«Te reemplaza alguien que usa IA» es una frase a medias. La mitad que falta es la que debería preocuparte.

1. Dentro de esa frase hay dos afirmaciones distintas, y sólo una tiene evidencia detrás.

Una cosa es decir que la IA va a eliminar tu trabajo. Otra, más modesta, es decir que aunque no lo elimine, alguien que la integra bien puede desplazar a quien sólo ofrece ejecución manual. La primera todavía no está demostrada como regla general. La segunda es más creíble, pero depende mucho del tipo de tarea y del nivel de experiencia.

La Organización Internacional del Trabajo estima que una de cada cuatro personas trabajadoras está en una ocupación con algún grado de exposición a IA generativa, y aun así concluye que la mayoría de esos empleos se va a transformar, no a desaparecer. En Dinamarca, dos años después del lanzamiento de ChatGPT, un estudio con datos administrativos de nómina no encontró efectos agregados mayores a 2% sobre ingresos u horas trabajadas, ni a nivel de trabajador ni de empresa. Sí hubo reorganización de tareas y nuevas funciones de supervisión de IA. Pero el titular de «la IA elimina empleos» no aparece todavía en los datos duros, al menos no a la escala en que se repite en redes.

2. Donde el efecto sí es real, golpea primero en la puerta de entrada, no a quien ya tiene el puesto.

Esta es la parte que casi nadie menciona cuando repite la frase, y es la más sólida de toda la evidencia disponible. En ocupaciones expuestas a IA, el empleo de personas de 22 a 25 años en Estados Unidos estaba 19% por debajo de la trayectoria que habría seguido si hubiera crecido al ritmo del de sus pares menos expuestos, según la revisión de agosto de 2026 del Stanford Digital Economy Lab. Los trabajadores con más experiencia no mostraron una brecha comparable y el efecto operó sobre todo por una menor contratación, no por más separaciones. El reporte de Anthropic, con otra medida de exposición y datos de encuesta, encontró empleo agregado estable y sólo señales tentativas de que la contratación de personas jóvenes se ha frenado en esas ocupaciones. No son dos mediciones independientes del mismo porcentaje, pero apuntan a la misma zona de riesgo.

El análisis posterior de Stanford (SIEPR) recoge resultados similares de investigaciones en Estados Unidos y Reino Unido y precisa algo importante: ese efecto no se vuelve notable sino hasta 2024, cuando los modelos ya eran lo bastante capaces para explicarlo. Aun así, la propia revisión de Stanford advierte que se trata de señales descriptivas tempranas, no de una estimación causal cerrada.

El mecanismo no es que estén despidiendo a los junior que ya tienen el trabajo. Es que dejaron de contratar a los siguientes. La escalera de formación (junior aprende haciendo tareas de bajo riesgo, junior se vuelve mid, mid se vuelve senior) pierde el primer peldaño en silencio, sin que aparezca como un despido en ninguna cifra de desempleo agregado.

«Los modelos de inteligencia artificial más avanzados pueden resolver trabajos específicamente que tienen que ver con labores mucho más juniors, con labores mucho más recurrentes o mucho más repetitivas.»

Jorge Sales Boyoli, especialista en derecho laboral

3. La ventaja no está en «saber usar IA». Está en saber qué parte del trabajo no delegarle.

Un experimento de campo con consultores de una firma grande encontró algo incómodo: la IA mejoró productividad y calidad en tareas dentro de lo que los investigadores llamaron la frontera de la herramienta, pero la empeoró cuando se usó fuera de esa frontera, porque los consultores tendieron a confiar de más en lo que producía. En otro experimento, con 453 profesionales haciendo tareas de escritura, el acceso a IA redujo 40% el tiempo y subió 18% la calidad evaluada. Pero eran tareas acotadas, no un trabajo completo con todo lo que eso implica: contexto del cliente, datos sensibles, coordinación con otras personas, consecuencias si algo sale mal.

La habilidad que de verdad diferencia no es pulsar el botón correcto. Es saber, con criterio propio, cuándo la salida de la IA es confiable y cuándo no lo es. Esa distinción no se aprende usando IA. Se aprende habiendo hecho la tarea sin ella las suficientes veces como para reconocer un resultado que no cuadra.

4. La prueba de trabajo, que iba a ser la nueva credencial, se está devaluando por la misma razón que la volvió atractiva.

Parte del argumento del renacimiento digital es que la prueba pública de trabajo (un portafolio, una publicación, un caso resuelto a la vista de todos) sustituye al currículum tradicional. Tiene sentido en teoría. El problema es que cuando producir textos, código, diseños o prototipos se abarata para todos por igual, la cantidad de prueba deja de diferenciar a nadie. Un portafolio de cien piezas generadas con ayuda de IA ya no dice tanto como decía uno de diez piezas hechas a pulso hace tres años.

Lo que empieza a diferenciar de verdad es otra cosa: la procedencia del trabajo, los resultados medibles que produjo para alguien más, la reputación acumulada, y la disposición a responder cuando algo entregado falla. Eso no se genera con volumen. Se construye con tiempo y con consecuencias reales.

5. Automatizar una tarea te hace más rápido hoy. No necesariamente te deja más capaz mañana.

Un estudio con 319 trabajadores de conocimiento encontró que la confianza en la IA se asociaba con menos pensamiento crítico, mientras que la confianza en el propio conocimiento se asociaba con más. Otro experimento mostró algo parecido desde otro ángulo: la IA sí reduce la brecha de desempeño entre niveles educativos mientras se usa, pero esa brecha vuelve a aparecer casi completa en cuanto se retira la herramienta. El uso funciona mejor como complemento de esfuerzo sostenido, no como sustituto de él.

Automatizar una tarea es útil para descubrir qué es repetible y qué requiere juicio. El riesgo aparece cuando se automatiza también la parte que forma ese juicio. Ahí no se pierde velocidad. Se pierde la posibilidad de volverte independiente de la herramienta el día que haga falta.

6. El manifiesto original nunca responde una pregunta incómoda: ¿quién arma la próxima escalera de aprendizaje?

Este es el punto ciego que comparten el texto de Dan Koe y buena parte de la conversación sobre IA y trabajo. Se habla mucho de cómo una persona puede volverse un negocio de una sola persona con IA de su lado. Se habla casi nada de qué pasa con quien todavía no tiene ni el oficio, ni la red, ni el capital cultural para hacer eso. Si las tareas pequeñas, repetibles y de bajo riesgo (los borradores, los diagnósticos iniciales, las correcciones menores) son justo el material con que se forma el criterio de un profesional, automatizarlas de forma masiva puede generar rendimiento inmediato y una escasez de juicio experto dentro de cinco o diez años. Ya hay señales concretas de esto en el sector tecnológico: empresas que reorganizan equipos completos en estructuras más pequeñas y generalistas, sin definir en ningún documento interno quién va a formar a los siguientes con ese nivel de criterio.

La responsabilidad de resolver esto no puede recaer sólo en el individuo que decide «aprender IA a tiempo». Es una pregunta de qué hacen las organizaciones con la productividad que la IA les libera: si la reinvierten en tareas nuevas y trayectorias de aprendizaje, o si la usan sobre todo para eliminar los puestos de entrada y subir la carga de quienes sobreviven en el equipo.

Esa es la pregunta que de verdad importa, y todavía no tiene respuesta clara. Si tu organización, tu equipo o tu propio negocio hoy le está quitando trabajo a la IA a alguien más junior que tú, vale la pena preguntarte con qué lo vas a reemplazar para que esa persona siga formándose, porque en algún momento vas a necesitar que alguien más tenga el criterio que tú tienes ahora.