La IA podría transformar las vías de crecimiento económico. Quienes busquen crecer deberán adaptarse a ello. Las predicciones sobre nuestro futuro económico deberían tener en cuenta ambos factores.
La IA del mañana no estará a la altura del mundo actual.
Spanish
Hace tres años, unos trabajadores en Kenia acapararon titulares internacionales por las condiciones que sufrían al etiquetar datos para OpenAI . Estos trabajadores dedicaban sus días a clasificar discursos de odio, abusos sexuales e imágenes violentas —algunos de los contenidos más perturbadores de internet— por aproximadamente 1,35 dólares la hora. Las etiquetas que generaban se utilizaban posteriormente para entrenar a ChatGPT en la identificación de contenido tóxico o prohibido.
En 2023, gran parte de la indignación se centró —con razón— en las condiciones laborales de quienes etiquetaban estos datos. Pero al retomar esta historia en 2026, adquiere un cariz mucho más sombrío.
En medio de una nueva ola de inquietud por la IA, la gente ha comenzado a temer que la categoría más amplia de empleos en servicios de TI pueda desaparecer por completo. Desde esta perspectiva, al ayudar a capacitar a ChatGPT, estos trabajadores podrían haber contribuido inadvertidamente a automatizar el tipo de trabajo de servicios comercializables que realizaban, limitando así el camino de Kenia hacia la prosperidad.
Pero, ¿cuántas pruebas existen de que el desplazamiento laboral relacionado con la IA haya comenzado realmente en los países en desarrollo? ¿Y cómo podemos predecir lo que sucederá cuando los trabajadores, las empresas y los países afectados por la IA se adapten, improvisen y cambien en respuesta?
Ascendiendo en la escalera del crecimiento
Históricamente, el crecimiento de la industria manufacturera ha sido la vía para que los países salgan de la pobreza. En Japón, Corea del Sur, Taiwán y, sobre todo, en China, la expansión de la manufactura para la exportación sacó a millones de personas del campo y las llevó a empleos mejor remunerados en las fábricas. Bajo la presión de la competencia internacional, las empresas de Asia Oriental convergieron rápidamente hacia la vanguardia tecnológica.
Sin embargo, salvo algunas excepciones como Vietnam y Bangladesh, los países en desarrollo no han logrado replicar el éxito de Asia Oriental. En India, la participación del sector manufacturero en el PIB nunca ha superado el 20% e incluso ha disminuido desde 2010. En África subsahariana, la manufactura representa alrededor del 10% del PIB. Un nuevo análisis sugiere que, durante los últimos 30 años, la productividad manufacturera en los países más pobres se ha mantenido persistentemente muy por debajo del promedio mundial.
Ingrese a los servicios de TI.
La llegada de la banda ancha asequible a nivel mundial hizo viable la externalización de servicios de tecnología de la información para las empresas occidentales, permitiéndoles aprovechar la mano de obra más barata en los países en desarrollo. En 1999, India desreguló su sector de telecomunicaciones, acelerando la adopción de internet de alta velocidad y permitiendo que nuevas empresas como Infosys y Wipro alcanzaran una alta rentabilidad. Así nació un nuevo sector: en India, la externalización de procesos de negocio (BPO).
Para los países que luchaban por impulsar el crecimiento, la externalización de procesos de negocio (BPO) parecía una tabla de salvación. Al igual que los empleos de manufactura para la exportación de antaño, los servicios de exportación prometían generar importantes ingresos en divisas y, al mismo tiempo, crear un gran número de empleos mejor remunerados. En 2021, el Banco Mundial publicó un informe que ensalzaba «el potencial del desarrollo impulsado por los servicios», destacando su exposición a la «innovación que mejora la productividad laboral».
En las últimas décadas, países como Filipinas y Brasil han desarrollado sectores de TI considerables, exportando miles de millones de dólares en servicios al año y empleando a cerca de 2 millones de trabajadores cada uno. 1 </sup> Pero, a nivel mundial, el líder indiscutible fue India, cuyo sector de servicios de TI empleaba a 5,8 millones de personas y exportó 200 mil millones de dólares en 2025.
El temor a que la IA reemplace los empleos humanos es ahora generalizado. En Estados Unidos, la atención se centra en la disrupción de los empleos de nivel inicial en desarrollo de software y atención al cliente: los proverbiales canarios en la mina de carbón, el trabajo que (al menos en teoría) debería ser más fácilmente automatizable por agentes de codificación de IA. Un influyente estudio de los economistas Erik Brynjolfsson, Bharat Chandar y Ruyu Chen reveló que los trabajadores jóvenes (de 22 a 25 años en EE. UU.) en los sectores más expuestos a la IA han experimentado una disminución relativa del 19 % en su empleo desde 2022.
