Contexto
Jamie Dimon, CEO de JPMorgan Chase, dijo el 24 de marzo de 2026 que los incentivos gubernamentales podrían limitar la dislocación de la fuerza laboral derivada de la inteligencia artificial, enmarcando la política pública como un complemento crítico a las respuestas del sector privado (Seeking Alpha, 24 mar 2026). El comentario se produce en un contexto de estimaciones empíricas enfrentadas: la OCDE (2019) calculó que el 14% de los empleos tienen alto riesgo de automatización y otro 32% afronta cambios significativos, mientras que la evaluación de McKinsey de 2017 estimó que hasta el 30% de las horas trabajadas podrían automatizarse a nivel global para 2030. Históricamente, las previsiones han variado ampliamente según la metodología —los análisis basados en tareas suelen mostrar mayor susceptibilidad para trabajos rutinarios que los estudios a nivel ocupación— y los responsables de política pública afrontan tanto señales como restricciones fiscales al diseñar incentivos.
Las observaciones de Dimon son relevantes no solo por su plataforma al frente de un banco global, sino porque desplazan la atención de la retórica privada sobre la recolocación y la recapacitación hacia palancas explícitas de política pública, como créditos fiscales, subsidios salariales y apoyos dirigidos para la reconversión profesional. Los comentarios deben leerse junto con datos sobre la holgura del mercado laboral: el desempleo en EE. UU. promedió aproximadamente 3,5% a fines de 2023 (BLS) y los patrones de crecimiento salarial se han moderado desde el auge pandémico de 2021–22, pero la reasignación estructural aún podría ampliar las disparidades regionales y sectoriales. Para inversores institucionales y responsables políticos, la interacción entre incentivos corporativos a la automatización y los programas públicos será un determinante clave del ritmo y de las consecuencias en el bienestar social de la adopción de la IA.
El momento de la declaración de Dimon también importa para la asignación de capital en 2026: grandes bancos y empresas tecnológicas han intensificado la inversión en IA generativa e infraestructuras que habilitan la automatización desde 2022, y la normalización de las tasas de interés por parte de los bancos centrales durante 2024–25 endureció las condiciones de financiación para empresas más pequeñas. Esas dinámicas configuran los canales a través de los cuales los incentivos operan —por ejemplo, los créditos fiscales que reduzcan el coste de la formación en el puesto de trabajo tendrán distinta adopción en incumbentes con abundante liquidez frente a empresas pequeñas y medianas. Por tanto, los inversores deberían distinguir entre la exposición de titular a la IA y la intensidad laboral subyacente y la sensibilidad regulatoria dentro de los modelos de negocio.
Profundización de datos
Tres referencias cuantitativas ayudan a enmarcar el alcance del desafío de política pública. Primero, el informe Future of Jobs del Foro Económico Mundial (2020) proyectó un cambio neto que podría provocar la pérdida de 85 millones de empleos para 2025 en ciertos sectores, al tiempo que creaba 97 millones de nuevos puestos, subrayando que la destrucción y la creación pueden coexistir pero son desiguales por geografía y nivel de habilidades. Segundo, el estudio de la OCDE de 2019 (citada más arriba) destaca que el 14% de los empleos son altamente automatizables, con un 32% adicional que probablemente enfrente cambios significativos, lo que implica que la política debe abordar tanto la pérdida de empleo como la transformación laboral. Tercero, el análisis global de McKinsey de 2017 cuantificó que alrededor del 30% de las horas trabajadas podrían automatizarse para 2030, pero enfatizó que la sustitución depende de contextos económicos y regulatorios.
La comparación entre esos estudios ilustra un punto crucial: las estimaciones de desplazamiento varían según la metodología, el horizonte temporal y el alcance. El WEF se centra en roles dentro de transiciones industriales, la OCDE analiza el riesgo de automatización a nivel ocupación dentro de las definiciones de trabajo existentes, y McKinsey examina la sustitución de tareas a lo largo de las horas trabajadas. Por tanto, una lectura interanual o transversal requiere cautela —por ejemplo, la cifra del 14% de la OCDE no es directamente comparable con un 30% de horas de McKinsey porque miden fenómenos relacionados pero distintos. Los análisis institucionales deben usar múltiples lentes, combinando exposición sectorial, flexibilidad del mercado laboral regional e intensidad de capital a nivel de empresa.
La evidencia empírica sobre la eficacia de las políticas sigue siendo incipiente. Los programas existentes en el mercado laboral han producido resultados mixtos: las políticas activas de mercado de trabajo (ALMP, por sus siglas en inglés), como la formación subvencionada y la asistencia en la búsqueda de empleo, muestran efectos positivos en el empleo en estudios aleatorizados, pero escalar esos programas a menudo reduce la intensidad y la eficacia por participante. En EE. UU., las iniciativas federales de recualificación históricamente muestran bajas tasas de finalización o de colocación cuando se realizan sin la implicación del empleador, mientras que los aprendizajes subvencionados por el empleador en Alemania y Suiza ofrecen tasas de retención posprograma más elevadas. Tal heterogeneidad aboga por incentivar la participación empresarial en lugar de confiar exclusivamente en subsidios educativos por el lado de la oferta.
Implicaciones sectoriales
No todos los sectores enfrentan la misma exposición cuantitativa a la automatización impulsada por la IA. Las tareas administrativas rutinarias, la atención básica al cliente y ciertas labores de transporte se valoran como de mayor riesgo en los marcos de la OCDE y McKinsey; por el contrario, los sectores con alto contenido interpersonal o creativo —diagnóstico sanitario complementado por juicio humano, I+D avanzada y servicios profesionales complejos— son menos automatizables en el corto plazo. En la banca y los servicios financieros, el riesgo de automatización se concentra en el procesamiento de back-office, la diligencia básica y tareas de cumplimiento estandarizadas, mientras que los roles generadores de ingresos que requieren relaciones con clientes se mantienen menos afectados.
Una comparación transversal frente a pares muestra prioridades de capital divergentes: los grandes incumbentes con escala pueden invertir en IA propietaria para automatizar flujos de trabajo y reasignar mano de obra hacia labores de asesoría de mayor margen, mientras que las empresas más pequeñas pueden rezagarse y enfrentar presiones de margen comprensivas. Esa brecha aumenta los riesgos de competitividad y concentración, lo que podría amplificar los llamamientos a políticas que apoyen a las pequeñas empresas mediante subvenciones dirigidas o fondos de contrapartida. Del mismo modo, las regiones con menor nivel de educación adulta y acceso limitado a banda ancha —métricas que se correlacionan con la adaptabilidad digital— probablemente experimentarán un dolor de transición más profundo a menos que las intervenciones sean geográficamente focalizadas.
Los incentivos públicos, por tanto, darán forma a los resultados sectoriales. Créditos fiscales para la formación patrocinada por el empleador,
