Goldman Sachs cifra en 15 millones los trabajadores que desplazará la IA en EE.UU.: no es apocalipsis, es disrupción desigual

El número que Goldman Sachs preferiría que no leyeras solo

16.000 empleos netos. Cada mes. Eso es lo que la IA está borrando del mercado laboral estadounidense según el análisis de Goldman Sachs publicado en abril de 2026.

Pero ese titular solo cuenta la mitad de la historia, y la mitad que falta cambia todo.

Detrás del neto hay dos flujos que van en sentido contrario: la IA está destruyendo unos 25.000 puestos al mes por sustitución directa (tareas que antes hacía un humano y ahora hace un modelo) mientras que el efecto de aumento de productividad genera otros 9.000 puestos nuevos. El saldo: menos 16.000 al mes. No es un número de ciencia ficción; es el resultado de aplicar índices de exposición ocupacional y el índice de complementariedad del FMI sobre datos reales del mercado laboral. Goldman no lo llama "recuento directo"; es una estimación por regresión. Pero es la mejor aproximación que existe ahora mismo con datos públicos.

Proyectado a diez años, Joseph Briggs, economista de Goldman Sachs, estima que más del 9% de la fuerza laboral estadounidense (unos 15 millones de personas) podría ser desplazada durante esa transición. El matiz que los titulares suelen enterrar: Briggs no dice que esos trabajos desaparezcan para siempre. Dice que la disrupción será temporal mientras el mercado se ajusta y la IA crea nuevas ocupaciones a largo plazo. La diferencia entre "desplazado" y "desempleado permanente" importa. Pero mientras ocurre el ajuste, esas 15 millones de personas tienen que pagar el alquiler.

Por qué el "apocalipsis" es el titular equivocado

El propio informe se llama 'An AI Job Apocalypse' (y acto seguido argumenta que ese apocalipsis es improbable). Es el tipo de ironía que solo se permite un banco de inversión que sabe que su informe lo va a leer todo el mundo de todas formas.

El CEO de Goldman Sachs ya lo dijo en mayo de 2026: los miedos a un desempleo masivo son "exagerados". Y hay argumentos técnicos reales detrás de esa postura, no solo relaciones públicas corporativas.

Neil Thompson, director del proyecto FutureTech del MIT, lo articula mejor que nadie: que la IA sea técnicamente capaz de hacer algo no garantiza que vaya a hacerlo a escala. Fiabilidad, acceso a datos, costes de despliegue y fricción organizacional son barreras reales. Thompson usa la metáfora de "marea creciente" frente a "ola que arrasa": el agua sube, sí, pero despacio. Si te mueves, sobrevives. El problema es que mucha gente no se está moviendo porque no sabe que el agua está subiendo.

Daron Acemoglu, Nobel de Economía del MIT, añade una capa de complejidad que los optimistas prefieren ignorar: el impacto neto a cinco años será modesto y negativo, pero lo que pase después depende de una decisión que no toman los modelos de IA sino las empresas que los despliegan. ¿Usan la IA para que sus empleados hagan más y mejor trabajo? ¿O para necesitar menos empleados? Son dos estrategias de negocio distintas con consecuencias laborales radicalmente distintas, y ahora mismo ambas coexisten en el mercado.

Elsie Peng, también de Goldman Sachs, lo cuantifica: la creación de empleo por el lado del aumento existe, pero no compensa del todo las pérdidas por sustitución. Hay un lastre neto pequeño, dicen. Pequeño en agregado. No tan pequeño si eres tú quien está en el lado equivocado de la ecuación.

El mapa de riesgo: quién pierde y quién gana

Goldman usa dos ejes para clasificar ocupaciones: exposición a sustitución por IA (cuánto de tu trabajo puede hacer un modelo mejor y más barato que tú) y potencial de aumento (cuánto mejora tu productividad con IA como herramienta). El resultado es un mapa que tiene ganadores y perdedores muy concretos.

En el extremo de alto riesgo de sustitución: empleados de tramitación de seguros, cobradores de deudas, soporte legal básico, entrada de datos, atención al cliente rutinaria. Tareas con patrones repetibles, outputs bien definidos y poca tolerancia a la ambigüedad. Exactamente lo que los LLMs actuales hacen bien.

En el extremo de alto potencial de aumento: abogados, gestores de construcción, médicos. Profesiones donde el juicio, la responsabilidad legal y la relación con el cliente son irreemplazables a corto plazo, pero donde la IA puede multiplicar la capacidad individual. Un abogado con acceso a las herramientas adecuadas puede revisar contratos diez veces más rápido. Eso no lo reemplaza: lo hace más productivo (y potencialmente prescinde de los paralegales que hacían ese trabajo).

Ese es el matiz que el mapa no muestra bien: el aumento en la cima de la cadena a menudo implica sustitución en los escalones inferiores. No son dinámicas independientes.

Gen Z en la línea de fuego: los números que duelen

Aquí es donde el informe de Goldman se pone incómodo de verdad.

