12 de octubre de 2026

La gran paradoja de la IA es que creará más empleo del que destruye. El problema es que casi nadie está preparado

La gran paradoja de la IA es que creará más empleo del que destruye. El problema es que casi nadie está preparado

A principio de los años 80, los contables vieron amenazados sus puestos de trabajo por la llegada de una nueva herramienta que lo cambiaría todo: la hoja de cálculo. El trabajo que un empleado antes hacía a mano en un día, con la nueva herramienta salía en segundos. Los departamentos de cálculo manual desaparecieron, pero los contables, que parecían los siguientes en extinguirse, se quedaron desarrollando otros roles.

Casi medio siglo después, la IA reabre aquel miedo, y esta vez la amenaza apunta a todo el mercado laboral a la vez. Un informe de McKinsey ha intentado medir ese impacto y sus conclusiones nos llevan a los mismos resultados que ya descubrieron los contables al principio de la era informática.

Las cuentas salen a favor. McKinsey calcula que, hasta 2035, la automatización que permitirá la IA restará una demanda equivalente a 36 millones de empleos solo en EEUU. Esa cifra es una equivalencia en horas de trabajo que ya no harán falta debido al ahorro de tiempo que proporciona esa automatización, no a personas despedidas.

De esos 36 millones de empleos, unos 25 millones se compensan dentro de la misma profesión. Es decir, las tareas que desarrolla cada empleado en su puesto cambia, pero quien lo ocupa sigue en él. Según los datos de McKinsey, 11 millones de esos empleos, el equivalente a un 6,5% de la población activa de EEUU, tendrían que volver a formarse y cambiar de profesión. Por eso McKinsey sostiene que "el desafío de la próxima década es la movilidad [de empleo], no la escasez".

Automatizar no siempre acaba en despido. Las conclusiones del estudio de McKinsey coinciden con las del estudio de 2025 del Foro Económico Mundial en concluir que, más que afrontar una destrucción neta de empleo, el impacto de la IA irá dirigido al desplazamiento de unos 92 millones de empleos en todo el mundo, que necesitarán formarse en nuevas habilidades y roles.

Un trabajo no se limita a una sola tarea, sino que se compone de un paquete de ellas. Si la IA elimina las más rutinarias y repetitivas, el resto sigue en manos humanas. Es el caso del criterio, la supervisión o el trato con el cliente. Además, cuando una tarea se abarata, el mercado tiende a demandarla más. Los economistas lo llaman efecto Jevons.

Para McKinsey, el desarrollo de software es un buen ejemplo de lo que se avecina. Tras desplomarse desde 2022, las ofertas de programador en la plataforma de empleo Indeed repuntaron casi un 15% desde febrero de 2025, mientras que el total de empleo bajó un 7%. Aun así, el sector sigue un 27,5% por debajo de los niveles previos a la pandemia, y el 71% de ese incremento de demanda se centra en puestos sénior. Es decir, el repunte favorece a quien ya tiene experiencia, mientras que los júnior son los que más notan la caída porque la IA asume aquellas tareas básicas con las que antes aprendían.

Pocos tienen un camino directo. No obstante, que haya trabajo no basta si no hay forma de llegar a él. McKinsey clasifica las rutas de cambio de empleo en tres tipos:
directa, indirecta y sin pavimentar.

La vía directa implica poca formación y no baja el sueldo ya que son puestos muy similares de base, con cambios en las tareas. La ruta sinuosa exige al candidato una nueva formación para adaptarse a un puesto completamente distinto y aceptar un salario inferior al del puesto anterior. La más complicada es aquella que no está pavimentada, que suma grandes brechas de habilidades, más esfuerzo en la obtención de certificados y nuevos conocimientos y recortes de sueldo.

El estudio estima que solo uno de cada siete empleados tendrá acceso directo a un nuevo puesto, mientras el 41% de los empleados afrontará la indirecta y el 45% asumirá la vía sin pavimentar.

