El apocalipsis laboral no llega, pero los jóvenes ya sienten el impacto

El 5 de marzo de 2026, Anthropic publicó un estudio que hizo lo que la mayoría de los análisis sobre automatización y empleo se niegan a hacer: mirar lo que ocurre en la práctica, no lo que los modelos calculan que podría ocurrir. El documento, titulado "Labor market impacts of AI: A new measure and early evidence" y escrito por los economistas Maxim Massenkoff y Peter McCrory, construye una métrica nueva, a la que llaman "exposición observada", que combina la capacidad teórica de los grandes modelos de lenguaje con los datos reales de uso profesional de Claude. El resultado es el retrato más preciso disponible de cómo la automatización algorítmica avanza en el mundo del trabajo, y ese retrato tiene pocas semejanzas con el apocalipsis laboral que circula con insistencia en los titulares.

La distancia entre lo que estos sistemas pueden hacer y lo que efectivamente hacen resulta ser colosal. Para las ocupaciones de computación y matemáticas, la capacidad teórica de los modelos de lenguaje abarca el 94% de las tareas. En la práctica, según los patrones reales de uso en la plataforma, la cobertura alcanza apenas el 33%. Una brecha análoga existe en administración de oficinas, derecho y finanzas corporativas. Los autores la denominan la zona "roja" frente a la zona "azul": lo que ocurre hoy queda eclipsado por lo que ya es técnicamente posible. Esa distancia no es permanente. Los propios investigadores son explícitos: a medida que las capacidades mejoren y la adopción se profundice, el área roja crecerá hasta cubrir la azul. La pregunta no es si eso sucederá sino en qué plazo y bajo qué condiciones.

La brecha entre lo posible y lo real

Para entender por qué esa brecha persiste, el estudio propone una explicación articulada: las fricciones institucionales, legales y técnicas actúan como freno aun cuando la capacidad técnica ya existe. El ejemplo que ofrecen Massenkoff y McCrory es preciso: la tarea de autorizar recetas médicas y transmitir información a farmacias, catalogada como factible para un modelo de lenguaje, no aparece en los datos reales de uso de Claude. El sistema podría ejecutarla; las cadenas de verificación clínica, los marcos de responsabilidad legal y la inercia organizacional impiden que se integre fluidamente al trabajo diario. Esta observación es conceptualmente importante porque sugiere que la velocidad de penetración de la automatización no depende solo de la tecnología disponible sino de la arquitectura institucional completa que rodea cada sector.

La metodología del estudio merece atención porque es lo que lo distingue de la literatura previa. Los autores combinaron tres fuentes independientes: la base de datos O*NET del Departamento de Trabajo de Estados Unidos, que categoriza las tareas asociadas a unas 800 ocupaciones; los registros del Anthropic Economic Index, construido a partir de millones de interacciones reales de Claude en contextos laborales; y las estimaciones de capacidad teórica de Eloundou et al. (2023), que midieron en qué proporción cada tarea profesional podría acelerarse mediante un modelo de lenguaje. Al superponer estas tres capas, los investigadores separan lo que es posible de lo que ocurre en la práctica, y distinguen entre los usos donde el sistema automatiza una tarea de principio a fin y aquellos donde funciona como asistente de un trabajador que retiene la decisión final.

Esta distinción entre automatización y asistencia es decisiva. En el estado actual del despliegue, la modalidad predominante es la segunda: los profesionales usan Claude para redactar, editar, resumir, investigar o iterar borradores, pero raramente delegan tareas completas sin supervisión humana. Eso no significa que los impactos sean nulos; significa que por ahora la herramienta funciona más como amplificador de productividad que como sustituto directo de trabajo. Investigaciones del MIT y del National Bureau of Economic Research muestran ganancias de productividad sustanciales en tareas específicas sin desplazamiento neto inmediato de trabajadores, un panorama que el estudio de Anthropic confirma y cuantifica con mayor granularidad.

El perfil inesperado de los más vulnerables

Uno de los hallazgos más contraintuitivos del informe tiene que ver con quiénes son los trabajadores más expuestos. La narrativa dominante sobre la automatización tiende a evocar al obrero desplazado por un robot o al empleado rutinario de bajos ingresos sustituido por un algoritmo. El perfil que emerge de los datos de Anthropic es exactamente el opuesto. El cuartil de mayor exposición gana en promedio un 47% más que el grupo con exposición nula. Tiene 16 puntos porcentuales más de probabilidad de estar compuesto por mujeres. Es casi cuatro veces más propenso a contar con un posgrado: el 17,4% del grupo más expuesto tiene títulos de maestría o doctorado, contra el 4,5% del grupo sin exposición. Son los abogados, los analistas financieros, los desarrolladores de software, los redactores especializados y los investigadores corporativos.

