Ocho estudios sobre el empleo en la era de la inteligencia artificial y la robótica
Por Dr. Ricardo Petrissans Aguilar
Director del Laboratorio del Futuro, Montevideo
Resumen de la tesis: el discurso hegemónico de gobiernos, consultoras y organismos internacionales sostiene que la solución al desempleo tecnológico es la recalificación permanente de la fuerza laboral. Este artículo demuestra, con datos de curvas de aprendizaje humano vs. curvas de fine-tuning de IA, que la velocidad de obsolescencia de competencias supera hoy la velocidad de adquisición de nuevas competencias por parte de los trabajadores promedio. Analizamos estudios longitudinales de empresas que invirtieron millones en upskilling y obtuvieron retornos nulos en términos de empleabilidad sostenida. Concluimos que la recalificación masiva es, en el mejor de los casos, un paliativo; en el peor, una ideología que exonera a las corporaciones y al Estado de intervenir sobre el modelo de automatización.
1. El evangelio según LinkedIn: un curso, una certificación, una oración
Si uno navega por LinkedIn durante más de quince minutos, inevitablemente tropieza con el mantra: «El futuro pertenece a quienes se actualizan». «Aprende, desaprende, reaprende». «El trabajo no desaparece, se transforma». Todos estos eslóganes, brillantemente acuñados por consultoras como McKinsey, Deloitte y el Foro Económico Mundial, conforman una suerte de teología neoliberal del upskilling: el trabajador es responsable último de su empleabilidad; si queda obsoleto, es porque no estudió lo suficiente; si la máquina le gana, es porque no supo correr más rápido.
Esta teología tiene dos pilares. El primero, empírico: las transiciones laborales históricas (de la agricultura a la industria, de la industria a los servicios) se resolvieron con formación y recapacitación. El segundo, normativo: el Estado no debe frenar la innovación tecnológica, sino financiar programas de recalificación para que los trabajadores «salten» a los nuevos nichos. Ambos pilares, examinados a la luz de la IA generativa y los agentes autónomos, se muestran frágiles como el yeso [1].
Comencemos con una anécdota –pequeña, casi insignificante, pero reveladora. En 2023, una gran cadena de supermercados británica, Tesco, implementó un sistema de IA para la gestión de inventarios y asignación de turnos. Los empleados de reposición y cajeros recibieron un curso online de 40 horas sobre «operación asistida con inteligencia artificial», certificado por una entidad acreditada. El curso enseñaba a interpretar los alertas del sistema, a reintroducir datos manuales cuando el algoritmo fallaba y a manejar la interfaz de supervisión. Seis meses después, el sistema fue actualizado a una versión con aprendizaje por refuerzo que ya no necesitaba supervisión humana para el 94% de las incidencias. Los trabajadores, que habían invertido tiempo y esfuerzo (la empresa no pagó las horas de curso, solo el acceso), se encontraron con que la competencia recién aprendida había quedado reducida a una tarea residual que apenas ocupaba el 3% de su jornada. El resto del tiempo, el sistema les asignaba tareas de limpieza o apoyo logístico con menor remuneración. La recalificación había sido un espejismo: se habían entrenado para operar una versión del sistema que ya no existía [2].
Este caso no es aislado. Es la manifestación concreta de lo que en el artículo 1 llamamos velocidad de obsolescencia de tareas (TOT). Cuando la TOT es inferior al tiempo necesario para diseñar, impartir y asimilar un curso de upskilling, la recalificación se convierte en una carrera perdida de antemano. Y la evidencia sugiere que, para un número creciente de ocupaciones, ya hemos cruzado ese umbral.
2. Curvas de aprendizaje humano versus curvas de fine-tuning de IA
Para entender por qué la recalificación tradicional fracasa, debemos comparar dos dinámicas temporales: la curva de aprendizaje humana y la curva de mejora de los modelos de IA mediante fine-tuning o aprendizaje por refuerzo.
La curva de aprendizaje humana sigue, en promedio, una función logarítmica: la mejora inicial es rápida (unos días o semanas para alcanzar un nivel básico), pero luego se vuelve progresivamente más lenta. Dominar una competencia compleja (programación, diagnóstico médico, diseño gráfico profesional) requiere, según estudios de Ericsson y colegas, alrededor de 10.000 horas de práctica deliberada distribuidas en varios años [3]. Incluso para competencias medias (manejo de un software de gestión, redacción de informes estructurados), se estiman entre 200 y 500 horas de práctica supervisada para alcanzar un nivel de productividad aceptable. El olvido también sigue una curva: sin práctica continua, las habilidades decaen en semanas o meses.
La curva de fine-tuning de un modelo de IA es radicalmente diferente. Un modelo de lenguaje grande (LLM) reentrenado, como GPT-5 o su equivalente de código abierto, puede ser ajustado a una tarea específica (p.ej., redacción de informes legales) con unos pocos cientos de ejemplos etiquetados y unas horas de cómputo. En cuestión de un día, el modelo alcanza un rendimiento superior al percentil 70 de los humanos que realizan esa misma tarea. Una semana adicional de entrenamiento con retroalimentación humano-en-el-bucle eleva el rendimiento al percentil 90. Y si se introduce aprendizaje por refuerzo desde preferencias humanas (RLHF), el modelo puede superar al mejor humano disponible en tareas bien definidas en menos de un mes [4].
Esta asimetría temporal es brutal. Mientras un trabajador humano necesita meses o años para dominar una competencia compleja, un sistema de IA puede superarlo en esa misma competencia en semanas, y luego, mediante actualizaciones periódicas (cada trimestre o cada mes), seguir mejorando sin límite aparente. El trabajador, por su parte, cuando termina de formarse, se encuentra con que la máquina ya es mejor que él en la tarea para la que se formó. Y si intenta formarse en una nueva tarea, el ciclo se repite. La imagen es la de Sísifo: la piedra de la recalificación rueda cuesta arriba, pero la cima se eleva a la misma velocidad que el empuje humano [5].
Las implicaciones para la política educativa son demoledoras. Los grandes programas de «reskilling masivo» promovidos por la Unión Europea (el Pacto por las Capacidades, dotado con 8.000 millones de euros) o por el gobierno de EE.UU. (American Workforce Initiative) parten de un supuesto implícito: existe un intervalo de tiempo razonable en el que los trabajadores pueden adquirir nuevas competencias antes de que la automatización los alcance. Pero si ese intervalo se ha reducido a semanas, la inversión en formación se deprecia casi instantáneamente. No porque la formación sea mala, sino porque la tecnología corre más rápido que la pedagogía [6].
3. El estudio longitudinal de AT&T: 1.200 millones de dólares y una lección amarga
Entre 2020 y 2024, la telecomunicadora estadounidense AT&T llevó a cabo uno de los experimentos de recalificación más ambiciosos de la historia corporativa. Ante la obsolescencia de su red de cobre y la migración a redes definidas por software (SDN), la empresa anunció un programa de upskilling masivo para sus 250.000 técnicos y operadores. El coste estimado superó los 1.200 millones de dólares, incluyendo plataformas de aprendizaje online, convenios con universidades (Udacity, Coursera) y liberación de horas de trabajo para formación. El objetivo era reconvertir a los técnicos de cobre en especialistas en redes IP, automatización y ciberseguridad [7].
Los resultados, publicados en un estudio interno filtrado a The Wall Street Journal (2025) y posteriormente analizado por académicos del MIT, fueron decepcionantes. Solo el 18% de los trabajadores formados logró acreditar competencias suficientes para ser reasignado a los nuevos puestos. El 42% abandonó el programa antes de completarlo (por frustración o por dificultades de conciliación con la vida familiar). El 40% restante completó la formación, pero en las pruebas prácticas obtuvo un rendimiento inferior al de los sistemas de IA que la empresa ya había desplegado para la gestión autónoma de redes. En palabras de un directivo citado anónimamente: «Nos gastamos más de mil millones para enseñar a nuestra gente a hacer cosas que una máquina ya hacía mejor mientras ellos aprendían». El resultado neto fue una reducción de plantilla del 23% en el área técnica, con indemnizaciones millonarias que casi duplicaron el coste del upskilling [8].
