Cuando hablamos de inteligencia artificial y trabajo, casi siempre hacemos la misma pregunta: ¿cuántos empleos va a reemplazar?
Es una pregunta lógica, pero quizás estamos mirando el cambio demasiado tarde. Antes de que una tecnología elimine una profesión completa puede hacer algo bastante más silencioso: reducir la cantidad de personas que logran entrar a esa profesión.
No vemos una oficina vaciarse. No hay un titular anunciando miles de despidos. Simplemente se abre una vacante junior menos. Después otra. Y otra.
Durante un tiempo parece que no pasa nada. Los equipos siguen funcionando porque todavía cuentan con profesionales experimentados. Hasta que aparece una pregunta bastante incómoda:
Si dejamos de contratar juniors, ¿de dónde van a salir los seniors de mañana?
Una señal que merece atención
En agosto de 2026, el Stanford Digital Economy Lab publicó una actualización de su investigación sobre empleo e inteligencia artificial, basada en datos de nómina de ADP en Estados Unidos.
El primer resultado ayuda a bajar la ansiedad: los investigadores no encuentran un desplazamiento masivo y generalizado del empleo asociado a la IA.
Pero al separar los datos por edad y exposición de las ocupaciones aparece otra imagen. Entre trabajadores de 22 a 25 años en empleos muy expuestos a la inteligencia artificial, el nivel de empleo se encuentra aproximadamente un 19 % por debajo de donde estaría si hubiera seguido la trayectoria de ocupaciones menos expuestas. Entre trabajadores con más experiencia no aparece una brecha comparable.
Hay un detalle todavía más importante: el ajuste parece suceder principalmente mediante menos contrataciones, no mediante más despidos.
Eso cambia mucho la lectura. Quizás las empresas no están reemplazando de manera visible a quienes ya conocen el trabajo. Tal vez están dejando de incorporar a quienes necesitan una oportunidad para aprenderlo.
La investigación de Stanford es cuidadosa: describe patrones, no demuestra que la IA sea la única causa. Parte de la diferencia se reduce al controlar por educación, existen tendencias previas y una muestra estadounidense no se puede extrapolar automáticamente a todos los países.
No deberíamos convertir un estudio en una profecía. Pero tampoco ignorar una señal solamente porque todavía no sea una sentencia.
El trabajo junior nunca fue solamente producción
Una persona puede estudiar programación, derecho, marketing, finanzas o diseño. Puede aprender conceptos, procedimientos y herramientas. Pero cuando llega a su primer trabajo descubre que el mundo real viene mucho menos ordenado que cualquier curso.
El cliente explica mal lo que necesita. Los datos están incompletos. Dos documentos se contradicen. La solución que parecía perfecta depende de un sistema antiguo que nadie se anima a tocar. Una decisión técnicamente correcta puede ser completamente equivocada para el contexto.
Ahí empieza a formarse el criterio.
En programación puede empezar corrigiendo un error sencillo, leyendo código ajeno o preparando una prueba. En un estudio jurídico, revisando documentos y buscando antecedentes. En marketing, armando una primera versión de una campaña y mirando qué ocurrió. En atención al cliente, resolviendo situaciones habituales antes de recibir un caso delicado.
Muchas de esas tareas producían algo útil para la empresa. Al mismo tiempo, estaban formando a la persona que las hacía.
Ese segundo resultado casi nunca aparecía en una planilla. No medíamos cuánta intuición se adquiría al revisar un cambio con alguien más experimentado. No calculábamos el valor de equivocarse en un entorno donde el error era pequeño y podía corregirse. Tampoco registrábamos esas conversaciones breves donde alguien explicaba por qué una solución aparentemente buena no convenía.
Veíamos el entregable. No veíamos la formación que ocurría alrededor.
Saber algo no es lo mismo que haberlo vivido
La investigación de Stanford distingue entre conocimiento codificado y conocimiento tácito.
El conocimiento codificado puede escribirse en un manual, una documentación o un procedimiento. Es información que puede almacenarse, buscarse y explicarse. Justamente el tipo de material que los modelos de IA procesan con bastante facilidad.
