Gaceta Crítica

Aaron Benanav (Verso y Syllabus), 16 de Junio de 2025

En los años transcurridos desde la aparición de la Automatización y el Futuro del Trabajo , una nueva ola de entusiasmo tecnológico ha invadido la imaginación popular. El catalizador en esta ocasión han sido los rápidos avances en inteligencia artificial generativa, liderados por empresas como OpenAI, Google DeepMind y Meta. Una vez más, un coro de voces —desde ejecutivos de Silicon Valley hasta destacados inversores y periodistas— insiste en que estamos al borde de un cambio trascendental.

Sam Altman, el director ejecutivo de OpenAI, afirma que la IA resolverá problemas tan vastos como la reparación del clima, la colonización espacial y el descubrimiento completo de las leyes de la física, prometiendo una transición a una era de prosperidad universal. Elon Musk, el empresario multimillonario detrás de Tesla y SpaceX, advierte que la IA representa tanto la mayor amenaza existencial para la humanidad como el camino hacia una abundancia inimaginable, prediciendo un futuro en el que los robots humanoides superarán en número a los seres humanos para 2040. Marc Andreessen, el capitalista de riesgo que cofundó Netscape y ahora se desempeña como un destacado inversor de Silicon Valley, declara que la IA salvará al mundo. Ezra Klein, el comentarista liberal y cofundador de Vox , ofrece una versión más suave de la narrativa de la utopía de la automatización en su reciente libro Abundancia , pidiendo la eliminación de los obstáculos regulatorios y un mayor apoyo estatal para la investigación y el desarrollo para acelerar el progreso tecnológico.

Sin embargo, a pesar de su novedad, estas predicciones resultan sorprendentemente familiares. Repiten, de forma actualizada, el mismo discurso de la automatización que critiqué en este libro: una narrativa perdurable que imagina la tecnología transformando la vida humana de forma autónoma, a la vez que oculta las estructuras sociales en las que se inserta el cambio tecnológico.

Los titanes de Silicon Valley, políticos, tecnofuturistas y críticos sociales se han unido para argumentar que estamos viviendo en el comienzo de una era de rápida automatización tecnológica, que anuncia el fin del trabajo

En el centro del discurso actual sobre la IA se encuentran un conjunto de afirmaciones impactantes sobre la disrupción del mercado laboral y el desempleo tecnológico. En 2023, investigadores afiliados a OpenAI y la Universidad de Pensilvania publicaron un estudio que afirmaba que el 49 % de las tareas de los trabajadores estaban expuestas a grandes modelos de lenguaje, lo que sugiere una transformación inminente del trabajo en sectores que abarcan desde la educación hasta los servicios legales. Este pronóstico actualiza directamente un artículo de 2013 de Carl Benedikt Frey y Michael Osborne, que había desatado una ola previa de ansiedad por la automatización al predecir que el 47 % de los empleos estadounidenses eran vulnerables a las tecnologías de aprendizaje automático. Entonces, como ahora, los teóricos de la automatización imaginaron un punto de inflexión en el que las máquinas serían capaces de realizar suficientes tareas humanas como para volver redundantes millones de ocupaciones, lo que desencadenaría un colapso sin precedentes del mercado laboral.

Conviene recordar qué sucedió con la última ronda de predicciones. Tras la publicación del artículo de Frey y Osborne en 2013, una oleada de comentarios periodísticos y políticos advirtió sobre un desempleo tecnológico masivo. Sin embargo, entre 2013 y la fecha en que terminé mi libro »  Automatización y el Futuro del Trabajo» en 2020, no se materializó tal catástrofe laboral. Ante las crecientes dudas, la OCDE reevaluaba los métodos de Frey y Osborne en 2017 y concluyó que solo alrededor del 14 % de los empleos presentaban un alto riesgo de automatización, una cifra muy alejada de la cifra original del 47 % que había captado la atención del público.

