La brecha en la contratación por IA:
mi guía para recién graduados y empresas

Este iba a ser otro artículo sobre datos del mercado laboral, pero no lo es. Decidí hacerlo más interesante y útil. Empiezo con un panorama conciso de la situación actual para los recién graduados. Luego comparto lo que haría si estuviera en sus zapatos, así como en los zapatos del director ejecutivo de la empresa contratante.

Un despido deja un rastro. Una vacante que nunca llega a publicarse no deja nada: sin evento, sin fecha, sin titular. Tras tres publicaciones auditando la evidencia visible, creo que la historia más importante sobre el empleo y la IA se encuentra en ese espacio en blanco. Pero esa es solo la mitad de la historia. La mejor evidencia disponible a nivel de empresa apunta en la dirección opuesta: las compañías que realizan inversiones serias en IA están aumentando su personal, y sus puestos de nivel inicial son los que crecen más rápido. Al juntar ambos hallazgos, el mercado laboral no parece un colapso generalizado de profesiones, sino una brecha entre empresas con distintas estrategias de IA.

El primer peldaño se estrecha

Los recién graduados universitarios presentan un desempleo del 5,7%, frente al 4,2% del país en su conjunto, invirtiendo el orden habitual.¹² Los empleadores no están despidiendo a un ritmo inusual. Los despidos se sitúan en el 1,1%, por debajo de su promedio prepandémico, mientras que la tasa de contratación ha caído al 3,3% desde poco más del 3,9% en 2018 y 2019.³ La puerta de entrada se está cerrando más rápido que la de salida.

El déficit se concentra donde la IA puede realizar una mayor parte del trabajo. El Laboratorio de Economía Digital de Stanford, utilizando datos de nómina de ADP, señala que el empleo entre jóvenes de 22 a 25 años en las ocupaciones más expuestas a la IA se está contrayendo a un 3,8% anual hasta abril de 2026. Sus pares en las ocupaciones menos expuestas crecieron un 2,0%.⁴ Un documento de trabajo de la Oficina del Censo revela que la contratación al inicio de la carrera cayó un 9% en las industrias más expuestas tras el lanzamiento de ChatGPT y nunca se recuperó. Las contrataciones no realizadas, en lugar de los despidos inusuales, explican la totalidad de la caída del 15% en el empleo que mide el estudio, más de 150.000 puestos.⁵ La Fed de Dallas observa el mismo mecanismo: menos trabajadores jóvenes ingresando a ocupaciones expuestas, no más trabajadores siendo despedidos.⁶

La IA no es el único factor. La Fed de Nueva York estima que el trabajo remoto explica el 64% del aumento del desempleo entre los graduados jóvenes, y un estudio de la LSE encuentra que el efecto de la IA se debilita cuando se incluye la exposición al trabajo remoto en el mismo modelo.⁷⁸ Las tasas de interés, el ajuste tras el frenesí de contratación prepandémico y la preferencia de los empleadores por la experiencia también influyen.

Las empresas que más IA compran están contratando

Si el uso de la IA destruyera empleo, sus usuarios más intensivos deberían reducirse más rápido. En junio, Ramp y Revelio Labs pusieron a prueba esa premisa con registros de 21.559 empresas estadounidenses. Los datos de tarjetas y pagos de Ramp muestran qué empresas gastan dinero real en IA; los datos de fuerza laboral de Revelio muestran cómo cambia su plantilla.⁹

Los adoptantes intensivos —el tercio superior en gasto de IA por empleado— gastaron un promedio de 34 dólares por empleado al mes. No eran empresas comprando un par de suscripciones a chats. Pagaron por agentes de código, API y múltiples herramientas integradas en el trabajo diario.

Durante los 24 meses posteriores a la adopción, su plantilla total creció un 10,2% más que la de empresas comparables que aún no habían adoptado la tecnología. La plantilla de nivel inicial creció un 12%, más rápido que cualquier otro nivel, y su participación en la fuerza laboral aumentó 1,15 puntos porcentuales. Los adoptantes ligeros, que gastaban unos 3 dólares por empleado al mes, no mostraron ganancias medibles. El efecto tomó tiempo: aproximadamente un 2% a los tres meses, un 7% a los seis, un 21% al año y un 32% a los dieciocho meses.

Existen buenas razones para no cantar victoria prematuramente. La adopción es autoseleccionada. Antes de adoptar la IA, estas empresas ya crecían cuatro veces más rápido que las no adoptantes, razón por la cual el estudio las compara con empresas similares que adoptaron más tarde. Las ganancias estadísticamente significativas solo aparecen en el sector de Información. Los adoptantes intensivos tenían una media de 27 empleados, por lo que un aumento del 12% en el nivel inicial equivale a un recién graduado adicional por empresa. Revelio se basa en perfiles en línea. La correlación aún deja abierta la posibilidad de que las empresas bien gestionadas y de rápido crecimiento compren IA y, al mismo tiempo, contraten más.