Naturalmente, la atención se ha centrado en las implicaciones de la IA para los 6.800 millones de personas que viven en países de ingresos bajos y medios. Hasta el momento, la IA no ha tenido un gran impacto, ni positivo ni negativo, en los 2.500 millones de personas que aún dependen de la agricultura a pequeña escala. En el sector manufacturero, la evidencia de su impacto también es limitada, aunque es posible que se vislumbren avances en robótica industrial impulsados por la IA. Es en las exportaciones de servicios donde la amenaza del desplazamiento laboral relacionado con la IA se presenta con mayor fuerza.
Los canarios en la mina de carbón
Han transcurrido cuatro años desde el lanzamiento de ChatGPT. Los agentes ya pueden realizar gran parte del trabajo de atención al cliente; de hecho, las líneas de soporte corporativo se han ido reemplazando cada vez más por plataformas como ChatGPT o Claude. ¿Hasta qué punto la automatización está desplazando las exportaciones de servicios en el mundo en desarrollo?
Podemos tomar como referencia la reciente investigación sobre el desplazamiento laboral provocado por la IA realizada por Brynjolfsson et al. en Estados Unidos y analizar cómo está evolucionando el empleo para las personas que cabría esperar que estuvieran más expuestas al desplazamiento por la IA: los trabajadores tecnológicos de nivel inicial. 2
Quizás los mejores datos disponibles de cualquier país en desarrollo provienen de la Encuesta Periódica de Fuerza Laboral (PLFS) de la India, un análisis de alta frecuencia de las tendencias en empleo y salarios. 3 Podemos usar lo que los economistas llaman una “triple diferencia” para determinar el efecto de la exposición a la IA. Primero, tomamos el empleo de los trabajadores jóvenes (de 15 a 24 años) en industrias expuestas a la IA y restamos la tendencia de los trabajadores mayores (de 25 a 39 años) en las mismas industrias. Luego podemos hacer la misma comparación entre jóvenes y mayores en industrias en gran medida aisladas de la IA. Finalmente, al tomar la diferencia entre estas dos diferencias, podemos aislar el impacto en los trabajos de nivel inicial en las industrias más expuestas a la IA.
El gráfico anterior muestra esta triple diferencia en el empleo, con intervalos de confianza marcados por las barras verticales. Durante los tres años previos a ChatGPT, la diferencia entre los trabajadores principiantes y los de mayor edad era mínima en los sectores más expuestos a la IA y en los menos expuestos. Sin embargo, después de 2022 —año en que ChatGPT se lanzó al público— el empleo relativo de los trabajadores más jóvenes expuestos a la IA cayó repentinamente un 32 %. Desde entonces, el empleo relativo no se ha recuperado y se mantiene alrededor de un 20 % por debajo del nivel de referencia de 2022 en la última instantánea de 2025.
Debemos ser cautelosos al interpretar este resultado. Es posible que el descenso refleje fuerzas estructurales que se produjeron simultáneamente con el auge de la IA generativa. Por ejemplo, algunas empresas de TI indias contrataron en exceso durante la pandemia y congelaron la contratación de recién graduados en 2023.
La ausencia de una recuperación sólida del empleo —en medio de la retórica de las propias empresas de externalización de procesos de negocio (BPO) sobre el aumento de la adopción de la IA— sugiere que el efecto podría ser real. Casualmente, esto coincide con el resultado de la última revisión del trabajo de Brynjolfsson y sus coautores, donde la disminución del 19 % en el empleo de los jóvenes trabajadores expuestos a la IA no muestra signos de desaparecer.
Pero no debemos interpretar esto como una señal de que todos los empleos van a desaparecer. Estos datos provienen de un solo sector, en un solo país, entre los trabajadores que prevemos que se verán más afectados. Hasta el momento, no hay evidencia de una recesión generalizada en todas las categorías de edad ni en los sectores expuestos a la IA. Incluso este resultado es estadísticamente muy diferente de cero.
¿Cómo y cuándo podremos llegar a conclusiones más claras? Puede que tarde más de lo que nos gustaría; en la mayoría de los demás países en desarrollo, los datos llegan con mucho más retraso.
Volando a ciegas desde el despegue
«Señores, han llegado 60 días tarde. La depresión ha terminado». Herbert Hoover, junio de 1930 4
En 1930, la Gran Depresión aún no había terminado. Pero, ¿cómo iba a saberlo Hoover? Esto ocurrió antes de que se presentara el informe "Ingreso Nacional" de Kuznets en 1934, precursor de las cuentas nacionales y el PIB modernos. También fue antes de que se dispusiera de estadísticas mensuales fiables sobre el desempleo, ya que la encuesta moderna de hogares no comenzó hasta 1940.
