% entre la fase de prueba y el despliegue generalizado. El estudio conjunto de Mavvrik y Benchmarkit sobre 396 empresas determinó que solo el 11% predice con precisión sus costes en IA dentro de un margen del 10%, que el 62% modificó decisiones de negocio ya tomadas por sobrecostes imprevistos, que el 25% retrasó o canceló proyectos y que el 81% admitió un impacto negativo moderado o alto en su margen bruto.

La encuesta de BearingPoint a 1.050 ejecutivos, difundida por el Foro Económico Mundial y Consultancy.eu, suma otro dato incómodo: un 27% de las empresas reporta aumentos de productividad que no generan ningún impacto medible en sus resultados financieros. Solo el 13% escaló proyectos según el plan inicial, y la mayoría observó un impacto inferior al 4% en reducción de costes y al 2% en aumento de ingresos. Investigaciones de Infosys refuerzan el patrón: el 72% de las compañías continuó con menos del 25% de sus pruebas piloto.

El muro es también de infraestructura. Gartner proyectó el gasto mundial en IA en US$2,67 billones para 2026, un 49,5% más que los US$1,79 billones de 2025, y calculó que US$1,484 billones corresponden a infraestructura —cerca del 56% del total— frente a apenas US$28.300 millones en modelos de IA generativa. En otras palabras: por cada dólar destinado a modelos, más de US$52 se van en servidores, redes y capacidad de cómputo. Ese es el costo real que un equipo tiene que justificar en su cuenta de resultados.

El efecto real no son despidos: es menos contratación júnior

La transformación del mercado laboral se está dando por un enfriamiento silencioso de la contratación y no por despidos masivos. El New York Times lo documentó en septiembre de 2026 en el reportaje The Quiet Way A.I. Is Hitting the Work Force, y The Guardian recogió luego cómo corporaciones que aceleraron el despliegue de agentes de IA —entre ellas Meta, Microsoft y McKinsey— dieron pasos atrás por el tiempo y el coste que exige a empleados humanos corregir los errores del software.

El fenómeno se confirma con datos de contratación. El Business Barometer 2026 de The Open University, sobre una encuesta a 1.500 líderes empresariales del Reino Unido recogida por IBTimes, encontró que el 51% afirma que la IA está cambiando su forma de contratar y que el 19% redujo la contratación de perfiles júnior, con un 42% de ese grupo vinculando la reducción a la adopción de IA para tareas junior. No es una tendencia única: IBM anunció en febrero que planea triplicar su contratación de nivel de entrada en Estados Unidos durante 2026, según Bloomberg, recalculando esos puestos para un entorno con IA.

Incluso los escenarios más severos tienen techo. El modelo de proyecciones de Anthropic presentado en septiembre de 2026 plantea que, en el escenario extremo —la IA ejecutando cerca del 30% de todas las tareas laborales—, el desempleo entre los trabajadores alcanzaría el 17,9% (11,9% a nivel general) y los salarios del sector caerían un 11,5%, mientras la masa salarial total casi no variaría por el aumento del PIB global. Los escenarios modesto y sustancial muestran un impacto marginal en la ocupación.

¿Qué significa esto para tu startup?

El mensaje para un equipo fundador es que la automatización dejó de ser una decisión de narrativa y pasó a ser una decisión de contabilidad. Tres movimientos concretos:

• Calcula el coste total por tarea, no el precio por token. Suma el gasto de cómputo o API, las horas de revisión humana y el tiempo de corrección de errores. Si una persona sigue validando el output, el ahorro es menor que el que promete el proveedor. La decisión de reemplazar un rol solo cierra cuando ese número queda por debajo del coste cargado del puesto.
• Elige casos de uso por retorno y no por popularidad. Gartner encontró que los casos de uso más perseguidos no son los que generan mayor retorno; los de mejor desempeño suelen ser los más específicos y menos vistosos, alineados con un problema propio del negocio. Pregunta qué métrica vas a mover antes de firmar la licencia.
• Define la métrica financiera antes del piloto y ponle dueño. Con un 27% de empresas reportando productividad sin impacto en resultados, la productividad sin métrica no es un resultado: es una sensación. Un indicador como coste por ticket, horas por entrega o margen por cliente, con un responsable asignado, evita que el proyecto se convierta en un gasto permanente.
• No cierres la cantera júnior: reasígnala. Si la IA absorbe el trabajo repetitivo, el valor de un perfil junior pasa por saber revisar y corregir lo que produce el modelo. Formar en eso es más barato que contratar seniority tres años después, cuando el mercado de talento ya se haya estrechado.

Hay un matiz regional que importa. En mercados donde el coste de infraestructura en la nube es una partida en dólares y el acceso a capital es más caro, el peso del gasto en cómputo sobre la caja es relativamente mayor que el de una nómina local. Para una startup de LATAM o de España, esa asimetría empuja a favor de la aumentación: usar IA para que el equipo rinda más, antes que para reducir plantilla. Es la vía que ofrece retorno sin exigir un presupuesto de infraestructura que compita con el de una corporación.

Conclusión

La automatización total no está frenada por consideraciones éticas ni por la resistencia de los equipos, sino por aritmética. Las tasas de error que exigen supervisión constante, el coste de cómputo y la falta de un ROI medible hacen que la fuerza laboral humana siga siendo, en la mayoría de los casos actuales, la opción más eficiente para el negocio. El efecto visible no es el desempleo masivo: es una puerta de entrada más estrecha para los perfiles junior y una factura de infraestructura que crece más rápido que los resultados.

Para un founder, eso es una oportunidad y una advertencia al mismo tiempo. La oportunidad está en automatizar donde el retorno sea medible y la supervisión baja. La advertencia es que copiar el despliegue de otros sin medir el tuyo propio es la forma más rápida de engrosar el 42% que abandona sus iniciativas de IA.

Fuentes

• Diario Socialista — La automatización iba a quitarnos el trabajo, pero sale cara (fuente original)
• HPCwire — Gartner Finds Just 22% of Organizations Have Scaled AI Across Business Units
• THE Journal — Gartner: Worldwide AI Spending to Reach $2.67 Trillion in 2026
• GCN — AI hiring gap for workers ages 22 to 25 widens to 19%, Stanford lab finds
• IBTimes — AI Is Reshaping The Entry-Level Job Market

Artículos relacionados:

Solo pulsar Enter: la IA quita ilusión al programador Claude Code y la pasión por programar: ¿la IA nos la quita? Agentes de IA: la paradoja que quita el sueño a los founders IA en España: 89% busca eficiencia pero solo 10% mide ROI Agentes IA en la empresa: ¿uno por persona o uno por equipo?