El conocimiento tácito se construye mediante práctica, observación, errores, tutoría y exposición repetida a situaciones reales. Es reconocer que algo no cierra antes de poder explicar exactamente por qué. Es saber qué pregunta falta. Es notar que este caso se parece al anterior, salvo por un detalle que cambia todo.
Un modelo puede ayudar a una persona junior a producir un resultado que antes le habría llevado horas. Puede generar el código, el análisis, el borrador o la respuesta inicial. Eso es valioso.
Lo que no genera automáticamente es la experiencia que esa persona habría acumulado durante el proceso.
Podemos obtener la respuesta sin haber construido la capacidad de reconocer si es una buena respuesta. Y esa diferencia empieza a importar mucho cuando el problema deja de ser estándar, las instrucciones son ambiguas o alguien tiene que hacerse responsable de la decisión.
Una decisión racional que puede crear un problema colectivo
Desde el punto de vista de una empresa, la tentación se entiende perfectamente.
Si una persona senior equipada con IA puede realizar el trabajo que antes necesitaba varias manos, contratar menos juniors parece eficiente. Hay menos tiempo de formación, menos revisiones y resultados más rápidos.
El problema aparece cuando muchas empresas llegan a la misma conclusión.
Cada una puede pensar: formar a alguien cuesta demasiado; prefiero contratar a una persona que ya tenga experiencia. Pero si casi nadie ofrece el lugar donde esa experiencia se consigue, dentro de algunos años todas competirán por un grupo cada vez más pequeño de profesionales formados.
Es como comerse la semilla porque hoy resulta más rentable que plantarla.
Y hay una paradoja todavía mayor. Las empresas podrían aumentar enormemente su capacidad de producción gracias a la IA mientras debilitan el sistema que genera el criterio humano necesario para supervisar, orientar y asumir responsabilidad por esa producción.
No porque la tecnología sea mala. Porque optimizamos el resultado de corto plazo y dejamos fuera del cálculo la capacidad que necesitaremos después.
Tampoco hay que romantizar el viejo trabajo junior
Sería fácil caer en el argumento de que los nuevos profesionales deben sufrir las mismas tareas repetitivas que hicieron quienes llegaron antes. No creo que esa sea la respuesta.
No toda tarea junior era formativa. Muchas consistían en copiar información, esperar autorizaciones, acomodar formatos o repetir procesos que enseñaban muy poco. Si la IA puede eliminar esa parte, mejor.
Además, la misma herramienta que amenaza una vía de entrada puede crear otra. Una persona puede pedir explicaciones, practicar con casos simulados, revisar un borrador, traducir documentación o construir un prototipo sin necesitar desde el primer día un equipo y un presupuesto grandes.
Yo mismo he aprendido muchísimo usando modelos como compañeros para investigar, programar y convertir ideas en proyectos. La posibilidad es real.
Por eso la pregunta no es cómo impedimos que la IA haga tareas iniciales. Es otra:
¿Qué parte de esas tareas formaba criterio y cómo podemos reemplazarla por una experiencia mejor?
La IA puede cerrar la puerta si la usamos únicamente para evitar contratar. También puede abrirla si la usamos para construir nuevos caminos de aprendizaje. La tecnología no decide sola entre esas opciones. Lo decide la forma en que diseñamos el trabajo.
Un junior no es un senior que produce más lento
Creo que este es uno de los errores de fondo. Si medimos a una persona junior solamente por lo que entrega hoy, casi siempre perderá frente a una combinación de experiencia e inteligencia artificial.
Pero una contratación de entrada también es una inversión en capacidad futura.
Eso obliga a cambiar la experiencia. Ya no alcanza con asignar una tarea sencilla y esperar el resultado. Si una IA puede resolverla en segundos, la formación tiene que moverse hacia el razonamiento que rodea ese resultado.