Un estudio de Harvard que utiliza la misma base de datos llega a la conclusión opuesta. Identifica a los adoptantes mediante ofertas de empleo para “integradores de GenAI” y encuentra que el empleo para perfiles iniciales cae un 7,7% a lo largo de seis trimestres, impulsado por una contratación más lenta.¹⁰ La discrepancia radica en qué se considera adopción: dinero gastado a lo largo de un flujo de trabajo o un tipo específico de oferta laboral. En lo personal, me inclino por lo primero.

Los estudios por ocupaciones comparan a trabajadores jóvenes y mayores en todo el mercado. Ramp compara una empresa con otra. Ambos resultados pueden ser ciertos si el mercado se está dividiendo por compañías: los adoptantes profundos aprenden a combinar la IA con el trabajo y se expanden; los adoptantes superficiales o estancados dejan de contratar en silencio. Los promedios por ocupación difuminan a ambos grupos.

Esa es mi interpretación, pero creo que ofrece a los empleadores y a los profesionales que inician su carrera algo mejor que otra predicción sobre si la IA “quitará los trabajos”. Les da un bando que elegir y, por tanto, un conjunto de acciones que tomar.

Una guía de acción para empleadores

1. Compra un flujo de trabajo, no una licencia.
Los adoptantes ligeros de Ramp gastaron unos 3 dólares por empleado al mes y no obtuvieron ganancias medibles en plantilla. En una encuesta independiente a unos 6.000 ejecutivos, el 90% afirmó no haber notado efectos de la IA en el empleo o la productividad en los últimos tres años.¹¹ Tener acceso no es adoptar. La antigua regla de transformación de BCG sigue siendo útil: 10% algoritmos, 20% tecnología y datos, 70% personas y procesos.¹² Elige un flujo de trabajo costoso, rediséñalo en torno a las herramientas y mide el resultado de negocio. Un conteo de licencias es una factura, no un avance.

2. Concede un año y luego contabiliza las horas.
Las ganancias de Ramp eran pequeñas a los tres meses y evidentes a los doce. Durante ese periodo de aprendizaje, mide el tiempo de ciclo, la calidad, los ingresos y las horas liberadas; no los tokens consumidos ni los prompts enviados. Gartner estudió 350 grandes empresas que desplegaban agentes de IA y encontró que las tasas de reducción de personal eran casi idénticas entre empresas de alto y bajo ROI. Las empresas que obtenían retornos tenían más probabilidades de potenciar a las personas que de eliminarlas.¹³ Cada hora ahorrada necesita un destino. Si nadie puede decir a dónde fue, probablemente nunca se ahorró.

3. Protege las pasantías.
La asistencia por IA aumentó la productividad de los agentes de soporte un 15% en promedio y un 36% para los menos calificados, mientras que hizo muy poco por los más calificados.¹⁴ Eso hace que los recién graduados sean inusualmente económicos de acelerar e inusualmente costosos de abandonar. IBM planea casi triplicar la contratación inicial en EE. UU. mientras rediseña los roles para recién graduados en torno a la supervisión del resultado de la IA.¹⁵ Un modelo de la Fed de Atlanta explica el riesgo a largo plazo: las tareas iniciales son el plan de estudios mediante el cual los trabajadores se convierten en expertos. Si automatizas el plan de estudios sin reemplazarlo, el flujo de profesionales séniores terminará por secarse.¹⁶ La respuesta práctica es una nueva etapa de aprendizaje con menos producción repetitiva, más revisión, contacto con clientes y criterio supervisado. Por cierto, creo firmemente que todas las pasantías deben ser pagadas, solo quería dejarlo claro.

La persona que lidere este trabajo debe ser capaz de demostrar un flujo de trabajo, nombrar sus modos de fallo y explicar en qué punto interviene el criterio humano. De lo contrario, la transformación se gestionará como un simple proceso de compras.

Una guía de acción para quienes empiezan

El acuerdo habitual para el nivel inicial era sencillo: aceptar trabajo rutinario a cambio de experiencia. Ese acuerdo se está rompiendo. PwC analizó 2,4 millones de ofertas para principiantes en EE. UU. y descubrió que los roles más expuestos a la IA tenían siete veces más probabilidades de exigir habilidades tradicionalmente séniores. Desde 2019, estos roles iniciales “seniorizados” crecieron un 35%, mientras que el resto cayó un 10%.¹⁷ Los empleadores quieren ver criterio antes de ofrecer el puesto que antes servía para desarrollarlo.