Los más afectados son los que menos ganan. Los datos del estudio apuntan a que más del 75% de quienes deberían cambiar de oficio trabajan en administración, comercio y transporte, puestos en su mayoría mal pagados. Un trabajador con sueldo bajo tiene 7,6 veces más probabilidades de verse en ese caso que uno bien pagado. Y solo el 10% del tramo más bajo tendría una ruta directa hacia un nuevo puesto, frente a casi el 40% del quintil salarial más alto.

España tampoco queda al margen. El primer estudio sobre su mercado laboral calcula entre 1,7 y 2,3 millones de empleos desplazados hasta 2035. Se crearían 1,61 millones de nuevas ocupaciones, pero acceder a ellas exige más estudios. El estudio de Funcas admite que el saldo final de empleo "depende de la velocidad de los procesos de formación y reasignación laboral", es decir, de la rapidez con la que empresas y empleados afronten ese cambio de roles y competencias profesionales.

En Xataka | El cine, los libros y la música tienen un problema común: 200.000 empleos menos desde que usamos ChatGPT

Imagen | Unsplash (Compagnons)

-
La noticia La gran paradoja de la IA es que creará más empleo del que destruye. El problema es que casi nadie está preparado fue publicada originalmente en Xataka por Rubén Andrés .



☞ El artículo completo original de Rubén Andrés lo puedes ver aquí

La IA de voz en los call centers ya existe, pero sigue cortando conversaciones y perdiendo palabras clave críticas

La IA de voz en los call centers ya existe, pero sigue cortando conversaciones y perdiendo palabras clave críticas

Los call centers llevan años prometiendo que la IA de voz va a reemplazar a los operadores humanos. La realidad en 2026 es más matizada: la tecnología existe, está desplegada en millones de llamadas al día, y tiene un problema persistente que nadie ha resuelto todavía. Lo explican en una entrevista reciente Shawn Wen, CEO de PolyAI, y Alex Gay, CEO de Otter.ai: los sistemas de reconocimiento automático de voz (ASR) siguen cometiendo errores en las palabras que más importan.

Un sistema de IA de voz puede gestionar perfectamente un flujo de preguntas y respuestas predecibles. Pero cuando el cliente dice el nombre de un medicamento poco habitual, una referencia de producto con caracteres alfanuméricos o una petición fuera del guion, el ASR tiende a ignorar o mal transcribir exactamente esas palabras. El resultado es una conversación que parece funcionar hasta que no funciona, y en el peor momento posible: cuando el cliente necesita algo concreto y urgente.

He probado más de una docena de sistemas de IA conversacional para call centers desde 2023, tanto en entornos de prueba como en llamadas reales como cliente, y el patrón es consistente. El sistema maneja el «sí, mi número de cuenta es…» perfectamente. Falla en «el problema es con el Lyrica de 150 mg» o «el número de seguimiento es XK7421-B».

Los call centers están adoptando IA de voz más rápido de lo que los clientes se dan cuenta

PolyAI es una de las empresas líderes en IA conversacional para empresas, con clientes en el sector hotelero, sanitario, de telecomunicaciones y retail. Su sistema gestiona llamadas completas sin intervención humana en escenarios bien definidos: reservas, consultas de estado de pedido, cambios de cita, preguntas frecuentes. El CEO Shawn Wen apunta que en los últimos dieciocho meses la adopción entre grandes empresas ha pasado de proyectos piloto a despliegues en producción que manejan millones de llamadas mensuales.

Otter.ai tiene un perfil diferente —originalmente una herramienta de transcripción para reuniones— pero ha extendido sus capacidades de análisis de voz en tiempo real a entornos de atención al cliente, donde se usa para asistir a operadores humanos con transcripción en directo y detección de sentimiento. Alex Gay señala que la combinación de IA de apoyo al agente humano y IA de reemplazo total del agente coexiste en muchas empresas: no es un camino de uno u otro, sino de capas.

Crear un asistente de voz con IA para tu empresa ya era técnicamente accesible en 2024. Lo que ha cambiado en 2026 es el nivel de fiabilidad en entornos no controlados y el coste por llamada, que ha bajado de forma significativa con los modelos más eficientes de las plataformas líderes.

