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.