La IA no está creando cargos de IA: se está metiendo en los que ya existían

📌 Edición con cifras congeladas al 9 de agosto de 2026 — el detalle vivo, en el dashboard.

Seguro te la has hecho: ¿la inteligencia artificial ya está cerrando la puerta de entrada al empleo en datos y tecnología? Hay tres respuestas dando vueltas. La del escenario más comentado del año. La de nuestros propios datos. Y la de nuestros propios datos mal leídos. Solo dos se sostienen. Y una de esas dos consiste en dejar una casilla vacía a propósito, y contarte exactamente por qué.

1. Qué es AI 2027 y qué dijo, con fecha, para hoy

El 3 de abril de 2025, cinco personas del AI Futures Project publicaron AI 2027. Son Daniel Kokotajlo (que trabajó en OpenAI), Eli Lifland, Thomas Larsen, Romeo Dean y Scott Alexander. Hay versión completa en español.

No es un informe. Es un escenario: una historia con fechas, escrita para mostrar cómo podría pasar algo, no una apuesta de que va a pasar así. Cuenta mes a mes cómo una empresa inventada, “OpenBrain”, usa la IA para acelerar su propia investigación. Hasta llegar, en diciembre de 2027, a la superinteligencia: un sistema que le gana a los mejores humanos en prácticamente todo.

Una advertencia antes de empezar, no después. Calificar un escenario frase por frase es útil y también es un poco tramposo. Nadie que escribe una historia se compromete con cada renglón. Lo decimos ahora, antes de ponernos a calificar, porque eso es exactamente lo que vamos a hacer con un solo capítulo: el que se titula “Finales de 2026: la IA arrebata algunos trabajos”. Es el único que cae dentro de nuestra ventana, y el único sobre el que tenemos algo que decir.

Ese capítulo hace cinco afirmaciones. Las citamos literales, de la versión en español, y así se ven con nuestros datos congelados el 9 de agosto de 2026:

• «La IA ha empezado a arrebatar puestos de trabajo, pero también ha creado otros nuevos.» → ⬜ La mitad no la podemos calificar. Nuestra base mide vacantes publicadas, no despidos. Y no tenemos denominador: cuánta gente trabaja hoy en estos oficios en Colombia, que es la base sobre la que se calcularía cualquier porcentaje. Sin eso, “la IA quitó empleos” no es una frase que podamos escribir. Tampoco negar.
• «El mercado de valores ha subido un 30 % en 2026.» → ❌ En camino de fallar. Externo; va en el párrafo siguiente.
• «El mercado laboral para auxiliares de ingenieros de software está en crisis: las IA pueden hacer todo lo que se aprende en un grado de ciencias de la computación.» → ⬜ No lo podemos arbitrar con nuestra base. “Auxiliares de ingenieros de software” es como el escenario llama a los programadores que están empezando: practicantes y junior. Es la sección 7, y es el corazón de la pieza.
• «Los gurús de los negocios dicen a quienes buscan trabajo que la familiaridad con la IA es la habilidad más importante que se puede incluir en un currículum.» → ✅ Acertó, en lo que sí podemos medir. No lo que dicen los gurús: lo que piden los avisos. Secciones 4, 5 y 6.
• «Hay una protesta anti-IA de 10 000 personas en Washington D. C.» → 🟡 Parcial. Externo; también en el párrafo siguiente.

2. El marcador lo llevaron ellos mismos

El 12 de febrero de 2026 los propios autores publicaron su autoevaluación. Lo cualitativo —¿pasó el tipo de cosa que dijimos?— va más o menos en hora. Lo cuantitativo —¿a la velocidad que dijimos?— va al ~65% del ritmo previsto, y lo actualizaron a ~75% en julio de 2026. Ellos mismos corrieron el despegue de 2027 a mediados de 2028 – mediados de 2030.

Las pruebas de que el reloj va lento son fáciles de listar. En SWE-bench Verified, un examen estándar de programación con el que se le pone nota a los modelos de IA, el resultado real fue 74,5% contra el 85% del guion. La valuación de US$500 mil millones que el escenario ponía en junio de 2025 llegó en octubre de 2025: cuatro meses tarde.

