La IA abarata el trabajo. Eso no significa que habrá menos.

En 1865, William Stanley Jevons cuestionó una afirmación sencilla sobre las máquinas de vapor. Una máquina más eficiente usaba menos carbón por cada unidad de trabajo. Muchas personas supusieron que las máquinas mejores reducirían el consumo total de carbón. Jevons vio la presión contraria. La energía más barata hizo rentables las máquinas en más minas, fábricas y sectores. Más máquinas podían consumir más carbón aunque cada una necesitara menos.

Hoy llamamos a esto paradoja de Jevons. El nombre parece describir un truco. Es demanda común. Cuando baja el coste de hacer algo, las personas pueden hacerlo más veces, usarlo en más lugares e inventar usos que no valían el precio anterior.

El efecto no es automático. Si la demanda es fija, la eficiencia puede reducir el uso total. Si la demanda crece lo suficiente después de la caída del precio, el uso total aumenta. Jevons nos deja una pregunta para la IA. ¿Qué sucede cuando el coste de producir una respuesta, un borrador, una predicción o una línea de código se acerca a cero?

La versión laboral de la paradoja requiere más cuidado. Una persona no es un recurso que una empresa se limita a consumir. Un empleo contiene muchas tareas, relaciones, decisiones y deberes. El software puede acelerar una tarea sin hacer desaparecer la profesión.

El economista James Bessen estudió cómo la demanda cambió el empleo en los sectores textil, siderúrgico y automotriz. Su conclusión depende de una condición. La automatización puede aumentar el empleo mientras reduce precios si los clientes compran mucho más producto. El empleo puede caer después, cuando la demanda deja de responder con la misma fuerza. El resultado depende de la demanda, no solo de la eficiencia.

La IA puede mover el trabajo en sentidos opuestos. Una empresa puede necesitar menos horas para producir la misma cantidad de informes. También puede decidir producir diez veces más informes, atender a clientes que antes no recibían ayuda o probar muchas más ideas. Parte de ese volumen nuevo necesita criterio humano, revisión, ventas, atención y reparación. Otra parte no. Jevons no resuelve esa cuenta.

Por eso, una demostración que ahorra treinta minutos no prueba un plan de plantilla. La dirección todavía decide el volumen, el nivel de calidad, el precio, el equipo y cuánto riesgo debe absorber cada trabajador.

Un estudio de 2025 siguió a 5.172 agentes de atención después de que una empresa introdujera un asistente de IA. La herramienta sugería respuestas y enlazaba documentos internos. Las personas seguían siendo responsables de la conversación y podían ignorar o editar cada sugerencia.

Los agentes resolvieron un 15% más de casos por hora en promedio. Las personas con menos experiencia o menor rendimiento mejoraron cerca de un 30%. Los agentes nuevos avanzaron más rápido durante el aprendizaje. Los clientes también fueron menos hostiles, y la empresa registró menos salidas entre los agentes nuevos.

Estos resultados importan. Muestran una herramienta que ayudó a las personas a aprender y trabajar mejor en una empresa real. No muestran lo que pasó con el empleo total o los salarios. Los autores dicen que sus datos no responden esas preguntas. Un responsable puede usar la ganancia para reducir colas, acortar turnos, atender a más clientes, subir objetivos o recortar personal. El estudio mide la herramienta. No aprueba la decisión del responsable.

La Organización Internacional del Trabajo y el instituto polaco NASK revisaron casi 30.000 tareas en 2025. Estimaron que uno de cada cuatro empleos del mundo tenía alguna exposición a la IA generativa. El trabajo administrativo tenía la mayor exposición. Las mujeres ocupaban una parte mayor de los empleos más expuestos en los países de ingresos altos.

El informe no dijo que uno de cada cuatro empleos pudiera ser sustituido. Concluyó que la transformación era más probable porque la mayoría de las profesiones todavía contiene tareas que necesitan personas. La diferencia importa. Un empleo distinto puede ser más seguro, pagar mejor y ser más fácil de aprender. También puede quedar reducido a excepciones, quejas y revisión constante después de que el software se quede con las tareas fáciles.

