
Al reemplazar con IA a los trabajadores que recién ingresan al mercado laboral y priorizar la contratación de profesionales con experiencia, las empresas les cierran la puerta a los expertos del futuro, creando una nueva dependencia.
En agosto pasado, tres investigadores de la universidad de Stanford actualizaron un estudio sobre el impacto laboral de la IA con un dato elocuente: la evolución del empleo de jóvenes de 22 a 25 años en ocupaciones muy expuestas a la IA fue un 19% menor que en las ocupaciones menos expuestas, una diferencia asociada fundamentalmente a la menor contratación de jóvenes —algunas empresas ya han cerrado las puertas a nuevos juniors— justo en la etapa en la que suman conocimiento práctico.
Los jóvenes parecen ser los grandes perdedores de la transición: la IA reduce sus oportunidades de empleo justo cuando la experiencia laboral adquiere mayor valor. No sorprende que sean los jóvenes —los “nativos digitales”— quienes más temen sus consecuencias laborales.
Estamos ante una paradoja (una de varias) de la transición tecnológica: si la IA aumenta el valor de la experiencia y reduce el acceso a ella, ¿de dónde saldrá la próxima generación de expertos?
Saber y saber hacer
En The Tacit Dimension (1966), Michael Polanyi introdujo una idea simple: sabemos más de lo que podemos expresar.
Podemos leer un manual sobre la mecánica de un saque de tenis sin aprender a sacar; entender por qué un ciclista no se cae sin evitar caernos nosotros la primera vez que lo intentamos; memorizar los movimientos de la natación y no avanzar más que unos metros antes de hundirnos. Y viceversa: andar en bicicleta o nadar son habilidades que podemos dominar sin ser capaces de explicar exactamente cómo las ejecutamos. Algo parecido ocurre con el criterio profesional de médicos, abogados o maestros, que se adquiere con años de práctica.
Polanyi llamó tácito a ese conocimiento difícil de codificar y transmitir. La distinción no es absoluta —también se aprende haciendo en la universidad y se adquieren conocimientos explícitos trabajando—, pero permite separar dos formas de aprendizaje que la IA afecta de manera diferencial.
Hasta hace poco, pensábamos que la mayor parte del valor de un trabajador calificado venía de tener conocimientos que requerían años de estudio. Hoy la IA sustituye ese conocimiento, y con eso lo abarata. Al mismo tiempo, pone una cantidad extraordinaria de información al alcance de quienes saben usarla, revalorizando la experiencia.
En un trabajo reciente le pusimos precio a estos dos saberes, separando la prima de educación (asociada al conocimiento explícito) de la prima de experiencia laboral (asociada al conocimiento tácito). Usando datos de una encuesta de empleo de Estados Unidos entre 2018 y junio de 2026, con la aparición de ChatGPT a fines de 2022 como divisoria de aguas, encontramos que, en las ocupaciones más expuestas a la IA, el retorno salarial de un año adicional de escolaridad cayó un 7,3% respecto de su nivel previo, en comparación con las menos expuestas. En cambio, el retorno de la experiencia aumentó en términos relativos al comienzo de la carrera, lo que cabría esperar si la IA revalorizara el aprendizaje práctico temprano.
¿Más educación?
Por décadas, la respuesta bien pensante frente al cambio tecnológico fue “más educación”. Si la tecnología reemplazaba tareas rutinarias y aumentaba la demanda de trabajadores calificados, como sostenía el consenso previo a la IA generativa, había que seguir estudiando. Ampliar el acceso a la universidad, acumular posgrados: la educación era el seguro contra la obsolescencia laboral.
Con la IA generativa, ese seguro ya no ofrece la misma cobertura. Estudiar sigue siendo valioso —en el estudio citado, educación y experiencia se complementan: cuanto mayor es la formación, más rinde la experiencia—, pero resulta difícil anticipar qué conocimientos conservarán su valor en cinco años. La misma idea de una “carrera laboral”, esa vieja aspiración de pasar seis años en la universidad, adquirir un conjunto fijo de competencias y aplicarlas durante el resto de la vida, empieza a parecer vintage.
Parecería que avanzamos hacia una formación más porosa y distribuida en el tiempo: carreras que combinen fundamentos generales con práctica profesional, programas duales que alternen aulas y empresas, módulos breves para actualizar competencias y capacitación asociada a cambios de ocupación. Más tiempo aprendiendo, menos tiempo en el aula.
