El AGI no automatizará la mayoría de empleos, dice Yale

Párrafo inicial

Pascual Restrepo, economista de Yale, sostiene en un nuevo documento de trabajo del NBER (abril 2026) que la inteligencia artificial general (AGI) probablemente no eliminará la mayoría de los empleos humanos porque, afirma, la mayor parte del trabajo simplemente no compensa los costes fijos y recurrentes de la automatización (Fortune, 4 abr 2026; NBER, abr 2026). El documento replantea el debate público: no se trata principalmente de capacidad —lo que el AGI puede hacer técnicamente— sino de los incentivos del sector privado y del cálculo de rentabilidad que aplican las empresas antes de reemplazar mano de obra. La tesis central de Restrepo enfatiza los costes de implementación, las fricciones de integración y la distribución de beneficios entre capital y trabajo como limitantes decisivas para una automatización masiva. Para los inversores institucionales, el argumento desplaza el horizonte desde un reemplazo determinista de la mano de obra hacia una adopción selectiva impulsada por la rentabilidad que favorecerá a ciertos sectores, tareas y tipos de empresas. Este artículo desglosa la evidencia, cuantifica exposiciones potenciales y evalúa lo que un camino de automatización selectiva significa para la selección de estrategia y el riesgo macroeconómico.

Contexto

El documento de Restrepo llega en un momento de elevada atención por parte de inversores y responsables de política pública hacia la IA. El artículo de Fortune que resume sus conclusiones se publicó el 4 de abril de 2026 y se difundió rápidamente en las redacciones financieras, provocando un renovado debate sobre el riesgo de desplazamiento laboral (Fortune, 4 abr 2026). En el plano macro, las métricas laborales principales muestran resiliencia: la tasa de desempleo civil en Estados Unidos fue del 3,8% en marzo de 2026 según la Bureau of Labor Statistics (BLS, mar 2026), un nivel históricamente asociado a mercados laborales ajustados. En ese contexto, Restrepo sostiene que muchas tareas realizadas por los trabajadores —especialmente aquellas que implican actividades no repetibles, relacionales o de bajo valor añadido— no ofrecen un retorno de inversión convincente para su sustitución automatizada.

Su contribución sigue a una ola de literatura que pasó de analizar la viabilidad técnica a nivel de tarea (por ejemplo, análisis al estilo Frey y Osborne) a adoptar una lente económica que evalúa los costes de adopción, las cargas de supervisión y corrección de errores, y las fricciones gerenciales. Restrepo enfatiza tres restricciones concretas: costes iniciales de integración (software, hardware, recapacitación), gastos recurrentes de supervisión y mitigación de errores, y límites a los ingresos o ahorros de costes que puede generar la automatización de tareas de bajo margen. Los inversores que interpretan los riesgos del AGI mediante una métrica de capacidad cruda pueden sobreestimar, por tanto, el ritmo y la extensión del desplazamiento laboral. La matización es crítica: la automatización selectiva puede seguir siendo transformadora en áreas concentradas aun cuando los efectos agregados sobre el empleo sean moderados.

Un análogo histórico puede ser instructivo. El auge de la robótica industrial en los años 1990 y 2000 produjo fuertes ganancias de productividad en centros manufactureros, pero las reducciones de empleo se concentraron en roles manuales rutinarios mientras que los servicios y las ocupaciones de alta cualificación se expandieron. La producción manufacturera agregada aumentó incluso cuando ciertos mercados laborales locales se contrajeron. La tesis de Restrepo sugiere un patrón similar: disrupción concentrada, no reemplazo universal.

Profundización de datos

El documento del NBER de Restrepo aporta ilustraciones empíricas y cálculos microeconómicos para respaldar su argumento (NBER, abr 2026). Aunque el resumen de Fortune no publica todos los microdatos, las señales cuantitativas clave incluyen estudios de caso en los que los ahorros de costes proyectados por la automatización quedan por debajo de las tasas mínimas de rentabilidad típicas una vez incluidos los costes de integración y supervisión (Fortune, 4 abr 2026). En otras palabras, cuando se contabiliza un incremento del 10–30% en el coste total de implementación —impulsado por personalización, cumplimiento normativo y supervisión humana— muchos candidatos a automatización no superan las pruebas de inversión corporativas estándar.

Señales de mercado complementarias son coherentes con una adopción selectiva. La inversión en semiconductores y hardware de IA se disparó a comienzos de la década: NVIDIA (NVDA) y otros proveedores de chips registraron ganancias de valoración desproporcionadas —el precio de la acción de NVDA subió materialmente interanual a medida que la demanda de capacidad de cálculo se aceleró (datos de mercado, abr 2026)— mientras que los empleadores del sector de servicios no experimentaron reducciones laborales equiparables. Estos movimientos de precio reflejan expectativas de los inversores de que las tareas intensivas en computación (centros de datos, entrenamiento de modelos) son objetivos de automatización de alto retorno, mientras que las tareas laborales difusas son menos atractivas económicamente. La divergencia entre los beneficiarios del capex tecnológico y el empleo más amplio sugiere una reasignación de capital en lugar de una contracción generalizada de la demanda laboral.

Los costes regulatorios y de cumplimiento también importan. Restrepo subraya que el cumplimiento normativo y el riesgo de responsabilidad —especialmente en salud, finanzas y servicios públicos— elevan el coste efectivo de la automatización. Por ejemplo, automatizar una ruta diagnóstica clínica implica validación regulatoria y exposición a demandas por negligencia que aumentan materialmente el tiempo hasta generar valor en comparación con la automatización de un proceso de conciliación en back-office. La evidencia empírica de revisiones regulatorias y ciclos de contratación pública (los concursos públicos promediaron entre 18 y 24 meses de duración en algunos sectores a cierre de 2025) implica que incluso la automatización técnicamente factible puede aplazarse por realidades de gobernanza.

Implicaciones por sector

La tesis de automatización selectiva implica ganadores y perdedores por sector en lugar de un shock uniforme. Los sectores intensivos en capital y sensibles a las economías de escala, con procesos de alto margen —proveedores de nube, hyperscalers, fabricantes de semiconductores y firmas de trading algorítmico— se beneficiarán de la eficiencia impulsada por el AGI porque los costes fijos (cálculo, canalizaciones de datos) se amortizan sobre grandes volúmenes. Por ejemplo, las empresas de infraestructura en la nube que pueden centralizar la supervisión costosa e incorporar AGI como servicio extraen un valor desproporcionado en comparación con pequeñas empresas descentralizadas.

En cambio, los sectores dominados por servicios locales y relacionales —hostelería, muchos elementos del comercio minorista, servicios municipales y cuidado personal— enfrentan mayores barreras. Estas actividades suelen generar retornos pequeños por interacción, lo que hace que la inversión requerida en sistemas AGI a medida sea económicamente poco atractiva. Los servicios de salud, por ejemplo, afrontan costes regulatorios, obligaciones de responsabilidad y necesidades de personalización clínica que elevan sustancialmente el coste efectivo de la automatización.