Contar tareas expuestas indica dónde puede ocurrir el cambio. No dice si una persona conservará el empleo, recibirá formación, compartirá la ganancia o asumirá más trabajo por el mismo salario.

El efecto más inmediato de Jevons en el trabajo puede no ser más empleos ni menos empleos. Puede ser más trabajo por persona. Cuando un borrador tarda cinco minutos en lugar de una hora, el tiempo ahorrado suele convertirse en cinco borradores más. Cuando el software resuelve los casos comunes, la persona recibe un día formado solo por casos difíciles.

Las encuestas de la OCDE mostraron que el 75% de los trabajadores financieros y el 77% de los trabajadores industriales que usaban IA dijeron que aumentó su ritmo de trabajo. El informe también describe una fábrica que decidió no automatizar todas las tareas fáciles. La dirección entendió que el trabajo fácil daba a las personas un descanso mental entre problemas difíciles.

Ese detalle se acerca más al coste humano que una nota de productividad. Una cola puede crecer hasta ocupar cada minuto ahorrado. La persona aporta más atención, más correcciones y más esfuerzo emocional. La empresa registra una producción mayor. La persona vive una jornada más apretada.

Este resultado es una decisión de la empresa. Un modelo no fija el objetivo diario, elimina el tiempo de recuperación, vigila las teclas ni decide que una ganancia del quince por ciento pertenece solo al empleador.

Antes de adoptar IA, una empresa debe decir para qué sirve el tiempo ahorrado. Una política útil explica qué trabajo terminará, qué servicio crecerá, cómo se revisará la calidad y cómo la ganancia afectará al equipo, la jornada y el salario.

La política también debe medir el uso total. El coste de una tarea puede bajar mientras la cantidad de tareas crece mucho más rápido. Mide el cómputo total, el tiempo total de revisión, todos los contactos con clientes, el trabajo fallido y las horas trabajadas. Un número por tarea puede esconder el rebote que importa.

• Da a los trabajadores una función al elegir las tareas y los límites antes de adoptar la herramienta.
• Cuenta la revisión, la corrección y los intentos fallidos como trabajo.
• Mantén un nivel de calidad que no baje cuando suba el volumen.
• Fija un límite de cola o carga en vez de tratar cada minuto ahorrado como capacidad nueva.
• Explica cómo las personas comparten la ganancia mediante salario, menos horas, formación o más plantilla.
• Publica el consumo total de energía y el total de tareas, no solo la eficiencia por solicitud.

Quien busca empleo no necesita preguntar a un responsable sobre la economía del carbón del siglo diecinueve. Pregunta qué pasó después de que la herramienta se hiciera más rápida. La respuesta indica si la empresa usa la eficiencia para mejorar el trabajo o para estirar a cada persona.

• ¿Qué tareas eliminó la herramienta y cuáles aumentaron después de adoptarla?
• ¿Cambiaron los objetivos, el tamaño del equipo, la jornada o el salario cuando subió la producción?
• ¿Quién revisa la salida de la IA y ese tiempo entra en los planes de capacidad?
• ¿Puede una persona rechazar una sugerencia sin dañar su evaluación?
• ¿Qué sucede cuando el sistema falla durante un periodo de mucha actividad?
• ¿La empresa mide el resultado para el cliente y la salud del equipo o solo el volumen?

Jevons ayuda a explicar por qué una IA barata puede generar más IA, más producción y más consumo eléctrico. También advierte que un ahorro por tarea no es una promesa para todo el sistema.

El resultado laboral sigue abierto. La demanda puede crecer. Puede aparecer trabajo nuevo. El trabajo actual puede volverse más fácil. El empleador también puede usar la misma herramienta para subir objetivos, estrechar puestos, recortar personal o trasladar el riesgo a contratistas. La estimación de Acemoglu de 2024 sobre la productividad de la IA en toda la economía fue modesta, como máximo un 0,66% en diez años bajo sus supuestos. Las grandes afirmaciones sobre crecimiento o pérdida de empleos todavía van por delante de los resultados medidos.

La pregunta útil no es si la IA es eficiente. Es quién controla la capacidad adicional. Si los trabajadores participan, la ganancia puede comprar tiempo, aprendizaje, acceso y mejor servicio. Si no participan, la cola suele encontrar primero el espacio vacío.