Amenaza de la IA al empleo reevaluada por Alex Imas

Párrafo de apertura

Alex Imas realizó una intervención reciente en el debate público — publicada en Bloomberg el 18 de abril de 2026 — que cuestiona una premisa central en gran parte de la modelización económica dominante: que el progreso tecnológico y los mercados laborales absorberán sin fricciones la automatización impulsada por la IA. Su argumento pivota desde la sustitución hipotética de tareas hacia efectos agregados sobre la demanda que podrían comprimir las horas de trabajo y los salarios en el mediano plazo. La afirmación tiene consecuencias para los inversores institucionales porque un cambio estructural en la demanda laboral alteraría los patrones de consumo, los márgenes corporativos y las trayectorias de la política fiscal. Este artículo examina los anclajes empíricos que cita Imas, los contrasta con la literatura previa y traza las implicaciones a nivel sectorial para la asignación de capital, la productividad y la gestión de riesgos. Está basado en datos de estudios académicos, estadísticas oficiales e indicadores de mercado, con enlaces a la cobertura más amplia de Fazen Markets sobre tecnología y macro tema.

Contexto

La crítica de Imas reencuadra el debate desplegado desde la ola de entusiasmo por la IA a principios de la década de 2020: que la IA desplaza principalmente tareas pero no el empleo agregado. Señala mecanismos por los cuales la automatización podría suprimir la demanda agregada — por ejemplo, si los trabajadores desplazados sufren pérdidas de ingresos persistentes y si las ganancias de capital se concentran desproporcionadamente en un conjunto limitado de propietarios. Esto no es meramente teórico; la literatura ofrece estimaciones cuantitativas divergentes. Frey y Osborne (2013) estimaron de manera célebre que el 47% del empleo en EE. UU. estaba en alto riesgo de informatización, mientras que la OCDE (2019) produjo una visión más conservadora — alrededor del 14% de los empleos en alto riesgo y otro 32% sujeto a cambios significativos. Imas sintetiza estos hilos y sostiene que los modelos de equilibrio convencionales subvaloran las dinámicas distributivas y las retroalimentaciones del lado de la demanda (Bloomberg, 18 abr. 2026).

Desde la perspectiva de la política macroeconómica el momento importa. La tasa de participación en EE. UU. se situó cerca del 62,6% en diciembre de 2024 (BLS), y la tasa de desempleo oficial se ha mantenido baja en comparación con ciclos anteriores, pero la tensión en el mercado laboral enmascara heterogeneidad entre sectores y niveles de habilidad. Para los inversores en renta fija y renta variable, la implicación es que una tasa de desempleo aparentemente benigna puede coexistir con una caída de la participación del ingreso laboral en segmentos de la economía que impulsan el consumo. Esta disonancia es central en el punto de Imas: los modelos estándar calibrados con la tasa de desempleo agregada y las vacantes agregadas pueden pasar por alto cambios composicionales que afectan de manera material a las elasticidades de la demanda.

Los inversores institucionales deben tomar nota de los canales que enfatiza Imas: (1) el cambio tecnológico sesgado hacia el capital que eleva los rendimientos del capital frente al trabajo, (2) la potencial reducción de las horas agregadas por la automatización incluso sin pérdidas proporcionales de empleo, y (3) un desajuste de habilidades que amplía el desempleo estructural en ciertas cohortes. Estos canales implican un crecimiento del consumo más lento de los asalariados, mayor ahorro entre los tenedores de capital y una mayor dependencia de la redistribución fiscal si la tolerancia social y política lo permite. Para la construcción de carteras, estas dinámicas son riesgos de cola que alteran los flujos de caja esperados para acciones orientadas al consumidor y los perfiles de crédito de empresas apalancadas.

Análisis en profundidad de datos

Para evaluar cuantitativamente la tesis de Imas acudimos a tres conjuntos de datos comúnmente utilizados en la investigación sobre automatización. Primero, Frey y Osborne (2013) — que empleó análisis a nivel de tareas y aprendizaje automático para estimar que hasta el 47% de los empleos en EE. UU. eran susceptibles de automatización — sigue siendo un punto de referencia alto para la exposición potencial. Segundo, la reevaluación de la OCDE de 2019, que usa granularidad de tareas y estructuras laborales transnacionales, reduce la cifra al 14% en alto riesgo y al 32% que probablemente experimenten una transformación significativa. Tercero, los patrones de inversión a nivel de empresas muestran flujos de capital desproporcionados hacia firmas capaces en IA: el crecimiento de capex reportado públicamente por los principales proveedores de cloud y semiconductores superó al crecimiento del capex del S&P 500 en 2023–24, reflejando la concentración de capacidad productiva.

Datos específicos de mercado subrayan los riesgos de concentración. Por ejemplo, una pequeña cohorte de empresas concentra la mayoría de la inversión en infraestructura de IA y la creación de propiedad intelectual; esta concentración implica que las ganancias de productividad pueden no difundirse ampliamente y pueden amplificar la desigualdad de ingresos. Ese patrón es visible en los márgenes corporativos: los principales proveedores de plataformas cloud y de IA registraron expansiones de margen operativo de varios cientos de puntos básicos entre 2020 y 2024 (presentaciones corporativas). Esas ganancias de margen son una condición necesaria para los beneficios en el lado del capital que describe Imas, pero por sí solas no determinan el efecto neto sobre la demanda agregada.

También importan las métricas comparativas. Cuando contrastamos un escenario de crecimiento amplio de la productividad (como en revoluciones tecnológicas pasadas) con un pico de productividad impulsado por la IA y concentrado, las respuestas del lado de la demanda divergen. Históricamente, las olas previas de automatización estuvieron acompañadas por creación neta de empleo — la automatización manufacturera fue posteriormente compensada por el crecimiento del empleo en servicios — pero esas transiciones tardaron décadas. El punto de Imas es que la velocidad y la amplitud de la adopción de la IA podrían comprimir ese lapso de transición, creando trimestres o años en los que la demanda quede rezagada respecto a la oferta. Ese riesgo de timing es una variable clave para los inversores que evalúan exposiciones cíclicas y perdedores vs. ganadores seculares.

Implicaciones sectoriales

Si las cautelas de Imas se materializan, los efectos serán altamente desiguales entre sectores. Las empresas de bienes de consumo básico y discrecional con fuerte exposición al consumo local dependiente del salario son más vulnerables a un shock de demanda originado en una menor participación del ingreso laboral. Por ejemplo, cadenas regionales de retail y operadores de restaurantes de pequeña capitalización — que tienen menor poder de fijación de precios y márgenes más reducidos — verían un mayor riesgo crediticio en comparación con grandes empresas de bienes de consumo diversificadas. Por el contrario, los proveedores de infraestructura y software de IA que capturan rentas por la adopción de automatización podrían sostener un crecimiento de beneficios sobredimensionado incluso si el empleo agregado se contrae.