Cuando la IA se convierte en infraestructura. ¿Por qué trabajo nos pagarán?

Empecé mi carrera en informática con Java. Por entonces, saber programar daba una ventaja muy concreta: si una empresa necesitaba un sistema que se ajustara a sus propias reglas, sin gente que supiera escribir código ese sistema sencillamente no llegaba a existir. Ahora diseño sistemas que utilizan IA y cada vez me pregunto más qué será de aquella ventaja. Me da la impresión de que quienes programamos podemos acabar como los jinetes cuando apareció el automóvil. Todavía se puede montar a caballo. Lo que pasa es que ya no hace falta saber montar para cada desplazamiento.
Mi hipótesis es esta: cualquier trabajo que dependa de una forma previsible de razonar acabará pasando a manos de la IA. La previsibilidad se refiere al modo de trabajar. Una aplicación puede ser única y un dictamen puede abordar una situación sin precedentes. Si el sistema puede pasar de los datos de partida al resultado con fiabilidad, comprobarlo y resolver las excepciones habituales, ese trabajo se puede automatizar. La cuestión es cuánto cuesta el proceso completo, contando los errores, las correcciones y el mantenimiento posterior.
Imaginemos que ya hemos pasado al otro lado. Hay chips suficientes, la competencia ha acabado con la dependencia de un solo proveedor de capacidad de cálculo y tanto una familia como un pequeño taller se pueden permitir la IA. También han cambiado los hábitos: responsables, empleados y clientes saben usarla y los procesos de trabajo ya se han reorganizado para incorporarla. Los robots pueden extenderse por el mundo físico a su propio ritmo. Siguen haciendo falta equipos, instalación y mantenimiento.
En ese mundo quiero saber qué pasará con el trabajo, qué empezaremos a hacer más deprisa y quién tendrá dinero para comprar los frutos de esa aceleración.
Programadores, operadores de IA y la dueña del taller
Pensemos en un pequeño taller. Hay citas, profesionales con distintas especialidades y encargos que por teléfono parecen «cosa de veinte minutos» y luego ocupan media jornada. Antes, la dueña tenía que adaptar el taller a un programa comercial o encargar modificaciones. Ahora le enseña a la IA citas reales y excepciones, le explica las reglas de pago y obtiene una aplicación que encaja con su forma de trabajar. Al cabo de un mes cambian los horarios y las condiciones del anticipo. La aplicación cambia con ellos.
En un primer momento habrá un operador de IA entre la dueña y su nuevo sistema. Recoge requisitos, conecta servicios y averigua por qué ha vuelto a desaparecer la cita del sábado. Luego parte de esas acciones se vuelve repetible y el sistema se hace cargo. La misma lógica que se aplica a escribir código sirve para formular el problema, diseñar la arquitectura y comprobar el resultado. La complejidad del trabajo desplaza la frontera de la automatización, y esa frontera sigue moviéndose.
Eso es lo que quiero decir cuando digo que «la informática se convierte en un bien de uso común». Crear y modificar software se vuelve una capacidad productiva al alcance de muchos. Aparecerá software incluso donde antes a nadie se le habría ocurrido encargar un proyecto. Seguirá habiendo demanda de infraestructuras compartidas de pagos, contabilidad e intercambio de datos. Sobre ellas surgirán aplicaciones para talleres, familias y equipos concretos. La demanda de software puede ser alta a la vez que baja el precio del desarrollo manual y se reducen los equipos que se dedican a él.
Yo seguiría contando con el pensamiento matemático. Si le pedimos a la IA que aumente el número de citas del taller, puede cumplir el objetivo: la agenda se llena, los clientes esperan, los profesionales se agotan y el beneficio cae. Alguien tiene que darse cuenta de que las citas, los trabajos cobrados y el beneficio son tres magnitudes distintas. Hablamos de saber formalizar un problema, comprobar los supuestos, detectar casos límite y cambiar el criterio cuando lleva a un resultado absurdo. Con el tiempo, la IA también podrá ayudar en eso. Y quien piense así podrá abordar problemas más complejos en su ámbito, ya sea la programación, la logística o el aprendizaje en casa.