Y la bolsa, que debía subir 30%, va +13,7% al 7 de agosto de 2026. Falla también el liderazgo que anunciaban: al 12 de julio de 2026, Nvidia iba +8,7% en el año frente a un mercado de +10,2%. Fíjate que son dos cortes distintos, con un mes de diferencia, y por eso van con su fecha cada uno: no se comparan entre sí. Como todavía falta el cierre de año, lo correcto es escribir “en camino de fallar”, no “falló”.

Con la protesta pasó algo más interesante: acertaron el fenómeno y fallaron la forma. En 2026 sí hay un movimiento anti-IA real y repartido por Estados Unidos —de Virginia a Indiana y Arizona—, pero es contra los centros de datos: cuentas de luz, exenciones tributarias, ruido, agua. No una marcha de 10.000 personas en la capital. La reunión que retrató Time el 19 de febrero de 2026 juntó a unas 200 personas en una iglesia del centro de Richmond, en Virginia, una mañana helada.

Y un contrapeso justo, porque esto no es una burla. El mismo Kokotajlo describió en 2021, casi cuatro años antes, el camino a ChatGPT, la cadena de razonamiento y los entrenamientos de US$100 millones. El señor tiene antecedentes.

3. Por qué se atrasó: la explicación que ningún titular da

La respuesta cómoda sería “la IA avanzó menos de lo esperado”. La real es más incómoda, y más interesante.

El balance a seis meses de FutureSearch —publicado el 19 de octubre de 2025 y actualizado el 30 de marzo de 2026— lo dice sin rodeos: el motor de todo el escenario era que los laboratorios usaran la IA para acelerar su propia investigación. Y casi ninguno lo hizo. Se fueron a producto de consumo: video, compras, publicidad, acompañantes. Solo uno puso el peso en acelerar la investigación con agentes de programación.

O sea que el escenario no se atrasó por falta de capacidad. Se atrasó porque la capacidad se gastó en otra cosa. Eso es una decisión de empresas, no una ley de la naturaleza. Y se puede revertir cualquier trimestre.

Hay un segundo motivo, este sí de instrumento. En junio de 2025 un analista que firma como titotal publicó una crítica técnica al modelo que sostenía el calendario. La curva de crecimiento que usaban no encajaba con los datos de METR, un laboratorio independiente que mide cuánto se demoran las IA en terminar tareas largas. Y el propio equipo terminó encontrando un error en el código que dibujaba la trayectoria de todas sus gráficas. Los autores lo concedieron en diciembre de 2025: con las correcciones, su fecha central para el “programador sobrehumano” —el hito con el que marcan el despegue, una IA que programa mejor que el mejor humano— pasó de agosto de 2027 a noviembre de 2029.

Y de remate, en julio de 2025 METR publicó un ensayo con asignación al azar: se sortea quién usa la herramienta y quién no, para que la diferencia no venga de a quién le tocó. Con 16 desarrolladores experimentados, trabajando en incidencias reales de sus propios repositorios, los que podían usar IA resultaron 19% más lentos. Exactamente lo contrario del supuesto que movía la historia.

Aquí viene la frase que nos obliga a nosotros. Si el instrumento del documento más discutido del año estaba mal calibrado, la pregunta honesta es qué tan bien calibrado está el nuestro. El resto del artículo son las dos respuestas: dónde nuestro instrumento aguanta, y dónde no.

4. Nuestro turno: la predicción que sí podemos arbitrar

Antes del primer dato propio, la declaración completa. Todo lo que sigue en las secciones 4, 5 y 6 está medido solo sobre LinkedIn y solo sobre el grupo de oficios de datos. Es el portal que más avisos aporta en cada uno de los cuatro trimestres —los 139 / 264 / 144 / 431 que verás abajo—, y aun así te debemos una advertencia sobre él: dentro de LinkedIn nuestro instrumento sí cambió. Los dos primeros trimestres son casi todos avisos validados uno a uno a mano (96% y 97%); los dos últimos son casi todos avisos que recogió un instrumento automático (69% y 98%). El portal es el mismo; la herramienta con la que lo miramos, no. Volvemos sobre eso al final de la sección 6. Le quita fuerza a todo lo que sigue: no toda, pero se la quita.

Y una palabra de vocabulario, porque vuelve todo el rato: un instrumento de captura es cada una de las formas en que recogemos avisos de un portal. Cada una trae una mezcla distinta, y por eso ve un mercado distinto. A ese pedazo de la base lo vamos a llamar, de aquí en adelante, el panel de LinkedIn. Las cifras de otros portales no son comparables entre trimestres, y más abajo lo explicamos con todas las letras.