Pero incluso esta estimación a la baja resultó ser demasiado extrema. Para 2020, se hizo evidente que muchas de las ocupaciones consideradas más vulnerables a la automatización —como la preparación de alimentos, la operación de máquinas, la conducción de vehículos y otras formas de trabajo manual o repetitivo— no habían experimentado descensos significativos en el empleo. En la mayoría de los casos, el empleo en estos sectores, de hecho, aumentó. Lejos de marcar el comienzo de una ola de desempleo tecnológico, los años posteriores a la crisis financiera se caracterizaron por una débil expansión del mercado laboral y un estancamiento económico cada vez más profundo. El crecimiento de la productividad, en particular en el sector manufacturero estadounidense, se estancó, alcanzando su tasa sostenida más baja desde que comenzaron los registros en la década de 1960. La revolución de la automatización, al parecer, no había llegado.

El fracaso de estas predicciones no fue accidental. Reflejó fallas fundamentales en los métodos utilizados para pronosticar el futuro del trabajo. Ni el estudio de 2013 ni su sucesor de 2023 basaron sus proyecciones en investigaciones empíricas de lugares de trabajo, trabajadores o procesos de producción reales. En cambio, ambos se basaron en los juicios subjetivos de informáticos y economistas, a quienes se les pidió que adivinaran si ciertas tareas podrían, en principio, ser realizadas por máquinas. Si suficientes tareas asociadas con un puesto de trabajo se consideraban automatizables (normalmnte más del 50 %), toda la ocupación se clasificaba como en riesgo de desaparición. No se tuvo en cuenta cómo se estructuran los puestos de trabajo en la práctica, cómo se agrupan las tareas ni cómo los factores económicos y sociales median en la adopción de nuevas tecnologías. El resultado fue un modelo profundamente mecanicista del cambio tecnológico, en el que las máquinas desplazarían a los trabajadores siempre que fuera técnicamente factible, sin importar el coste, las barreras institucionales ni la resistencia política. Era un modelo ciego a las complejas formas en que el trabajo se organiza, se cuestiona y se transforma, y, por lo tanto, singularmente mal preparado para predecir el curso real del desarrollo económico.

¿Qué es la IA? Una visión dominante la describe como la búsqueda de la inteligencia artificial, una solución que supuestamente se encuentra en la lógica secreta de la mente o en la fisiología profunda del cerebro.

La realidad de los efectos de la automatización en la última década es muy diferente de lo previsto. Los robots industriales, que ya se habían implementado ampliamente a principios del milenio, seguían concentrándose en un pequeño número de sectores, principalmente en la fabricación de automóviles. A pesar de la caída de los costos del hardware robótico —a menudo citada como evidencia de que la automatización se aceleraría—, el verdadero gasto no residía en adquirir robots, sino en integrarlos en los sistemas de producción. Programar, optimizar y mantener robots industriales suele costar tres veces más que las propias máquinas, lo que significa que solo las grandes empresas que producen bienes altamente estandarizados podían justificar su uso generalizado. Las pequeñas y medianas empresas, que tienden a especializarse en la producción personalizada de lotes pequeños, vieron pocos incentivos para automatizar.

Mientras tanto, la robotización del sector servicios, prometida sin cesar, permaneció prácticamente ausente. Las agencias estadísticas que monitorean la implementación de robots continúan midiéndola casi exclusivamente en la industria manufacturera. Incluso en los escenarios más optimistas, los robots siguieron siendo herramientas especializadas para tareas específicas: mover piezas pesadas, realizar soldaduras precisas y soldaduras repetitivas. Lejos de anunciar una nueva revolución industrial, la década de 2010 reveló los límites de la automatización para transformar la economía a gran escala.

Comprender los límites de la automatización requiere situar el cambio tecnológico en el marco de tendencias estructurales más amplias que han transformado la economía global y que se analizan en detalle en este libro. Desde las décadas de 1970 y 1980, la industrialización —motor histórico del crecimiento capitalista— prácticamente ha llegado a su fin. En su lugar, ha surgido una economía basada en los servicios, donde actualmente trabajan entre el 75 % y el 90 % de los trabajadores de los países de la OCDE. Si bien algunos imaginaban que los empleos manufactureros simplemente se habían trasladado al Sur Global, en realidad la desindustrialización se ha convertido en un fenómeno mundial, con países como China experimentando un descenso constante del empleo manufacturero desde 2013.

