IA reaviva debate sobre riesgo de recesión

Entradilla

La llegada de la IA generativa y de los grandes modelos de lenguaje ha reavivado un agudo debate macroeconómico: ¿puede la rápida automatización cognitiva provocar una recesión impulsada por la demanda comparable a contracciones sistémicas pasadas? Comentarios recientes, incluido un resumen del 26 de marzo de 2026 del informe de Citrini Research "La crisis global de inteligencia de 2028" (informado en ZeroHedge), enmarcan un escenario de peor caso en el que el desplazamiento acelerado de empleos de cuello blanco genera una espiral deflacionaria. Ese argumento se sitúa frente a evaluaciones más optimistas de la industria y las políticas que señalan ganancias de productividad, creación de nuevos empleos y una eventual recuperación de la demanda. El precedente histórico muestra que las sacudidas tecnológicas pueden tanto destruir empleos como crear nuevas estructuras económicas, pero la magnitud, el momento y la distribución de esta transformación importan para el riesgo sistémico. Este artículo sintetiza estudios empíricos y reportes públicos, cuantifica la exposición por sector y geografía, y evalúa palancas de política e implicaciones para los mercados financieros sin prescribir acciones de inversión.

Contexto

El largo arco de la automatización se caracteriza por saltos de productividad episódicos seguidos de prolongados ajustes en el mercado laboral. La mecanización a principios del siglo XX y la adopción de TI a finales del siglo XX produjeron tanto disrupción como crecimiento neto del empleo; sin embargo, el tiempo entre las ganancias en producción por trabajador y la reabsorción de la mano de obra desplazada puede extenderse por décadas. El crecimiento de la productividad laboral en EE. UU. promedió aproximadamente 1.2–1.5% anual durante la década de 2010 (serie del BLS, sector empresarial no agrícola), un ritmo contenido que ha frustrado a los responsables de política que buscan aumentos seculares en los estándares de vida. Los partidarios de la IA argumentan que los modelos generativos actuales podrían desencadenar una inflexión de productividad más pronunciada, mientras que los críticos advierten que la velocidad del desplazamiento podría superar la capacidad de reentrenamiento y la reasignación de la demanda.

Cuantificar la exposición es objeto de debate pero esencial para calibrar el riesgo macro. El McKinsey Global Institute (2017) estimó que aproximadamente el 50% de las actividades laborales a nivel mundial podrían ser automatizadas con la tecnología existente, y sugirió que entre 400 y 800 millones de personas podrían ser desplazadas por la automatización para 2030 bajo ciertos escenarios de adopción (McKinsey Global Institute, 2017). El análisis de la OCDE de 2019, aplicando una metodología basada en tareas a 32 países, halló un promedio de cerca del 14% de los empleos altamente automatizables, con otro 32% enfrentando cambios sustanciales en las tareas (OCDE, 2019). Las definiciones divergentes —actividades frente a empleos completos, horas frente a número de trabajadores— generan una amplia variación entre estudios, y evaluaciones industriales más recientes (2024–2026) han continuado acotando y revisando estos rangos.

La historia de las políticas subraya que los efectos distributivos, y no solo la producción agregada, determinan la estabilidad macroeconómica. La Gran Depresión implicó una caída de casi el 30% del PIB de EE. UU. entre 1929 y 1933 y un desempleo que alcanzó aproximadamente el 24.9% en 1933, resultados moldeados por el colapso de la demanda, fallos bancarios y errores de política. En contraste, la Crisis Financiera Global vio un desempleo en EE. UU. que llegó a alrededor del 10% en 2009 (BLS) y una intervención fiscal/monetaria a gran escala que limitó las cicatrices de largo plazo. Estos episodios contrastantes muestran que dónde inciden los choques de IA —en la demanda frente a la oferta— y cómo responden los responsables políticos determinará si el resultado macro es una depresión profunda y persistente o una transición dolorosa pero contenida.

Análisis detallado de datos

Una lectura más detallada de los números destaca tanto la escala como la incertidumbre. El trabajo de McKinsey de 2017 se cita con frecuencia por sus rangos generales —50% de actividades automatizables y 400–800 millones de trabajadores potencialmente desplazados para 2030—, pero enfatizaba que el desplazamiento real depende de la adopción a nivel empresarial, la inversión complementaria y las opciones de política. El análisis por tareas de la OCDE de 2019 ofrece una estimación menor del 14% de empleos altamente automatizables en economías avanzadas, pero advierte que otro tercio de empleos sufrirá cambios sustanciales, lo que puede producir desplazamientos parciales o necesidades significativas de recualificación (OECD Employment Outlook, 2019).

Narrativas más recientes han amplificado los temores. El informe de Citrini Research titulado "La crisis global de inteligencia de 2028", discutido en un artículo del 26 de marzo de 2026, postula una aceleración rápida de la capacidad de la IA en 2026–2028 que desencadena pérdidas concentradas de empleo en puestos cognitivos de nivel medio y produce una contracción de la demanda en cascada (ZeroHedge, 26 de marzo de 2026). Ese escenario proyecta grandes olas de desplazamiento en una ventana de 24 meses, una velocidad que muchos economistas consideran históricamente sin precedentes y, por tanto, más propensa a generar desempleo transitorio y déficits de demanda en ausencia de respuestas políticas agresivas. Análisis industriales independientes publicados entre 2024 y 2026 muestran una adopción heterogénea: las grandes empresas de tecnología y financieras han adoptado herramientas de IA más rápido, mientras que las pequeñas empresas y los empleadores del sector público permanecen más lentos, creando asimetrías en las ganancias de productividad y en la distribución de ingresos.

La geografía importa. Los marcos de McKinsey y la OCDE implican que los países de ingresos bajos y medios con una alta participación de roles de servicios rutinarios enfrentan perfiles de exposición diferentes a los de las economías de altos ingresos dominadas por tareas cognitivas complejas. Al mismo tiempo, muchos empleos de servicios en economías avanzadas —contabilidad, investigación jurídica, departamentos intermedios de finanzas— muestran alta exposición a corto plazo bajo las capacidades actuales de la IA generativa, aumentando las concentraciones de riesgo en determinados grupos laborales y mercados urbanos.

Implicaciones por sector

Los servicios financieros, los servicios jurídicos y ciertos segmentos de tecnología destacan como adoptantes tempranos y sectores de alta exposición. Las empresas de finanzas y servicios profesionales ya están integrando IA generativa en sus flujos de trabajo de suscripción, modelado de riesgo, revisión de documentos y cumplimiento, donde la automatización de tareas produce eficiencias inmediatas de costo y tiempo. El resultado es una asimetría en los retornos de capital: las firmas incumbentes con ventajas de escala y datos pueden capturar ganancias de productividad desproporcionadas a corto plazo, mientras que las firmas más pequeñas y los modelos de servicio intensivos en mano de obra afrontan un riesgo de desplazamiento más pronunciado. Este efecto de concentración tiene implicaciones para el crédito c