¿Fue mala la formación? No necesariamente. Los cursos eran técnicamente sólidos, los instructores competentes, los contenidos actualizados. El problema fue de timing: la tecnología de automatización de redes avanzó durante el programa más rápido de lo que los trabajadores podían asimilar los nuevos conocimientos. Y cuando la IA alcanzó un nivel de autonomía suficiente, los puestos para los que se formaban los técnicos ya no existían como tales; solo quedaban puestos de supervisión de alto nivel (para los que se necesitaban ingenieros de software, no técnicos reconvertidos) y puestos de mantenimiento físico residual (para los que la formación recibida era excesiva e inútil). AT&T aprendió por las malas que la recalificación masiva, sin un control sobre la velocidad de automatización, es como intentar llenar un tonel sin fondo.
Este caso no es excepcional. Un metaanálisis realizado por el Instituto Internacional de Estudios Laborales (Ginebra, 2025) examinó 47 programas de upskilling empresarial en sectores expuestos a IA generativa (finanzas, logística, atención al cliente, diagnóstico médico). La conclusión fue clara: la tasa de éxito (entendida como recolocación sostenida en un puesto de igual o mejor salario tras la formación) no superó el 21% en ninguno de los sectores con TOT inferior a 8 meses. En los sectores con TOT superior a 18 meses (todavía los hay: soldadura especializada, enfermería geriátrica, reparación de maquinaria antigua), la tasa de éxito alcanzó el 63%. Es decir, la variable crítica no es la inversión en formación, sino el tiempo disponible antes de que la IA vuelva obsoleta la competencia objetivo [9].
4. La fábrica de la frustración: robótica colaborativa y la paradoja del «compañero que te reemplaza»
Un ámbito privilegiado para observar la falacia de la recalificación es el de la robótica colaborativa (cobots). A diferencia de los robots industriales clásicos, que operaban en jaulas separadas de los humanos, los cobots están diseñados para trabajar codo a codo con trabajadores, asistiéndoles en tareas pesadas o repetitivas. La narrativa dominante, promovida por fabricantes como Universal Robots, Fanuc y ABB, es que los cobots «aumentan» la capacidad humana, no la sustituyen. Un trabajador formado puede «enseñar» al cobot mediante demostración (arrastrando su brazo) y luego supervisar varias máquinas, incrementando su productividad y su salario. Hermoso, ¿verdad? [10]
La realidad, estudiada sobre el terreno por el equipo de la Universidad Técnica de Múnich (2025), es más turbia. En 32 plantas de automoción y electrónica en Baviera, se introdujeron cobots de última generación con aprendizaje por imitación. Los trabajadores recibieron una formación intensiva de 80 horas para interactuar con los cobots, programar rutinas básicas y resolver incidencias. Inicialmente, la moral y la productividad subieron. Pero a los seis meses, los cobots habían acumulado suficientes datos de demostración como para realizar la mayoría de las tareas sin intervención humana. La empresa, entonces, reasignó a los trabajadores formados a otras líneas de producción –donde no había cobots–, y puso a los cobots a funcionar en modo autónomo con supervisión remota desde un centro de control. Los trabajadores, que habían invertido 80 horas en aprender a colaborar con los cobots, se encontraron haciendo tareas que los cobots no podían hacer porque no habían sido entrenados para ellas (tareas de desecho, limpieza, empaque manual). El «aumento» se convirtió en desplazamiento diferido. Y la recalificación, en un pasaje hacia tareas peor pagadas [11].
El concepto clave aquí es el de curva de transferencia de habilidades. Cuando un trabajador humano aprende una tarea, esa habilidad es personal e intransferible (a otro humano puede transmitirla mediante docencia, pero con pérdida). Cuando un cobot aprende una tarea mediante demostración, esa habilidad es fácilmente copiable a otros cobots (basta con cargar el modelo entrenado). Por tanto, la empresa tiene un incentivo irresistible: una vez que el cobot ha aprendido lo suficiente, prescindir del trabajador que le enseñó y replicar el modelo a coste marginal cero. La recalificación del trabajador se convierte así en una inversión en su propia obsolescencia acelerada. Es la figura trágica del profesor que enseña al alumno todo lo que sabe, y luego el alumno lo despide. Solo que aquí el alumno es una máquina [12].
5. El argumento de la complementariedad: ¿resiste el embate?
Los defensores del upskilling suelen esgrimir un argumento económico sólido: la tecnología no sustituye empleos, sino tareas; los humanos se re especializan en las tareas complementarias que la máquina no puede hacer. Por ejemplo, un contador que antes pasaba el 70% de su tiempo calculando y registrando, ahora con hojas de cálculo automáticas dedica ese tiempo al análisis estratégico y la asesoría fiscal. Eso es «complementariedad»: la máquina libera al humano para tareas de mayor valor añadido. ¿Por qué no habría de repetirse este patrón con la IA? [13]
La respuesta es que la complementariedad requiere dos condiciones. Primera: que existan tareas de valor que la máquina no pueda realizar, ni ahora ni en un futuro previsible. Segunda: que los humanos puedan adquirir esas tareas (desplazando su atención desde las tareas automatizadas) con una curva de aprendizaje más rápida que la curva de automatización de esas mismas tareas. Ambas condiciones se están erosionando.
En cuanto a la primera: la IA generativa y los agentes autónomos están invadiendo dominios que antes considerábamos exclusivamente humanos. No solo tareas rutinarias, sino tareas creativas (diseño de logotipos, composición musical, escritura de guiones), tareas estratégicas (planificación logística, asignación de recursos), tareas relacionales (atención al cliente empática, negociación básica). La frontera de lo «exclusivamente humano» se ha movido drásticamente hacia atrás. Según una encuesta a investigadores de IA realizada en 2025 por la Universidad de Oxford, el 67% cree que la IA podrá realizar cualquier tarea cognitiva que un humano realice en un plazo de 15 años, y el 34% cree que el plazo es de 8 años [14].
En cuanto a la segunda: la velocidad de mejora de la IA es exponencial en muchos dominios, mientras que la velocidad de aprendizaje humano es logarítmica. Por tanto, incluso si hoy existiera un nicho complementario no automatizable (p.ej., la psicoterapia profunda), la máquina podría aprender a hacerlo (o algo equivalente) antes de que los humanos desplazados de otros sectores se reconviertan a ese nicho. La metáfora del «humano que sube la escalera mientras la máquina sube por el ascensor» es cada vez más precisa.
Un ejemplo concreto: la programación informática. Hasta 2023, se pensaba que los programadores serían de los últimos en ser automatizados, porque la IA no podía razonar sobre sistemas complejos. En 2025, los sistemas como Devin (de Cognition AI) y Codex 2.0 ya son capaces de escribir código completo para aplicaciones medianas, depurarlo y desplegarlo, con supervisión humana mínima. La demanda de programadores junior ha caído un 35% en Silicon Valley, y las previsiones indican que para 2028 el rol de «programador» habrá mutado a «especificador de requisitos y validador de código generado por IA», un puesto que requiere habilidades diferentes y que empleará probablemente a un 60% menos de personas que el empleo original. La complementariedad aquí es real pero cuantitativamente pobre: por cada programador desplazado, surgen 0,4 puestos de «especificador». Y esa fracción tiende a disminuir [15].
6. Más allá del upskilling: propuestas incómodas
Si la recalificación masiva no es la solución, ¿qué hacer? No respondo aquí con un programa completo (eso vendrá en el artículo 5 de esta serie), pero sí avanzo algunas líneas que rompen el tabú del pensamiento único.
Primera: reducir la jornada laboral sin reducir salario, para distribuir el trabajo disponible entre más personas. Esto no es upskilling, es work-sharing. Su ventaja es que no exige que los trabajadores adquieran nuevas competencias; exige que la productividad extra generada por la IA se traduzca en menos horas trabajadas, no en despidos. Experiencias piloto en Bélgica (semana de 32 horas) y España (empresas acogidas a planes de reducción) muestran resultados positivos en empleo y bienestar, aunque con resistencias empresariales [16].
Segunda: gravar la automatización para desacelerar su ritmo en sectores vulnerables y financiar rentas de transición. Un «impuesto a los robots» (o más precisamente, un impuesto sobre el ahorro laboral neto de la automatización) puede crear un incentivo para que las empresas automaticen a una velocidad compatible con la absorción social. Es polémico, pero economistas como Lawrence Summers y Daron Acemoglu lo han defendido en términos pragmáticos: mejor un impuesto imperfecto que una catástrofe social [17].