La transición de la manufactura a los servicios tiene profundas implicaciones: el crecimiento de la productividad suele ser mucho más lento en los servicios que en la industria o la agricultura. Servicios como la educación, la sanidad y la hostelería suelen requerir mucha mano de obra, son resistentes a la mecanización y están condicionados por la interacción humana, lo que limita las mejoras de eficiencia. A medida que los servicios han consumido una mayor proporción del empleo y la producción, las tasas generales de crecimiento de la productividad se han ralentizado. En combinación con el debilitamiento del crecimiento demográfico y la disminución de las expectativas para los mercados futuros, estas tendencias han creado un entorno de estancamiento económico crónico, en el que las nuevas tecnologías, por muy publicitadas que sean, tienen dificultades para producir las transformaciones que en su día prometieron.

Lo que la última década ha demostrado no es la desaparición del trabajo, sino su transformación. Incluso donde se han introducido nuevas tecnologías, la mayoría de los empleos han persistido, si bien con formas modificadas. Los estudios sobre el impacto de la digitalización en el trabajo muestran sistemáticamente que el ajuste se ha producido principalmente mediante cambios en las estructuras de tareas dentro de las ocupaciones, más que mediante cambios radicales entre ellas. Contrariamente a las suposiciones de los teóricos de la automatización, no existe un umbral claro —como el 50 % de las tareas automatizadas— a partir del cual un empleo deja de existir. En cambio, los trabajadores se adaptan, los roles evolucionan y las ocupaciones sobreviven, a menudo con habilidades y responsabilidades diferentes a las anteriores. Que el empleo en un sector determinado crezca, se contraiga o se estanque depende no solo de las capacidades tecnológicas, sino también de las condiciones económicas más generales. 

Incluso un mismo puesto de trabajo puede abarcar tipos de trabajo radicalmente distintos en distintas empresas y países, dependiendo de los antecedentes de automatización, la fuerza sindical y las protecciones regulatorias. Fabricar un automóvil, por ejemplo, es muy distinto en las plantas altamente automatizadas de Volkswagen en Alemania, en los talleres artesanales de Ferrari en Italia y en las fábricas de coches eléctricos en rápida expansión de BYD en China. Lo mismo ocurre en la industria cinematográfica, donde Hollywood en California, Bollywood en India y Nollywood en Nigeria organizan la producción según lógicas técnicas, económicas y culturales distintas. En este contexto, la forma en que la tecnología transforma el trabajo no es automática ni inevitable. Está determinada por decisiones colectivas sobre qué tipos de trabajo y qué tipos de vida laboral la sociedad está dispuesta a mantener.

A lo largo del largo camino de la informatización, las tecnologías digitales se han asociado a menudo con la mejora de las competencias. A medida que los lugares de trabajo se volvieron tecnológicamente más complejos, aumentó la demanda de trabajadores con mayor formación y capacitación, lo que contribuyó a la polarización de los mercados laborales entre empleos de alta cualificación y altos salarios y empleos de baja cualificación y precarios. Sin embargo, los avances tecnológicos más recientes han seguido una trayectoria diferente. En algunos sectores, la digitalización no ha permitido la mejora de las competencias, sino su descualificación. Servicios como Uber han despojado al taxi tradicional de la experiencia que antes requería, reemplazando el conocimiento local por sistemas de navegación GPS.

Al mismo tiempo, las tecnologías digitales han ampliado enormemente la capacidad de los empleadores para supervisar y disciplinar a los trabajadores. Los salarios de eficiencia son los salarios más altos que a menudo deben pagarse cuando los gerentes no pueden observar fácilmente el rendimiento de los trabajadores. Trabajos que antes eran difíciles de supervisar, como el transporte de larga distancia, ahora están sujetos a vigilancia electrónica constante, lo que permite a las empresas reducir los salarios de eficiencia. Con una mayor supervisión, las empresas pueden ejercer un control más estricto sobre el ritmo y la organización del trabajo. 

Estos avances revelan que las tecnologías no son neutrales: se implementan en un contexto político e institucional que determina su impacto en el trabajo. Los gobiernos podrían regular la vigilancia en el lugar de trabajo; los sindicatos podrían negociar protecciones contra la vigilancia invasiva. Sin embargo, en ausencia de tales esfuerzos, el cambio tecnológico contribuye cada vez más a degradar el trabajo y a exacerbar la desigualdad económica.

