La IA no reemplaza al senior: elimina al junior

La cohorte de desarrolladores de software estadounidenses de entre 22 y 25 años experimentó una reducción cercana al 20% en ofertas de empleo desde el pico de 2022. En el mismo período, los grupos de mayor antigüedad en roles equivalentes continuaron expandiéndose. La Universidad de Stanford caracteriza este fenómeno como indicador temprano de problemas en el empleo juvenil.

La narrativa predominante postulaba que la IA liberaría a trabajadores de tareas repetitivas. La realidad que se observa es distinta: la IA no está jubilando expertos. Está cerrando la puerta de entrada para aprendices.

La adopción actual de IA generativa —enfocada en automatizar funciones de nivel inicial— está interrumpiendo la transmisión intergeneracional de conocimiento. Las ganancias de eficiencia son inmediatas y cuantificables. El costo, sin embargo, es también real: sin aprendices transitando por los peldaños básicos, la formación de expertos en la próxima década se verá comprometida.

El conocimiento tácito abarca el conjunto de habilidades e intuiciones prácticas que no figuran en manuales ni documentación formal. En disciplinas como derecho, medicina o programación, este saber se adquiere mediante experiencia directa: observación de profesionales experimentados, ejecución de tareas reales con posibilidad de error, y corrección inmediata. Constituye un tipo de conocimiento que frecuentemente ni el propio mentor puede expresar verbalmente, pero transmite mediante ejemplo.

Las tareas básicas que ejecutan profesionales junior no representan únicamente trabajo rutinario: funcionan como entrenamiento de campo que desarrolla el discernimiento crítico que caracteriza a un profesional senior.

La IA sobresale exactamente en funciones tradicionalmente asignadas a profesionales iniciales: síntesis de documentos, redacción de borradores, análisis de datos estandarizados. Mediante la automatización de esas funciones, la interacción entre experto y novato disminuye o se elimina. La lógica económica es directa: si la máquina ejecuta la tarea con mayor rapidez, la contratación de personal junior resulta innecesaria.

De persistir este patrón, el crecimiento anual del PIB per cápita en EE. UU. podría disminuir entre 0,05 y 0,35 puntos porcentuales debido a la degradación de competencias. Aunque no es una cifra de magnitud extrema, tampoco es marginal: representa el costo de perder una generación de expertos antes de que alcance su formación completa.

Las ofertas de empleo para puestos de entrada cayeron entre un 11% y un 20% en el último año en distintos mercados globales. En el Reino Unido, las vacantes para principiantes registraron una caída cercana al 33% desde el lanzamiento de ChatGPT.

Las organizaciones no están eliminando actualmente posiciones junior sino que han suspendido la contratación de nuevos perfiles. El acceso al mercado laboral especializado permanece cerrado. En España, este fenómeno se superpone a un desafío estructural preexistente: las tasas de desempleo juvenil oscilan entre el 25% y el 27%, y la inserción laboral tras graduación se ha vuelto significativamente más difícil.

Una investigación de IESE que examinó datos de 138 millones de trabajadores identificó que las remuneraciones de nuevas incorporaciones en empresas expuestas a IA descendieron un promedio del 4,5%. En roles junior específicamente, la reducción alcanzó el 6,3%, mientras que la compensación para niveles senior se mantuvo sin cambios o se incrementó.

La causalidad es directa: un exceso de candidatos desplazados que intentan ascender a posiciones intermedias genera presión salarial a la baja en el escalafón inicial.

El argumento más extendido en favor de la IA laboral sostiene que libera a las personas para actividades que las máquinas no pueden ejecutar: pensamiento analítico sofisticado, toma de decisiones eticamente fundamentadas, liderazgo y coordinación de equipos. La evidencia empírica respalda parcialmente esta posición: el uso de asistentes de IA incrementa la productividad de agentes de soporte en aproximadamente un 15% y mejora la calidad del resultado en tareas de redacción. Mayor producción por trabajador debería, en teoría, generar riqueza incremental que compensara la contracción de tareas automáticas.

La realidad presenta una paradoja: mientras que profesionales junior generan mayor volumen de contenido mediante IA, profesionales senior enfrentan una sobrecarga de tareas de revisión y validación. El 41% de profesionales veteranos dedica actualmente más de 11 horas semanales exclusivamente a revisar y validar contenido generado por máquinas —fenómeno denominado workslop en la literatura especializada.

El código generado por IA produce 1,7 veces más errores que el código de origen humano, y las tasas de fallos en producción se han incrementado un 30%. La IA no reduce la carga del experto: la redirecciona hacia él, mientras simultáneamente elimina el incentivo económico para desarrollar talento de relevo.

Las especificaciones de las posiciones laborales están evolucionando. Lo que anteriormente se requería en ejecución técnica directa ahora se demanda en supervisión estratégica. La literatura especializada denomina este fenómeno como 'cambio tecnológico sesgado hacia la antigüedad' (seniority-biased technological change): la tecnología sustituye la ejecución del novato pero complementa el discernimiento del experto. El 26% de nuevas responsabilidades tras rediseño con IA se concentra en liderazgo estratégico.

Sin embargo, esas competencias de liderazgo requieren una base técnica sustancial. Si los líderes del futuro no transitaron por fases de aprendizaje mediante tareas elementales, ¿cuál es la procedencia de expertos capacitados para supervisar sistemas de IA en el mediano plazo?

Algunos reportes celebran un incremento del 4% en la productividad agregada atribuible a IA. Ese número es verificable. Pero ese beneficio podría resultar ilusorio si se consigue a cambio de erosionar la competencia técnica humana disponible en la próxima década.

La pericia técnica no se descarga en una base de datos. Se cultiva a través de la fricción sostenida con problemas reales y la mentoría de quienes ya completaron el camino. Si la búsqueda de eficiencia inmediata cierra las puertas a profesionales junior, dentro de diez años existirán máquinas capaces pero muy pocos seres humanos con el discernimiento necesario para dirigirlas.

La pregunta estratégica que persiste es: ¿está la sociedad dispuesta a pagar ese costo a cambio de ganancias de productividad inmediatas?