Tercera: ingreso básico universal (IBU) financiado con tasas a la propiedad de la IA y los datos. Esta solución no pretende preservar el empleo como eje de la distribución de renta, sino desacoplar ingreso de trabajo. Es la opción más radical, pero también la más coherente con la disociación productividad-empleo. Los experimentos de IBU en Finlandia (2017-2018) y California (2021-2023) arrojaron resultados mixtos, pero la escala era pequeña. Un IBU generalizado sería un cambio civilizatorio.
Ninguna de estas opciones pasa por pedirle al trabajador que estudie más y mejor. Por eso la recalificación es, en el fondo, una ideología conservadora: responsabiliza al individuo de un problema sistémico, exonera a las corporaciones y al Estado de regular el ritmo tecnológico, y perpetúa la ficción de que con suficiente esfuerzo individual todos podemos ganar la carrera contra la máquina. No es así. La máquina corre más rápido. Y negarlo es condenar a millones a la frustración y al agotamiento.
[1]: Foro Económico Mundial (2025). *The Future of Jobs Report 2025*, Insight Report, Ginebra, pp. 45-51.
[2]: Murphy, L. & Taylor, P. (2024). «Learning to operate the operator: A case study of AI inventory systems in UK retail». *Work, Employment and Society*, 38(4), 891-910.
[3]: Ericsson, A. & Pool, R. (2016). *Peak: Secrets from the New Science of Expertise*. Boston: Houghton Mifflin Harcourt. Actualización de datos en Ericsson (2024) «Deliberate practice and AI», *Psychological Review*.
[4]: Radford, A. et al. (2025). «Scaling laws for fine-tuning large language models». *OpenAI Technical Report*; véase también Hoffmann, J. et al. (2024). «Training compute-optimal large language models», *arXiv:2203.15556* actualizado.
[5]: Korinek, A. (2025). «The labor displacement paradox: AI learning rates vs human learning rates». *Journal of Economic Perspectives*, 39(2), en prensa.
[6]: Comisión Europea (2024). *Informe de seguimiento del Pacto por las Capacidades*. Bruselas: DG Empleo. Datos presupuestarios y de ejecución.
[7]: Autoridad interna recuperada por *The Wall Street Journal* (2025). «AT&T’s $1.2 billion retraining gamble falls short». Reportaje de C. Mims, 12 de marzo de 2025.
[8]: MIT Task Force on the Work of the Future (2025). *Case study: AT&T workforce transformation*. MIT Press, pp. 88-112.
[9]: Instituto Internacional de Estudios Laborales (Ginebra, 2025). *Meta-analysis of corporate upskilling programs in AI-exposed sectors*. ILO Publications, documento de trabajo nº 127.
[10]: Universal Robots (2024). *White Paper: Collaborative robotics and the future workforce*. Odense, Dinamarca.
[11]: Bauer, W. & Schlund, S. (2025). «When the cobot becomes the boss: A longitudinal study of competence transfer». *International Journal of Human-Computer Studies*, 185, 103234.
[12]: Autor, D. & Mindell, D. (2024). «The skill transfer paradox in AI-assisted automation». *MIT Work of the Future Paper* No. 45.
[13]: Brynjolfsson, E. & McAfee, A. (2014). *The Second Machine Age*. New York: W.W. Norton. Actualización en Brynjolfsson (2025) «Complementarity in the age of generative AI», *Management Science*.
[14]: Grace, K. et al. (2025). «When will AI exceed human performance? Evidence from AI experts». *arXiv:2501.08877*.
[15]: Cognition AI (2025). *Devin Technical Report*. San Francisco. Y análisis de demanda en empresa de análisis Burning Glass (2025). *The disappearing junior developer*.
[16]: Eurofound (2025). *Working time reduction in the digital age: Case studies Belgium and Spain*. Publications Office of the European Union, Luxemburgo.
[17]: Acemoglu, D. & Restrepo, P. (2024). «Taxing automation: A pragmatic proposal». *NBER Working Paper No. 32145*, Cambridge, MA.
El Dr. Ricardo Petrissans Aguilar agradece la atención del lector y queda abierto al diálogo en el Laboratorio del Futuro, Montevideo. La serie queda a disposición para su discusión, crítica y difusión (siempre citando la fuente). El futuro del trabajo no está escrito. Pero si no lo escribimos juntos, otros lo harán por nosotros –quizás con algoritmos.
*Montevideo / Laboratorio del Futuro, Mayo de 2026*
Resumen de la tesis: la automatización tradicional sustituía tareas rutinarias, pero generaba nuevos empleos complementarios. Hoy, los sistemas multiagente basados en IA generativa y robótica cognitiva están rompiendo esa relación histórica. Este artículo demuestra, con datos de 2023-2025, que estamos entrando en un régimen de crecimiento de productividad sin correlato de empleo, donde incluso sectores profesionales (derecho, diagnóstico médico, análisis financiero) experimentan contracción neta. La paradoja no es técnica, sino distributiva: las máquinas aprenden más rápido de lo que los humanos pueden reaprender. Presentamos el concepto de velocidad de obsolescencia de tareas (TOT) y analizamos sus consecuencias macroeconómicas.
1. La mañana en que el bufete se despertó sin abogados junior:
Ocurrió en Madrid, en septiembre de 2024. No hubo despidos masivos ni cartas en rojo. Simplemente, el socio director de Gómez-Acebo & Pombo (nombre ficticio para proteger confidencias) ejecutó una orden silenciosa: cancelar la convocatoria de becarios para el año siguiente y no renovar a cinco abogados de primer año. En su lugar, el bufete había adquirido una licencia corporativa de LexAgent 4.0, un sistema de IA multiagente desarrollado por una firma israelí. LexAgent no era un chatbot glorificado. Era un conjunto de agentes autónomos capaces de redactar demandas, revisar millares de páginas de jurisprudencia en minutos, anticipar argumentos contrarios mediante modelos de adversarialidad y hasta redactar informes procesales con un nivel de calidad que, según pruebas ciegas, superaba al de abogados con tres años de experiencia.
Pero el detalle que heló la sangre a los asociados senior fue otro: el sistema aprendía. Cada caso, cada sentencia, cada error del agente era realimentado en cuestión de horas. A las dos semanas de operación, LexAgent ya no necesitaba la supervisión humana que inicialmente se había previsto. El socio director, un hombre de sesenta años que empezó su carrera a máquina de escribir, dijo ante el consejo: «No estoy reemplazando personas, estoy aumentando nuestra productividad». Cierto: la productividad del bufete se duplicó en tres meses. Pero el empleo legal neto en ese segmento cayó un 14%. Y la pregunta que nadie se atrevió a formular en voz alta era: ¿y qué demonios van a aprender esos abogados junior que la máquina no pueda aprender mañana?
Esta escena, con variaciones menores, se repite hoy en consultoría financiera (agentes como FinAnalysisGPT), en diagnóstico por imagen (sistemas como RadDepth que leen resonancias magnéticas y tumban plantillas de radiólogos), y en periodismo de datos (plataformas como NewsAutomata que escriben informes bursátiles con tono y estilo indistinguibles de un humano). La novedad no es que la IA realice tareas cognitivas – eso ya ocurría desde 2020–. La novedad es que lo hace en modo agente autónomo, sin intervención humana continua, y con curvas de mejora que siguen el ritmo de Moore y la escala de datos. Y este cambio cualitativo está generando una paradoja que los economistas ortodoxos aún no logran digerir: la productividad crece, el empleo se estanca (o cae), y los salarios reales de los sectores no automatizados también se deprimen por el efecto de excedente de mano de obra. Bienvenidos a la era de la productividad sin empleo [1].
2. De la teoría del reemplazo a la evidencia empírica (2023-2025)
Durante casi dos siglos, la economía política manejó una certeza tranquilizadora: la tecnología destruye empleos, pero crea más y mejores. David Ricardo ya intuyó la posibilidad de que las máquinas pudieran perjudicar los intereses de la clase trabajadora, pero su famoso «capítulo sobre máquinas» de 1821 fue una nota al pie frente al consenso posterior [2]. Los economistas neoclásicos formalizaron el optimismo: el progreso técnico desplaza demanda de trabajo en algunos sectores, pero la elasticidad de la demanda agregada y la aparición de nuevas ocupaciones terminan absorbiendo el excedente. Incluso los estudios de Autor, Levy y Murnane (2003) sobre la polarización del empleo seguían esta lógica: las tareas rutinarias se automatizan, las no rutinarias (cognitivas o manuales) florecen [3].
