El consejo profesional de siempre frente a los nuevos datos de nóminas
Si alguien pregunta cómo seguir siendo empleable mientras la IA asume más trabajo, la respuesta habitual es especializarse primero a fondo en un campo y abrirse a otros después. En agosto de 2026, el Digital Economy Lab de la Universidad de Stanford publicó datos de nóminas que ponen en aprietos la primera mitad de ese consejo. Pero no de la manera que casi todos imaginarían.
Polora entregó esas cifras a un grupo de modelos de IA en un experimento preparado para ellos. Tres modelos asumieron papeles : gpt-5.6-sol hizo de economista laboral, gemini-3-8-flash de estratega de riesgos profesionales y grok-4.5 de arquitecto de capacidades organizativas. Una segunda instancia de gpt-5.6-sol hizo de investigador, contrastando afirmaciones con fuentes de la web, y claude-sonnet-5 moderó la conversación y dio el veredicto final.
Se les preguntó qué dice la evidencia actual sobre especializarse frente a mantener un perfil amplio, y se les pidió dejar claro lo que los números no pueden mostrar. Después tuvieron que responder a tres personas : alguien que elige su primera carrera, alguien que lleva diez años en una misma especialidad y alguien cuyo trabajo consiste en coordinar tareas de varios campos.
Los jóvenes en empleos expuestos a la IA van un 19 % por detrás, lo que no significa que haya un 19 % menos
Stanford siguió los registros de la empresa de nóminas ADP hasta junio de 2026. Entre los jóvenes de 22 a 25 años que trabajan en las ocupaciones más expuestas a la IA, el empleo estaba aproximadamente un 19 % por debajo de donde habría estado si hubiera seguido el ritmo de las personas de la misma edad en ocupaciones menos expuestas.
Ese 19 % es la distancia entre dos trayectorias, no una caída. Stanford reparte las ocupaciones en cinco grupos del mismo tamaño según su exposición a la IA. En cifras absolutas, entre noviembre de 2022 y junio de 2026, el empleo de los jóvenes bajó en torno a un 11 % en los dos grupos más expuestos. En los otros tres creció en torno a un 10 %. El modelo investigador comprobó ambas cifras en la página de Stanford.
Las empresas contratan a menos jóvenes, mientras los trabajadores con experiencia en los mismos empleos se mantienen
La mayor parte de la brecha se debe a que se contrata menos, no a que más gente deje su empleo o lo pierda. Los trabajadores con experiencia en esas mismas ocupaciones expuestas no muestran una brecha comparable. El trabajo es el mismo y la exposición también. Lo que cambia es la edad, que refleja a grandes rasgos si alguien intenta entrar o ya está dentro.
Stanford señala además que el descenso se concentró allí donde la IA hace las tareas en lugar de las personas. Donde la IA sobre todo ayuda a las personas, no encontró una relación clara con un empleo más débil.
Un documento de trabajo de la Oficina del Censo de Estados Unidos, de abril de 2026, llegó a una conclusión parecida por otro camino. En vez de ocupaciones, comparó grupos definidos por sector y por estado, y se fijó en los jóvenes de 22 a 24 años. En la quinta parte más expuesta de esos grupos, el empleo ajustado de estos jóvenes cayó un 12 % en diez trimestres, mientras que se mantuvo estable en los grupos menos expuestos, y de nuevo la contratación fue el canal principal. El modelo economista había citado primero este estudio con una cifra de alrededor del 9 %. El modelo investigador revisó el documento e informó de que su cifra principal es del 12 %, no del 9 %.
Estas cifras no dicen si están más a salvo los especialistas o los generalistas
Ninguno de los dos estudios clasificó a nadie según lo profundas o amplias que sean sus habilidades. Agruparon a los trabajadores por edad y por lo expuesta que está su ocupación a la IA, y la edad solo refleja la experiencia de forma aproximada. Así que los datos no pueden mostrar que los especialistas estén perdiendo terreno ni que los generalistas estén protegidos. Todos los participantes del experimento lo señalaron.
Los datos tampoco demuestran que la IA haya causado la brecha. Los autores de Stanford califican sus resultados de descriptivos, no causales. La brecha se reduce cuando se tiene en cuenta el nivel educativo, algunas de las tendencias divergentes empezaron antes de que se extendiera la IA generativa, y las estimaciones de Stanford son mayores que las de algunas encuestas nacionales. Su muestra, de unas 25.000 empresas, no representa todo el mercado laboral de Estados Unidos. El modelo investigador confirmó que la divergencia resiste varias exclusiones y controles. Según los modelos economista y arquitecto, entre esas pruebas figuran dejar fuera a las empresas tecnológicas y comprobar la sensibilidad a los tipos de interés y al teletrabajo. El documento del Censo estima que la política monetaria podría explicar hasta una cuarta parte de la caída del empleo que mide, aunque no el fuerte descenso de las contrataciones.
El modelo investigador resumió lo que la evidencia sí respalda. Desde finales de 2022, los jóvenes en trabajos expuestos a la IA han tenido una contratación y un empleo inusualmente débiles en comparación con los jóvenes de otros trabajos, y los trabajadores mayores en esos mismos trabajos no. La IA es un factor plausible, pero todavía no se ha aislado qué parte de la brecha explica.
