Hay una pregunta que circula por las salas de juntas, por los grupos de WhatsApp familiares y, cómo no, por las propias máquinas: ¿son los despidos en las grandes tecnológicas el adelanto de lo que viene para todos los demás? Capital Group abre su columna con una ironía elegante. Le hicieron esa pregunta a ChatGPT y la respuesta fue, dicen los autores, tan clara como el barro: todavía no, pero las señales de alarma son reales. Que la herramienta protagonista del debate no sepa contestar a si va a quedarse con nuestros empleos resume bastante bien el estado de la cuestión. Y conviene detenerse en ella, porque del modo en que un inversor responda a esa pregunta dependen muchas decisiones de cartera de los próximos años.
La pieza la firman cinco gestores y un economista de la casa (Chris Buchbinder, Mark Casey, Steve Watson, Rob Lovelace y Jared Franz), y su mérito principal es ir a contracorriente del catastrofismo dominante sin caer en el tecno-optimismo ingenuo. La tesis es sobria: la inteligencia artificial transformará el trabajo mucho más de lo que lo destruirá, igual que hicieron antes el motor eléctrico, el ordenador personal o internet. Pero (y aquí está lo interesante para quien administra un patrimonio) lo hará despacio, de manera desigual y tropezando con una cantidad notable de fricciones. El relato, así pues, no es el de una revolución instantánea, sino el de una digestión lenta. Y los mercados, desgraciadamente, suelen confundir ambas cosas.
El argumento histórico: la tecnología crea más empleo del que mata
Buchbinder, gestor del Capital Group U.S. Large Value ETF, lo plantea desde su propia biografía. Como analista de telecos a finales de los noventa, vio nacer internet y con él una constelación de compañías y empleos que nadie había sabido anticipar. Era impensable, recuerda, que Amazon llegara a ser un gigante del comercio minorista, que Netflix se comiera buena parte de la industria de los medios o que la publicidad online superara a los canales tradicionales. Su conclusión es que estamos en esa misma fase: la próxima generación de empresas y casos de uso de IA será tan difícil de predecir, y tan transformadora, como lo fue entonces.
El gráfico que acompaña el argumento es probablemente el más importante de toda la columna, porque traduce la intuición a números. Capital Group cuenta los empleos tecnológicos creados a raíz del boom de internet, y el dibujo es inequívocamente ascendente.
De 1,1 millones de empleos tecnológicos en 1990 a 5,7 millones en 2024: el stock se ha multiplicado por más de cinco. Y conviene fijarse en la etiqueta del eje, porque dice más de lo que parece. No son empleos cualesquiera, sino programadores, analistas de sistemas, gestores y administradores de TI, soporte técnico. Es decir, ocupaciones altamente cualificadas que sencillamente no existían en una proporción relevante antes de internet. La tecnología que muchos temían que dejara a la gente sin trabajo terminó inventando categorías profesionales nuevas. Para un inversor a largo plazo, esta es la observación de fondo: el destino del empleo agregado en una transición tecnológica no se juega solo en la columna de las pérdidas, sino sobre todo en la de las creaciones que todavía no sabemos nombrar.
El caso del radiólogo: la profecía que se equivocó
Si hay una historia que conviene grabar a fuego en la cabeza de cualquiera que tema por su oficio, es la del radiólogo. En 2016, Geoffrey Hinton (uno de los padres del aprendizaje profundo, nada menos) sentenció que había que dejar de formar radiólogos de inmediato, porque en cinco años el deep learning los superaría. Diez años después, la realidad ha desmentido al profeta de la manera más rotunda posible: hay más radiólogos que nunca y cobran más que nunca.
El gráfico es elocuente. El número de radiólogos pasa de 29.900 en 2014 a 38.100 en 2025, y el salario medio recorre en paralelo una pendiente igualmente ascendente desde el eje izquierdo. La línea discontinua de 2016 marca el momento exacto de la profecía fallida, y lo que ocurre a partir de ahí es justo lo contrario de lo anunciado. Hinton acertó en una cosa (la automatización efectivamente avanzó), pero erró en lo decisivo: la demanda de pruebas de imagen se disparó, y con ella la necesidad de profesionales que las interpreten y respondan por ellas. Es la diferencia, sutil pero crucial, entre una tecnología que sustituye a una persona y una que amplía lo que esa persona puede hacer. El economista Jared Franz lo formula con una vara de medir muy alta: para que un sistema de IA reemplace de verdad al humano en contextos de riesgo, no basta con que sea mejor; en según qué entornos debe ser diez veces mejor, o equivocarse casi nunca. Y ahí, en tareas de alto riesgo, sigue habiendo un debate abierto sobre si los grandes modelos de lenguaje (con sus alucinaciones aún por domar) están a la altura.