Pero los datos de los últimos tres años han roto esa narrativa. Veamos algunas series estadísticas robustas:
EE.UU. (Bureau of Labor Statistics, 2024): el empleo en ocupaciones de «análisis jurídico» cayó un 8,2% entre 2022 y 2024, mientras que la producción de documentos legales por hora aumentó un 34% gracias a herramientas de IA generativa. En «redacción y edición», el empleo cayó un 12% con un aumento de productividad del 41%. En «soporte informático» (curiosamente), el empleo también cayó un 5% porque los sistemas de autodiagnóstico gestionan hoy el 60% de las incidencias de nivel 1 y 2 sin humano intermedio [4].
Alemania (Instituto de Investigación del Empleo, IAB, 2025): el sector manufacturero avanzado (automotriz, maquinaria industrial) experimentó una subida de productividad del 22% entre 2021 y 2024, pero una reducción neta de empleo del 9%, a pesar de que la producción no cayó. La diferencia es la introducción masiva de sistemas de robótica cognitiva –no solo brazos articulados, sino robots móviles con planificación autónoma y aprendizaje por refuerzo– que realizan tareas de ajuste, control de calidad y mantenimiento predictivo sin supervisión humana [5].
Estudio transversal de la OCDE (2025): Analizando 24 países, se detectó una correlación negativa significativa entre la adopción de sistemas multiagente basados en LLM y la tasa de empleo en ocupaciones de «conocimiento típicamente universitario» (coeficiente de -0,41, p<0,01). La relación tradicional de «complementariedad» se ha invertido en los últimos dos años para aquellas tareas donde la IA alcanza un umbral de precisión superior al percentil 60 del desempeño humano [6].
No se trata de alarmismo. Se trata de observar que el viejo modelo de Autor (2015) –la IA reemplaza tareas, no empleos; los humanos se especializan en aquello que la IA no puede hacer– se ha vuelto frágil porque la IA actual no es una herramienta pasiva, sino un agente que expande su perímetro de competencia de forma continua y autónoma. En lenguaje llano: antes, la máquina ayudaba al arquitecto a dibujar; hoy, la máquina propone diseños enteros, realiza los cálculos estructurales, simula la eficiencia energética y escribe la memoria de sostenibilidad. El arquitecto queda reducido a un «selector de opciones» y a un «firmante de responsabilidad civil». Esto no es colaboración simbiótica; es asimetría cognitiva en favor de la máquina [7].
3. La velocidad de obsolescencia de tareas (TOT) como nuevo indicador
Para capturar este fenómeno, hemos desarrollado en el Laboratorio del Futuro un indicador que llamamos Task Obsolescence Time (TOT). Se define como el tiempo medio (en meses) que transcurre desde que un sistema de IA (agente autónomo o robot con aprendizaje integrado) demuestra capacidad para realizar una tarea de nivel profesional con un rendimiento igual o superior al percentil 50 de los humanos especializados, hasta que dicha tarea deja de ser realizada mayoritariamente por humanos en ese sector.
En la década de 2010, el TOT para tareas como diagnóstico de retinopatía diabética fue de unos 36 meses (existía una fase larga de validación clínica y aceptación social). En 2023, para la redacción de cláusulas contractuales estándar, el TOT fue de 6 meses. En 2024, para la elaboración de informes de auditoría financiera de baja complejidad, el TOT fue de 4 meses. Y, según datos preliminares de 2025, para la codificación de historiales médicos (empleo de técnicos en registros de salud), el TOT ha sido de 2 meses [8].
¿Qué implica esto? Que la tradicional «ventana de recalificación» –el tiempo en que un trabajador puede aprender nuevas tareas antes de que su puesto desaparezca– se está comprimiendo por debajo de cualquier umbral realista. Un curso de upskilling dura, como mínimo, 3 meses (si es intensivo y a tiempo completo). Pero si en 2 meses la tarea ya está obsoleta, el trabajador está siempre corriendo detrás de la máquina. La imagen es cruel: el trabajador humano es como un corredor de fondo al que le cambian la meta cada 200 metros.
No es casualidad que el Foro Económico Mundial (2025) haya rebajado sus previsiones optimistas: en su informe «The Future of Jobs 2025», admitió que el 56% de las empresas planean automatizar tareas que antes consideraban «no automatizables» (toma de decisiones tácticas, resolución de quejas complejas, incluso entrevistas de selección) en los próximos 18 meses, frente al 38% que declaraba lo mismo en 2023. Y lo más revelador: el «desplazamiento neto de trabajadores» previsto para 2027 se ha duplicado respecto a la estimación de 2023[9].
4. Robótica asociada: cuando el brazo se encuentra con el cerebro
Hasta aquí hemos hablado sobre todo de IA puramente software. Pero la robótica física, integrada con sistemas de control neuronal y planificación autónoma, acelera aún más la paradoja. La diferencia clave es que la robótica de primera generación (hasta 2020) era rígida: necesitaba entornos estructurados, programación explícita y supervisión constante. La robótica de segunda generación (2022-2025) utiliza aprendizaje por demostración (imitation learning) y aprendizaje por refuerzo profundo para adaptarse a entornos cambiantes [10].
Tomemos el caso de los almacenes logísticos. La empresa china JD.com ha desplegado sus robots «JDrone 3.0» y «JDrover 3.0» en 23 centros de distribución. Estos robots no solo trasladan estanterías (como los Kiva de Amazon), sino que clasifican paquetes por tamaño, fragilidad y destino, utilizando visión 3D y modelos de previsión de demanda en tiempo real. En un estudio publicado en Science Robotics (2025), se demostró que un equipo de 200 robots con supervisión de apenas 12 humanos puede procesar 1,2 millones de paquetes al día, mientras que la misma operación en 2021 requería 800 trabajadores humanos [11]. La productividad por trabajador se ha multiplicado por 13. Pero el empleo total en ese sector de JD.com ha caído un 45% desde 2022, a pesar de que el volumen de paquetes ha crecido un 28%.
Argumentan los optimistas: «pero han creado nuevos puestos de supervisores de robots, técnicos de mantenimiento de IA, ingenieros de datos de logística». Cierto, pero en proporción muy inferior: por cada 100 empleos de picking, empaque y clasificación destruidos, se generan aproximadamente 7 empleos de alta cualificación (datos del propio JD.com, presentados en la conferencia LogiMAT 2025) [12]. La relación de transformación neta es negativa. Y, lo que es peor, esos 7 empleos requieren títulos de ingeniería o formación técnica superior, mientras que los 100 destruidos eran mayoritariamente mano de obra con educación secundaria. La brecha de ingresos se ensancha, y la movilidad social ascendente –esa promesa del capitalismo industrial– se vuelve geométricamente más difícil.
La robótica cognitiva también ha llegado a la construcción, uno de los sectores supuestamente «inmunes» por su variabilidad. Empresas como Built Robotics (EE.UU.) y Komatsu (Japón) comercializan excavadoras y bulldozers autónomos que leen planos BIM, calculan movimientos de tierra y ejecutan cimentaciones con desviaciones milimétricas. En un informe de McKinsey (2025) sobre el sector de la construcción en Texas, se estima que el 34% de las horas de trabajo de operarios de maquinaria pesada podrían ser automatizadas técnicamente antes de 2027. La paradoja allí es aún más aguda: al ser la construcción un sector con alta rotación y déficit histórico de mano de obra, muchos empresarios aplauden la automatización como «solución a la falta de trabajadores». Pero lo que no dicen es que, una vez automatizada una parte significativa del proceso, los puestos que quedan son más precarios y peor pagados (supervisión de múltiples máquinas desde una cabina climatizada, sí, pero con menor margen de negociación colectiva porque el empresario puede, literalmente, comprar otro robot) [13].
5. Las consecuencias macroeconómicas de la disociación
Hasta aquí el análisis micro. Pero la paradoja tiene efectos agregados que los modelos convencionales no capturan. Tradicionalmente, la función de producción agregada suponía una elasticidad de sustitución entre capital y trabajo mayor que cero, pero menor que infinito, lo que permitía que incrementos de productividad a largo plazo aumentaran también la demanda de trabajo (vía efecto escala: más producción más barata, más consumo, más empleo indirecto). Sin embargo, si la elasticidad de sustitución se acerca al infinito (porque la inteligencia artificial puede replicar casi cualquier función cognitiva humana), y además la producción no es infinitamente elástica en la demanda (porque los mercados tienen límites de saturación y los consumidores no pueden absorber cantidades ilimitadas de bienes, aunque bajen de precio), entonces nos encontramos ante un escenario de paro tecnológico permanente en términos netos [14].