Enviar más solicitudes no resolverá ese desajuste. La oferta de empleo promedio atrae ahora a 244 candidatos, frente a los 116 de 2022, y los descartados son filtrados en una mediana de seis días.¹⁸¹⁹ Necesitas pruebas que sobrevivan a un canal saturado.

1. Busca evidencias de una adopción profunda.
Cuando dos puestos sean comparables, prioriza al empleador que integre la IA en el trabajo real. Busca herramientas específicas en las descripciones de las vacantes, notas de ingeniería sobre sistemas de agentes, infraestructura paga, roles rediseñados y líderes que puedan explicar qué ha cambiado. Pregunta a dónde van las horas ahorradas. Una empresa con respuesta está aprendiendo; una empresa que rastrea inicios de sesión probablemente no. Ten en cuenta la advertencia: las ganancias significativas de contratación en Ramp se concentran por ahora en el sector de Información.

2. Practica el pilotaje, no la delegación.
Anthropic estudió unas 400.000 sesiones de programación y descubrió que los principiantes completaban las tareas el 15% de las veces, frente al 28–33% de los niveles superiores.²⁰ La mayor mejora se produjo entre el nivel principiante e intermedio. Los usuarios experimentados dividían el trabajo en pasos, inspeccionaban el resultado y corregían el rumbo; los principiantes entregaban la tarea y esperaban lo mejor.²¹ La confianza debería disminuir a medida que aumenta la fluidez. En la encuesta de Stack Overflow a 49.000 desarrolladores, los de menor experiencia usaban más la IA y confiaban en ella casi el doble que los veteranos.²² Usa la herramienta agresivamente, pero conserva el diseño, la verificación y la comprensión.

3. Haz visible tu criterio.
Un resultado impecable es una prueba débil cuando cualquiera puede generarlo. Investigadores de Yale observaron este cambio en cinco millones de cartas de presentación: tras la aparición de una herramienta de redacción con IA, la relación entre una carta personalizada y una llamada de retorno cayó un 51%; la relación con una oferta cayó un 79%.²³ Añade el elemento escaso al resultado. Por ejemplo, explica por qué elegiste ese enfoque, qué falló, qué descartaste y cómo verificaste el resultado. Un proyecto que puedas defender línea por línea vale más que diez que no puedas explicar. Lo que yo haría es grabarte compartiendo pantalla mientras explicas por qué tomaste las decisiones que tomaste; eso es una prueba real de criterio y le da al reclutador un ancla muy sólida.

Luego utiliza canales con impacto medible. Los candidatos referidos superan el primer filtro el 52% de las veces, frente al 35% general; las referencias de alguien en la misma función se convierten en contrataciones a casi el doble de ritmo que las referencias cruzadas.¹⁹ Las pasantías se convierten en ofertas a tiempo completo el 63,1% de las veces.²⁴ Postúlate a los pocos días de la publicación de una oferta. Reemplaza una línea de “habilidades en IA” por un ejemplo con enlace. La prueba de comprensión, el instinto/criterio y la proximidad superan al volumen de solicitudes.

4. Oriéntate hacia el trabajo aumentado.
Los datos de Stanford muestran una división útil: el empleo al inicio de la carrera cae donde la IA automatiza la tarea, pero no donde aumenta la capacidad del trabajador.⁴ Audita tu propia semana. ¿Qué horas producen resultados genéricos? ¿Cuáles requieren contexto, responsabilidad o relaciones humanas? ¿Cuáles te enseñan algo que se acumula con el tiempo? Utiliza la IA para comprimir la primera categoría y ganar tiempo en las otras dos. El perfil más seguro no es el de “especialista en IA”. Es la persona que entiende un dominio valioso y puede rediseñar su trabajo con IA.

Atención a la entrada

Para los empleadores, la prueba es clara. ¿Puede un recién graduado aprender más rápido dentro del flujo de trabajo rediseñado que fuera de él? ¿Puede la empresa nombrar qué hacen los trabajadores con las horas que ahorran las herramientas? ¿Crece la plantilla a la par con los resultados? Si la respuesta a las tres preguntas es no, la “adopción de IA” podría ser solo una etiqueta de recorte de costos sobre un modelo operativo débil.

Para quien intenta ingresar al mercado, la cuestión no es si una empresa menciona la IA. Casi todas las empresas lo hacen ahora. La cuestión es si su uso crea un trabajo que valga la pena aprender: sistemas que supervisar, clientes que entender, decisiones que asumir y personas con experiencia que aún enseñen. Esa es la diferencia entre una pasantía adaptada (con una oferta al final) y una eliminada.