Una persona puede usar IA para escribir código, pero después debería poder leerlo, probarlo, encontrar sus supuestos y defender el cambio frente a otra persona. Puede generar un análisis, pero debería explicar qué evidencia podría refutarlo. Puede preparar una respuesta para un cliente, pero necesita reconocer cuándo el caso dejó de ser rutinario y requiere escalarlo.
No se trata de prohibir la herramienta para comprobar que alguien sabe trabajar “a la antigua”. Se trata de usarla sin permitir que esconda el proceso mental que queremos desarrollar.
Si el trabajo ya no ofrece práctica, tendremos que diseñarla
Durante mucho tiempo la formación ocurría mezclada con la producción. La empresa pagaba por una tarea y, casi sin proponérselo, también creaba un profesional con más experiencia.
Si la IA absorbe buena parte de esas repeticiones iniciales, la práctica tendrá que volverse explícita.
Podemos trabajar con casos históricos, incidentes anonimizados, simulaciones, entornos de prueba y proyectos con consecuencias controladas. Podemos pedir que una persona compare varias respuestas del modelo, busque los errores y explique qué información falta. Podemos evaluar decisiones y no solamente entregables.
También hará falta tutoría humana de verdad.
Poner a alguien delante de un chatbot no reemplaza el diálogo con quien conoce el oficio. Una persona experimentada puede mostrar lo que no está escrito en ninguna documentación: por qué este cliente necesita otra conversación, por qué una solución correcta no es adecuada o por qué un detalle aparentemente menor define todo el problema.
Claro que eso cuesta tiempo. Formar siempre costó tiempo. La diferencia es que antes ese costo estaba escondido dentro de tareas que además producían valor. Ahora tendremos que hacerlo visible y decidir conscientemente si queremos invertir en él.
El desafío no es solamente para quien empieza
Este problema no se resuelve diciéndoles a los jóvenes que aprendan más herramientas o escriban mejores prompts.
Las empresas tendrán que revisar sus programas de entrada y dejar de evaluar únicamente productividad inmediata. Las instituciones educativas tendrán que acercar antes a los estudiantes a situaciones ambiguas, decisiones incompletas y trabajo con consecuencias reales. Quienes ya tenemos experiencia tendremos que aprender a transmitir parte de ese conocimiento que a veces guardamos sin siquiera notar que lo tenemos.
Y quienes empiezan tendrán un desafío propio: usar la IA para ampliar su práctica, no para saltarse cada parte incómoda del aprendizaje.
Porque hay una diferencia enorme entre llegar rápido a una respuesta y desarrollar la capacidad de juzgarla.
La primera ya puede comprarse como servicio. La segunda todavía se construye con tiempo, atención, conversación y responsabilidad.
La puerta de entrada puede cambiar, pero tiene que seguir existiendo
Todavía no sabemos si la brecha que observa Stanford crecerá, se estabilizará o terminará revirtiéndose. No sabemos cuánto corresponde a la IA y cuánto a otros movimientos de la economía. Sería irresponsable presentar una conclusión definitiva.
Pero el mecanismo resulta lo bastante creíble como para actuar antes de tener una crisis visible.
La verdadera pregunta no es cómo conservar intactas todas las tareas junior. Es cómo evitamos que, al automatizarlas, eliminemos también el aprendizaje que ocurría alrededor de ellas.
Si lo hacemos bien, podemos sacar trabajo repetitivo y construir una entrada mejor: con práctica deliberada, tutoría, problemas reales, simulaciones y una IA que ayude a comprender.
Si no lo hacemos, quizás dentro de unos años tengamos herramientas extraordinarias, una enorme capacidad para producir y una escasez muy extraña: personas que hayan tenido la oportunidad de aprender a hacerse responsables de lo producido.
Los seniors no aparecen por generación espontánea. Alguna vez fueron juniors a quienes alguien les dio tiempo, contexto y problemas de verdad.
La puerta de entrada puede ser distinta. Lo que no podemos permitirnos es que desaparezca.
En este video desarrollo la idea y me pregunto cómo podemos rediseñar esa primera etapa profesional sin renunciar a todo lo que la IA ya nos permite hacer.