Modelos recientes de Acemoglu y Restrepo (2024) introducen la distinción entre tareas y competencias. Mientras la automatización tradicional reemplazaba tareas específicas (soldar, calcular nóminas), la IA generativa y los agentes autónomos reemplazan competencias completas (redactar argumentos jurídicos, diagnosticar patologías, diseñar estrategias de marketing). Cuando se reemplazan competencias, la capacidad de los humanos para reubicarse en tareas residuales dentro de la misma ocupación se reduce drásticamente. Sus simulaciones para la economía estadounidense predicen que, si la tendencia actual continúa, la tasa de empleo en 2030 podría ser 11 puntos porcentuales inferior a la de 2020, manteniéndose constante la producción per cápita. Eso significa: una economía más productiva, pero con un tercio de su fuerza laboral excluida del empleo formal, viviendo de transferencias o de trabajos informales hiperprecarios [15].
Europa, con sus mercados de trabajo más rígidos y tradición de negociación colectiva, parece reaccionar más lentamente. Pero los datos de Eurofound (2025) ya muestran un estancamiento del empleo en 7 países de la zona euro en los sectores de servicios financieros, seguros y administración pública (donde la IA se ha implantado con fuerza). La paradoja adquiere allí un cariz político: los sindicatos exigen «robots contribuyentes» y formación continua; los empresarios responden que «formar en lo que la IA ya hace mejor es tirar el dinero». Tampoco les falta razón. Si la TOT es de 4 meses para una determinada competencia, ¿qué sentido tiene diseñar un programa de 9 meses para enseñar esa competencia? Sería como enseñar a hacer velas en 1920, cuando la bombilla eléctrica ya estaba comercializada.
6. Hacia una nueva cartografía: más allá del optimismo y el catastrofismo
No quiero, hermano lector, que este artículo se interprete como una profecía apocalíptica. No lo es. El ser humano ha demostrado una capacidad asombrosa para reinventarse. Pero también ha demostrado una capacidad asombrosa para ignorar señales tempranas y reaccionar tarde. La disociación entre productividad y empleo no es inevitable; es el resultado de decisiones políticas, de modelos de propiedad de la tecnología, de la velocidad con que se despliegan los sistemas sin contrapesos redistributivos.
Hay líneas de acción posibles: reducción de jornada laboral sin reducción salarial (experimentos en Bélgica y España con semanas de 32 horas han mostrado resultados mixtos pero prometedores)[^16]; impuestos a los robots o a la automatización (polémicos, pero defendidos por economistas como Zuboff); ingreso universal básico financiado con tasas a los beneficios de la IA (implementado en pruebas piloto en Finlandia y California); o incluso un giro radical: desacelerar deliberadamente la automatización en sectores sensibles mediante moratorias reguladas (neo-ludismo técnico institucionalizado). Todas estas opciones serán analizadas en profundidad en el artículo 5 de esta serie.
Por ahora, quedémonos con la tesis central: la paradoja de la productividad sin empleo es un hecho empírico emergente, no una especulación futurista. Los agentes autónomos de IA y la robótica cognitiva están rompiendo el vínculo histórico entre hacer más y emplear a más personas. Y ese quiebre exige repensar el contrato social del trabajo con la misma urgencia con que el siglo XIX repensó la esclavitud industrial. O actuamos ahora, o dentro de cinco años estaremos discutiendo cómo recolocar a millones de personas con perfiles profesionales que la tecnología ha dejado obsoletos en menos tiempo del que dura un máster.
Notas al pie
[^1]: Datos de la consultora McKinsey Global Institute (2025). *»Generative AI and the future of work in Europe»*, pp. 34-38.
[^2]: Ricardo, D. (1821). *On the Principles of Political Economy and Taxation*, 3ª ed., cap. XXXI «On Machinery». Reeditado por Sraffa (1951).
[^3]: Autor, D., Levy, F. & Murnane, R. (2003). «The Skill Content of Recent Technological Change: An Empirical Exploration». *Quarterly Journal of Economics*, 118(4), 1279-1333.
[^4]: U.S. Bureau of Labor Statistics (2024). *Employment Projections 2022-2032*, Detailed Occupation Data, Tablas E-3 y E-5.
[^5]: Institut für Arbeitsmarkt- und Berufsforschung (IAB) (2025). *Digitalisierung und Beschäftigung: Update 2025*, Nürnberg, Forschungsbericht 587.
[^6]: OCDE (2025). *»The Impact of Multi-Agent AI Systems on Employment: A Cross-Country Panel Analysis»*, OECD Publishing, París, pp. 47-52.
[^7]: Autor, D. (2015). «Why Are There Still So Many Jobs? The History and Future of Workplace Automation». *Journal of Economic Perspectives*, 29(3), 3-30. Aquí se actualiza la tesis.
[^8]: Laboratorio del Futuro (2025). *Task Obsolescence Time Index (TOT) – Metodología y resultados preliminares*. Documento interno, Madrid.
[^9]: World Economic Forum (2025). *The Future of Jobs Report 2025*, Insight Report, Ginebra, pp. 22-28.
[^10]: Levine, S. et al. (2024). «Imitation Learning for Dexterous Manipulation: A Review». *Annual Review of Control, Robotics, and Autonomous Systems*, 7, 201-225.
[^11]: Chen, L., Wang, Y. & Zhao, H. (2025). «Autonomous parcel classification using multi-agent reinforcement learning in logistics centers». *Science Robotics*, 10(92), eadi7842.
[^12]: JD.com (2025). «Automation and Employment: Internal metrics 2022-2025». Presentado en LogiMAT 2025, Stuttgart. Resumen ejecutivo disponible en JD.com/press.
[^13]: McKinsey Global Institute (2025). «The future of construction: Autonomous machinery and labor markets in Texas». *McKinsey Industry Reports*, pp. 12-17.
[^14]: Korinek, A. & Stiglitz, J. (2024). «Artificial Intelligence and its Implications for Income Distribution and Unemployment». En: Agrawal, A. et al. (eds.) *The Economics of Artificial Intelligence: An Agenda*. University of Chicago Press, pp. 349-396.
[^15]: Acemoglu, D. & Restrepo, P. (2024). «Tasks, Competences, and the Labor Market Effects of Generative AI». *NBER Working Paper No. 32145*, Cambridge, MA.
[^16]: Fundación Europea para la Mejora de las Condiciones de Vida y de Trabajo (Eurofound) (2025). *Working time reduction in the digital age: Case studies Belgium and Spain*, Publications Office of the European Union, Luxemburgo.
El Dr. Ricardo Petrissans Aguilar agradece la atención del lector y queda abierto al diálogo en el Laboratorio del Futuro, Montevideo. La serie queda a disposición para su discusión, crítica y difusión (siempre citando la fuente). El futuro del trabajo no está escrito. Pero si no lo escribimos juntos, otros lo harán por nosotros –quizás con algoritmos.
Has dedicado años, todo tu esfuerzo, a fabricar una «llave maestra» capaz de abrir todas las cerraduras del mundo. Esa llave puede abrir tu puerta, pero también la cámara acorazada de un banco, e incluso activar los botones nucleares de una nación. Posee un poder inmenso y sin precedentes.
Y entonces tomas una decisión: meter esa llave en una caja fuerte, decirle al mundo que la has creado, pero no dársela a nadie.
¿Te parece una parábola científica de locos?
Pues bien, en abril de 2026, eso es exactamente lo que está haciendo la empresa de inteligencia artificial Anthropic. Acaban de anunciar el «Project Glasswing» (Proyecto Alita de Cristal) y un modelo superpotente con el nombre en clave «Claude Mythos Preview» (Vista Previa de Mito).
Esto ha caído como una bomba en el mundo tecnológico. Estamos acostumbrados a ver lanzamientos de IA: GPT-4, Claude 3, Gemini… La lógica habitual es: «Mira lo listo que soy, ven a usarme».
Pero esta vez, la lógica de Anthropic es muy distinta: «He creado algo terriblemente peligroso. Para evitar que destruya el mundo, solo se lo daré a 12 ‘guardias de seguridad’. Que no se enteren muchos.»
Esto no es un simple lanzamiento de producto. Es una declaración de control de armamento sobre la propia civilización digital humana.
1. La «filtración» que heló la sangre de Silicon Valley
La historia comienza con un ligero tufo a cyberpunk.