Este patrón tiene implicaciones que van más allá de lo estadístico. La ola de automatización anterior, la de los robots industriales y el procesamiento informático rutinario de los años ochenta y noventa, afectó principalmente a empleos de ingresos medios con tareas repetitivas. Ese proceso fue documentado por economistas como David Autor y contribuyó a la polarización laboral de las últimas décadas: crecimiento en los extremos del espectro de ingresos y vaciamiento del centro. Si la investigación de Anthropic apunta en la dirección correcta, la transición actual tiene una lógica distributiva diferente: el peso de la exposición recae sobre trabajadores calificados de ingresos altos, lo que podría reconfigurar los patrones de desigualdad en direcciones aún difíciles de anticipar.

Hay una validación externa que refuerza la credibilidad de los datos. Al comparar sus métricas con las proyecciones de crecimiento del empleo que publica anualmente la Oficina de Estadísticas Laborales de Estados Unidos, los autores encuentran una correlación negativa modesta pero estadísticamente robusta: por cada aumento de diez puntos porcentuales en la cobertura observada, las proyecciones del BLS para ese sector caen 0,6 puntos porcentuales en su crecimiento esperado hasta 2034. Esa correlación no aparece cuando se usa solo la métrica teórica de Eloundou et al., lo que sugiere que el componente de uso real incorpora información que las estimaciones de capacidad pura no capturan.

El primer síntoma: los jóvenes que no consiguen entrar

Si el desempleo agregado permanece estable, la señal más preocupante que detecta el estudio es más silenciosa y, por eso mismo, más difícil de corregir a tiempo. Al analizar la tasa de ingreso al mercado laboral de trabajadores entre 22 y 25 años que buscan empleo en ocupaciones de alta exposición, los investigadores encuentran una caída del 14% en la probabilidad mensual de comenzar un nuevo puesto, comparando el período posterior a la emergencia de ChatGPT con los niveles de 2022. La divergencia se vuelve visible en los datos a partir de 2024: mientras la tasa de ingreso a trabajos con baja exposición permanece estable en torno al 2% mensual, la entrada a los empleos más expuestos cae alrededor de medio punto porcentual. Para los mayores de 25 años, el patrón no aparece.

Los propios autores reconocen que los resultados son "apenas estadísticamente significativos" y proponen varias interpretaciones alternativas. Los jóvenes que no consiguen ingresar a estas ocupaciones pueden estar permaneciendo en sus empleos actuales, reorientándose hacia sectores distintos, o retornando a estudios de posgrado. La investigación de Erik Brynjolfsson y sus colaboradores en Stanford, publicada en 2025, encontró una caída de entre 6 y 16 puntos porcentuales en el empleo de jóvenes de 22 a 25 años en ocupaciones expuestas, una estimación más amplia pero conceptualmente consistente. La Reserva Federal de Dallas documentó a principios de 2025 una caída del 1% en el empleo dentro de los sectores más expuestos desde finales de 2022, mientras que datos de publicaciones de ofertas de trabajo muestran una reducción del 13% en puestos altamente automatizables junto con un crecimiento del 20% en posiciones orientadas a la asistencia algorítmica.

Lo que hace especialmente significativo este hallazgo no es su magnitud actual sino su estructura. No se trata de despidos masivos visibles en las estadísticas de desempleo, el indicador al que los titulares prestan mayor atención. Se trata de una compresión silenciosa de la demanda de trabajadores de entrada: empresas que contratan menos perfiles junior porque los modelos de lenguaje absorben precisamente las tareas más estructuradas que históricamente se delegaban a recién graduados. Si esa tendencia se profundiza, las consecuencias no serán una gran recesión súbita sino algo más parecido a la erosión gradual de los peldaños de acceso que una generación necesita para acumular experiencia práctica y, eventualmente, alcanzar los roles complejos que aún permanecen fuera del alcance de los sistemas automáticos.

El estudio de Anthropic concluye donde deben terminar los trabajos honestos sobre incertidumbre: con una invitación explícita a la vigilancia continua. Massenkoff y McCrory no afirman que el impacto no vendrá; afirman que todavía no ha llegado con la claridad suficiente para ser medido con certeza, y que el valor de establecer el marco analítico ahora, antes de que los efectos sean evidentes, radica en poder distinguir señal de ruido cuando el proceso se acelere. La ironía de fondo es que este trabajo fue posible porque Anthropic tiene acceso privilegiado a datos que ningún organismo externo posee: los patrones reales de uso de su propio modelo en entornos laborales. Esa asimetría de información es, en sí misma, una de las dimensiones del problema que la investigación apenas alcanza a rozar.