Maldición de la inteligencia
La misma lógica de la maldición de los recursos, aplicada a la IA: si los ingresos de Estados y empresas vienen de inteligencia a demanda en vez de personas, se acaba el incentivo para invertir en las personas —educación, empleo, protección social—.
- Horizonte
- 3–10 años
- Evidencia
- Proyectado
- Consenso
- Bajo
Luke Drago y Rudolf Laine trasladan la maldición de los recursos naturales a la IA. La tesis, en sus palabras, es que los actores poderosos —Estados y empresas— dejan de tener incentivos para preocuparse por la gente común, y que cuando implementan inteligencia general pierden el incentivo de invertir en las personas [336]The Intelligence CurseVer fuente ↗.
El mecanismo tiene cuatro pasos. Uno: la automatización avanza por dentro de las organizaciones existentes empezando desde abajo, lo que llaman sustitución piramidal. Dos: alcanza también al talento humano atípico, no solo a las tareas rutinarias. Tres: los factores de producción no humanos —capital, recursos, control sobre la IA— pesan más que las personas. Cuatro, y es el paso que lo distingue del desempoderamiento gradualDesempoderamiento gradualLa idea de que la humanidad podría perder el control sobre su propio futuro sin ninguna catástrofe, solo porque cada vez más decisiones económicas, políticas y culturales pasan a sistemas de IA.Por ejemploComo un pueblo que va entregando cada trámite a una empresa de afuera, hasta que un día nota que ya no decide nada de lo suyo.: si los ingresos vienen de inteligencia a demanda en vez de personas, no hay retorno en invertir en educación, en empleo ni en un Estado de bienestar para quienes queden fuera. La analogía que usan es explícita: la IA se parece más al carbón o al petróleo que al arado o al computador.
Su virtud es que hace una predicción falsable y con fecha. Si el mecanismo es real, el daño aparece primero en el peldaño de entrada, no repartido por toda la escalera. Erik Brynjolfsson, Bharat Chandar y Ruyu Chen reportan exactamente eso sobre nóminas administrativas: una brecha de 19% en el empleo relativo de los trabajadores de 22 a 25 años en ocupaciones expuestas, que opera por menor contratación más que por más separaciones [164]Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial IntelligenceVer fuente ↗.
La crítica también tiene nombre. Zanna Iscenko y Fabien Curto Millet sostienen que el diagnóstico es defectuoso y que lo observado son las consecuencias predecibles de un shock macroeconómico clásico [566]Looking for the Ladder: Is AI Impacting Entry-Level Jobs?Ver fuente ↗. Los propios autores del dato piden leerlo como indicador temprano y descriptivo, no como estimación causal [165]No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%Ver fuente ↗. Daron Acemoglu, por otra vía, estima efectos macroeconómicos agregados bastante más modestos que los que este escenario supone [15]The Simple Macroeconomics of AIVer fuente ↗. Y queda una objeción conceptual: la maldición de los recursos no es determinista —Noruega, Botsuana— y su variable moderadora es la calidad institucional previa, que la analogía omite.
Perfil
- VelocidadLenta
- ReversibilidadDifícil de revertir
- ConcentraciónMuy alta
Supuestos que tienen que cumplirse
Que el control de la IA sea concentrable: intensivo en capital, con pocos jugadores capaces de sostener la frontera.
Que la base tributaria migre efectivamente del trabajo al capital y al cómputo sin que los sistemas fiscales se adapten a tiempo.
Que la sustitución avance de abajo hacia arriba, rompiendo primero el peldaño de entrada de cada carrera.
Que la calidad institucional previa no baste para desactivar la maldición, como sí ocurrió con recursos naturales en Noruega o Botsuana.
Qué lo refutaría
Que el daño laboral aparezca repartido por toda la escalera de carrera en vez de concentrarse en el primer peldaño. La predicción de sustitución piramidal es directamente falsable y esta es su cara negativa.
Que la caída del empleo de entrada resulte atribuible al ciclo de tasas de interés más brusco en cuatro décadas y no a la exposición a IA.
Que los sistemas fiscales desplacen recaudación hacia capital y cómputo sin que caiga el gasto público en educación y protección social.
Que la frontera de la IA se abarate y se disperse lo suficiente para que el control deje de ser concentrable.
Señales tempranas
- Caída del empleo joven en ocupaciones expuestas a IAObservada
Es la confirmación observacional más limpia que tiene cualquiera de los seis escenarios: el daño aparece en el primer peldaño y opera por menor contratación, no por más despidos. Sigue siendo descriptivo, no causal.
- Adopción de IA en empresas de EE.UU. (Census BTOS)Señal débil
La adopción es muy desigual por sector y tamaño, y la sustitución piramidal requiere que se generalice más allá de Información y Finanzas.
«No observada» no es un visto bueno: significa que nadie la ha visto todavía, que es distinto de que no esté pasando.
Ver como tabla
| Indicadores | Estado | Nota |
|---|---|---|
| Caída del empleo joven en ocupaciones expuestas a IA | Observada | Es la confirmación observacional más limpia que tiene cualquiera de los seis escenarios: el daño aparece en el primer peldaño y opera por menor contratación, no por más despidos. Sigue siendo descriptivo, no causal. |
| Adopción de IA en empresas de EE.UU. (Census BTOS) | Señal débil | La adopción es muy desigual por sector y tamaño, y la sustitución piramidal requiere que se generalice más allá de Información y Finanzas. |
Ver entre los escenarios →Reportar un error en esta ficha →
Fuentes
- [336] The Intelligence Curse · Drago, Luke 2025
- [164] Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence · Stanford Digital Economy Lab 2026
- [165] No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19% · Stanford Digital Economy Lab 2026
- [566] Looking for the Ladder: Is AI Impacting Entry-Level Jobs? · Economic Innovation Group 2026
- [15] The Simple Macroeconomics of AI · MIT / NBER 2025