Los cuellos de botella: por qué la productividad no se traduce uno a uno
Aquí está, a mi juicio, la aportación más valiosa de la columna, y la que más debería interesar a quien piensa en términos de ciclo económico y no de titular. Franz desmonta una falacia que está incrustada en casi todas las proyecciones apocalípticas: la idea de que si un trabajador es el doble de productivo, su empresa será el doble de productiva. No es así. «Un trabajador que es el doble de productivo no hace a la empresa el doble de productiva», sentencia. Entre la ganancia individual y el resultado agregado se interpone una larga cadena de fricciones: la regulación sectorial o gubernamental, la capacidad física, el ancho de banda de la dirección para reorganizar procesos.
De hecho, Franz enumera cinco condiciones que deben cumplirse a la vez para que la mejora de productividad de un empleado se convierta en beneficio para la empresa, en producción agregada o en dato macroeconómico. La tarea mejorada tiene que importar de verdad al output de la compañía; la ganancia debe capturarla la firma y no quedarse como ventaja privada del empleado; el flujo de trabajo que la rodea tiene que poder escalar al mismo ritmo; los directivos deben estar dispuestos a reorganizar cómo se hace el trabajo; y los competidores no deben forzar inmediatamente a trasladar esa ganancia al cliente vía precios. Si falla cualquiera de los cinco eslabones, la mejora individual no aparece uno a uno en los beneficios ni en las cifras macro. Es una lista que cualquier analista de empresas debería tener pegada en la pantalla, porque explica por qué tantas promesas de eficiencia se evaporan antes de llegar a la cuenta de resultados.
De esa lógica nace una imagen que da título a su diagnóstico: el borde dentado (jagged edge). La IA no llegará como una marea uniforme, sino como un perfil irregular. Habrá rincones de la economía con mejoras de empresa entera (atención al cliente, tramitación de siniestros de seguros, ciertos flujos de software), y habrá otros donde el impacto será mucho menor: el trabajo jurídico y de asesoría de élite, la salud y la medicina, y en general las organizaciones donde lo difícil no es producir más cosas, sino convertir el análisis en decisiones de alta calidad. Quien haya tenido que tomar una decisión patrimonial relevante reconocerá de inmediato esa frontera. Generar opciones es barato; elegir bien, no. Y es precisamente en ese territorio donde el criterio humano sigue mandando.
Hay además una observación que merece subrayarse: la mayoría de las industrias no estrena tecnología, la atornilla. Franz recuerda que la videoconferencia la presentó AT&T en 1927 y se fue mejorando durante décadas, pero hizo falta una pandemia para que se adoptara de forma masiva. La razón es siempre la misma: integrar lo nuevo con el mundo real es engorroso y a menudo obliga a repensar procesos enteros. Construcción, sanidad, aeroespacial y defensa, finanzas... son sectores que adoptarán la IA poco a poco, lastrados por sistemas heredados difíciles de integrar y datos fragmentados. Y sentencia con una frase que tranquiliza: nadie quiere que una IA emita un diagnóstico médico sin supervisión humana, y menos aún en radiología o en situaciones que pueden alterar una vida.
Más output, mismas horas: la huella de la productividad
Si la productividad estuviera de verdad despegando gracias a la tecnología, deberíamos empezar a verlo en los datos. Y Capital Group ofrece una pista interesante con el tercer gráfico, que cruza la producción real de la economía estadounidense con las horas trabajadas.
Las dos series arrancan juntas en 2021 y caminan pegadas hasta más o menos 2023, momento en que se abren. La producción real (línea oscura) sigue subiendo hasta acercarse a 110, mientras las horas trabajadas (línea clara) se aplanan en torno a 105. Esa tijera (más output con un esfuerzo laboral que ya no crece al mismo ritmo) es la definición misma de la productividad. Conviene no sobreinterpretar: el propio gráfico no atribuye la brecha a la IA, y sería un error hacerlo, porque cuatro años de datos trimestrales no demuestran causalidad ninguna. Pero sí ilustra el mecanismo por el que una tecnología de productividad termina notándose en lo macro: no en despidos espectaculares, sino en que la economía produce más sin necesitar proporcionalmente más manos. La cuestión para los próximos años es si esa cuña se ensancha y si la IA acaba siendo, esta vez sí, el motor que la empuje.
