Estudio · n.º 3 · septiembre de 2026
El ensayo de Bill Gates sobre el trabajo, contrastado con los datos
La puerta no se cerró. Se estrechó. Bill Gates dice que ya hemos cruzado el umbral del mercado laboral. Leí el ensayo y después pasé una semana contrastándolo con los datos de empleo que él nunca cita. El diagnóstico se sostiene. La forma del daño no es la que la mayoría imagina.
Una previsión que merece ser desmontada
No sigo a Bill Gates. Leí su ensayo de agosto porque alguien me lo puso delante, y me detuvo: no porque alarme, sino porque no lo hace. Se lee como alguien que ha mirado un sistema con atención y enumera lo que, a su juicio, se rompe, admitiendo qué partes no sabe arreglar.
Esa combinación es lo bastante rara como para dedicarle una tarde. Lo que sigue es su argumento, sección por sección, con las cifras que él omite. Cada cifra aquí lleva a su fuente.
Donde el ensayo y las entrevistas del mismo día dicen cosas distintas, marco qué es qué, y esa distinción resulta importante: las cifras más citadas están en las entrevistas, no en el ensayo.
La pregunta interesante nunca fue si tiene razón. Lo interesante es qué hacen los datos con la forma de su afirmación.
Por qué falla la comparación de siempre
Al pensar en esta transición, la mayoría recurre a la imagen del campo a la oficina. Gates sostiene que la analogía se rompe en dos puntos, y ambos merecen decirse con claridad.
Primero, los plazos. Aquel cambio se extendió a lo largo de generaciones. Este, según su estimación, cae sobre el derecho, la atención al cliente, la medicina, el software y la industria en menos de una década.
Segundo, y más importante: el paso del campo a la oficina creó trabajo que exigía cognición humana. Esta tecnología sustituye la cognición misma. No se ve un siguiente peldaño obvio del mismo tipo.
Añade un detalle que explica la velocidad. El ordenador personal necesitó veinte años para cambiar la forma de trabajar: alguien tenía que escribir el software, bajar el precio y formar a la plantilla. Esta tecnología corre sobre aparatos que la gente ya tiene y habla en lenguaje llano. Se adapta a nosotros, y no al revés.
Lo que, según él, ya se ha cruzado
En entrevistas del mismo día, Gates nombra cinco umbrales que considera superados: capacidad biológica, capacidad cibernética, dependencia psicosocial, trastorno del mercado laboral y primeros indicios de pérdida de control6.
Su punto no es que alguno haya llegado. Su punto es que la industria pasó años prometiendo frenar cuando aparecieran, y luego pasó de largo sin conversación pública.
Una precisión sobre las fuentes. La lista de los cinco umbrales no está en el ensayo.
El ensayo nombra tres riesgos —el trabajo que desaparece, los malos actores reforzados y el daño a los niños y a las relaciones humanas— y dice con claridad que no existe plan alguno para la transición5. El encuadre más afilado llegó en las entrevistas. La mayoría de las coberturas mezcla ambos.
La palabra umbral no es retórica. Los laboratorios punteros publican cada uno un marco de seguridad que nombra por adelantado niveles de capacidad —ayuda con armas biológicas, operaciones cibernéticas autónomas, autopropagación— y se comprometen a detenerse en ellos. Esa es la promesa con la que Gates mide.
Dónde aparece el efecto en realidad
Aquí su ensayo se calla. Escribe que el empleo cayó entre los trabajadores jóvenes de ocupaciones vulnerables mientras se mantenía estable para sus colegas mayores, y no da ni una cifra. La cifra existe, y es más interesante que la frase.
Mire primero el mercado entero y casi no hay nada que ver.
Los datos de nóminas que cubren a millones de trabajadores, agrupados según lo expuesta que está la ocupación, muestran a todas las categorías moviéndose en menos de un punto porcentual entre sí3. Por eso varios equipos de investigación informan de que no encuentran ninguna huella de la IA en el mercado laboral.
Stanford Digital Economy Lab, panel equilibrado de nóminas de ADP3.
Ahora añada una sola variable. Los mismos datos, el mismo mes, las mismas ocupaciones, separados por edad.
El mismo panel, el mismo mes3. La diferencia entre los más jóvenes y el grupo de 41–49 es de 4,9 puntos porcentuales, y ocurre dentro de las mismas ocupaciones.
El efecto no ocurre entre ocupaciones. Ocurre dentro de ellas, ordenado por edad. En la ventana larga la fractura es aún más marcada: desde finales de 2022, el empleo de los de 22 a 25 años en las dos categorías más expuestas cayó un 11 por ciento, mientras el mismo grupo de edad en las tres menos expuestas subió un 103.
−11 %
En los dos grupos más expuestos
+10 %
La misma edad, en los tres menos expuestos
El contorno de puntos es el nivel de finales de 2022; ambos vanos se miden desde ahí3.