Puede haber más trabajo y menos puestos de trabajo
Supongamos que un servicio requería cinco horas de trabajo humano y ahora requiere una. Aunque se triplique el número de clientes, el total de horas humanas cae un 40 %. Para conservar el mismo número de horas, la demanda tendría que multiplicarse por cinco. Si el precio más bajo abre un mercado donde se compra el servicio ocho veces más a menudo, aumentan las horas de trabajo humano. Por eso, en cada sector preguntaría cuánto trabajo humano queda en cada servicio y cuánto puede crecer la demanda. Hay además un efecto indirecto: las personas y las empresas pueden gastar en otros sectores el dinero que ahorran. Daron Acemoglu y Pascual Restrepo sobre automatización y nuevas tareas.
Me preocupa especialmente el acceso a una profesión. ¿De dónde saldrá la gente a la que podamos confiar un trabajo complejo dentro de diez años si hoy dejamos de dar tareas sencillas a quienes empiezan? En una muestra de nóminas estadounidenses con datos hasta junio de 2026, los investigadores observaron que el empleo entre los jóvenes de 22 a 25 años en ocupaciones muy expuestas a la IA evolucionaba peor que el de sus coetáneos menos expuestos, sobre todo por una menor contratación. Los autores hablan de una observación temprana que aún no permite establecer causalidad. En Dinamarca, durante los dos primeros años tras la aparición de ChatGPT cambió la composición de las tareas, pero los investigadores no detectaron cambios apreciables en los ingresos ni en las horas registradas. Para mí, es otro motivo para fijarme en las vacantes de entrada y en las formas de aprender un oficio: los salarios medios pueden cambiar mucho más tarde. Stanford Digital Economy Lab · Estudio de Humlum y Vestergaard sobre Dinamarca.
En contabilidad rutinaria, atención al cliente y administración, un solo equipo podrá resolver muchos más casos. En el derecho y las finanzas, parte del trabajo se desplazará hacia los litigios complejos, la supervisión de decisiones importantes y la responsabilidad de las organizaciones. La escasez de personal por sí sola no garantiza buenos sueldos. Podemos necesitar con urgencia a gente que cuide a los mayores y seguir pagándole poco si los presupuestos de familias e instituciones son limitados. OCDE sobre la demanda de personal de cuidados de larga duración.
La ciencia se acelerará. Aumentará el trabajo en las plantas piloto
La ciencia es lo que más me interesa de este escenario. Cuando podemos comparar grandes volúmenes de estudios, explorar alternativas y diseñar experimentos con rapidez, merece la pena considerar muchas más hipótesis. Pero si un laboratorio sigue pudiendo probar diez variantes al mes, lo que crece es la cola. La aceleración de verdad empieza cuando cerramos el ciclo «hipótesis → experimento → datos → siguiente hipótesis».
Ya se ven partes de ese ciclo. AlphaFold 3 mejoró la predicción computacional de estructuras de complejos moleculares. En ciencia de materiales, A-Lab conectó la selección computacional con experimentos físicos en un laboratorio automatizado. De ahí saco una conclusión práctica: a medida que se abarata la búsqueda de ideas, cobran valor las mediciones de calidad, los instrumentos, la automatización de experimentos y la verificación independiente. AlphaFold 3 en Nature · A-Lab en Nature.
Luego viene la implantación. Un prototipo digital puede llegar casi de inmediato a manos de quienes van a usarlo. Un nuevo material industrial hay que producirlo en el volumen necesario y comprobar su durabilidad. Además, hace falta un primer cliente dispuesto a cambiar su proceso. En energía, los cálculos se acelerarán antes que el montaje de las redes. En construcción se pueden comparar proyectos rápidamente, pero la obra sigue teniendo sus plazos. Espero que más trabajo e inversión vayan allí donde el cálculo se encuentra con el mundo físico: a las plantas piloto, los centros de ensayo y los sistemas que mantienen las cosas en funcionamiento.
La velocidad de cálculo deja también una pregunta abierta. ¿Quién marca el rumbo de la investigación y paga la implantación? Se puede acelerar el desarrollo de sistemas baratos de almacenamiento energético, de herramientas para los cuidados o de técnicas para retener a la gente en una aplicación. Cada objetivo tiene quien lo financie. El progreso puede acelerarse, y su dirección seguirá dependiendo de quién toma las decisiones y dispone de los recursos.
Los servicios personalizados se vuelven más asequibles. La participación humana sigue teniendo un precio
En Capybara veo con especial claridad la diferencia entre dos formas de personalizar. Sale más barato preparar ejercicios para una dificultad concreta de un niño, ajustar el ritmo y tener listo el material para la siguiente clase. Entender por qué, después de una buena sesión, en casa nadie quiere volver a abrir el cuaderno implica también trabajar con hábitos, expectativas y acuerdos familiares. Una familia puede pagar a una persona que la acompañe si le importa que alguien concreto conozca su situación y pueda comprobar dentro de dos semanas qué ha funcionado de verdad.
