SERIE: AUTÓMATAS Y ALMAS

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*

Dr. Ricardo Petrissans Aguilar

Director del Laboratorio del Futuro