A nadie se le despide. Se deja entrar a menos gente.
Esa distinción es el hallazgo. Las tasas de salida de los jóvenes expuestos no subieron: se frenó la contratación.
La puerta no se cerró detrás de quienes ya estaban dentro; se estrechó para quienes intentan entrar. Gates describe exactamente esto cuando habla de los puestos de entrada, y es la parte de su ensayo que mejor resiste el contacto con los datos.
Lo que los propios investigadores advierten. El efecto se reduce a la mitad al controlar por nivel educativo, parte de la caída es anterior a la IA generativa y la diferencia es menor en las encuestas nacionales que en este panel de nóminas.
El panel no es representativo del mercado laboral estadounidense y el artículo no está revisado por pares. Sus autores califican los resultados de descriptivos, no causales3.
Compruebe su propio empleo
Gates nombra ocupaciones por observación: ventas y soporte, software, trabajo de asistente jurídico, y después evaluación de créditos, análisis de datos, triaje de pacientes. Ahora existe una medida oficial con la que contrastarlo.
En agosto, el Bureau of Labor Statistics publicó su primera clasificación de ocupaciones por exposición a la IA, construida con cinco medidas independientes —tres teóricas y dos procedentes del uso real observado— junto con proyecciones de empleo hasta 20351.
Escriba un empleo abajo. Todo lo que aparece procede de las fuentes listadas al final, y cada cifra lleva una nota a la fuente de la que salió.
Interactivo · 825 ocupaciones
La ocupación
Y usted dentro de ella
Esto no es una predicción sobre usted. Muestra dónde se sitúa su ocupación entre las demás y qué le ocurrió al empleo de las personas de su edad en ocupaciones con exposición parecida.
Exposición significa que un modelo puede aplicarse a las tareas; el Bureau afirma explícitamente que no implica ni pérdida de empleo, ni automatización, ni efectos salariales1.
Una quinta parte del mercado, a fondo
Ponga las 825 ocupaciones en una misma tabla y el cuadro es más tranquilo que el debate. Ordene por cualquier columna, filtre por nombre y lea la categoría de exposición en la marca que va al lado.
Cómo leer la tabla
Bureau of Labor Statistics, categorías de exposición a la IA y proyecciones de empleo 2025–351.
La proporción de empleo en cada categoría, sobre las 831 ocupaciones que el Bureau proyecta:
| Exposición | Ocupaciones | Empleados, 2025 | Proporción | Proyección 2025–35 |
|---|---|---|---|---|
| Muy alta | 206 | 53,2 mill. | 31,3 % | +2,0 % |
| Alta | 206 | 42,1 mill. | 24,8 % | +3,1 % |
| Moderada | 206 | 44,7 mill. | 26,2 % | +6,2 % |
| Baja | 213 | 30,3 mill. | 17,8 % | +2,5 % |
Bureau of Labor Statistics, categorías de exposición a la IA y proyecciones de empleo 2025–351.
El tercio más expuesto del mercado crece más despacio que los demás, y aun así crece. Es la proyección oficial, no una opinión. Y la dispersión dentro de la categoría superior es mayor que la dispersión entre categorías:
| Exposición muy alta | Empleados | Proyección a 2035 |
|---|---|---|
| Office clerks, general | 2,60 mill. | −6,0 % |
| Secretaries and administrative assistants | 1,89 mill. | −6,0 % |
| Bookkeeping and auditing clerks | 1,53 mill. | −5,6 % |
| Customer service representatives | 2,67 mill. | −5,3 % |
| Computer and information systems managers | 0,69 mill. | +15,8 % |
| Logisticians | 0,26 mill. | +17,6 % |
| Data scientists | 0,28 mill. | +34,6 % |
La misma categoría de exposición, trayectorias opuestas. Gates lo dice una vez, en una subordinada que la mayoría de los resúmenes eliminó: en el software, la caída de costes generará nueva demanda, así que la pérdida neta allí será menor que en otros sitios. Las proyecciones le dan la razón.
El cambio llega cuando se deja de comprobar
La línea más infravalorada del ensayo no habla de ninguna ocupación. Gates escribe que el mayor cambio para los trabajadores llegará cuando la tecnología sea casi libre de errores, porque ese es el momento en que puede funcionar sin que un humano la revise, y todos los incentivos económicos apuntan a permitirlo.
Hay un banco de pruebas que pone cifras a esto.
GDPval, de OpenAI, evalúa modelos frente a profesionales con experiencia en 1320 entregables reales de 44 ocupaciones, de unas siete horas de trabajo cada uno7.
El titular es que un modelo puntero iguala o supera al experto humano en aproximadamente la mitad de las tareas. En ese mismo artículo hay enterrada una tabla que casi nadie cita.
