La relación entre automatización, salarios y desigualdad ha sido un tema ineludible en la economía laboral desde los años ochenta, y sin embargo las intuiciones más difundidas, automatizar tareas rutinarias reduce salarios y empleo en esos mismos puestos, no terminaban de confirmarse con datos. El paper “Expertise” de David Autor y Neil Thompson, publicado el mes pasado, propone una explicación que resuelve ese rompecabezas y, al hacerlo, ofrece una perspectiva sólida para evaluar el impacto de la inteligencia artificial (IA) en la próxima década. Su punto de partida es sencillo: lo que la tecnología altera no es solo la cantidad de tareas que delegamos a las máquinas, sino la composición de las competencias humanas que quedan “sobre la mesa”.
Cuando una tarea se automatiza, la experiencia necesaria para realizarla desaparece como requisito de mercado; el valor de las capacidades que permanecen —o la falta de ellas— determina si los salarios suben o bajan y si el empleo en la ocupación crece o se retrae.
Autor y Thompson definen capacidad o pericia como la capacidad jerárquica de un trabajador: quien posee un determinado nivel de experiencia y conocimiento puede realizar todas las tareas en ese nivel o por debajo de él, pero no las que exigen más formación. Eso crea una barrera de entrada natural; del mismo modo que un músico que domina la sonata de Beethoven puede tocar melodías infantiles, pero un principiante no puede abordar la obra del maestro.
Las ocupaciones —ingeniero de software, enfermera pediátrica, tornero— son, en este modelo, “paquetes” de tareas con diferentes grados de pericia. Para que alguien acceda a la ocupación, debe ser capaz de ejecutar cada tarea no automatizada que quede dentro de ese paquete. La automatización, entonces, funciona como un editor que quita páginas del manual y, al hacerlo, recompone el nivel de dificultad promedio: si desaparecen las páginas simples, el texto que queda es más complejo. Si se eliminan las avanzadas, el resto resulta más accesible.
Ese reordenamiento explica por qué dos ocupaciones expuestas a la misma ola tecnológica pueden seguir caminos opuestos. El ejemplo clásico estudiado por los autores compara a los contadores con los empleados de inventario. Durante décadas, ambos grupos realizaban numerosas tareas rutinarias: registrar transacciones, cotejar balances de un lado; verificar existencia de stock y etiquetar precios del otro. Cuando el software asumió los procesos contables más mecánicos —carga de facturas, clasificación de asientos— las tareas residuales para los contadores fueron las más analíticas: auditorías, planeamiento fiscal, asesoramiento estratégico, etc. El nivel de pericia o capacidad promedio subió; pocos trabajadores cumplían el nuevo requisito y los salarios aumentaron al tiempo que el empleo se redujo.
En cambio, para los empleados de inventario la automatización se apropió, paradójicamente, de las funciones más “expertas” dentro de su espectro (calcular precios de reposición, identificar períodos óptimos de compra, etc.). Lo que quedó fueron tareas físicas y de baja complejidad: mover, contar, ordenar y pesar mercadería entre otras. El umbral de pericia promedio bajó, los salarios cayeron y el empleo se expandió porque más personas podían alcanzar el nuevo estándar.
La divergencia contable-inventario es más que una anécdota: al analizar cuatro décadas de microdatos de Estados Unidos (1980-2018), los autores comprueban que la pericia asociada a tareas complejas duplicó los salarios reales en el quintil superior, mientras que la disminución del nivel de “expertise” se asoció a caídas salariales y, en algunos casos, a crecimiento del empleo en la base de la pirámide. Es el mismo fenómeno que se observa hoy cuando se despide personal tras la llegada de un nuevo sistema o la incorporación de IA, mientras otros —con conocimientos avanzados— son recompensados con bonos más altos.
Para entenderlo, imaginemos una cocina profesional. Si un robot asador se encarga de dar vuelta las hamburguesas, el resto del equipo puede concentrarse en salsas gourmet, presentación artística y la selección de vinos. El valor del “chef” sube. Pero si la misma cocina automatiza la parte más elaborada —digamos, la confección de los platos complejos— los cocineros que quedan tal vez sólo tengan que poner a freír las papas y armar platos simples; el nivel de exigencia baja, y con él, los salarios.
La automatización no es siempre una aplanadora: según qué tareas se retire del menú, puede ensanchar o estrechar la brecha entre expertos y principiantes.
Lo más interesante del modelo de análisis de estos autores es su poder predictivo en el horizonte de la IA generativa. Muchas IAs están tomando las labores “inexpertas” de profesionales altamente calificados: síntesis de jurisprudencia para abogados, borradores de historias clínicas para médicos, informes de estado para ingenieros de obra.
Si la tendencia continúa, la carga de trabajo que sobreviva será la más abstracta, estratégica y relacional. Eso sugiere que abogados senior, médicos especialistas y directores de obra verán su valor de mercado subir; los estudiantes avanzados y graduados recientes enfrentarán una escalera con donde el primer escalón ya no existe.