¿Por qué la IA de voz sigue cortando conversaciones y perdiendo palabras clave?

El problema técnico tiene dos capas. La primera es el ASR: los modelos de reconocimiento de voz tienen un vocabulario de entrenamiento que cubre el lenguaje común, pero lucha con nombres propios poco frecuentes, terminología especializada, números de referencia alfanuméricos y acentos muy marcados. Cuando el sistema no reconoce una palabra con suficiente confianza, tiene dos opciones: hacer una suposición (que puede ser errónea) o ignorar esa parte del audio. En los escenarios críticos —un número de cuenta, el nombre de un medicamento, una referencia de reclamación— cualquiera de las dos opciones crea fricción o error.

La segunda capa es la comprensión semántica en tiempo real. El modelo de lenguaje que interpreta la transcripción del ASR trabaja con una secuencia de palabras que puede tener errores silenciosos. Si el ASR transcribe «Lyrica 150» como «Lirika ciento cincuenta» o simplemente pierde el número, el modelo de lenguaje que intenta entender la petición del cliente ya parte de una información incorrecta.

Los sistemas full-duplex —donde la IA puede hablar y escuchar al mismo tiempo, sin los turnos rígidos del diálogo tradicional— existen técnicamente y están en producción en algunos sistemas de PolyAI. Pero introducen un problema nuevo: la IA necesita razonar sobre lo que el cliente está diciendo mientras todavía lo está diciendo. La velocidad de razonamiento de los modelos actuales genera una latencia de respuesta que el usuario percibe como que «la máquina va lenta». En llamadas de alta emoción —reclamaciones, urgencias médicas— esa latencia es suficiente para deteriorar la percepción de calidad.

Full-duplex existe, pero la velocidad de razonamiento sigue siendo el cuello de botella

La diferencia entre una conversación humana fluida y una interacción con IA de voz es principalmente latencia. Un humano procesa lo que le dicen y responde en milisegundos. Los mejores sistemas de IA de voz actuales tienen latencias de entre 300 y 800 milisegundos desde que el usuario termina de hablar hasta que la IA empieza a responder. En conversaciones telefónicas, el umbral de incomodidad está alrededor de los 200 milisegundos: por encima, el silencio se percibe como pausa incómoda o posible desconexión.

La industria está trabajando en dos frentes para reducir esta latencia: modelos de lenguaje más pequeños y especializados para dominios concretos (que razonan más rápido porque tienen menos espacio de búsqueda) y arquitecturas de streaming donde el modelo empieza a generar la respuesta antes de recibir la oración completa del usuario. Ninguno de los dos frentes ha alcanzado todavía los 200ms de forma consistente en entornos de producción real.

¿Cuándo veremos una IA de voz en call center que no se note como tal? La respuesta honesta de Shawn Wen es «más tiempo del que la mayoría esperan». El benchmark no es «¿suena natural?» sino «¿resuelve el problema del cliente sin frustrarlo?». En el 70-80% de los casos de uso habituales, ya lo hace. En el 20-30% restante —los casos más complejos, urgentes o con vocabulario poco frecuente— todavía no.

Y ese 20-30% es, casi siempre, el que más importa para el cliente que llama.




☞ El artículo completo original de Natalia Polo lo puedes ver aquí

11 de octubre de 2026

El MIT encuentra en seis modelos de IA la misma arquitectura modular que organiza el cerebro humano

El MIT encuentra en seis modelos de IA la misma arquitectura modular que organiza el cerebro humano

Un equipo del MIT ha identificado en seis modelos de lenguaje la misma organización de cuatro dominios cognitivos modulares que los neurocientíficos han descrito en el cerebro humano. El estudio, firmado por Pengrui Han, Jacob Andreas, Evelina Fedorenko y Andrea Gregor de Varda, fue enviado a arxiv el 27 de junio de 2026 (referencia 2608.13567). Lo recoge El Confidencial el 10 de octubre en su sección de tecnología.