El coste de comprobar
Ventaja del modelo sobre el experto humano
Todo lo que hay entre esas dos cifras es una cuestión de cuánta comprobación se conserva7.
Medido de forma ingenua, el modelo es unas 90 veces más rápido y varios cientos de veces más barato. En cuanto se incorpora al precio la verificación experta, la ventaja se reduce a aproximadamente 1,1–1,4× en tiempo y 1,2–1,6× en coste7.
De modo que toda la economía del asunto está en el paso de verificación. Mientras una persona siga comprobando, la ganancia es marginal.
El premio entero aparece en el momento en que se elimina la comprobación, que es precisamente por lo que se eliminará, y por lo que Gates acierta al llamar a esto el verdadero umbral y no a ninguna capacidad concreta.
La parte que el ensayo deja fuera
Gates construye todo el texto alrededor de la equidad: esta tecnología será el mayor igualador o la peor fuente de injusticia. Y después nunca pregunta quién ocupa realmente los empleos expuestos.
Crucé la clasificación de exposición con la encuesta de empleo. Ponderadas por el número de personas que trabajan en ellas, las ocupaciones de la categoría de exposición más alta son femeninas en un 57,5 por ciento.
En la categoría más baja lo son en un 36,9 por ciento14. Veinte puntos de diferencia, y la razón no es sutil: el trabajo administrativo, de oficina y de apoyo es a la vez el más expuesto y, casi en todas partes, el más femenino.
La Organización Internacional del Trabajo encuentra lo mismo a escala global, con un método construido sobre clasificaciones internacionales y no estadounidenses: en el escalón de exposición más alto se sitúa el 4,7 por ciento del empleo femenino frente al 2,4 por ciento del masculino, y en los países de renta alta 9,6 frente a 3,58.
Ese mismo trabajo de la OIT sirve además como comprobación de escala. Sitúa la exposición mundial en el 24 por ciento del empleo, donde el FMI la sitúa cerca del 409.
Dos instituciones solventes, un fenómeno, un factor de casi dos entre ellas. Quien cita una única cifra mundial con seguridad ha elegido una y ha escondido la otra.
Reservas, tokens y cuatro preguntas sin responder
Human Reserved
Gates propone apartar cierto trabajo para las personas, no porque las máquinas no pudieran hacerlo, sino porque la sociedad decide que la pérdida sería demasiado grande.
Toma prestado el lenguaje de las reservas naturales. El origen personal son los últimos años de su padre y los cuidadores que entendían a aquel hombre cuando él ya no podía hacerse entender.
Ofrece dos razones. Una económica: a alguien de 55 años que ha pasado su carrera en la construcción no se le puede redirigir sin más al cuidado de mayores. Y una humana: un robot que comunica un diagnóstico terminal es técnicamente posible y no debería ocurrir.
Después enumera, en su propio texto, las cuatro preguntas que no sabe responder. Quién decide qué se reserva. Con qué criterios. Cómo se impide que las empresas hagan trampa. Qué pasa con el comercio cuando un país deja que los robots construyan y otro no.
Conviene contrastarlo con los datos: el cuidado de mayores, su ejemplo central, ya no encuentra trabajadores.
Reservar una ocupación que no puede cubrir sus vacantes es protegerla de una presión que todavía no sufre. Él anticipa parte de esto: espera que Japón, con demasiados pocos jóvenes, reciba con los brazos abiertos al robot cuidador.
Gravar tokens y robots
La asimetría que quiere eliminar es real y rara vez se dice tan claramente. Contrate a una persona y el empleador paga cotizaciones. Compre una máquina y la empresa la amortiza. El código fiscal hoy subvenciona la sustitución.
Su remedio es un gravamen específico sobre los tokens de IA y los robots, que financie la recualificación y una red de protección social más sólida, diseñado para respetar los usos que abaratan la medicina y la educación.
Admite que es económicamente ineficiente y considera que el precio es aceptable. En el ensayo no aparece ningún tipo impositivo; la cifra que se cita mucho viene de una entrevista y se plantea como una opción, no como un cálculo6.
La objeción más fuerte es mecánica y no ideológica: un impuesto sobre tokens mide cómputo, no desplazamiento. El precio de los tokens ha caído varios órdenes de magnitud, así que la base se encoge a medida que el problema crece, y la inferencia migra a dispositivos locales y a otras jurisdicciones.
