Existe una tentación comprensible en cada gran ola tecnológica: la de ponerle números. Si sabemos que la inteligencia artificial destruirá unos empleos y creará otros —como hicieron la electricidad, el motor de combustión o el ordenador personal—, ¿por qué no medir de antemano qué oficios, qué empresas y qué industrias están más expuestos, asignarles una puntuación y cruzar esa métrica con el avance de los grandes modelos de lenguaje? En los últimos tres años, recuerda Benedict Evans en esta nota, mucha gente se ha dedicado precisamente a eso: a exprimir datos censales, levantar tablas y publicar gráficos que se vuelven virales. Su veredicto es tan sobrio como incómodo. Se trata, en gran medida, de un ejercicio imposible: de predecir algo que, por su propia naturaleza, no se puede predecir.
El argumento no es un encogimiento de hombros, sino una tesis con estructura. Y la mejor manera de verla, propone Evans, es la que cualquier analista debería exigir a un modelo antes de tomárselo en serio: someterlo a un back-test. Apliquemos la metodología de la "exposición a la automatización" a las grandes transiciones tecnológicas del pasado y comprobemos si habría acertado. El resultado es descorazonador. Algunas de las industrias que, sobre el papel, deberían haber sufrido más terminaron siendo mucho mayores; y otras que sí quedaron devastadas eran, según cualquier análisis razonable, inmunes.
El caso de los contadores
El ejemplo predilecto de Evans es la contabilidad, y con razón. Durante un siglo entero hemos automatizado el trabajo contable de forma sistemática: máquinas de calcular, tarjetas perforadas, mainframes, procesamiento de datos, bases de datos, ordenadores personales, hojas de cálculo, ERP, la nube. De hecho, buena parte de la industria tecnológica se construyó alrededor de esa tarea. Si en cualquier momento de ese siglo alguien hubiera elaborado una lista de profesiones expuestas a la automatización informática, la del contador habría figurado en lo más alto. Dan Bricklin cuenta cómo, ya a finales de los años setenta, los contadores usaban VisiCalc para despachar en pocos días proyectos que antes ocupaban un mes. Y sin embargo, el número de contadores no dejó de crecer.
De este contraejemplo Evans extrae tres lecciones sobre por qué el back-test falla, y cada una tiene su reflejo en cualquier ejercicio de previsión sobre la IA. La primera es que la tecnología nunca es la única variable. En el caso contable, los cambios regulatorios generaron nuevas exigencias contables que provocaron oleadas puntuales de contrataciones; por eso los economistas insisten en el ceteris paribus, esa cláusula que en el mundo real casi nunca se cumple. A ello se suma la célebre paradoja de Jevons, que no es sino elasticidad-precio aplicada: si abaratas radicalmente una tarea, puede que hagas lo mismo por menos dinero, o que hagas mucho más por el mismo dinero. Si un descuento de flujos que costaba una semana pasa a resolverse en treinta segundos, probablemente acabes haciendo muchos más descuentos de flujos. "Exposición a la automatización" puede significar más trabajo, no menos.
Y hay algo más profundo. Cuando algo caro y lento se vuelve barato y rápido, no solo se hace más de lo mismo: se desbloquean cosas distintas. El contador de hoy no hace exactamente lo que hacía en 1970 o 1980 "pero en mayor cantidad"; sigue llamándose contador, pero su oficio es otro. La categoría censal de "contadores y auditores" es razonablemente estable, pero a su alrededor aparecen y desaparecen decenas de epígrafes. El "operador de máquina de facturación y cálculo" figuró en las estadísticas durante una década y luego se esfumó; existe todavía la categoría de "grabador de datos", pero no la de "operador de ERP". La misma persona, sirviendo al mismo propósito de negocio, recibe títulos distintos con el tiempo, mientras que el "contador" conserva su título haciendo cosas diferentes. Cualquier taxonomía que pretenda medir exposición sobre estas etiquetas está midiendo una convención administrativa, no una realidad económica.