Muchos de los líderes actuales, sobre todo en países de ingresos bajos y medios, se encuentran en una situación similar a la de Hoover en la década de 1930: inician un periodo de transformación económica sin ser conscientes de cómo están cambiando realmente sus economías en tiempo real. El PLFS de la India es un esfuerzo notable, sin equivalente en otros países que podrían ser igualmente vulnerables a una crisis de exportaciones de tecnología de la información.
Tomemos como ejemplo Filipinas, otro país con un importante sector de exportación de servicios. Su encuesta anual sobre negocios e industria se publica más de un año después del período que analiza. Esto la hace prácticamente inútil para analizar los cambios frecuentes en la fuerza laboral en respuesta a los cambios en las capacidades de la IA. Es posible que no sea hasta el lanzamiento de Fable 8 que podamos desentrañar por completo el impacto de Fable 5 (y de otros modelos de vanguardia actuales) en la fuerza laboral del sector de TI de Filipinas. Simplemente no existen datos de seguimiento en tiempo real. 5
Con la atención y el dinero que ahora se destinan a la investigación económica sobre la IA, es probable que nos veamos bombardeados con estimaciones similares a las nuestras, procedentes de resúmenes de documentos de trabajo recién publicados que nos dicen cómo la IA ha desplazado a alguna categoría de trabajador en relación con otra o ha aumentado la productividad en alguna empresa en relación con otra.
Por lo tanto, también será tentador sobreinterpretar los datos que tenemos, como publicar un hilo de Twitter sobre el inminente desastre laboral que enfrentan los jóvenes trabajadores de TI en India. Pero cada resultado es solo una pieza del rompecabezas. Este resultado, y otros similares, no nos informan sobre el impacto general.
Y luego está el pequeño detalle de proyectar esto hacia el futuro. Incluso si pudiéramos comprender perfectamente las economías actuales, simplemente extrapolar ese conocimiento para adaptarlo a las capacidades de los modelos del futuro podría llevarnos a pronósticos muy engañosos.
Granjeros no tan tontos y la bomba demográfica que no fue…
Muchos de los temores sobre los efectos económicos de la IA surgen de proyectar los efectos de las tecnologías futuras en un mundo que se asemeja bastante al actual. Pero este tipo de extrapolaciones tienen una larga y compleja historia, ya que los humanos tendemos a ser mucho más adaptables de lo que creemos.
Quizás la predicción más infame en el desarrollo internacional proviene del bestseller de Paul Ehrlich de 1968, "La bomba demográfica". Extrapolando las tendencias observadas en el crecimiento de la población y el limitado progreso en la producción de alimentos, Ehrlich se alarmó ante la posibilidad de la superpoblación y la hambruna masiva. El escenario más optimista presentado en "La bomba demográfica", que requería "una madurez de perspectiva y comportamiento en los Estados Unidos que parece improbable que se desarrolle", implicaba la muerte por inanición de quinientos millones de personas (una quinta parte de la población mundial). 6
Pero las proyecciones de Ehrlich se basaban en extrapolaciones estáticas del comportamiento humano. No previó la Revolución Verde, que mejoró drásticamente el rendimiento de los cereales (sobre todo en la India), ni la Transición Demográfica, en la que disminuyó la fertilidad. De hecho, las muertes por desnutrición y hambruna han disminuido. Ehrlich apostó en contra de nuestra capacidad, a menudo subestimada, de innovar y adaptarnos, al imponer una población en rápido crecimiento a un mundo futuro cuyas posibilidades productivas cambiaban con demasiada lentitud.
De hecho, el episodio del efecto 7 , la crisis de demanda que impulsó el sector de exportación de TI de la India, es otro ejemplo de cómo las predicciones no se ajustan a la realidad. En esta ocasión, antes de la medianoche del 31 de diciembre de 1999, la adaptación se materializó gracias a que programadores en la India inspeccionaron y modificaron millones de líneas de código para evitar el desastre. Al final, las predicciones apocalípticas sobre el colapso simultáneo de los sistemas financieros, gubernamentales y de transporte a nivel mundial nunca se cumplieron, ya que nos adaptamos para evitarlo.
