Matt Shumer desató pánico en torno a la AI y el mercado laboral, pero los datos no confirman una ola de despidos

Matt Schumer Desencadenó Pánico Sobre IA y Mercado Laboral, Pero los Datos No Confirman una Ola de Despidos

El post viral de Matt Schumer afirmando que el impacto de la IA en el mercado laboral será "mayor que el Covid" acumuló decenas de millones de visualizaciones y desencadenó una ola de ansiedad. Pero si dejas de lado el tono dramático y miras los datos, la imagen es mucho más compleja: actualmente existe una brecha enorme entre lo que la IA teóricamente puede hacer y lo que las empresas realmente han implementado.

Por Qué Funcionó el Post

Schumer golpeó el punto de dolor perfecto del mercado: el miedo de que los modelos ya sean capaces de reemplazar a la mayoría de los profesionales de oficina hoy. Su lenguaje era simple y alarmante—"algo masivo está sucediendo", "la mayoría de las personas no lo sabrá hasta que sea demasiado tarde". Más de 85 millones de personas vieron el post, y para muchos, eso fue suficiente para aceptar la tesis emocional como una conclusión analítica. El problema es que el post contenía casi ningún dato sobre empleo, tasas de implementación o despidos reales.

Después, una vez que la onda ya se había extendido, el tono del autor se volvió notablemente más suave. En una entrevista con CNBC, admitió que no quería asustar a nadie y sugirió que parte de su lenguaje debería haber sido reescrito. Esto es crucial para el mercado: el pánico se propaga rápidamente, mientras que las correcciones son leídas por pocos. Esta es precisamente la razón por la que los posts virales sobre IA son peligrosos para los líderes. Fácilmente provocan despidos, congelación de contrataciones o "transformaciones" apresuradas sin comprender dónde los modelos realmente entregan resultados y dónde solo se ven bien en demostraciones.

"Si hubiera sabido lo viral que esto se volvería, habría reescrito

algunas partes."

Donde la Automatización se Quiebra

El contraargumento principal al "la IA ya reemplaza a todos" es visible en los datos de Anthropic. La cobertura teórica de tareas por modelos es efectivamente muy alta: para algunas profesiones se aproxima al 90% o superior. Pero el uso real es notablemente menor. En TI, por ejemplo, Claude cubre solo alrededor de un tercio de las tareas en la práctica, a pesar del potencial mucho mayor sobre el papel. Esta es la brecha clave: capacidad no es igual a implementación, e implementación no es igual a reemplazo humano completo.

La razón es simple: el trabajo en las empresas consiste no solo en la tarea en sí, sino en todo lo que la rodea. Los modelos chocan no en la generación de texto o código, sino en el contexto, dependencias y limitaciones organizacionales. Incluso si un sistema puede escribir un correo electrónico, analizar un documento o sugerir código, eso no significa que entienda cuándo iniciar el proceso, a quién pedir aprobación y qué hacer cuando surgen excepciones. Esta es precisamente la razón por la que la automatización se estanca donde todo parece obvio desde afuera.

• aprobaciones internas que no están formalmente documentadas en ningún lugar
• sistemas heredados y soluciones no estándar
• limitaciones regulatorias y verificaciones de cumplimiento
• conocimiento implícito del equipo sobre clientes, riesgos y prioridades
• reglas que cambian constantemente dentro de la propia organización

Por esta lógica, la IA a menudo resulta ser incluso más débil que un nuevo empleado. Un humano al menos se integra gradualmente en el entorno, aprende de las conversaciones, nota excepciones y capta reglas no escritas. Un modelo comienza casi desde cero cada vez y depende de qué tan cuidadosamente se le haya transmitido el contexto. Y el contexto en una empresa viva cambia más rápido de lo que se formaliza. Por lo tanto, el reemplazo masivo de personal basado en las capacidades teóricas de la IA hoy no es una estrategia, sino un experimento costoso con alto riesgo de reversión.

Hacia Dónde se Está Desplazando la Demanda

La parte más útil de esta discusión no es el debate sobre cuántas profesiones desaparecerán, sino la pregunta sobre qué tareas finalmente se vuelven económicamente viables. El autor sugiere mirar una curva de demanda simple. En su "cabeza" viven productos masivos como CRM, software de oficina y servicios de diseño.

Hace mucho tiempo que cubren procesos estándar. Pero en la "cola"—miles de tareas pequeñas, dolorosas y muy específicas que no se automatizaron durante años simplemente porque el desarrollo costaba más que el resultado. Podría ser un informe en un formato único para un cliente, un proceso de cumplimiento no estándar, un panel privado para un CFO, o un procedimiento burocrático local que descarrila toda la línea de tiempo del negocio.

La IA hace que tales tareas sean direccionables: ahora pueden ser resueltas por un equipo pequeño o incluso una sola persona con experiencia profunda en el dominio. De ahí la paradoja de 2026: la IA no necesariamente encoge una empresa, pero casi siempre la acelera. En enero de 2026, Citadel Securities reportó un crecimiento del 11% interanual en las vacantes de desarrolladores, y los pronósticos para muchas profesiones afectadas por IA siguen apuntando al crecimiento, no al colapso.

Lo Que Esto Significa

Ahora la principal ventaja competitiva es no entrar en pánico por tesis virales, sino entender dónde en tu negocio se encuentra la brecha entre "la IA podría hacer esto" y "la IA realmente hace esto". Aquellos que despiden gente demasiado pronto arriesgan tener que reconstruir experiencia apresuradamente después. Aquellos que primero eligen el problema y luego la herramienta probablemente ganarán con la actual ola de automatización.