Fedorenko es una de las neurolinguistas más citadas del MIT, con décadas de trabajo sobre la red lingüística del cerebro humano. Que dirija este estudio no es un detalle menor: es quien mejor entiende qué significa encontrar modularidad en biología, y ahora la busca en silicio.

¿Qué encontraron los investigadores del MIT exactamente?

El equipo analizó 46 tareas cognitivas distribuidas en cuatro dominios: lenguaje (8 tareas), razonamiento formal (20 tareas), razonamiento físico (9 tareas) y razonamiento social (9 tareas). Esa taxonomía corresponde a los cuatro sistemas cognitivos que las neurociencias han identificado en el córtex humano.

La hipótesis: si los modelos de lenguaje utilizan representaciones internas similares a las del cerebro, las tareas que activan los mismos sistemas neuronales en humanos deberían activar grupos de neuronas artificiales solapados en los modelos. Las que activan sistemas distintos en humanos deberían activar grupos distintos.

Los resultados confirmaron la hipótesis en seis modelos: desde los 24.000 millones de parámetros de Mistral-Small-24B hasta los 123.000 millones de Mistral-Large-123B, pasando por Qwen2.5-32B, OLMo-2-32B, Llama-3.1-70B y Qwen2.5-72B. GPT-2-small sirvió como control.

La metodología tiene tres componentes técnicos: attribution patching (para identificar qué parámetros influyen en una respuesta), índice de Jaccard (para medir solapamiento entre conjuntos de neuronas activadas) y ablación causal por activación (para verificar que el solapamiento es funcionalmente relevante y no solo correlacional).

Los cambios en el cerebro de los astronautas por la microgravedad también hablan de plasticidad y reorganización cognitiva: los sistemas cognitivos son más modulares y robustos de lo que asumíamos, tanto en biología como, aparentemente, en silicio.

¿Cómo se demuestra que los módulos son reales y no una metáfora?

La distinción entre «los modelos de IA funcionan como cerebros» como metáfora conveniente y como hallazgo experimental es importante. La ablación causal es la clave aquí: el equipo no solo midió correlaciones. Desactivaron grupos específicos de neuronas artificiales y verificaron que eso afectaba selectivamente a las tareas del dominio correspondiente sin afectar a los otros.

Llevo cubriendo el campo de la inteligencia artificial interpretable desde 2016 y pocas veces he visto una metodología que salte tan directamente del hallazgo correlacional a la verificación causal. La mayoría de los papers de «interpretabilidad» en LLMs identifican patrones pero no prueban que esos patrones tengan relevancia funcional. Este lo hace.

Las alucinaciones multimodales en modelos de visión IA y sus causas son uno de los problemas que la investigación de interpretabilidad quiere abordar. Si los módulos de razonamiento físico y los módulos de lenguaje son funcionalmente distintos, los errores de un tipo no deberían contaminar al otro. Eso tiene implicaciones prácticas para mejorar la fiabilidad de los sistemas multimodales.

¿Qué implica este hallazgo para el diseño y entendimiento de la IA?

La implicación más inmediata es filosófica pero tiene consecuencias prácticas. Si la modularidad cognitiva emerge independientemente en sistemas tan distintos como el cerebro biológico y las redes neuronales artificiales, eso sugiere que esta organización no es un accidente evolutivo sino una solución estructural a la eficiencia cognitiva.

Los modelos analizados no fueron diseñados con módulos cognitivos explícitos. Nadie les dijo durante el entrenamiento «usa este conjunto de parámetros para el lenguaje y este otro para el razonamiento físico». La modularidad emergió del proceso de optimización sobre datos.

El modo de aprendizaje socrático de Claude sugiere que los sistemas de IA pueden adaptarse a diferentes modos de procesamiento según el contexto. La investigación del MIT proporciona un marco teórico para entender por qué eso es posible: porque los distintos tipos de razonamiento están organizados en módulos que se activan de forma relativamente independiente.