Con esa regla puesta, lo primero que aparece contradice al escenario de frente. Los cargos de IA no despegan. La proporción de vacantes cuyo cargo es de inteligencia artificial va 25,9 / 31,1 / 29,9 / 27,8% entre 2025-T4 y 2026-T3 (n = 139 / 264 / 144 / 431). Sube un poco, baja un poco, se queda donde estaba. Nada que se parezca a un despegue exponencial.

Lo segundo sí se mueve, y no está donde lo estábamos buscando. La IA entra por la puerta de las habilidades, no por la de los títulos de cargo. Las vacantes que no son de IA y aun así piden herramientas de IA van 5,8 / 2,7 / 2,0 / 10,9% según el campo de habilidades que extrae nuestro modelo. Y van 6,8 / 8,2 / 11,9 / 13,2% según una búsqueda de texto determinista —una lista fija de palabras, sin modelo de por medio— sobre el aviso crudo. Las dos terminan más arriba de donde arrancaron. Y ninguna de las dos nos alcanza para afirmarlo.

Aquí toca explicar por qué no nos alcanza, porque la idea vuelve varias veces en lo que queda. Cada vez que comparamos dos cifras calculamos una p: la probabilidad de que una diferencia así de grande salga por pura casualidad, sin que el mercado se haya movido. Si la p queda por debajo de 0,05 —menos de una posibilidad entre veinte de que sea suerte— le creemos a la diferencia y la publicamos como hallazgo. Si queda por encima, no. A ese umbral lo llamamos el listón de la casa. La primera de las dos series da p = 0,13. La segunda, p = 0,079. Ninguna pasa. Y no las publicamos a pesar de que no pasen: las publicamos porque no pasan. Enseñar solo las mediciones que salieron bien es la manera más limpia de mentir con datos ciertos.

Y fíjate en la primera: baja hasta 2,0% en 2026-T2 y todo su movimiento está en el último trimestre. Escribimos los cuatro puntos precisamente por eso. Una serie con un bache en el medio no se cuenta por los extremos.

Podríamos haber escrito una serie que sí pasa. Bastaba con no acotar el panel a oficios de datos y dejar entrar las vacantes de software que nuestro instrumento automático trajo en masa desde 2026-T2. Esa serie sube más y pasa el listón. También sería sesgo de composición —cambió la mezcla de lo que estamos midiendo, no el mercado— y es exactamente el error que denunciamos en la sección 8. Preferimos la serie que no pasa.

El caso que sí pasa es Data Engineer, ingeniería de datos: quien construye las tuberías por donde viajan los datos. Las vacantes de ese oficio que piden herramientas de IA pasan de cero avisos de 27, a dos de 31, a cero de 27 otra vez, y a 17 de 115 en el último trimestre. Comparando el primer trimestre con el último, p = 0,033: esta sí supera el listón. Y hay algo más, que es lo que nos dejó tranquilos: sigue pasando cuando se compara el mismo instrumento consigo mismo. Entre 2026-T2 y 2026-T3, ambos automáticos, va de 0 avisos de 25 a 17 de 115 (p = 0,040). Lo escribimos con casos y no con un multiplicador, y aquí es literal: desde cero no hay multiplicador que escribir.

Y el contraste: de Data Scientist —ciencia de datos, el oficio que busca patrones y arma modelos con esos datos— no podemos afirmar movimiento. La serie va 28,6 / 15,3 / 19,0 / 21,3%, con p = 0,45. No decimos “plano”: baja trece puntos y vuelve a subir, sobre muestras de 35, 59, 21 y 47 avisos. Lo que no hay es una diferencia que pase el listón. Nuestra sospecha —y la escribimos como sospecha, porque con esto no se prueba— es que ese oficio ya estaba transformado antes de que empezara nuestra ventana.

Veredicto de la afirmación 4 del escenario: ✅ acertó. La familiaridad con IA se volvió requisito. Pero acertó por un camino que la historia no vio: no aparecieron cargos nuevos de IA en masa. Lo que pasó es que la IA se metió dentro de los cargos viejos. Y lo decimos con menos músculo del que quisiéramos: de las tres medidas que trajimos, la única que pasa el listón es la de ingeniería de datos. Las otras dos apuntan al mismo sitio y no llegan.