Tras el decepcionante impacto económico de la automatización, las esperanzas se han centrado cada vez más en la inteligencia artificial generativa. Se están invirtiendo ingentes recursos en el desarrollo de modelos de IA y la construcción de los centros de datos necesarios para su mantenimiento. Microsoft, Google, Meta y OpenAI han invertido conjuntamente miles de millones de dólares, apostando a que la IA generativa ofrecerá el avance que las anteriores rondas de automatización no lograron. Tras la retórica de la revolución industrial se esconde una ambición más específica: impulsar una revolución de los servicios, impulsando el crecimiento de la productividad en los mismos sectores —sanidad, educación, comercio minorista, hostelería— que históricamente se han quedado atrás.

Dada la magnitud de la inversión, las expectativas implícitas son asombrosas: la productividad tendría que aumentar a tasas no vistas desde las rápidas fases de convergencia de Japón y China en el siglo XX —pero esta vez en economías tecnológicamente avanzadas como Estados Unidos— para que estas inversiones sean rentables. Es fácil comprender su atractivo. Si la robotización no pudo generar una nueva ola de prosperidad, quizás los agentes de software inteligentes sí podrían. Sin embargo, la brecha entre la aspiración y la realidad sigue siendo amplia, y existen buenas razones para dudar de que la IA generativa, en su trayectoria actual, pueda resolver el estancamiento estructural de las economías postindustriales.

Las limitaciones fundamentales de la IA generativa se han vuelto cada vez más evidentes, incluso para muchos de sus primeros defensores. Como han señalado François Chollet y otros investigadores de IA, las redes neuronales profundas adolecen de una fragilidad inherente: les cuesta generalizar más allá de sus datos de entrenamiento, fallan en tareas de razonamiento básico y siguen siendo poco fiables para aplicaciones que requieren consistencia o precisión. A pesar de absorber enormes cantidades de información digital, estos modelos se enfrentan a límites estrictos en su capacidad de aprendizaje o adaptación. Parte del problema reside en la propia arquitectura de las redes neuronales artificiales, diseñadas sobre la base de la psicología conductista de mediados del siglo XX. A diferencia de los cerebros orgánicos —que vienen equipados con ricas estructuras internas, objetivos innatos y marcos de representación—, las redes artificiales son en gran medida desestructuradas y se basan en la asociación estadística bruta. La mente humana puede comprender un nuevo concepto con unos pocos ejemplos; los modelos de aprendizaje automático suelen requerir millones. Los enfoques híbridos que integran el razonamiento simbólico con el aprendizaje profundo, como el éxito de AlphaFold2 en el plegamiento de proteínas, ofrecen resultados más prometedores, pero deben diseñarse con esmero para tareas específicas. No existe un método general para construir cognición modular y estructurada en sistemas de aprendizaje profundo, y no hay garantía de que se encuentre uno.

Ya están surgiendo señales de desilusión. El director ejecutivo de Microsoft, Satya Nadella, reconoció recientemente que, a pesar de las enormes inversiones de la compañía en OpenAI y otras iniciativas de IA generativa, aún no se ha observado un aumento medible en el crecimiento de la productividad. Precisó el verdadero punto de referencia de forma sencilla: si la IA generativa fuera transformadora, ya estaríamos viendo cómo la economía mundial crece más rápido. Sin embargo, hay poca evidencia de dicha aceleración. Informes del  Wall Street Journal y el Financial Times han detallado el lento ritmo de adopción corporativa, ya que las empresas luchan por encontrar usos fiables y a gran escala para modelos de IA propensos a la inconsistencia y el error. Daron Acemoglu, economista ganador del Premio Nobel, ha expresado abiertamente su escepticismo, advirtiendo que las tecnologías de IA generativa podrían contribuir poco a resolver el profundo malestar económico que aqueja a las sociedades capitalistas avanzadas. A pesar de todos los extraordinarios logros técnicos alcanzados, cada vez es más evidente que la actual ola de innovación en IA podría no generar, por sí sola, el dinamismo económico generalizado que sus defensores predicen con tanta seguridad.