La economía climática también ha aprendido una lección similar en las últimas décadas. Los primeros modelos sobre los daños agrícolas derivados del cambio climático solían tomar temperaturas proyectadas, aplicarlas a ecuaciones de rendimiento de cultivos a diferentes temperaturas y proyectar los daños. Como era de esperar, los daños climáticos estimados en esta primera generación de predicciones tendían a ser enormes. Pero estos modelos partían de la premisa fundamental de que los agricultores no se adaptarían a un clima cambiante.
Por supuesto, el cambio climático seguirá teniendo grandes costes. Y no todas las adaptaciones son exitosas: en la agricultura estadounidense, a largo plazo, las adaptaciones han mitigado, como máximo, la mitad, pero probablemente ninguna , de los daños causados por el cambio climático. Existen limitaciones reales para la adaptación; incluso cuando hay voluntad de adaptarse, no siempre existe la manera de hacerlo.
La IA podría desarrollarse de forma similar a los desafíos anteriores. Probablemente habrá perdedores en la adaptación. Incluso podría haber límites en los que la capacidad de adaptación se agote. Pero si intentas adivinar cómo será el mundo dentro de cinco o diez años, podrías equivocarte gravemente si ignoras la capacidad de adaptación de nuestro yo futuro. La IA del mañana se enfrentará al mundo del mañana, no al de hoy.
Esto nos lleva a una sugerencia, pequeña pero quizás constructiva, para los economistas. Durante los últimos 20 años, la inferencia causal —la capacidad de separar claramente causa y efecto— ha sido la condición indispensable de la investigación económica académica. Por el contrario, la previsión ha quedado relegada a un segundo o tercer nivel, dominio de los responsables políticos y (¡qué horror!) de los banqueros.
Esa división del trabajo tenía sentido cuando podíamos esperar razonablemente que el mundo del mañana se pareciera al de hoy. Pero si la IA realmente está a punto de transformar las vías de crecimiento, lo más útil que pueden hacer los economistas no es medir con mayor precisión el impacto del pasado, sino mejorar su capacidad para predecir el próximo.
Para tener una visión más precisa de nuestro futuro económico, es necesario considerar tanto las capacidades de las máquinas como la adaptabilidad humana. Así como la humanidad no se quedó de brazos cruzados esperando a morir de hambre, los ejecutivos de Infosys no se quedan de brazos cruzados esperando a ser reemplazados. Puede que haya menos puestos de trabajo disponibles, o que haya diferentes tipos de empleos, pero si hay algo que puedan hacer al respecto, la industria nacida de la adaptación a una crisis intentará adaptarse una vez más.
Oliver Kim es economista del desarrollo y trabaja como investigador asociado en el Fondo de Crecimiento Global de Coefficient Giving. 8 Escribe un blog en Substack llamado Global Developments . Oliver Hanney es editor colaborador de In Development y editor jefe de VoxDev, donde presenta el podcast Ideas in Development.
Si tiene algún comentario sobre este artículo o desea participar en el debate, envíelo por correo electrónico a letters@indevelopmentmag.com. Las respuestas se publicarán en la sección de cartas al director.
- La historia de OpenAI fue relativamente inusual al incluir a trabajadores africanos; el sector de Kenia empleaba a tan solo 36.000 personas en 2025 . ↩︎
- Es probable que los trabajadores tecnológicos de mayor edad hayan adquirido tanto más "habilidades blandas" como habilidades técnicas más especializadas, lo que dificulta su sustitución por inteligencia artificial. ↩︎
- La metodología del PLFS se revisó en 2025, lo que dificulta las comparaciones retrospectivas. No obstante, son los mejores datos de los que disponemos. ↩︎
- Las palabras exactas son inciertas, pero lo más probable es que haya dicho algo parecido a esto . ↩︎
- Existe un creciente número de investigaciones que exploran nuevas formas de medición, como la predicción a corto plazo mediante aprendizaje automático, los datos satelitales, los datos de telefonía móvil y la clasificación automatizada. Queda por ver si estos nuevos enfoques podrán prescindir de las fuentes de datos administrativas y de encuestas tradicionales. ↩︎
- Paul Ehrlich, La bomba demográfica (Sierra Club Ballantine Books), 80. ↩︎
- Originalmente conocido como el "error del milenio", muchos programas informáticos almacenaban los años utilizando solo dos dígitos, lo que generó temores generalizados de que los sistemas confundieran el "00" con el año 1900 y colapsaran en masa el 1 de enero de 2000. ↩︎
- Otro equipo dentro de Coefficient Giving, el equipo de Donaciones Efectivas y Carreras Profesionales, es financiador de In Development. No participaron en nuestra decisión editorial de encargar, editar y publicar este artículo, y Oliver escribe a título personal. ↩︎