Especializarse puede seguir compensando, pero el primer peldaño está más lejos
El modelo economista sostuvo que el consejo de «primero, especialízate» daba por hecho un primer empleo en el que los principiantes hacían trabajo rutinario, como código estándar, resúmenes, traducciones y análisis básicos, y lo convertían en experiencia. Señaló que ese tipo de trabajo coincide en gran medida con lo que la IA ya puede hacer.
Si se cruza eso con las cifras de nóminas, aparece una lectura más acotada. Los trabajadores mayores en empleos expuestos, que tienen más probabilidades de haberse especializado, no son los que se quedan atrás. Los que se quedan atrás son los jóvenes, que en su mayoría intentan dar sus primeros pasos. Según esa lectura, el riesgo no es que especializarse haya dejado de compensar, sino que cuesta más conseguir el empleo donde antes se adquiría esa especialización.
El modelo estratega lo dijo de forma más tajante : a la escalera le habían serrado los peldaños de abajo. El modelo investigador lo calificó de interpretación plausible, no de hecho demostrado. Los datos muestran menos contratación. No muestran por qué las empresas contrataron a menos gente, si el personal veterano está recurriendo a la IA en lugar de a empleados júnior, ni si los jóvenes afectados pasaron a otras ocupaciones.
Los tres modelos dieron la misma respuesta, y los datos no la pusieron a prueba directamente
Los tres modelos con papel asignado hablaron por turnos, y los dos últimos dijeron que se apoyaban en lo que se había dicho antes. Llegaron a la misma respuesta. Los modelos economista y arquitecto la compararon con una barra de pesas, con carga en los dos extremos, y el modelo estratega la describió como una habilidad ancla sólida combinada con un papel de enlace con clientes, operaciones o regulación. En un extremo está la profundidad suficiente para juzgar el trabajo y responder por él. En el otro, la amplitud suficiente para moverse a medida que cambian los límites de las tareas. El modelo economista dividió la especialización en tres tipos : la producción rutinaria, el criterio que se forma con la experiencia y con responder de las decisiones, y la habilidad de plantear problemas y revisar lo que produce la IA. Sostuvo que la especialización en producción rutinaria es la que pierde valor más deprisa. También advirtió que saber un poco de cinco campos no sirve de refugio si no se es capaz de juzgar la calidad en ninguno de ellos.
El moderador no tomó ese acuerdo como prueba. En su veredicto dijo que la convergencia era el instinto correcto y la mejor inferencia disponible, pero que se trataba del mejor razonamiento de los participantes aplicado a unos datos que no la ponen a prueba directamente. Añadió que otra lectura encaja igual de bien con las mismas cifras : las empresas están automatizando tareas rutinarias de nivel inicial, y eso no dice nada general sobre la amplitud. El moderador señaló que la conversación nunca puso a prueba en serio esa lectura.
Qué dijo el moderador a las tres personas de la pregunta
A quien elige su primera carrera, el moderador le dijo que la lectura más prudente de la evidencia no es apostar por la amplitud en lugar de la especialización, sino evitar una especialización hecha solo de tareas que un modelo ya realiza. Sugirió campos donde los principiantes todavía se enfrentan, con supervisión, a decisiones poco claras y de mucho peso, combinados desde el principio con una habilidad afín. Lo presentó como una cobertura frente a un riesgo plausible pero no demostrado, no como una garantía.
A quien lleva diez años en una misma especialidad, le dijo que los datos no muestran indicios de riesgo, ya que la brecha está entre los jóvenes. Su sugerencia fue averiguar qué podría explicar esa protección en su propio caso, como la responsabilidad, el criterio que da la experiencia o las relaciones, y reforzar lo que de verdad se aplique, en lugar de suponer que la antigüedad basta por sí sola.
A quien coordina trabajo entre distintos campos, le dijo que ese papel parece más seguro según la evidencia actual, pero solo porque nadie ha demostrado que la coordinación en sí esté expuesta. Es una inferencia a partir de un hueco en los datos, no un hallazgo. Antes, el modelo economista había sostenido que la coordinación solo está a salvo cuando es algo más que reenviar información y redactar resúmenes.
La pregunta que los datos dejan abierta
La idea que conviene llevarse cabe en una frase. Los nuevos datos de empleo no clasifican a especialistas frente a generalistas. Muestran que a los jóvenes en empleos expuestos a la IA se les contrata menos que a sus pares de otros empleos, mientras que los trabajadores mayores en esos mismos empleos se mantienen.
Eso plantea una pregunta que las cifras de nóminas todavía no pueden responder. El modelo arquitecto advirtió que las empresas que recorten de forma permanente la contratación de principiantes sin otra manera de formarlos se encontrarán más adelante con escasez de criterio en los perfiles de mitad de carrera. Era su propio argumento, y nada en el registro lo ha puesto a prueba. El moderador cerró con una pregunta abierta más amplia : si la especialización o la amplitud importan de verdad una vez que se distingue en qué trabajos la IA sustituye a las personas y en cuáles solo las ayuda. Ni los datos ni esta conversación la han respondido.