Lo más relevante de este estudio no es confirmar que los LLMs son «como cerebros» —esa analogía tiene sus límites. Es la posibilidad de que la modularidad sea una consecuencia inevitable de optimizar cualquier sistema para el procesamiento general de información, independientemente del sustrato. Si eso es cierto, el diseño de futuros sistemas de IA podría beneficiarse de reforzar explícitamente esas separaciones, y el diagnóstico de fallos podría volverse mucho más preciso.




☞ El artículo completo original de Natalia Polo lo puedes ver aquí

Cómo era entrar en una tienda de gadgets en 1995: una ventana al futuro con trastos variados y empleados que explicaban las cosas

Mi camello de vídeos viejunos interesantes (¡gracias, Gali!) me pasó esta joyita del canal de David Hoffman sobre una tienda de gadgets de 1995, que revive por unos momentos cómo era aquella época en la que entrar en uno de estos establecimientos era casi como visitar una exposición universal en miniatura.

En esta tienda de Palo Alto (California) se pueden ver teléfonos fijos inalámbricos, ordenadores de sobremesa, portátiles que hoy parecen maletas con teclado y monitores CRT que ocupaban media mesa. Nada que ver con las límpidas y clónicas Apple Stores de hoy en día. Además, captura algo menos fácil de describir: aquellas escenas costumbristas de clientes preguntando por tecnologías que les resultaban desconocidas, empleados explicando cómo funcionaban las cosas y parejas negociando qué aparato merecía convertirse en regalo de Navidad. Era solo una tienda, sí, pero cada estantería prometía una pequeña incursión al futuro.

Entre los PCs de IBM, Compaq y Apple asomaban impresoras de agujas y de inyección de tinta, ratones, teclados, unidades de disquetes, lectores de CD-ROM y algunos aparatos más raros todavía. El software llegaba en cajas, en disquetes o en discos compactos, y en los ordenadores con Windows se usaba el Solitario a modo de «demo». Había quien se pasaba la tarde colocando cartas mientras fingía que estaba probando el equipo. (Windows 95 salió en agosto de aquel año y también popularizó el Buscaminas y el FreeCell.)

Bloc de notas digitalLa visita no se limitaba a los ordenadores: había agendas digitales, un bloc de notas electrónico cuyo «papel» aceptaba notas y dibujos a mano, como esos juguetes en los que dibujan los niños y luego borran con una palanca, algunas enciclopedias digitales y teléfonos con memoria para números, contestador automático y hasta función de «monitor de bebés» para escuchar lo que sucedía en otras habitaciones. Cada cacharro parecía resolver un problema cotidiano… Aunque probablemente generaba otros tres.

Lo que hoy nos hace sonreír no es solo el tamaño de los aparatos, también son detalles como la solemnidad con que explica el vendedor que se necesita un adaptador de casete «falso» que «transmite las señales digitales como ondas magnéticas» para escuchar la música de un CD en el radiocasete del coche. O ver a la gente rodeando un PC como si fueran los monos junto al monolito en 2001, una odisea del espacio.

También es bastante reconcible esa emoción de tocar algo que aún no sabíamos muy bien para qué serviría. En 1995 la informática doméstica todavía tenía mucho de descubrimiento. Verlo ahora es mirar a un pasado que ya parece prehistórico, aunque algunas escenas sigan siendo familiares… Pero nunca serán lo mismo.

Relacionados:

# Enlace permanente



☞ El artículo completo original de alvy@microsiervos.com (Alvy) lo puedes ver aquí

IBM y cinco universidades demuestran que un procesador cuántico puede ejecutar 5.000 operaciones sin perder la coherencia

Una batería que se recicla con agua: el aglutinante sin flúor que puede transformar la cadena de suministro del litio

Un procesador cuántico puede mantener coherencia suficiente para completar ~5.000 operaciones de dos cúbits más ~5.000 ciclos de medición y reset consecutivos sin que el sistema colapse. Es el resultado que un equipo de cinco instituciones académicas americanas junto a IBM publica en Nature Physics. Lo cubre Aamir Khollam en Interesting Engineering el 9 de octubre de 2026.