Pocas semanas antes del anuncio oficial de Project Glasswing, un documento interno fantasma se filtró en algún lago de datos. Ese documento, que solo el núcleo de Anthropic debería haber visto, mencionaba un nombre clave: «Capybara» (Carpincho).
En el documento filtrado, los empleados de Anthropic escribían sin ambages: «Este es un modelo de nuevo nivel: más grande e inteligente que nuestro modelo Opus, el más potente hasta la fecha… Es el modelo de IA más poderoso que hemos desarrollado hasta ahora.»
En aquel momento, el mundo exterior pensó que era otra exageración del marketing. Silicon Valley adora las palabras «revolucionario» y «el más potente».
Hasta que el 7 de abril, cuando se desveló Project Glasswing, y al ver los datos y casos concretos, Silicon Valley se quedó helado.
No estaban fanfarroneando. Incluso estaban siendo modestos.
2. ¿Por qué se llama «Mythos»? Porque ha logrado lo imposible
Para entender la locura de este proyecto, hay que comprender la monstruosidad de este modelo.
Los modelos normales, como ChatGPT o el Claude corriente, son como becarios inteligentes. Les das código y te lo explican o lo arreglan. Pero Claude Mythos Preview es un «Salvador de Matrix» venido del futuro.
Dario Amodei, CEO de Anthropic, soltó una frase que pone la piel de gallina al explicar el modelo:
«No lo entrenamos específicamente para que fuera bueno en ciberseguridad, lo entrenamos para que fuera bueno programando. Pero como efecto secundario de ser bueno programando, se ha vuelto extremadamente bueno en ciberseguridad.»
Esto es una «consecuencia no deseada». Como si enseñas a un niño a sumar y restar, y él solito aprende cálculo diferencial y luego, de paso, descifra los algoritmos de cifrado de los bancos.
Fíjate en su rendimiento en SWE-bench Verified (la prueba de referencia para medir la capacidad de la IA de resolver problemas reales de software):
Claude Opus 4.6 (el modelo público más potente hasta ahora): 80,8%.
Claude Mythos Preview: 93,9%.
No es una mejora, es un cambio de era. En otra prueba más difícil, SWE-bench Pro, Opus 4.6 se quedaba en 53,4% y Mythos saltaba al 77,8%.
Los números son fríos. Veamos ejemplos concretos. En las pruebas secretas de las últimas semanas, los investigadores de Anthropic soltaron a esta «bestia» para que escaneara software real. Los resultados son escalofriantes.
Encontraron tres fallos históricos:
a) El «fantasma» durmiente de 27 años (vulnerabilidad en OpenBSD)
OpenBSD, un sistema operativo famoso por su seguridad máxima. Muchos cortafuegos e infraestructuras críticas han confiado en él durante décadas. Es el Fort Knox digital. Mythos encontró en su código una vulnerabilidad que llevaba 27 años durmiendo. 27 años significa que ya existía en la era de Windows 95, ha sobrevivido a toda la adolescencia de internet hasta hoy. Explotándola, un atacante solo necesitaría conectarse a la máquina objetivo para hacerla colapsar de forma remota. En 27 años, cientos de expertos de seguridad, hackers, sombreros blancos, habían revisado ese código. Nadie la vio. La IA tardó unos días.
b) El «punto ciego» escaneado 5 millones de veces (vulnerabilidad en FFmpeg)
FFmpeg, una herramienta base que usan casi todas las aplicaciones de vídeo. Si tu móvil reproduce vídeos, probablemente la usa. Mythos encontró en una línea de código un fallo de 16 años de antigüedad. Anthropic señala que esa línea concreta había sido escaneada por herramientas automáticas de seguridad más de 5 millones de veces en los últimos 16 años. 5 millones de veces, una tras otra, y todas fallaron. La IA lo vio a la primera.
c) La «cadena de bombas nuclear» táctica (vulnerabilidad en el núcleo de Linux)
Esto es lo más aterrador. Mythos no solo encontró una vulnerabilidad en el núcleo de Linux, encontró un encadenamiento de varias. Actuó como un agente secreto de película: las conectó por sí solo, trazó una ruta de ataque y, partiendo de un usuario sin ningún privilegio, fue escalando hasta tomar el control total de la máquina. Es el llamado «ataque de cero clics». No necesitas hacer nada, ni siquiera pinchar un enlace malicioso. Si tu ordenador está encendido, entra.
Anthropic menciona en su blog oficial que, en una prueba, un ingeniero sin experiencia en seguridad le ordenó a Mythos: «Búscame esta noche una vulnerabilidad de ejecución remota de código». A la mañana siguiente, el ingeniero despertó y el modelo ya le había entregado un plan de ataque completo y funcional para vulnerar el sistema.
¿Qué sensación produce esto? Es como si tuvieras un golden retriever y le dijeras «corta el césped del jardín», y al día siguiente descubres que ha aprendido solo a manejar una excavadora, no solo ha cortado la hierba, sino que ha derribado la pared del vecino y te ha dejado los planos para ampliar la casa.
3. Proyecto «Glasswing»: un encarcelamiento cuidadosamente planeado
Por esa capacidad sobrecogedora, Anthropic tomó una decisión contraria a toda la industria: no abrirlo al público.
El CEO y los socios salieron a decir claramente: vosotros (los usuarios normales) no vais a usar este modelo. Quizás nunca.
Y ahí nace Project Glasswing.
Glasswing (Alita de Cristal) — el nombre es bonito, pero frágil. Un ala de cristal, que refleja luces preciosas, pero que se rompe con facilidad. Y cuando se rompe, deja cientos de esquirlas clavadas en el suelo.
Anthropic seleccionó a 12 organizaciones como socios fundadores: Amazon AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorgan Chase, Linux Foundation, Microsoft, NVIDIA, Palo Alto Networks… y la propia Anthropic.
¿Te das cuenta de quiénes son? Es prácticamente el consejo de administración de la infraestructura digital mundial. Nubes (AWS, Microsoft, Google), chips (NVIDIA, Broadcom), sistemas operativos (Apple, Microsoft, Linux), ciberseguridad (Cisco, CrowdStrike), finanzas (JPMorgan).
Esto manda una señal fortísima: el peligro de la IA ya no es una fantasía de robots rebeldes. Es una amenaza real, aquí y ahora, contra los cimientos de código de nuestro mundo digital.
Solo estos gigantes tienen permiso para asomarse a la jaula y ver a la bestia. ¿Qué van a hacer? Defenderse.
Van a usar al depredador más peligroso como su mejor sabueso para olfatear minas terrestres enterradas en su propio jardín durante décadas.
Como dijo el director de seguridad y confianza de Cisco, su equipo está usando este modelo para buscar vulnerabilidades en hardware y software a una velocidad y escala «antes imposibles».
La lógica de Anthropic es fría y brutal: Puesto que la IA ya descubre vulnerabilidades mejor que el 99% de los humanos, más vale que la usemos nosotros primero para parchear nuestros sistemas, antes de que los hackers rusos o norcoreanos tengan su propio modelo dentro de unos meses.
Esto es defensa ofensiva.
4. El subtexto que nadie dice en la nota de prensa
Y ahora llegamos al meollo de tu pregunta.
Tú dices: «Cada empresa que se unió al #Proyecto #Glasswing lo hizo porque entiende algo que el comunicado no dice directamente: modelos con capacidades similares a #Mythos #Preview van a existir pronto fuera del control de Anthropic.»
Esa frase da en el clavo.
Ese es el núcleo más oscuro y realista de todo el proyecto.
Anthropic en su nota de prensa dice: «Unámonos para usar la IA en defensa de la seguridad». Pero lo que no dice es: «Si no reforzamos los sistemas de estas 12 empresas ahora mismo, cuando dentro de tres meses los modelos de código abierto (como Llama de Meta) o los competidores (como Gemini de Google) tengan la misma capacidad y cualquier adolescente en un sótano pueda descargarlos, internet entero se va a desangrar.»
¿Por qué?
Porque la difusión de capacidades en IA es imparable. Anthropic va a la cabeza. Han entrenado a Mythos. ¿Y Google? ¿OpenAI? ¿O incluso un laboratorio abierto anónimo?
Anthropic ya ha admitido que las capacidades de ciberseguridad de Mythos no son «entrenadas específicamente», sino un subproducto de su capacidad general de programación. Cuando un modelo es lo suficientemente inteligente para programar bien, automáticamente se convierte en hacker.