Este movimiento ya se refleja en la estructura salarial de los servicios profesionales: empresas de consultoría contratan menos asistentes, pero pagan facturas más altas a consultores capaces de traducir la información generada por IA en las decisiones de negocio.
En el lenguaje de Autor y Thompson, la automatización de tareas rutinarias de bajo “expertise” eleva el “umbral de entrada” y exalta la escasez de talento en la parte más alta de la pirámide. El resultado es una desigualdad de ingresos que crece desde la cúspide, no solo porque los ricos se hacen más ricos, sino porque el escalón intermedio se vacía de oportunidades de ascenso.
El propio estudio ofrece números contundentes: al elevarse los requisitos de una ocupación, el empleo puede caer en tramos de dos dígitos aun cuando los salarios suban; a la inversa, cuando la exigencia de capacidades promedio baja, se incorporan trabajadores, pero los ingresos se estancan o retroceden.
Así, los datos muestran que entre 1977 y 2018 las tareas simples y rutinarias fueron las primeras en desaparecer tanto en contabilidad como en inventario, pero la pericia residual “bifurcó” las trayectorias: contadores menos numerosos y mejor pagados; personal de inventario más numeroso y peor pago.
Este hallazgo destruye la conclusión lineal: “automatización implica descalificación”.
En realidad, la automatización parece funcionar como un “editor” que redistribuye escasez antes que riqueza. A veces convierte en oro lo que antes era de lata; otras veces hace que un diamante se vuelva vidrio.
La clave está en cuál segmento de la cadena de valor se mecaniza primero. Hoy, con modelos de lenguaje y visión capaces de redactar textos legales o diagnosticar imágenes médicas preliminares, es probable que los estudiantes de Derecho pasen menos horas revisando jurisprudencia y más horas aprendiendo negociación; que los médicos residentes dediquen menos tiempo a la historia clínica y más al trato con pacientes complejos. Quien domine ese escalón superior verá recompensas; quien no, quedará fuera.
Para los responsables de políticas públicas, este marco es una brújula. Si un ministerio de trabajo observa la llegada de IA que automatiza la facturación de pymes, debería preguntarse: ¿Las tareas que quedan son más o menos complejas? Si son más complejas, la ocupación se contraerá y los salarios subirán; convendrá invertir en capacitación especializada. Si son más simples, crecerá el empleo pero se precarizará; tal vez sea urgente diseñar salarios mínimos o subsidios.
No es un detalle académico: millones de dólares en formación pueden desperdiciarse si no se entiende qué tramo del “expertise” se está moviendo.
El modelo también ofrece antídotos contra la angustia social. Cuando se habla de “la IA nos quita el trabajo”, la respuesta correcta es “depende de qué parte del trabajo”.
La historia de la automatización ha sido la historia de la reconfiguración de habilidades, no de aniquilarlas en bloque.
La buena noticia es que siempre quedan tareas no automatizables, interacción humana, pensamiento crítico avanzado, creatividad interdisciplinaria, cuyo valor se incrementa si las máquinas ocupan los peldaños inferiores. La mala noticia es que esas tareas suelen exigir años de estudio y oportunidades de práctica que no todos los trabajadores poseen.
Aquí entra en juego la desigualdad. Si solo quienes ya están en la cima pueden financiar el salto a nuevas exigencias de mayor conocimiento o capacidad, la brecha se agranda. Una política de reconversión justa debería ofrecer vías de acceso tangibles: becas para cursos de alto nivel, pasantías supervisadas donde la IA haga el trabajo mecánico y el aprendiz se concentre en lo analítico.
El desafío no es menor: según los propios cálculos del estudio, la demanda de capacidades complejas se duplicó entre 1980 y 2018, pero la oferta de trabajadores con esa pericia no creció al mismo ritmo. El cuello de botella ya existe y se ensanchará con la IA.
El modelo de “expertise” aporta una lección para la próxima fase de la IA: cada política de innovación debe venir con una lupa sobre la estructura de tareas. ¿Qué segmento desaparece? ¿La experticia sube o baja? Las respuestas deberían guiar la regulación y la inversión educativa. Sin esa lupa, podríamos repetir los patrones de los ochenta y noventa: automatización que benefició a perfiles universitarios, estancó a trabajadores de secundaria y ensanchó la brecha salarial. La historia no se repite, pero rima.
La conclusión del paper es prudente, casi pedagógica: la automatización no es inherentemente descalificante; se convierte en tal o en su opuesto según cómo reconfigure la escasez de habilidades.
En un mundo donde la IA avanza sobre texto, imagen y código, conviene programar la transición hacia modelos que se anticipen, promoviendo la educación orientada en el desarrollo de capacidades según las características de la estructura productiva.
Esa es la diferencia entre un futuro de alta productividad inclusiva y uno de desigualdad incrementándose peligrosamente donde pocos expertos capturan todos los beneficios y el resto compite por tareas degradadas.
