El jefe de inteligencia artificial de Microsoft afirmó que en dieciocho meses todo el trabajo de oficina podría estar automatizado. La declaración se volvió titular de inmediato. Varios medios la repitieron y la cifra empezó a circular como si fuera un hecho en lugar de una predicción.
La tesis suena convincente. Los modelos de lenguaje ya escriben reportes, generan código, resumen reuniones y responden correos mejor que muchos empleados junior. Si esa curva de mejora continúa, la extrapolación parece lógica. Dentro de poco, ¿para qué se necesitaría un analista si el modelo hace el análisis en segundos?
Sam Altman ha hablado de esto en términos casi utópicos. Lo llama la singularidad amable: una transición donde la abundancia generada por la IA resuelve problemas que antes parecían estructurales. Marc Andreessen fue más allá con su manifiesto tecnooptimista, que presenta la automatización como una fuerza inevitable y benéfica. Es un discurso poderoso porque no pide permiso. Simplemente asume que el futuro ya está decidido.
Los registros muestran que hay sustento real. El Índice Económico de Anthropic revela un uso creciente de sus modelos en tareas administrativas, legales y de programación. Investigadores de Stanford documentaron efectos medibles en el empleo de trabajadores jóvenes en sectores expuestos. Cuando bancos globales reportan que están reestructurando funciones enteras alrededor de IA generativa, eso deja de ser especulación y se convierte en una tendencia observable.
Hay que reconocer la lógica. Si una tarea es repetible, verificable y basada en patrones de texto, un modelo entrenado con suficientes ejemplos eventualmente la hace más rápido y más barato que un humano. Ya pasó con la contabilidad simple, con la traducción básica, con partes enteras del soporte al cliente. La pregunta no es si la automatización avanza, sino qué tan rápido y hacia dónde.
Aquí la tesis muestra grietas. Yann LeCun ha cuestionado públicamente que los modelos de lenguaje actuales tengan algo parecido a comprensión del mundo físico o razonamiento causal robusto. En su propuesta sobre arquitecturas de inteligencia autónoma argumentó que el camino hacia sistemas verdaderamente capaces requiere algo estructuralmente distinto. Si uno de los arquitectos originales dice que todavía falta el techo, vale la pena escucharlo con atención.
Luego está el problema de la energía, que casi nadie menciona. La Agencia Internacional de Energía documentó que entrenar y operar estos sistemas a la escala necesaria requiere una infraestructura eléctrica que hoy simplemente no existe. El Instituto de Investigación de Energía Eléctrica lo confirmó: la demanda proyectada choca con la capacidad de generación disponible. No es un detalle técnico. Es un cuello de botella físico.
También está el asunto del empleo. Daron Acemoglu argumentó que el efecto neto de la IA en el empleo probablemente será más modesto y más desigual de lo que sugieren tanto los optimistas como los pesimistas. No una ola que borra empleos de golpe, sino una reconfiguración lenta donde ciertas tareas se automatizan mientras surgen otras, con ganadores y perdedores distribuidos de forma muy desigual. Carl Frey ya había documentado que cada ola tecnológica previa siguió una tendencia similar: la transformación tardó más de lo que predijeron los entusiastas, pero golpeó más duro de lo que predijeron los escépticos.
Estas tendencias se repiten en otros contextos. Cada vez que una tecnología promete resolver un problema estructural en un plazo corto, alguien se beneficia de que creas esa cronología exacta. En este caso, quien se beneficia del relato de automatización total en dieciocho meses es quien vende la infraestructura para lograrla. No es casualidad. Las mismas empresas que anuncian estas predicciones necesitan justificar inversiones de capital descomunales en centros de datos y chips. La predicción no es neutral: es en buena medida publicidad con lenguaje técnico.
Automatizar una tarea no equivale a automatizar un trabajo. Automatizar un trabajo no equivale a resolver lo que ese trabajo representaba para la persona que lo hacía. Un estudio clásico sobre una comunidad austriaca devastada por el desempleo masivo en los años treinta documentó algo incómodo: cuando el ingreso desaparece pero también desaparece la estructura, el propósito y la conexión social que daba el trabajo, la gente no solo se empobrece económicamente. Se desestructura psicológicamente de formas que ningún ingreso básico universal alcanza a resolver por sí solo. El ingreso es necesario pero no suficiente. Ese espacio entre lo necesario y lo suficiente es donde el debate actual sobre automatización se queda callado.
Nadie calcula en serio qué pasa con la estructura social cuando millones de trabajos administrativos se automatizan en un periodo corto. No porque sea imposible, sino porque complica tanto el relato optimista como el apocalíptico. Los que venden la tecnología prefieren hablar de eficiencia y crecimiento. Los que la temen prefieren hablar de colapso inminente. Casi nadie habla del terreno intermedio donde realmente vive la gente: reentrenándose, adaptándose a medias, perdiendo estatus antes que ingreso, encontrando que el trabajo restante paga menos y exige más flexibilidad emocional que el que desapareció.
Mientras tanto, la Comisión Federal de Comunicaciones de Estados Unidos seguía procesando permisos para infraestructura satelital destinada a soportar la demanda de conectividad que estos sistemas necesitan. Es decir, la infraestructura física que permitiría automatizar todo el trabajo administrativo en dieciocho meses todavía estaba en fase de aprobación regulatoria. Las piedras no mienten. Los cronogramas de capital de riesgo casi siempre sí.
¿Qué tipo de sociedad emergerá cuando estas predicciones choquen contra los límites reales de la energía, el empleo y el sentido humano del trabajo?