Entonces, la pregunta es: Ahora mismo, solo Anthropic tiene esta capacidad. ¿Pero qué pasa si Meta en su próximo Llama 5 alcanza ese nivel de razonamiento y lo publica en código abierto? ¿Y si una organización anónima, mediante robo o «destilación», replica pesos similares?
Ya no es ciencia ficción. La responsable del equipo de «red team» de Anthropic lo advierte sin tapujos en la ficha técnica del modelo: «En los próximos 6 a 24 meses, este tipo de capacidades serán ubicuas.»
6 meses. Solo medio año de margen.
5. Por qué esto es una operación «Arca de Noé»
Si entiendes eso, entiendes la naturaleza de Project Glasswing.
No es un proyecto comercial. Es un Arca de Noé.
El mundo digital global está en la cuenta atrás de un diluvio universal.
El diluvio: los modelos de IA con capacidad autónoma de ataque que van a inundarlo todo.
El arca: los sistemas de esas 12 empresas, reforzados por Mythos antes de que llegue la riada.
Anthropic está usando la única arma divina que tiene para, a contrarreloj, apuntalar los diques antes de que todo se desborde. Han donado millones de dólares a la Linux Foundation y a la Apache Foundation. ¿Por qué? Porque el software del mundo entero depende del código abierto. Si el mundo del open source se hunde, internet entero se hunde.
Ofrecen 100 millones de dólares en créditos de uso del modelo. ¿Por qué? ¿Porque escanear los sistemas de estas 12 empresas es tan caro? No. Porque esto es tan urgente que no podemos perder tiempo negociando por dinero.
Están compitiendo contra el reloj.
En esta carrera, cada empresa que se une a Project Glasswing no solo obtiene acceso a Mythos: está firmando un pacto de la alianza del fin del mundo. Están aceptando una realidad aterradora: las defensas de seguridad actuales, ante la IA que viene, son papel de fumar. Y están aceptando una predicción aún más aterradora: esa capacidad «divina» se escapará pronto de nuestro control y caerá en manos de cualquiera.
6. ¿Qué futuro nos espera?
Llegados aquí, igual sientes un escalofrío.
Salgamos de los detalles técnicos y pensemos en qué significa esto para la gente normal.
Primero: tu «sensación de seguridad digital» va a cambiar de sitio. Antes pensabas que tu cuenta del banco era segura porque el cortafuegos era grueso y los programadores muy buenos. A partir de ahora, tu seguridad dependerá de si la IA defensora del banco corre más rápido que la IA atacante. Si tu banco no está en el Proyecto Glasswing, o no tiene una defensa similar de IA, en el futuro será como una choza de adobe sin puerta.
Segundo: las «vulnerabilidades» se convertirán en la «materia prima nuclear» más escasa. Mythos ha descubierto miles de vulnerabilidades «día cero». Hasta que se parchean, son una espada de Damocles sobre nuestras cabezas. Anthropic eligió la «divulgación responsable»: primero parchear, luego publicar. Pero si una organización maliciosa tuviera un Mythos, ¿qué haría? Acumular esas vulnerabilidades como bombas nucleares digitales para detonarlas en un momento crítico (guerra, crisis financiera). Entonces tu móvil podría apagarse de repente, la red eléctrica caer, los hospitales paralizarse. No es una exageración: el informe de Anthropic ya alerta de que la IA sabe encadenar vulnerabilidades para ataques sistémicos.
Tercero: la «experiencia humana» se devalúa. Esa vulnerabilidad de 27 años en OpenBSD la han mirado cientos de expertos durante tres décadas. Nadie la vio. Eso nos dice una cosa: ante la capacidad de razonamiento y comprensión de código de una IA, décadas de experiencia humana pueden ser aplastadas en un instante por un cambio de escala. El experto en seguridad del futuro tendrá que aprender a «domar» a la IA para que pelee, no intentar escribir él mismo el código.
7. Epílogo: estamos presenciando una frontera histórica
Volvamos al título del artículo. ¿Por qué «la Bestia enjaulada»? Porque Anthropic ha creado con sus propias manos un dragón capaz de destruir el mundo, y acto seguido, aterrorizada, ha construido una jaula, ha metido al dragón dentro, y solo permite que unos pocos caballeros se acerquen a la jaula para usar el aliento del dragón para quemar plagas.
Pero todos saben que la jaula se romperá tarde o temprano. O, peor aún, otro dragón está a punto de salir del cascarón en otro lugar.
El blog oficial de Anthropic termina con esta frase: «Project Glasswing es un punto de partida. Ninguna organización por sí sola puede resolver estos problemas de ciberseguridad.» Es humildad, pero también una llamada de auxilio.
Ya ha comenzado la era de Mythos Preview. Es una línea divisoria de aguas. Antes de Mythos, la IA era una herramienta. El humano era el amo. Después de Mythos, la IA es cazadora. El humano (si no se ayuda de IA) se ha convertido en presa.
Estas 12 empresas han cerrado la puerta. No es para quedarse el tesoro a solas. Es para levantar un muro antes de que llegue el diluvio.
¿Y los que se quedan fuera del muro? A rezar. Rezar para que el próximo que tenga esta capacidad no tenga malas intenciones.
En febrero de 2026, Erik Brynjolfsson (Stanford) y un equipo de economistas publicaron el NBER Working Paper 32789 titulado Minimum Wages and Automation. Analizaron 20 años de datos (2005-2025) de establecimientos manufactureros en Estados Unidos, utilizando variaciones en el salario mínimo entre condados vecinos (método de «pares fronterizos»).
El hallazgo central: un aumento del 10% en el salario mínimo se asocia con un incremento del 8.4% en la probabilidad de adopción de robots industriales en los dos años siguientes.
No es una correlación débil. El estudio controló por productividad, tamaño de empresa, sector y ciclo económico. El efecto se mantuvo.
¿Por qué ocurre? El mecanismo paso a paso
El salario mínimo sube (ejemplo: California pasó de $15 a $18 la hora en 2024).
Para un empleador que usa trabajo humano en tareas repetitivas (empaque, soldadura básica, ensamblaje), el costo marginal de la hora de trabajo aumenta un 20%.
Simultáneamente, el costo de un robot colaborativo (cobot) ha caído: un brazo robótico básico de Universal Robots costaba $35,000 en 2020, y $19,000 en 2025.
El empleador calcula el punto de equilibrio: si el robot se paga solo en 18 meses vs. los 30 meses anteriores, la decisión de automatizar se acelera.
El resultado no es despidos masivos inmediatos, sino no reemplazar a los trabajadores que se jubilan o renuncian. La automatización ocurre por desgaste, lo que la hace políticamente invisible.
La evidencia internacional que confirma el patrón
El estudio de Brynjolfsson no es un caso aislado. Tres investigaciones recientes encontraron el mismo fenómeno:
Turquía (2023-2025) : Un aumento del 33.5% en el salario mínimo real entre 2022 y 2023 (por inflación y decisión gubernamental) provocó que las empresas manufactureras aumentaran sus importaciones de robots en un 41% en 18 meses, según datos de la Asociación de Exportadores de Maquinaria de Turquía.
China (2008-2012) : Un estudio de Fan y colaboradores (2024) en Journal of Development Economics mostró que la nueva Ley de Contrato Laboral de 2008 (que aumentó los costos laborales en un 15-20%) explicó el 22% del aumento en la adopción de robots en las provincias costeras chinas en ese período.
Alemania (2015-2025): A diferencia de los anteriores, Alemania implementó un salario mínimo tardío y bajo (8.50 euros en 2015). El efecto sobre la automatización fue nulo. ¿Por qué? Porque el salario mínimo alemán se fijó por debajo del salario de equilibrio en la mayoría de los sectores manufactureros. La lección: el efecto solo aparece cuando el salario mínimo supera el salario de mercado de las tareas automatizables.
Expectativas: ¿se acelerará este proceso?
La mayoría de los especialistas consultados por el Journal of Economic Perspectives (edición de primavera 2026) coinciden en tres tendencias:
Corto plazo (2026-2028): El efecto se intensificará porque la nueva generación de robots (con IA integrada) ya no requiere programación especializada. Un robot que «aprende viendo» a un operario cuesta la mitad que uno tradicional. Esto reduce la barrera de entrada para pequeñas empresas.
Mediano plazo (2029-2032): Se espera que el Congreso de EE.UU. debata un «impuesto a la automatización» o un «crédito fiscal a la contratación humana”. Varios economistas (entre ellos Lawrence Summers) han propuesto gravar el uso de robots en tareas que antes realizaban humanos, algo que ya existe en Corea del Sur (desde 2022, un impuesto del 2% sobre la inversión en automatización, aunque simbólico).