En las ocupaciones con mayor exposición a sustitución por IA, la brecha de desempleo entre trabajadores menores de 30 años y el grupo de 31 a 50 se ha ensanchado significativamente respecto a los promedios prepandemia. El análisis de Goldman también encuentra que un aumento de una desviación estándar en la exposición a sustitución por IA amplía la brecha salarial entre nivel de entrada y trabajadores experimentados en aproximadamente 3,3 puntos porcentuales.

¿Por qué Gen Z absorbe el golpe desproporcionadamente? No es mala suerte. Es estructura.

Los trabajadores jóvenes están concentrados en roles de cuello blanco rutinarios: entrada de datos, atención al cliente, soporte legal básico, facturación. Son exactamente las categorías que los modelos de IA actuales automatizan mejor. Y no tienen el activo que protege a los trabajadores senior: la experiencia acumulada, las relaciones, el criterio contextual que un modelo no puede replicar todavía.

El informe reconoce que hasta ahora no hay evidencia de daño masivo en las perspectivas laborales de los recién graduados. Pero añade que están en la línea de fuego de las disrupciones futuras. Esa distinción ("todavía no" frente a "ya") es importante. El mercado laboral tarda en ajustarse. Los efectos de la automatización no aparecen en las estadísticas de desempleo de forma inmediata; aparecen en la dificultad de encontrar el primer empleo, en salarios de entrada que no suben, en contratos precarios. Son señales más difusas que un pico de paro, pero no menos reales.

La paradoja que el informe señala y que casi nadie recoge: la misma cohorte que está absorbiendo el desplazamiento es también la que más usa agentes de IA, la que construye proyectos paralelos con LLMs y la que entra al mercado laboral con una alfabetización en IA que sus jefes de cuarenta y pico no tienen. Es posible que Gen Z sea simultáneamente el grupo más dañado y el más equipado para adaptarse. Depende de si la adaptación llega antes que el daño.

Lo que Goldman no captura (y es igual de importante)

El análisis tiene límites explícitos que vale la pena entender antes de usarlo para argumentar cualquier cosa.

Primero: el modelo no captura bien el empleo generado por la inversión en infraestructura de IA. Centros de datos, sistemas eléctricos, construcción, mantenimiento de hardware. Esos puestos existen y están creciendo, pero son difíciles de atribuir directamente a la IA como causa y no aparecen bien en los índices de exposición ocupacional que Goldman usa.

Segundo: no hay datos de variación geográfica. El efecto de la automatización no es uniforme en todo EE.UU. Una ciudad con alta concentración de trabajos de cuello blanco rutinarios en el Medio Oeste tiene un perfil de riesgo muy distinto al de un hub tecnológico en la costa. El número agregado de 15 millones no dice nada sobre dónde se concentra el impacto.

Tercero: no hay estimación cuantitativa de cuántos empleos nuevos creará la IA a lo largo de la década. Goldman dice que históricamente las transiciones tecnológicas crean nuevas ocupaciones, pero no pone número. Esa asimetría (15 millones de desplazados con nombre y estimación, creación de empleo sin cifra concreta) no es un error metodológico; es honestidad intelectual. Pero también es el hueco donde los optimistas y los catastrofistas meten sus narrativas favoritas.

Cuarto: el análisis no entra en recomendaciones de política ni en programas de recualificación. Describe el problema con rigor. No prescribe la solución. Eso es lo correcto para un informe económico; es frustrante si lo que buscas es saber qué hacer.

La pregunta que Goldman no puede responder

El informe de Goldman Sachs es uno de los análisis más rigurosos disponibles sobre el impacto laboral de la IA. Tiene fuentes verificables, metodología explícita y la honestidad de reconocer sus propios límites. Eso lo pone varios peldaños por encima del 90% de lo que circula sobre este tema.

Pero hay una pregunta que ningún modelo econométrico puede responder: ¿quién decide cómo se despliega la IA?

Acemoglu lo plantea con precisión quirúrgica: si la inversión sigue orientada a sustituir mano de obra, las pérdidas se agravan en la próxima década. Si se orienta a complementar trabajadores, el resultado es distinto. No es una pregunta técnica. Es una pregunta sobre incentivos empresariales, sobre regulación, sobre quién tiene poder de negociación en la relación entre capital y trabajo.

Los modelos de lenguaje no toman esa decisión. La toman los CFOs mirando una hoja de cálculo de costes laborales frente a costes de API. Y ahí el precio del token importa más de lo que parece: cuanto más barato es automatizar, más fuerte es el incentivo para hacerlo aunque el resultado a largo plazo sea peor para la empresa (como ya aprendió Ford de la manera cara cuando apostó por IA sin los controles adecuados y pagó miles de millones por el error).

15 millones de trabajadores en diez años. No es el apocalipsis. Es una disrupción lenta, desigual y perfectamente predecible que ya está ocurriendo a 16.000 empleos netos al mes. La diferencia entre el apocalipsis y esto no es que uno sea peor. Es que el apocalipsis lo verías llegar.