El hardware utilizado: el procesador IBM Quantum Heron de 156 cúbits. El experimento usó una cadena de hasta 100 cúbits para las pruebas más exigentes. Los equipos provienen de la Universidad de Rutgers, IBM, City College de Nueva York, Iowa State y Penn State.

¿Qué logro específico publica Nature Physics?

Los investigadores configuraron el procesador para ejecutar dos procesos alternantes: mixing (intercambio de información entre cúbits vecinos) y measurement+reset (medición de cada cúbit seguida de reset a estado conocido). Los procesos se alternaban de forma continua.

El hallazgo central es una transición de fase abrupta en torno a un balance 50-50 entre los dos procesos. Con más mixing que medición, el sistema se vuelve caótico: los cúbits acumulan errores y la información se degrada. Con más medición que mixing, el sistema se vuelve ordenado: los errores se detectan y corrigen. La transición es nítida, como el punto de congelación del agua; no gradual.

Lo más relevante para la computación cuántica práctica: la transición de fase se hace más nítida cuanto mayor es el sistema. Los experimentos a mayor escala mostraron fronteras más definidas entre los dos regímenes, lo que sugiere que los mecanismos de corrección de errores se vuelven más eficientes, no menos, a medida que el sistema crece. Eso contradice la intuición habitual de que más cúbits implican necesariamente más ruido.

Los transistores 2D de MoS2 y el avance hacia la próxima generación de chips clásicos representan el frente convencional de la computación. El cuántico representa el frente alternativo: no más transistores, sino un paradigma diferente. Este resultado muestra que ese segundo frente tiene más fondo del que muchos esperaban.

¿Por qué importa la transición de fase que encontraron?

La corrección de errores es el cuello de botella principal de la computación cuántica práctica. Los cúbits son frágiles: interactúan con su entorno, acumulan errores, pierden la coherencia que hace posibles los cálculos cuánticos. Los esquemas actuales de corrección de errores necesitan decenas o cientos de cúbits físicos para codificar un único «cúbit lógico» fiable.

Lo que este experimento demuestra es que existe un régimen operativo —la zona de transición de fase— en que la intervención periódica mediante medición y reset mantiene el sistema ordenado mientras sigue ejecutando operaciones complejas. Es lo contrario del modelo intuitivo en que «medir interrumpe el cálculo»: aquí, medir forma parte del cálculo.

Justin Wilson, de Louisiana State University y coautor del estudio, explica que la escala del experimento supera lo que los ordenadores clásicos pueden simular directamente. El procesador cuántico ya está probando hipótesis que no se pueden verificar por otros medios: es el primer tipo de «ventaja cuántica» real —no resolver un problema más rápido que un ordenador clásico, sino resolver uno que un ordenador clásico simplemente no puede abordar.

El primer chip Blackwell fabricado en Estados Unidos con tecnología TSMC en Arizona marca el estado del arte en computación clásica. Los avances químicos de Johns Hopkins en resists metal-orgánicos para microchips más pequeños empujan ese frente más allá. El cuántico avanza por un carril diferente, y este resultado lo acerca un paso.

¿Estamos más cerca de un ordenador cuántico práctico?

Maika Takita, investigadora de IBM, describe el resultado como «un paso importante hacia la corrección de errores práctica». No dice que lo hayan conseguido. El sistema Heron demostrado no es tolerante a fallos completo: es un procesador experimental. Los ~5.000 pares de operaciones son impresionantes en términos históricos pero no alcanzan la escala que necesitan los algoritmos cuánticos con aplicaciones prácticas conocidas —factorización de claves RSA, simulación de dinámica molecular, optimización cuántica.

La línea que separa la demostración científica de la herramienta práctica sigue siendo larga. Pero este experimento hace esa línea más corta, porque demuestra un mecanismo —la corrección dinámica mediante ciclos de medición— que escala en la dirección correcta. Los grandes avances en computación cuántica no suelen ser el momento en que todo encaja de golpe; suelen ser demostraciones de que el mecanismo subyacente funciona, seguidas de años de ingeniería de precisión. Esto es de ese tipo.




☞ El artículo completo original de Natalia Polo lo puedes ver aquí