Brynjolfsson (Stanford): el empleo juvenil cae un 19% donde la IA automatiza, no donde complementa

Por Zendoric · 18 de septiembre de 2026.

Erik Brynjolfsson, profesor de Economía y de Operaciones, Información y Tecnología en Stanford Graduate School of Business (GSB) y director del Stanford Digital Economy Lab, ha puesto cifras a una intuición que llevaba meses circulando: la IA ya está reconfigurando el primer peldaño de la carrera profesional. En un estudio junto a Bharat Chandar y Ruyu Chen, recogido en el Canaries Dashboard del propio laboratorio, encuentran una caída del empleo del 19% entre los trabajadores de 22 a 25 años en las ocupaciones más expuestas a la IA, comparados con sus pares de la misma edad en ocupaciones menos expuestas. El dato afinado importa más que el titular: la caída se concentra en los puestos donde la IA automatiza tareas, no en aquellos donde las complementa.

Brynjolfsson lo explica con una frase que conviene fijar: "casi ningún empleo es totalmente automatizable, mientras que casi todos tienen tareas que la IA puede cambiar". Es la misma lógica de tarea-no-empleo que venimos aplicando en nuestra serie sectorial sobre IA y trabajo (tecnología, banca, educación, derecho, turismo): lo que desaparece primero es el borrador inicial, la consulta rutinaria, el primer filtro. Lo que sobrevive es el criterio, la verificación, el contacto con el cliente y la capacidad de orquestar a la IA. Para quien entra al mercado laboral sin ese criterio todavía acumulado, la rampa de acceso se vuelve más empinada.

El otro bloque de su entrevista con Stanford Insights procede de un trabajo de campo más amplio: junto a Elisa Pereira y Alvin Wang Graylin, Brynjolfsson analizó 51 despliegues de IA en manufactura, servicios financieros y tecnología que sí generaron valor. Su hallazgo central desmonta el relato tecnocéntrico: el 77% de las mayores dificultades no fueron técnicas, sino de gestión del cambio, calidad de los datos y rediseño de procesos. Solo el 6% de las empresas estudiadas partía de datos limpios. Y la reducción de plantilla, lejos de ser la norma, apareció en el 45% de los casos; en el resto, la capacidad liberada se redirigió a tareas de mayor valor. El modelo de IA rara vez fue el cuello de botella; la organización, casi siempre.

De ahí se derivan sus consejos, tanto para trabajadores como para legisladores. A quien empieza, le pide construir con gente distinta —en su clase "The AI Awakening" mezcla a alumnos de GSB con ingenieros para lanzar, en diez semanas, un prototipo agéntico funcional— y hacer un ejercicio recurrente: separar qué tareas propias sustituye la IA de cuáles amplifica, y desplazar el peso hacia la segunda columna antes de que alguien lo haga por uno. Fluidez con la IA, avisa, ya no distingue a nadie: "ser fluido en IA en 2026 es como ser fluido en email en 2005". Lo que protege es saber formular las preguntas correctas y asumir la responsabilidad del resultado, porque eso es lo que construye relaciones y confianza.

A legisladores y tecnólogos les pide otra cosa, recogida en un manifiesto que co-organizó con los economistas Ajay Agrawal, Anton Korinek y Tom Cunningham: medir primero los impactos, dejar de pronosticar y empezar a construir instituciones —porque, en sus palabras, "las instituciones tardan años en levantarse y la IA transformadora puede no esperarlas"— y usar la fiscalidad para que el camino complementario (humano más máquina) sea más rentable que la pura sustitución de plantilla, con neutralidad impositiva entre trabajo y capital.

Hay un dato que enmarca todo lo anterior: según Pew, citado por Brynjolfsson, cerca del 65% de los trabajadores estadounidenses dice usar la IA poco o nada. Él lo interpreta con el concepto de "curva en J" de la productividad: los años en que la inversión intangible —documentar procesos, ordenar datos— no produce ganancias visibles todavía, justo antes de que las produzca. Y añade una pieza más ambiciosa, el GDP-B, una métrica de bienestar que él mismo ha desarrollado con colegas de Stanford y que intenta capturar lo que el PIB no ve: el excedente que el consumidor obtiene de bienes gratuitos o casi gratuitos. Por esa vía estima que la IA generativa ya genera unos 172.000 millones de dólares de valor para los consumidores estadounidenses este año, prácticamente invisibles en las cuentas nacionales.

Nuestra lectura: este es exactamente el tipo de evidencia que distingue el análisis serio del ruido. No es un titular alarmista sobre "la IA destruye empleo joven" ni una promesa vacía de que "todo se redistribuye solo": es un dato concreto (19%, medido, con grupo de comparación) que confirma el patrón que veníamos documentando sector a sector —el trabajo rutinario y de back-office es el primero en caer, el criterio y la relación resisten— aplicado ahora a la variable más sensible, la edad. Y es coherente con la brecha entre adopción declarada (ese 65% de Pew que apenas usa IA) y despliegue real en el núcleo productivo de las empresas: la curva en J de Brynjolfsson explica por qué ambas cifras conviven sin contradecirse.

La parte incómoda es que el coste de la transición recae de forma desproporcionada en quienes menos margen tienen para absorberlo: los que están entrando al mercado laboral ahora mismo, sin trayectoria previa que demuestre el criterio que la IA todavía no replica. Eso es exactamente lo que nuestra línea editorial pide no ocultar. Pero el propio marco de Brynjolfsson —tareas, no empleos; redespliegue, no solo despido; abundancia de valor que las cuentas oficiales ni siquiera registran todavía— es también la prueba de que el problema no es la tecnología en sí, sino la velocidad a la que las instituciones (universidades, fiscalidad, contratación) tardan en adaptarse a ella. Si el GDP-B tiene razón y ya hay 172.000 millones de dólares de valor generado que el PIB no cuenta, la pregunta que de verdad importa para 2036 no es si la IA crea riqueza, sino si construimos a tiempo los mecanismos para que esa riqueza no se quede solo en quien ya tenía el criterio para capturarla.