Algo parecido puede ocurrir en los cuidados, las reparaciones, el acompañamiento educativo, los servicios domésticos y el trabajo creativo. La IA se encarga de parte de la preparación, la traducción, las reservas y la coordinación. Un equipo pequeño puede asumir encargos que antes eran demasiado modestos o singulares. En los medios se da una imagen casi inversa: crece la producción digital, puede caer el precio de cada pieza y ganan peso el acceso al público y la relación directa con los autores. En ambos casos, las herramientas asequibles reducen el coste de producción. Los ingresos de quien presta el servicio dependen también de cuántos clientes encuentra y de por qué servicios están dispuestos a pagar.
Veo una relación directa con lo que estoy diseñando en DOGEstonia. Imaginemos que distintos asistentes de IA pueden encontrar ofertas de pequeñas tiendas y empresas de servicios. Un taller puede aparecer en la búsqueda de un trabajo concreto aunque el cliente nunca haya oído hablar de él. Si la mayoría elige a través de un solo asistente que controla tanto los resultados como la operación, el taller se encuentra con un nuevo intermediario que decide quién tiene visibilidad. Eso es lo que me interesa de un registro abierto de nodos comerciales: ¿quién decide qué ofertas ve el comprador a medida que delegamos en una máquina la búsqueda y la elección? OCDE sobre competencia y agentes de IA.
¿Con qué dinero compraremos toda esta abundancia?
Para mí, esta es la cuestión central. El ahorro de la automatización puede llegar a los compradores en forma de precios más bajos, a los trabajadores como ingresos o tiempo libre, a los propietarios como beneficios y a la sociedad como servicios financiados con impuestos. Con el mismo acceso a la IA, los resultados pueden ser muy distintos.
Imaginemos una familia cuyos ingresos del trabajo han bajado. Puede conseguir gratis una traducción, materiales de estudio y su propia aplicación. Eso es una ventaja real. Pero si la mayor parte de sus gastos se va en vivienda, comida, energía y cuidados, su poder adquisitivo depende ante todo de esos precios. Cuando la oferta es limitada, como ocurre con la vivienda en una zona bien situada, parte del dinero que se ahorra puede acabar en manos de los propietarios del recurso escaso. Mientras tanto, la inversión en equipos y ciencia puede dispararse aunque los hogares gasten con más cautela en sus propias necesidades.
Veo varias formas de organizarlo que pueden convivir.
- Los ingresos se concentran en los propietarios de activos y canales de venta. Los servicios digitales baratos se generalizan. La atención humana personalizada la compran con más frecuencia las familias acomodadas y las grandes organizaciones.
- El rendimiento del aumento de productividad se reparte más ampliamente a través de la propiedad. Esto puede ocurrir mediante participaciones de los trabajadores, cooperativas, fondos de pensiones o fondos públicos. Una familia recibe ingresos adicionales cuando su participación se apoya en activos que realmente generan ingresos.
- Parte de la ganancia vuelve a la gente a través de servicios públicos, transferencias y acuerdos sobre el tiempo de trabajo. Una semana más corta deja tiempo para los hijos, para aprender y para proyectos propios si los ingresos cubren el coste de la vida. Las transferencias amplían las opciones. El acceso a cuidados o a vivienda depende también de cuánto se pueda ofrecer.
FMI sobre cómo repartir los beneficios de la IA generativa · Korinek y Suh sobre escenarios económicos de automatización profunda.
Hace poco escribí sobre qué estudiar cuando las profesiones cambian más deprisa que los planes de estudios. Para una familia, la pregunta es qué habilidades e intereses pueden ayudar a una persona a abrirse camino. A escala de la economía se añade otra. Si podemos producir más trabajando menos, ¿quién se queda con el tiempo liberado y quién recibe los ingresos? De la respuesta depende que una familia pueda aprovechar lo que hace posible esta economía, pagar la ayuda que necesita y elegir a qué dedica su tiempo.
Para empresas
Empecemos por un proceso de tu empresa
Si tu equipo recopila a mano los informes de los contratistas, aclara datos por mensajes y pasa la información acordada a documentos, describe uno de esos procesos. Veremos qué se puede automatizar y qué decisiones deben quedar en manos de tu equipo. Empezaremos por escrito.
Analizar mi proceso


