Cierre del peldaño de entrada

Es el efecto laboral con más evidencia observada y el más maltratado al citarlo. El hallazgo viene de datos de nómina administrativos —un panel de entre 3,5 y 5 millones de empleados por mes, de enero de 2021 a junio de 2026— y dice que el empleo de trabajadores de 22 a 25 años en ocupaciones expuestas a IA está 19% por debajo de donde estaría si hubiera seguido el ritmo de sus pares menos expuestos ^[164]Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial IntelligenceBrynjolfsson, Erik; Chandar, Bharat; Chen, Ruyu · 2026 · preprintVer fuente ↗Consultada el 9 de septiembre de 2026.

Ese 19% no es una caída del 19%. Es una divergencia relativa: el empleo del grupo en los dos quintiles más expuestos cayó ~11% mientras el de los tres quintiles menos expuestos creció ~10%. El empleo total del grupo quedó en −1,9%. El canal tampoco es el que se supone: las tasas de separación cayeron en ambos grupos —lo contrario de lo que implicaría un desplazamiento—, así que lo que se estrecha es la contratación ^[164]Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial IntelligenceBrynjolfsson, Erik; Chandar, Bharat; Chen, Ruyu · 2026 · preprintVer fuente ↗Consultada el 9 de septiembre de 2026. Las caídas se concentran donde el uso predominante es de automatización, no de complemento ^[991]Canaries Dashboard — AI Economic IndicatorsStanford Digital Economy Lab; ADP Research · 2026 · datasetVer fuente ↗Consultada el 21 de septiembre de 2026.

Lo que esto no demuestra. Los autores no reclaman causalidad: interpretan los datos como indicadores descriptivos tempranos, y listan tres debilidades —el efecto se atenúa al controlar por educación, hay tendencias divergentes previas a la IA generativa y el patrón es más pronunciado en su muestra que en las encuestas nacionales— ^[164]Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial IntelligenceBrynjolfsson, Erik; Chandar, Bharat; Chen, Ruyu · 2026 · preprintVer fuente ↗Consultada el 9 de septiembre de 2026. La brecha en la American Community Survey es −0,022 [−0,055, +0,011]: indistinguible de cero. Zanna Iscenko y Fabien Curto Millet —economistas de Google, y hay que decirlo— argumentan que el quiebre calza mejor con el ciclo de tasas más agresivo en cuarenta años, y que los avisos de esas ocupaciones también cayeron más en 2020, cuando la IA generativa ni siquiera podía ser la explicación ^[566]Looking for the Ladder: Is AI Impacting Entry-Level Jobs?Iscenko, Zanna; Curto Millet, Fabien · 2026 · informeVer fuente ↗Consultada el 9 de septiembre de 2026.