En lugar de inducir desempleo masivo, es probable que los efectos más inmediatos de la IA generativa reflejen tendencias más amplias de transformación laboral que ya se están desarrollando hoy en día, a saber, la descualificación y la vigilancia. Estudios preliminares sugieren que las tecnologías de IA generativa aumentan la productividad principalmente entre los trabajadores menos cualificados, ayudando a estandarizar los resultados, pero haciendo poco para mejorar el trabajo de alta cualificación y alta complejidad. No es casualidad que estos sistemas destaquen en la generación de escritura de calidad media y código básico, el tipo de tareas que realizan los estudiantes, por lo que uno de los principales casos de uso de ChatGPT ha sido ayudar a los estudiantes a hacer trampa. A medida que estas herramientas se generalizan, existe el riesgo de una descualificación digital en campos como la programación informática, el diseño gráfico y la investigación jurídica, donde los resultados generados algorítmicamente podrían sustituir a los producidos por trabajadores con niveles de competencia promedio. 

Al mismo tiempo, los modelos de IA generativa ofrecen nuevas posibilidades para monitorear y evaluar a los trabajadores, procesar datos de vigilancia para ejercer un mayor control sobre los procesos laborales y reducir los salarios. Una vez más, las tecnologías que prometen liberarnos del trabajo corren el riesgo de intensificar la explotación. Sin marcos sociales y legales sólidos que reorienten su desarrollo, el probable resultado del auge de la IA generativa no será el desempleo masivo, sino un empeoramiento de las condiciones laborales, una aceleración de la desigualdad económica y una mayor erosión de la autonomía de los trabajadores.

Las lecciones de la última década deberían moderar tanto nuestras esperanzas como nuestros temores. La verdadera amenaza que plantea la IA generativa no es que elimine el trabajo a gran escala, volviendo obsoleta la labor humana. Es que, si no se controla, seguirá transformando el trabajo de maneras que profundizarán la precariedad, intensificarán la vigilancia y ampliarán las desigualdades existentes. El cambio tecnológico no es una fuerza externa a la que las sociedades deban simplemente adaptarse; es un proceso mediado social y políticamente. Los marcos legales, la negociación colectiva, la inversión pública y la regulación democrática desempeñan un papel decisivo en la configuración de cómo se desarrollan e implementan las tecnologías, y con qué fines.

La trayectoria actual de la IA generativa refleja las prioridades de las empresas que buscan reducir costos, disciplinar a los trabajadores y consolidar las ganancias, no cualquier afán por mejorar el desarrollo humano. Si permitimos que esta trayectoria siga sin ser cuestionada, no debería sorprendernos que las ganancias de la innovación tecnológica beneficien a unos pocos, mientras que las cargas recaigan sobre la mayoría. Sin embargo, no tiene por qué ser así. El futuro permanece abierto, dependiendo de si estamos dispuestos a confrontar, cuestionar y redirigir las vías por las que avanza la tecnología.

El frenesí actual en torno a la inteligencia artificial no durará para siempre. A medida que las limitaciones de la IA generativa se hagan más evidentes y que los rendimientos económicos de las enormes inversiones corporativas no se materialicen a la escala prevista, la burbuja especulativa estallará inevitablemente. Cuando llegue ese momento —como ocurrió tras el crac de las puntocom y de nuevo tras el auge de los robots en la década de 2010—, nos enfrentaremos a una decisión crucial. Podemos resignarnos a otro ciclo de desilusión tecnológica o podemos plantearnos preguntas más fundamentales sobre cómo la tecnología podría realmente satisfacer las necesidades humanas. Si queremos afrontar los retos de las próximas décadas —desde la crisis climática hasta la conclusión de la transición demográfica y la búsqueda de vidas con mayor libertad y sentido—, no necesitaremos más especulación sobre las máquinas que nos salvarán, sino una acción deliberada y colectiva para moldear nuestro futuro tecnológico.

La tarea que tenemos por delante no es simplemente anticipar lo que la IA nos hará. Es determinar qué pretendemos hacer, como sociedades, con la IA. Debemos insistir en que el desarrollo tecnológico se mida no por la rentabilidad para los accionistas, sino por su contribución a la construcción de un mundo más justo y humano.