Saltar al contenido principal

R18 — Impacto en el mercado laboral (findings, grounded NotebookLM · neutral)

NotebookLM 238984eb. Etiquetas estrictas: [PROYECCIÓN] (modelo a futuro) · [DATO OBSERVADO] (medido 2024-26) · [MEDIDO] (cifra puntual).

1. Magnitud proyectada (2024-2030)​

  • 70% de las skills de la mayoría de empleos habrán cambiado para 2030, con la IA como catalizador (WEF, Work Change Report 2025) [PROYECCIÓN].
  • 30% de horas trabajadas en EE.UU. / 27% en Europa automatizables para 2030 en escenario de adopción media (McKinsey) [PROYECCIÓN]. ~20% serían automatizables incluso sin gen-AI → la gen-AI acelera, no crea, la tendencia.
  • ~12 M transiciones ocupacionales en EE.UU. + ~12 M en Europa para fin de década (McKinsey) [PROYECCIÓN]. Demanda sube en STEM/salud/alta cualificación, baja en oficina/producción/atención al cliente.
  • Quien entra hoy al mercado tendrá el doble de empleos a lo largo de su carrera que hace 15 años (WEF).

2. Evidencia empírica TEMPRANA (lo que ya se observa, no proyección)​

  • Caída del 16% relativo en empleo de jóvenes 22-25 en las ocupaciones más expuestas, tras adopción de gen-AI, controlando shocks de firma; los experimentados en la misma ocupación se mantienen estables (Stanford, Canaries in the Coal Mine) [DATO OBSERVADO].
  • Job-finding rate −14% para 22-25 en ocupaciones expuestas tras ChatGPT (Anthropic, labor measure) [DATO OBSERVADO].
  • NO hay subida sistemática del desempleo agregado de los muy expuestos desde fin 2022: el quintil más expuesto +0,30 pp vs el menos expuesto (manuales) +0,94 pp entre 2022-2025 (Economic Innovation Group) [DATO OBSERVADO]. → El golpe temprano es de hiring de noveles, no de despidos masivos.
  • 1 de cada 4 trabajadores (24%) en ocupación con alguna exposición a gen-AI; 1 de cada 3 en países de renta alta (ILO WP140) [DATO OBSERVADO]. Exposición = potencial, no impacto (barreras: infra, skills, coste, aceptación institucional).
  • Fragilidad de la medición: divergencia ×3,6 entre modelos para la misma tarea, acuerdo inter-anotador 57%; coeficientes individuales varían ×2,4 (NBER w35110, abr 2026) [MEDIDO]. → Tratar los scores de exposición LLM como instrumento estable es un error metodológico (red-team flag).

3. Aumentación vs automatización vs nuevos roles​

  • Uso real: 57% aumentación (validación, aprendizaje, iteración) vs 43% automatización (delegación directa) (Anthropic Economic Index) [DATO OBSERVADO]. ~36% de ocupaciones usan IA en ≥¼ de sus tareas; ~4% en ≥¾.
  • Más expuesto: programadores (75% coverage), atención al cliente, data entry. Menos: trabajo físico (podar, maquinaria), juicio crítico (representación legal en tribunal).
  • Nuevos roles emergentes [PROYECCIÓN/TEMPRANO]: prompt engineer, especialistas en seguridad/antibias, system providers, knowledge engineers, data scientists interdisciplinares. El valor migra hacia accountability y juicio complejo que instituciones/sociedad no delegan (Susskind; ILO).
  • Gap del corpus: no hay cifras netas de creación vs destrucción de empleo para 2026; las fuentes advierten que el patrón histórico ("nuevas tareas compensan") podría romperse porque la gen-AI escala la propia capacidad cognitiva (Suleyman).

Eslabón​

Responde RQ-12, RQ-13, RQ-14, RQ-15. Insumo directo de las derivadas R19-R21 y los escenarios R23. Señal clave: el daño temprano se concentra en entrada de carrera → implicación neutral para formación adulta (re/upskilling del que ya está dentro vs puerta de entrada que se estrecha).