La propia IA puede ayudar en la transición: un tutor digital identifica las competencias que necesita un trabajador y las compara con las que tiene, diseña contenidos, simula situaciones de trabajo y ofrece feedback personalizado. La IA puede ampliar el acceso a una formación práctica indispensable para adaptarse al cambio tecnológico, y que hoy es el patito feo del universo educativo.
La escalera que desaparece
Imaginemos un estudio jurídico que utiliza IA para preparar los primeros borradores de contratos. Una tarea que antes ocupaba a varios abogados jóvenes puede hacerla un algoritmo en menos tiempo y costo. Los socios y abogados experimentados revisan el resultado, introducen las modificaciones necesarias y atienden a los clientes. La empresa tiene pocos motivos para contratar principiantes.
Pero preparar esos borradores era la manera en que los abogados jóvenes aprendían a detectar errores, identificar riesgos o anticipar objeciones, como lo hicieron en su momento los socios que ahora supervisan a la máquina. Lo mismo ocurre con los programadores que aprendieron escribiendo código, los contadores que comenzaron revisando balances o los economistas que descubrieron las trampas de los datos tras meses limpiando bases y corrigiendo estimaciones fallidas.
Parte de este aprendizaje puede trasladarse a simulaciones y ejercicios asistidos por IA, pero aún no sabemos cuánto “criterio profesional” puede adquirirse sin participar del trabajo real. Una estudiante de profesorado observa las clases de una profesora como parte de su formación. Toma apuntes, graba las clases y, un día, la profesora la invita a pasar al frente. Todos los ingredientes estuvieron a la vista. ¿Puede la estudiante dar la clase como la profesora? ¿Podría hacerlo si, además de observarla, hubiera podido practicar una y otra vez frente a alumnos virtuales?
Para el estudio jurídico, prescindir de los abogados jóvenes puede ser una decisión perfectamente racional, pero si todos hacen lo mismo, en diez años no encontrarán abogados experimentados. El ahorro de hoy es la escasez de mañana.
Si ninguna empresa tiene incentivos para financiar por su cuenta la formación de profesionales que después pueden trabajar para la competencia —la IA aquí agrava un problema preexistente, al reducir la utilidad inmediata de los principiantes— se justifica la intervención pública, que puede tomar la forma de periodos de prueba y contratos de aprendizaje, combinaciones de formación y empleo, o la promoción directa de la contratación de jóvenes durante sus primeros años de práctica.
Y tampoco alcanza con subsidiar la contratación de juniors: si las tareas con las que aprendían desaparecen, contratarlos no garantiza que aprendan. Habrá que pensar qué parte de la práctica profesional puede replicarse mediante simulaciones y qué parte requiere seguir trabajando junto a alguien que sabe.
Dar vuelta el aula
En una conferencia del 15 de julio de 2026, Demis Hassabis, entonces director ejecutivo de Google DeepMind y premio Nobel de Química de 2024, propuso invertir el funcionamiento de la escuela.
La propuesta retoma una idea con tres décadas de historia, conocida como flipped classroom o aula invertida: los alumnos aprenden los contenidos básicos fuera del aula y utilizan el tiempo compartido con docentes y compañeros para practicarlos. La tarea para el hogar pasa al aula y la tarea del aula al hogar. La novedad que suma Hassabis es la posibilidad de personalizar ese aprendizaje mediante tutores de IA.
Hassabis apunta en la dirección correcta. La escuela y la universidad podrían organizarse de modo que los contenidos se aprendan con mayor autonomía, mientras que el tiempo compartido con docentes se concentre en la discusión y resolución de problemas.
Pero la propuesta nos devuelve a la pregunta inicial. Durante mucho tiempo, la formación práctica estuvo incorporada al proceso productivo: los jóvenes aprendían trabajando. Esperando que los jóvenes hicieran carrera en la empresa, estas financiaban ese aprendizaje mientras se beneficiaban de lo que los principiantes producían en el proceso. La IA altera este arreglo: si los principiantes dejan de ser necesarios para la producción, la formación de futuros expertos tiene que organizarse de otra manera.
¿Podemos aprender a trabajar sin pasar por los trabajos con los que aprendieron quienes hoy saben hacerlo? No, o al menos, no del todo. Entonces: ¿quién se hará cargo de financiar esa experiencia?
ELY / NB