5. El mecanismo: de entrenar modelos a ensamblar servicios

Ahora mira qué herramientas piden esas vacantes. Ahí aparece el mecanismo completo.

La caja de herramientas clásica del aprendizaje de máquina —la rama de la IA que entrena sistemas con datos en vez de programarlos regla por regla— cae: 14,4 / 12,9 / 9,0 / 8,4%, con p = 0,038. Esa caída pasa el listón. Y las herramientas para conectarse por API a modelos de lenguaje ya entrenados suben: 14,4 / 12,5 / 18,8 / 21,6%, con p = 0,065. Esa subida no lo pasa. Una API es el enchufe por el que un programa le pide algo a otro. Un modelo de lenguaje es el tipo de programa que hay detrás de ChatGPT. Las dos series se cruzan en 2026-T2: la caja clásica va en 9,0% y las herramientas de conexión en 18,8%.

Dicho en cristiano: el trabajo se está moviendo de entrenar el modelo propio a ensamblar servicios de otros. Menos matemática desde cero. Más integración. Más criterio para saber qué le pides a un modelo ajeno, y cómo compruebas que no te mintió.

Dos correcciones que te debemos, y que nos hicimos a nosotros mismos. La primera: sacamos Spark de la caja de “aprendizaje de máquina clásico”. Es una herramienta de procesamiento masivo de datos, no un marco de aprendizaje de máquina, así que el balde quedó renombrado. Era además la pieza que más caía: dejarla adentro habría inflado el resultado a nuestro favor. Las cifras de arriba son las de después de sacarla. Con Spark dentro, la caída arrancaba en 15,8% en vez de 14,4%.

La segunda es más incómoda, y tiene dos mitades. La primera ya la dijimos: esa subida de las herramientas de conexión no pasa el listón ni siquiera dentro del panel de LinkedIn (p = 0,065). La segunda: si abrimos a todos los portales, midiendo solo oficios de datos, se queda todavía más corta —13,1 / 13,3 / 16,1 / 17,1%— y tampoco pasa. Lo que sí podemos afirmar de este par es la caída de la caja clásica. La subida de la otra mitad va escrita porque el cruce se ve y porque el movimiento es coherente, no porque tengamos con qué sostenerla sola. Lo decimos aquí, en el texto, y no escondido en el pie del gráfico.

6. Lo que se derrumbó mientras nadie miraba

Hay un dato que juega a favor del escenario, y va en el artículo precisamente por eso. Es además la cifra más sólida de toda la pieza.

Power BI —la herramienta de tableros de Microsoft, el pan diario de medio mercado de análisis de datos en Colombia— pasa de 40,3 / 41,7 / 29,2 / 24,1% en el panel de LinkedIn: 16,2 puntos abajo entre el primer trimestre y el último, con p = 0,0002. Sobre todos los portales, midiendo solo oficios de datos, la caída también aparece y baja escalón por escalón: 43,1 / 40,1 / 35,5 / 32,3%, o sea −10,7 puntos, con p = 0,0018. Es el movimiento más grande de todo el tablero de habilidades. Y no lo publicamos porque nos convenga: lo publicamos porque nuestro propio estadístico lo había dejado por fuera del informe.

Al lado, lo que no se movió. SQL —el idioma con el que uno le pregunta cosas a una base de datos— sigue clavado en 66,2 / 59,8 / 59,7 / 62,4%. Python, en 61,2 / 63,6 / 63,9 / 66,4%. De ninguno de los dos podemos afirmar que se haya movido. ¿Y AWS, la nube de Amazon? Va 21,6 / 17,0 / 22,2 / 29,9% y parece la gran subida del año, pero se queda en p = 0,056: no pasa el listón. Se queda a un pelo, y a un pelo no cuenta. Una subida que no pasa el listón no es una subida. Es una sospecha.

Una última honestidad sobre este bloque, porque es exactamente la que te vamos a pedir a ti en la sección 10. Dentro de LinkedIn cambiamos de instrumento a mitad de camino, así que parte del tamaño de estas caídas es nuestro. Fuimos a comprobarlo del único modo que se puede: mirando cada instrumento consigo mismo. Power BI baja con los dos —en los avisos validados a mano y en los automáticos— y las herramientas de conexión suben con los dos. La dirección aguanta. El tamaño, no del todo: cuando el instrumento se controla, los movimientos se encogen. Por eso arriba leíste porcentajes y aquí lees una advertencia, y las dos cosas van juntas.