Cuando cambia el negocio, no el oficio
La segunda razón es más sutil y, para un inversor, probablemente la más importante: el oficio puede no cambiar nada, pero el negocio que lo sostiene se transforma por debajo. Internet no alteró realmente lo que hace falta para ser un buen periodista o un buen cazatalentos musical. Lo que ocurrió fue otra cosa. El sueldo del periodista lo pagaba, en Estados Unidos, un negocio de manufactura ligera y transporte con el monopolio local de los anuncios clasificados; el del ejecutivo discográfico lo pagaba fabricar y distribuir pequeños discos de plástico y aluminio. Ninguna de esas dependencias aparecería jamás en un análisis de lo que significa ser redactor o ingeniero de sonido. Internet desacopló toda una clase de negocios en los que ni el producto ni el oficio se vieron afectados, pero sí la empresa. Y cuando la empresa desaparece, el empleo se va con ella, por muy "inmune" que fuera la tarea.
Deberíamos esperar exactamente lo mismo con la IA. ¿Cuánta gente tiene un empleo con escasa exposición directa a la inteligencia artificial, pero trabaja en un negocio que depende de otra función que sí quedará arrasada? ¿Cuántos hacen algo difícil de replicar por una máquina, mientras la verdadera defensa competitiva de su empresa es que también tiene edificios llenos de personas haciendo algo tedioso que la IA sí puede barrer? La automatización abaratará hasta casi cero cosas que hoy son caras. Lo que eso desbloquee y lo que eso rompa no se lee en la descripción de ningún puesto de trabajo.
La tercera razón es la de los efectos grandes e imprevisibles. Aquí Evans recurre a un caso que él vivió de cerca: Uber. Trabajó en telefonía móvil en la década de 2000 y todos dedicaban horas a hablar de los datos de localización, pero a nadie se le ocurrió que aquello fuera un problema para los taxis. Como mucho se pensaba en despachos más eficientes; nadie imaginó que cambiaría la naturaleza del oficio y dejaría sin valor las licencias de un millón de dólares que muchos taxistas habían hipotecado. Si en 1995 usted hubiera calculado la "exposición a internet" por ocupación, o la "exposición al smartphone" en 2005, ¿de verdad habría puesto a los taxistas en la lista?
El problema de fondo: no sabemos qué es un oficio
Hasta aquí, todo el argumento asume que el reto es anticipar el cambio. Pero Evans añade una objeción todavía más radical: aun dejando de lado la cuestión del cambio, sostiene que es imposible, en principio, elaborar una descripción útil y completa de lo que un oficio es. Leer las fichas de O*NET —el catálogo estadounidense de ocupaciones que alimenta tantos de estos análisis— le recuerda al fracaso de los sistemas expertos, cuando se creía que bastaba con encadenar pasos lógicos para construir una IA capaz de reconocer imágenes o traducir idiomas. En teoría puede describirse la secuencia por la que una máquina reconoce a un gato; en teoría puede escribirse lo que hace un abogado asociado en un bufete. En la práctica, esas cosas son demasiado complejas y demasiado sutiles para describirse así. A veces el trabajo sí es una simple tarea que puede convertirse en un botón, pero es raro. Por lo general es una maraña de elementos que no sabemos explicitar, y cuando uno baja al detalle, las descripciones se desmoronan: según esas taxonomías, administrar un fondo familiar y llevar la mesa de un fondo cuantitativo resultan oficios comparables, que requieren fluidez en Lotus 1-2-3, Oracle o Quickbooks pero no en Bloomberg.
Aaron Levie, consejero delegado de Box, describió este espejismo como una variante de la "amnesia de Gell-Mann". Uno percibe con bastante nitidez lo complejo que es su propio campo y lo incompleta que sería cualquier descripción de él, pero olvida esa lección en cuanto mira otros campos. Ve una plantilla de Claude para una presentación o para un borrador legal y concluye "¡vaya, las consultoras y los bufetes están acabados!". Cuando uno contrata a Bain, BCG o McKinsey recibe unas diapositivas, pero no es eso lo que paga, igual que al comprar software recibe código, pero el código no es el producto. Confundir el entregable visible con el valor real del trabajo es, quizá, el error de análisis más extendido de este ciclo.