Sobre qué siguen discutiendo las personas honestas
Sería fácil terminar declarando el caso probado. No lo está, y el desacuerdo vale más que un veredicto.
| Hallazgo | Fuente |
|---|---|
| El crecimiento del empleo en software se frenó unos 3 puntos anuales después de finales de 2022; unos 500 000 puestos no creados | Reserva Federal10 |
| Ninguna conexión entre el uso de IA y los cambios de empleo, hasta julio de 2026 | Budget Lab, Yale11 |
| Se ahorra un 2,8–3 % de las horas, con efecto exactamente nulo sobre ingresos y horas | Datos administrativos daneses12 |
| La caída de ofertas en ocupaciones expuestas empezó en marzo de 2022 —antes de ChatGPT— siguiendo el ciclo de tipos | 238 mill. de ofertas de empleo13 |
| El paro subió más en el quintil menos expuesto que en el más expuesto | Economic Innovation Group14 |
Hay tres cosas en las que coinciden todos estos equipos, y son las conclusiones más seguras disponibles hoy: no hay desplazamiento masivo a nivel macro; el mecanismo es la contratación más lenta y no los despidos; y algo les está pasando a los trabajadores jóvenes de las ocupaciones expuestas.
Aquí encaja un límite más. Todavía no se puede contrastar ninguna previsión de 2026 con el empleo real por ocupación: la serie ocupacional oficial solo llega hasta mayo de 2025, y la siguiente publicación que cubra este periodo no está prevista hasta 2027. Quien le enseñe hoy esa comprobación le está enseñando ruido.
Qué cambian las cifras
El diagnóstico de Gates sobrevive. El mecanismo está bien identificado, los sectores también, y el énfasis en el trabajo de entrada es la parte que los datos respaldan de forma más directa.
Lo que las cifras cambian es la forma. No es una ola que recorre las ocupaciones y se las lleva una a una. Es un filtro que opera dentro de las ocupaciones y ordena según cuánto tiempo llevas en ellas. Selecciona en contra de quienes tienen menos colchón y más años por delante.
Termina su ensayo con cuatro preguntas y ninguna respuesta.
La mía es más estrecha y más fácil de responder que cualquiera de ellas: si el mecanismo es una desaceleración de la contratación en la entrada, entonces el objetivo de la política no es qué profesiones vallar, sino quién consigue el primer peldaño. Las reservas protegen a quienes ya están subidos a la escalera.
Fuentes
- US Bureau of Labor Statistics. AI exposure categories and employment projections, 2025–35, publicado el 27 de agosto de 2026. Categorías construidas con cinco medidas independientes. bls.gov/emp/publications/ai-exposure-categories.htm
- Anthropic Economic Index, conjunto de datos labor market impacts: proporción medida de las tareas de una ocupación que se llevan al modelo. huggingface.co/datasets/Anthropic/EconomicIndex
- Brynjolfsson, Chandar, Chen. Canaries in the Coal Mine? Stanford Digital Economy Lab, revisión de agosto de 2026; panel de nóminas de ADP hasta julio de 2026. digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
- US Bureau of Labor Statistics, Current Population Survey, tabla 11: personas empleadas por ocupación detallada y sexo, medias anuales de 2025. bls.gov/cps/cpsaat11.htm
- Bill Gates. The turbulent AI era is here. The choices we make now are critical. GatesNotes, 26 de agosto de 2026. gatesnotes.com
- Entrevista de MIT Technology Review con Bill Gates, 26 de agosto de 2026: fuente de los cinco umbrales y de los tipos citados. technologyreview.com
- GDPval, OpenAI: 1320 entregables reales de 44 ocupaciones; véase la tabla de costes para las cifras ajustadas por verificación. arxiv.org/abs/2510.04374
- International Labour Organization. Generative AI and Jobs: A Refined Global Index of Occupational Exposure, documento de trabajo 140, mayo de 2025. ilo.org
- International Monetary Fund. Gen-AI: Artificial Intelligence and the Future of Work, SDN/2024/001, enero de 2024. imf.org
- Crane y Soto, Federal Reserve Board, FEDS 2026-018, marzo de 2026.
- Budget Lab at Yale, Tracking the impact of AI on the labor market, actualizado el 19 de agosto de 2026. budgetlab.yale.edu
- Humlum y Vestergaard, NBER Working Paper 33777, revisión de marzo de 2026.
- Iscenko y Curto Millet, enero de 2026: 238 millones de ofertas de empleo.
- Eckhardt y Goldschlag, Economic Innovation Group, AI and Jobs, agosto de 2025. eig.org
Conjunto de datos combinado que hay detrás de los módulos interactivos: 825 ocupaciones con empleo, proyección, salario mediano, categoría oficial de exposición, proporción medida de tareas que se llevan a los modelos y composición por sexo.
Montado en septiembre de 2026 a partir de las fuentes 1, 2, 4 y la publicación Occupational Employment and Wage Statistics de mayo de 2025.
Traducido del original en inglés. Los nombres de las ocupaciones se mantienen en inglés: son las denominaciones oficiales de la clasificación SOC y es sobre ellas que funciona la búsqueda. Donde importe la formulación exacta de la fuente, consulte los documentos enlazados arriba.