La lectura para quien está armando su ruta: la puerta no se cerró; se movió el picaporte. Los cimientos siguen valiendo lo mismo. Lo que cambió es la capa de encima: menos tablero estático, más ensamblaje.

7. La pregunta que viniste a hacer, y la casilla que dejamos vacía

Ahora la difícil. ¿Se está cerrando la puerta de entrada —practicantes, aprendices, junior— en el mercado colombiano de datos?

Fuimos a medirlo y nos encontramos con otra cosa. Tomamos la misma celda: Colombia, oficios de datos, 2026-T2. Mismo país, mismo trimestre, mismo oficio. Y la medimos con los cuatro instrumentos de cosecha con muestra suficiente de los seis que estaban encendidos ese trimestre —los otros dos trajeron dos avisos y uno, y con eso no se mide nada—. Esto dio el porcentaje de vacantes de entrada:

Con la primera barra titulábamos “la IA cerró la puerta”. Con la última, “el mercado se abrió de par en par”. Las dos son datos nuestros, del mismo mes, del mismo país, del mismo oficio.

¿Por qué pasa esto? Porque no son cuatro medidas del mismo mercado. Son mercados distintos guardados bajo el mismo nombre. Los dos instrumentos automáticos de LinkedIn se llaman igual en nuestra base y traen cosas diferentes: uno arrastra 47,1% de ofertas de software; el otro, 3,1%. Y no es un accidente puntual. Nuestro catálogo de herramientas de cosecha pasó de 5 → 8 → 17 → 19 en cuatro trimestres. Estamos comparando fotos tomadas con cámaras distintas y llamándolo “la evolución del mercado”.

Antes de culpar al eslabón fácil: no es el clasificador, el modelo que lee cada aviso y le pone etiquetas. Fijando el mismo modelo clasificador, en 2026-T2 nos da 9,0% de vacantes de entrada en un instrumento (n = 155) y 44,8% en otro (n = 29). Ojo con esa pareja, y lo decimos nosotros antes de que nos lo digan: para juntar muestra suficiente está medida sobre el corpus entero —todos los países, todos los oficios—, no sobre la celda colombiana de arriba. Es un denominador distinto, va rotulado como tal, y la conclusión es la misma: manda la fuente, no el modelo.

Y sí: hay entre 6 y 8 modelos clasificadores distintos conviviendo por trimestre, con tasas de entrada que van de 0,0% a 50,0%. Eso es un confusor más: otra tercera cosa que podría explicar la diferencia que uno le estaba atribuyendo al mercado. Lo dejamos anotado. Pero la prueba de arriba muestra que el que manda es el instrumento.

Y ahora la parte que nos incomoda, que va aquí y no escondida en una nota. El instrumento que más avisos nos trajo —el de validación manual— es justamente el que queda plano. El que sí muestra una caída es uno de los instrumentos automáticos de LinkedIn: 22,1 puntos abajo entre 2026-T1 y 2026-T2 (p = 0,0015), medido consigo mismo, y eso es el comportamiento de un instrumento de captura, no una medición del mercado colombiano; ninguno de los dos instrumentos, ni ese ni el de validación manual, tiene el diseño para arbitrar la pregunta. Va además con su muestra a la vista, porque hace falta: esa primera pata se apoya en apenas 28 avisos, contra 160 de la segunda, y contra los 324 que el de validación manual trajo ese mismo trimestre. Eso es lo que sabemos. Ni más ni menos.

8. La trampa, si nadie controla nada

Para que veas qué fácil es equivocarse aquí, publicamos el gráfico que no hay que hacer. Es la serie cruda de todo el corpus, sin controlar con qué herramienta se recogió cada aviso: 25,7 / 23,8 / 16,0 / 20,5% (n = 288 / 386 / 513 / 1.069). Un valle precioso en 2026-T2 y un repunte. Con eso se escribe un titular en dos minutos.

Ahora desarmémoslo. Si nos quedamos solo con Colombia, el valle casi se cierra: 25,7 / 24,2 / 18,9 / 23,9%. Si comparamos los extremos, 2025-T4 contra 2026-T3, la diferencia es de −5,2 puntos con p = 0,0566: no pasa el listón de la casa.