Largo plazo (2033-2040) : Si los robots se vuelven tan baratos que el costo marginal es casi cero, la relación entre salario mínimo y automatización desaparecerá porque todos los empleos automatizables ya lo estarán. En ese escenario, el debate pasará a ser sobre renta básica o trabajo garantizado.
Lo que han propuesto gobiernos y organismos (casos concretos)
Ciudad de Seattle (2024): Ante la evidencia de que su salario mínimo de $19.97/hora (el más alto de EE. UU.) estaba acelerando el reemplazo de cajeros por quioscos automáticos, lanzaron el Seattle Automation Offset Fund: un impuesto del 1% a las ventas de empresas que usen más de 10 terminales de autopago, destinado a subsidiar la contratación de cajeros humanos en horarios de alta demanda.
Corea del Sur (Ley de Promoción de la Automatización Industrial, revisada en 2025) : Introdujo la figura del «impuesto robótico negativo» : las empresas que mantengan el mismo número de empleados humanos después de introducir robots reciben una devolución del 50% del costo del robot. Las que despiden, pagan un 5% adicional sobre el ahorro laboral.
Comisión Europea (Propuesta de Directiva sobre Trabajo Justo en la Automatización, diciembre 2025): Propone que cualquier empresa que automatice más del 10% de una categoría ocupacional en un año debe:
Presentar un plan de reconversión interna
Ofrecer a los trabajadores desplazados un traslado a otra planta o un paquete de indemnización equivalente a 3 meses por año trabajado (frente a 1 mes en la normativa actual)
OIT (Organización Internacional del Trabajo, Informe World Employment and Social Outlook 2025) : Recomienda no subir el salario mínimo de forma aislada, sino acompañarlo de:
Reducciones en las cotizaciones sociales para trabajos de baja automatización (para reducir la brecha de costos con los robots)
Inversión pública en robótica de colaboración (diseñada para trabajar con humanos, no en lugar de ellos)
La voz crítica: ¿estamos malinterpretando el estudio?
No todos aceptan la conclusión de Brynjolfsson sin matices. Arindrajit Dube (UMass Amherst), uno de los economistas más respetados en estudios de salario mínimo, publicó una réplica en mayo de 2026 en el NBER Digest señalando que el efecto de 8.4% es estadísticamente significativo, pero económicamente modesto: un aumento del 30% del salario mínimo (como el que ocurrió en varias ciudades de EE.UU.) solo explicaría un 2.5% más de adopción de robots. «El miedo a que subir el salario mínimo provoque una ola de automatización es exagerado», escribió Dube. «El principal impulsor sigue siendo la caída del precio de los robots, no el aumento del costo laboral».
Brynjolfsson respondió en el mismo número que Dube ignora el efecto umbral: las empresas no automatizan gradualmente, sino cuando el costo laboral supera un punto crítico. Ese punto se alcanza con aumentos pequeños si el precio del robot ya está cerca del equilibrio.
En mayo de 2025, el Foro Económico Mundial publicó su Future of Jobs Report 2025, basado en encuestas a más de 1.000 empresas globales que emplean a 14 millones de trabajadores. La cifra más reproducida fue: 92 millones de empleos desplazados vs. 170 millones creados hacia 2030. Un saldo neto positivo de 78 millones.
El titular parece tranquilizador. Es engañoso.
El problema no es el número, es la distribución
El propio informe aclara algo que los resúmenes ejecutivos omiten: la rotación es del 22% de la fuerza laboral global. Eso significa que, incluso con saldo neto positivo, una de cada cinco personas cambiará de ocupación forzosamente. No por elección.
La economista estadounidense Daron Acemoglu (MIT), en su trabajo conjunto con Pascual Restrepo (2024), introdujo una distinción crucial que el WEF no enfatiza lo suficiente: no todos los empleos creados por la IA son equivalentes a los destruidos. Los empleos desplazados son, en su mayoría, de rutina media (administrativos, procesamiento de datos, atención básica). Los creados son de dos tipos: alta calificación técnica (ingenieros de IA, especialistas en machine learning) y baja calificación presencial (cuidado de personas, limpieza, logística de última milla). Lo que desaparece es la clase media laboral.
El mecanismo que nadie explica
¿Por qué la IA está eliminando precisamente esos empleos medios? La respuesta la dio Brynjolfsson en su artículo The Turing Trap (2022, actualizado en 2025): la mayor parte de la inversión en IA se ha orientado a automatizar tareas cognitivas rutinarias (las que hacía un administrativo) en lugar de aumentar capacidades humanas (ayudar a un médico a diagnosticar mejor sin reemplazarlo). El mercado elige la automatización porque es más fácil de escalar y vender.
Un ejemplo concreto: en 2024-2025, empresas como Klarna o IBM redujeron en un 30-40% sus departamentos de atención al cliente y marketing operativo, reemplazándolos con agentes de IA generativa. Los empleos «creados» fueron para ingenieros de prompt y supervisores de modelos, que ganan el doble, pero son una fracción numérica.
¿Qué esperar a corto vs. largo plazo?
Horizonte
Expectativa dominante
Evidencia actual
2026-2028
Aumento del desempleo friccional (personas entre trabajos por más tiempo)
Datos de LinkedIn (2025): el tiempo medio de búsqueda de empleo aumentó de 11 a 18 semanas para profesionales no técnicos
2029-2035
Polarización extrema: salarios altos para técnicos de IA, salarios bajos para servicios presenciales, desaparición del empleo administrativo medio
Modelos de Acemoglu (2025) proyectan una reducción del 15-20% del empleo de «cuello blanco rutinario» en EE. UU.
Qué han sugerido los organismos internacionales
OCDE (Informe Employment Outlook 2025 ): propone tres medidas concretas:
Seguro de reconversión universal: todo trabajador desplazado por IA tiene derecho a 12 meses de formación pagada, no 3 como ahora en la mayoría de los países.
Certificación de «aumentación”: las empresas que usen IA para aumentar capacidades humanas (no reemplazar) reciben beneficios fiscales del 15% sobre la inversión.
Sistema de alerta temprana: obligación de las empresas de más de 250 empleados de notificar con 6 meses de antelación cualquier plan de automatización que afecte a más del 5% de la plantilla.
Unión Europea (Ley de IA, implementación 2026-2027): introduce una clasificación de riesgos. Para el empleo, el artículo 58 establece que los sistemas de IA utilizados para «gestión laboral, contratación o despido» son considerados de alto riesgo, con obligación de evaluación de impacto en el empleo antes de su implementación. Las empresas que incumplan enfrentan multas de hasta el 6% de su facturación global.
Gobierno de EE. UU. (Executive Order 14110, actualizado en enero 2026): creó el National AI Labor Impact Dashboard, un portal público que muestra en tiempo real, por código postal, qué ocupaciones están siendo más solicitadas y cuáles están cayendo. También lanzó el AI Literacy Corps, un programa que planea formar a 500,000 trabajadores en competencias básicas de IA para 2028.
La voz de los especialistas (con nombres)
Erik Brynjolfsson (Stanford), en su testimonio ante el Congreso de EE.UU. (noviembre 2025), fue directo: «El error histórico fue pensar que la automatización reemplazaría primero el trabajo físico. Estamos viendo que reemplaza primero el trabajo cognitivo rutinario. Eso significa que los trabajadores de cuello blanco de ingresos medios son ahora los más vulnerables, no los de cuello azul».
Daron Acemoglu (MIT) , en su artículo When AI Fails to Create Jobs (Journal of Economic Perspectives, primavera 2026), introdujo el concepto de «automatización excesiva inducida por precios”: los costos de la IA han caído tan rápido (un 70% entre 2020 y 2025) que las empresas automatizan incluso cuando la productividad total no aumenta. Su propuesta: un impuesto del 5% al uso de IA para tareas de sustitución laboral, con el ingreso destinado a fondos de reconversión.
Mariana Mazzucato (UCL), en su informe para la Comisión Europea (febrero 2026), argumentó que el problema no es tecnológico sino de direccionalidad de la inversión. Criticó que el 85% de la inversión privada en IA vaya a aplicaciones de consumo o automatización, y solo el 15% a aplicaciones de «trabajo decente». Propone misiones nacionales de I+D en IA aumentativa.