La advertencia incómoda: cuando la IA es solo la coartada
La parte de la columna que más debería resonar entre inversores la firma Steve Watson, gestor del Capital Group International Core Equity ETF, y es una invitación al escepticismo sano. Estamos, dice, en las fases muy tempranas de implementación de la IA, y muchas empresas ni siquiera saben aún qué efecto tendrá sobre la productividad de sus empleados. Por eso recomienda tomarse con una buena dosis de escepticismo los anuncios de despidos atribuidos a la IA. Las razones reales de los recortes de plantilla, sostiene, suelen tener menos que ver con la inteligencia artificial y más con los fundamentales del negocio: más competencia y más presión de costes.
Y aquí viene el dardo, que conviene leer despacio porque desnuda un mecanismo de relato corporativo de manual. Numerosas compañías de tecnología, comercio electrónico y finanzas contrataron de forma agresiva durante la pandemia para atender una demanda disparada; cuando esa demanda se enfrió y los tipos de interés subieron, se encontraron con un exceso de plantilla. La IA, dice Watson sin anestesia, ofrece una explicación cómoda para unos recortes ya justificados por un crecimiento de beneficios menor y un consumo más normalizado. A los directivos, pendientes de la cotización, les resulta mucho más vendible decir «estamos recogiendo los frutos de la IA y por eso seremos una empresa más esbelta» que admitir que sus márgenes o sus segmentos de negocio están sufriendo. Traducido a lenguaje de inversor: hay que separar la señal del marketing. Cuando una compañía atribuye sus ajustes a la IA, vale la pena preguntarse si no se trata, en realidad, de un ciclo de beneficios que se está corrigiendo con una narrativa más glamurosa.
Lo que de verdad sigue siendo humano
El cierre de la columna baja la IA del pedestal con dos ideas que comparto. La primera la pone Mark Casey, gestor de los ETF de crecimiento de la casa: estos sistemas pueden superar a humanos con doctorado en ciertas pruebas, pero esa no es la clase de inteligencia que reemplaza el trabajo humano. Son, dice, reconocedores y productores de patrones; no tienen una comprensión real de lo que es una bicicleta o el sillín de una bicicleta. Hacen conjeturas estadísticamente válidas, pero conjeturas al fin y al cabo. Cambios sencillos en el contexto de juegos básicos como el tres en raya bastan para exponer sus límites. Quien trabaja con palabras y números (y aquí me incluyo, y se incluye cualquiera que escriba informes para vivir) puede sentirse especialmente expuesto, porque estas máquinas están optimizadas justo para producir palabras y números. Pero el éxito, recuerda Casey, no se define por la capacidad de escribir o programar, sino por la de averiguar qué quiere el cliente y cómo dárselo. Esa parte, la difícil, sigue siendo nuestra.
La segunda la firma Rob Lovelace, gestor del New Perspective Fund y presidente de Capital International, con una metáfora doméstica que se queda grabada. Igual que un propietario ve un vídeo de YouTube para desatascar un fregadero pero sigue llamando al fontanero para instalar un calentador, las empresas usarán herramientas de IA pero seguirán confiando en expertos para el trabajo crítico. Aunque la información esté más disponible que nunca, el deseo de pericia, de eficiencia y, sobre todo, de que alguien responda por el resultado mantiene a los humanos firmemente al volante. Los directores generales tienden a sugerir que la externalización y la contratación caerán; los responsables de tecnología, más cautos, observan que quizá solo estén contratando otro tipo de consultores y trabajadores, porque la complejidad se ha desplazado a otro sitio. El ahorro de tiempo será grande, concede Lovelace, pero la reducción de plantilla puede acabar siendo mucho menor de lo que todos predicen.
La lectura para un patrimonio
¿Qué hacemos con todo esto quienes pensamos en horizontes de años y no de trimestres? La columna de Capital Group deja, a mi juicio, una brújula y un filtro.
La brújula es el borde dentado de Franz. La productividad, cuando llega, no se reparte de manera uniforme: habrá ganadores claros y zonas donde la promesa se diluirá en cuellos de botella regulatorios, físicos y organizativos. Discriminar entre unos y otros es, precisamente, el trabajo de la gestión activa, y es donde un sesgo hacia la calidad y la valoración sensata protege más que perseguir la palabra de moda. Quien posiciona una cartera apostando por la disrupción instantánea suele pagar la factura del timing, porque la historia de la tecnología (del telar al ordenador) enseña que la transformación es profunda pero lenta.
El filtro es la lente de Watson. En un entorno de beneficios que se normalizan tras los excesos de la pandemia, conviene preguntarse cuántos de los recortes vestidos de eficiencia tecnológica son, en realidad, un ciclo de negocio que se corrige. Distinguir la mejora estructural del relato bursátil es, al final, otra forma de hacer lo que siempre hemos hecho: separar el valor del ruido. La IA no cambia esa disciplina; solo la vuelve más necesaria.