Y el último trimestre es un mes disfrazado de trimestre: 1.069 de 2.271 ofertas con fecha caen en julio de 2026. El “repunte” de julio, además, coincide con un cambio nuestro del 23 de julio de 2026 que encendió dos instrumentos nuevos. O sea que buena parte de la forma de esa curva la dibujamos nosotros, con el calendario de despliegue de nuestra propia tubería de datos.

Fuimos a buscar dos culpables cómodos, y los descartamos. Contar entero el nivel Mid-Level como entrada mueve 2026-T2 de 16,0% a 19,5%, y el valle sigue ahí. Y el balde No especificado, que podría estar escondiendo juniors, son apenas 6 filas (1,2%) justo en el trimestre de la caída. No es un problema de taxonomía. Es el instrumento.

Falta la lección de lectura de datos, que sirve para este artículo y para el próximo que leas. El punto de validación manual del último trimestre se apoya en n = 23, y su intervalo de confianza al 95% —el rango dentro del cual está la cifra real— va de 8,1% a 44,0%. Ese punto es compatible con “se derrumbó” y con “se disparó” al mismo tiempo. Por eso, cuando alguien te diga “no encontramos ninguna diferencia”, la pregunta no es si hubo diferencia: “no hay diferencia” y “no miré con lupa suficiente” no son lo mismo.

Veredicto de la afirmación 3 del escenario: ⬜. Ni “se cierra” ni “no se cierra” es defendible con esta base. Lo defendible es esto: nuestra propia cosecha cambió tanto en un año que la pregunta no se puede contestar todavía. Preferimos decirlo a llenar la casilla.

Y hay una segunda casilla vacía, sin adornos: la contratación de programadores. 562 de 596 ofertas de software de nuestra base se capturaron en un solo mes. Cualquier gráfico de “vacantes de programador en Colombia” que publicáramos mediría nuestra tubería de datos, no el mercado.

Lo que sí está documentado —afuera, citado y sin mezclarse con nada nuestro— es que en Estados Unidos el deterioro del mercado de entrada en tecnología existe. Con dos matices que casi nunca acompañan al titular. Llegó antes que el guion: arranca en 2023-2024, no en 2026, según el blog de una empresa de contratación técnica que sigue esas cifras. Y la causa está en disputa. Esa misma fuente se la atribuye entera a la IA —“la máquina hace el trabajo bruto y se retira el primer peldaño de la escalera”—, mientras otros análisis apuntan a la macroeconomía: The Stanford Review, el 9 de abril de 2026, lo carga a las tasas de interés cercanas a cero entre 2020 y 2022, a la contratación desbocada que vino detrás y a un cambio tributario de 2022 que encareció el costo de cada programador contratado. Ninguna de las dos es prensa neutral: una vende contratación y la otra es una revista estudiantil. Te las damos con su etiqueta puesta.

9. El segundo espejo: un error nuestro que encontramos escribiendo esto

Ya lo mencionamos, pero merece párrafo propio, porque es la clase de cosa que normalmente no se cuenta.

135 de 591 salarios marcados en nuestra base como “publicados” valen exactamente 0. Y 126 de esos 135 no son salarios reales mal escritos: son estimaciones de un modelo que quedaron guardadas en la casilla equivocada. En la página web el error no se ve, porque el código cae por accidente a la estimación cuando encuentra un cero. Pero cualquier consulta directa a la base se traga ese cero y devuelve cifras absurdas. Queda anotado, con fecha y sin arreglar en este ciclo: en esta casa detectar y remediar son fases separadas. Mezclarlas es la forma de equivocarse dos veces seguidas.

Ese hallazgo tiene una consecuencia que duele: retiramos entero el análisis salarial de la IA. Teníamos el titular listo —cuánto paga de más una vacante que pide IA, en cada peldaño de experiencia— y al aplicarle nuestras propias reglas se deshizo. Exigir que el salario esté realmente publicado por la empresa, y no estimado por un modelo que además redondea a cifras cerradas. Quitar un aviso que estaba duplicado. Emparejar por cargo. Con eso, la celda decisiva quedó en n = 6, por debajo de nuestro mínimo de 8 avisos. Así que no hay cifra. Preferimos el hueco a la cifra inventada, aunque el hueco quede justo donde estaba el titular.

