Impacto de la IA en el empleo

1 · Stanford

Canarios en la mina de carbón: seis hechos sobre IA y empleo en EE. UU.

Fecha de publicación: agosto de 2026

Estudio de Standford que usa nóminas administrativas de ADP cruzadas con medidas ocupacionales de exposición a la IA, y documenta seis hechos descriptivos. El empleo agregado no muestra destrucción generalizada, pero el empleo de los trabajadores de 22 a 25 años cae en las ocupaciones más expuestas. El ajuste opera por menor contratación y no por más bajas, y se concentra donde la IA sustituye al trabajador, no donde lo complementa.

Hallazgos

El empleo medio en la muestra de ADP subió ~6% entre noviembre de 2022 y junio de 2026; el quintil más expuesto creció ~4%.
El empleo de 22-25 años en los dos quintiles más expuestos cayó ~11% en el mismo periodo, frente a +10% en los tres quintiles menos expuestos: divergencia de 21 puntos porcentuales.
El ajuste se produce por contratación y no por bajas: las tasas de baja cayeron en ambos grupos y más aún entre los jóvenes expuestos.
Solo el coeficiente de automatización es negativo y significativo para 22-25 años (−0,098***); el de complementariedad es positivo para 41-49 y 50+.
«Interpretamos estos hechos como indicadores tempranos y descriptivos —canarios en la mina de carbón— y no como estimaciones causales.»

Stanford Digital Economy Lab

2 · Anthropic

Impactos de la IA en el empleo

Fecha de publicación: 5 de marzo de 2026 · actualizado el 8 de marzo de 2026

Estudio de Anthropic con una doble conclusión: no encuentra impacto en las tasas de desempleo de las ocupaciones más expuestas, pero sí evidencia tentativa de una ralentización de la contratación de 22 a 25 años.

Hallazgos

La cobertura real queda muy por debajo de la capacidad teórica: Claude cubre el 33% de las tareas de Informática y Matemáticas, frente al 94% de capacidad teórica.
Los Programadores Informáticos encabezan la cobertura con un 75%; los Operadores de Entrada de Datos, un 67%; el 30% de los trabajadores tiene cobertura nula.
Con las proyecciones BLS 2024-2034: por cada 10 puntos de cobertura, el crecimiento proyectado cae 0,6 puntos porcentuales. Relación calificada de leve por el propio informe.
El cuartil más expuesto gana un 47% más en promedio y concentra un 17,4% de titulados de posgrado frente al 4,5% del grupo no expuesto.
Para 22-25 años, la tasa de transición al empleo cae un 14% en ocupaciones expuestas tras ChatGPT, aunque «apenas estadísticamente significativo» y sin equivalente en mayores de 25.

Anthropic

3 · Ramp

De las nóminas a los prompts: gasto empresarial y sustitución de trabajo por IA

Fecha de publicación: enero de 2026

Estudio de Ramp que sigue el gasto de miles de empresas clientes de Ramp en siete mercados de trabajo en línea y en proveedores de modelos de IA (OpenAI y Anthropic). Concluye que la sustitución existe y es muy heterogénea según exposición.

Hallazgos

La cuota agregada de gasto en mercados de trabajo en línea cayó del 0,66% (T4 2021) al 0,14% (T3 2025), mientras la de proveedores de IA subió del 0% al 2,85%.
Más del 50% de las empresas que gastaban en mercados de trabajo en el T2 2022 gastaron un 0% en el T2 2025; ~80% destinó entre 0% y 5% a proveedores de IA.
En el T3 2025 las empresas más expuestas elevaron su cuota de gasto en IA en 0,8 puntos porcentuales respecto a las menos expuestas; en el cuartil inferior no hay aumento significativo.
Cociente de coeficientes con bootstrap (B=500, IC al 90%): 0,03 dólares de gasto en IA por cada dólar que cae el gasto en trabajo en el cuartil más expuesto; 0,30 en el intermedio.
«Aunque este estudio aporta evidencia, no podemos determinar el mecanismo que subyace a la sustitución.»

Ramp

4 · McKinsey

Agentes, robots y nosotros: alianzas de habilidades en la era de la IA

Fecha de publicación: noviembre de 2025

Estudio de Mc Kinsey que afirma que en teoría el 57% de las horas de trabajo de EE. UU. serían reemplazables —44% agentes, 13% robots—, cifra que el informe califica expresamente de potencial técnico y no de previsión de pérdida de empleos. Frente a ella sostiene que aproximadamente el 72% de las habilidades se requieren tanto para trabajo automatizable como no automatizable.

Hallazgos

Las tecnologías demostradas podrían automatizar en teoría ~57% de las horas de trabajo de EE. UU. hoy. El informe lo presenta como potencial técnico, «not a forecast of job losses».
Los agentes cubrirían el 44% de las horas y los robots el 13%. El escenario temprano del propio informe eleva la cifra al 60-70% de las horas de trabajo globales actuales.
Siete arquetipos ocupacionales: people-centric 34% de la fuerza laboral y 71.000 $ de salario medio; agent-centric 30% y 70.000 $; robot-centric <1% y 42.000 $.
El número medio de habilidades por ocupación subió a 64 desde 54 en una década; las menciones de competencia en IA crecieron casi siete veces en dos años.
En el escenario medio a 2030, agentes y robots generarían ~2,9 billones de dólares anuales en EE. UU., suponiendo que se automatice ~27% de las horas actuales.
Casi el 90% de las empresas dice haber invertido en la tecnología, pero menos del 40% reporta ganancias medibles.
Las ganancias no provendrían de automatizar tareas aisladas, sino de rediseñar flujos de trabajo completos e invertir en las personas.

McKinsey Global Institute · 8 páginas

5 · Análisis de mercado

Empleo (JOLTS) frente al S&P 500: la divergencia de 2026 persiste

Fecha de publicación: 3 de febrero de 2026

Pregunta si el desacople entre el mercado laboral estadounidense y la bolsa es auge de la IA o advertencia de recesión. Superpone velas semanales del S&P 500 y la serie JOLTS, ambas normalizadas a junio de 2018, y marca el lanzamiento de ChatGPT como el punto donde arranca la divergencia.

Hallazgos

Últimas aperturas de empleo (nov. 2025): 7,146 millones según la tabla, con una caída del 41% desde el máximo de 12,134 millones de marzo de 2022.
Cierre del S&P 500 el 3 de febrero de 2026: 6.907,41, un 44% por encima de los niveles de noviembre de 2022 y en máximos históricos.
La correlación entre ambas series habría pasado de ~0,85 antes de 2023 a cerca de cero. El archivo no documenta el cálculo ni la ventana.
Atribuye la divergencia a tres causas: ganancias de productividad por IA, debilitamiento económico gradual y política de la Reserva Federal con datos de empleo rezagados.

DCAlpha · TradingView

Informes

Canarios en la mina de carbón: seis hechos sobre IA y empleo en EE. UU.

Hallazgos

Impactos de la IA en el empleo

Hallazgos

De las nóminas a los prompts: gasto empresarial y sustitución de trabajo por IA

Hallazgos

Agentes, robots y nosotros: alianzas de habilidades en la era de la IA

Hallazgos

Empleo (JOLTS) frente al S&P 500: la divergencia de 2026 persiste

Hallazgos