Queda el contraargumento razonable: de acuerdo, hay excepciones importantes, como siempre, pero direccionalmente y en agregado es "seguro" que los empleos con mucho trabajo administrativo repetitivo son los más expuestos, y podemos decir cuántos son y en qué medida. Suena bien. El problema, replica Evans, es que uno no sabe si las excepciones pesan más que la regla. Si en 1995 hubiéramos afirmado que internet destruiría el valor de la distribución física de los medios, habríamos acertado "en la dirección"; pero en la práctica eso significó cosas completamente distintas para discográficas, periódicos, cadenas de televisión y estudios de cine. ¿Se está diciendo algo con valor predictivo, o se está enunciando una perogrullada? En promedio, todos estamos muertos. La mitad de los oficios analizados puede quedar intacta, y puede haber grandes bolsas de empleo transformadas que su modelo ni siquiera contemple. No se sabe.
La lectura para un inversor de largo plazo
Evans cierra sin coartadas. En una fase tan temprana de una tecnología fundamentalmente nueva, cualquier predicción concreta sobre un sector solo acertará por suerte: realmente depende. Cita a Yogi Berra —"es difícil hacer predicciones, sobre todo acerca del futuro"— para recordar que sí podemos señalar marcos mentales, modelos y lo ocurrido la media docena de veces anteriores en que atravesamos un cambio así. Podemos incluso enunciar cosas probablemente ciertas en su dirección. Pero en cuanto pretendemos cuantificarlo, modelarlo oficio por oficio e industria por industria y dibujar bonitos gráficos de radar, nos estamos engañando, porque ni siquiera sabemos qué son esos oficios hoy ni cómo van a cambiar. El listón mínimo que propone es elegante: antes de fiarse de un modelo de exposición a la IA, pregúntese si habría superado la prueba del periódico, la prueba de Uber y la prueba del contador. Si no habría capturado esos efectos, ¿de qué le sirve a los demás?
Para quien invierte con horizonte largo, la nota de Evans no trata en realidad de empleo, sino de epistemología aplicada al capital. La industria financiera ya ha empezado a fabricar cestas de "ganadores y perdedores de la IA", índices temáticos y pantallas que asignan puntuaciones de exposición con la misma confianza con la que, en su día, se cartografió la "exposición a internet". El mensaje aquí no es que la IA sea irrelevante —lo será, y mucho—, sino que la precisión aparente de esos mapas es precisamente su mayor peligro: convierte una incertidumbre radical en una cifra tranquilizadora. Los efectos que de verdad mueven el valor tienden a ser de segundo orden —qué negocio se desacopla, qué demanda se induce al abaratar una tarea, qué barrera competitiva se evapora— y esos efectos, por definición, no caben en la ficha de un puesto de trabajo.
De ahí que la conclusión sensata sea de método, no de pronóstico. Frente a una transformación cuyo mapa nadie posee, la respuesta prudente no es apostar fuerte por la narrativa más obvia, sino construir carteras que sobrevivan a estar equivocados: diversificación genuina, humildad ante los modelos que aparentan certeza y una preferencia clara por los negocios y los procesos robustos frente a las predicciones brillantes. La paradoja de Jevons, además, contiene una advertencia para el analista de márgenes: abaratar el análisis no reduce necesariamente el gasto en análisis, del mismo modo que las ganancias de productividad rara vez se traducen de forma limpia en menos plantilla o en más beneficio. Conviene desconfiar de las líneas rectas que van del "ahorro de costes por IA" al beneficio por acción.
Nada de esto es una recomendación de BISSAN, sino la lectura de un ensayo de un tercero. Pero su moraleja encaja con una convicción que aplicamos a diario: en inversión, saber lo que no se puede saber vale más que fingir que se sabe. La frase que mejor resume a Evans no es un dato, sino una disciplina: reconocer que, ante lo genuinamente nuevo, "depende" no es una evasiva perezosa, sino la respuesta honesta.