10. Tres preguntas para la próxima cifra que te muestren

La próxima vez que veas un número sobre inteligencia artificial y empleo —en LinkedIn, en un panel, en un titular—, hazle tres preguntas. Son las tres que nos salvaron de publicar una tontería, y la primera es la que nos obligó a corregirnos a nosotros mismos en la sección 4:

1. ¿Con qué instrumento se tomó, y cambió durante la serie? Si la forma de recoger los datos cambió a mitad de camino, la curva puede ser del instrumento y no del mundo.
2. ¿Cuál es el denominador, y es el mismo en los dos extremos? Un porcentaje cuya base cambió no se puede comparar consigo mismo.
3. Ese “no hay efecto”, ¿viene de una muestra que podía verlo? Con muestras pequeñas casi nada pasa el listón, y eso no es evidencia de nada.

Y lo que sí te llevas a casa, en tres renglones. La IA entra dentro de cargos que ya existían: en ingeniería de datos pasamos de cero avisos de 27, a dos de 31, a cero de 27 otra vez, y a 17 de 115 en el último trimestre. Las herramientas clásicas de aprendizaje de máquina se caen (p = 0,038) y las de conexión a modelos ajenos suben, aunque esa mitad no pase nuestro listón; las dos series se cruzan en 2026-T2. Y Power BI se cae mientras SQL no se mueve. Sobre si la puerta de entrada se está cerrando en Colombia, seguimos sin poder decirte. Cuando tengamos un instrumento que aguante la pregunta, lo vas a leer aquí. Y también lo vas a leer si el instrumento nos vuelve a fallar.

Glosario — los 23 términos, en cristiano

Cada uno se explica también dentro de la frase donde aparece por primera vez. Esta lista es para volver a mirarla.

• Escenario (frente a pronóstico): una historia con fechas, escrita para mostrar cómo podría pasar algo. No es una apuesta de que va a pasar así. Es la distinción que sostiene todo este artículo.
• Superinteligencia: un programa que le gana a los mejores humanos en prácticamente todo. En el escenario llega en diciembre de 2027; sus propios autores ya corrieron esa fecha a 2028-2030.
• “Programador sobrehumano”: el punto que usan los autores para marcar el despegue. Una IA que programa mejor que el mejor humano.
• Corpus: nuestra base de ofertas de empleo. 2.603 avisos de datos, IA, software y ciberseguridad, de 14 países y 17 portales.
• Panel: el pedazo del corpus sobre el que se mide una cifra. El de las secciones 4, 5 y 6 es “LinkedIn, oficios de datos”. Cambiar de panel cambia la cifra, así que el panel se declara antes del número — y, como se ve en la sección 4, declararlo por portal no basta: hay que declarar también con qué instrumento se recogió.
• Nivel de entrada (seniority): cuánta experiencia pide la vacante. “De entrada” quiere decir practicante, aprendiz o junior: alguien que apenas está empezando.
• Muestra (n): cuántos avisos sostienen la cifra. En esta casa: para publicar un valor del medio pedimos 8 avisos como mínimo, y 20 para partir el grupo en tramos. Por debajo de eso, casilla vacía.
• La “p” (significancia estadística): la probabilidad de que una diferencia así de grande salga por pura casualidad. p = 0,05 quiere decir una posibilidad entre veinte de que sea suerte. Una p alta no dice “no hay diferencia”: dice “no miré con lupa suficiente”.
• Listón de la casa: nuestro umbral para publicar una diferencia como hallazgo — p por debajo de 0,05. Si no lo pasa, la escribimos como sospecha o no la escribimos.
• Intervalo de confianza: el rango dentro del cual está la cifra real. Si va de 8% a 44%, no sabemos nada.
• Sesgo de composición: cuando una cifra se mueve porque cambió la mezcla de lo que estás midiendo, no porque cambió el mundo. Es lo que le pasa a nuestra serie cruda.
• Confusor: una tercera cosa que explica la diferencia que le estabas atribuyendo a otra. Aquí, el instrumento de captura.
• Instrumento de captura: el programa —o el proceso manual— con el que recogemos avisos de un portal. Cada uno trae una mezcla distinta, y por eso ve un mercado distinto. En este artículo van con nombre genérico a propósito.
• Clasificador: el modelo que lee cada aviso ya recogido y le pone etiquetas — oficio, nivel de experiencia, habilidades. No es el mismo programa que el instrumento de captura, y en este artículo los separamos a propósito.
• Tubería de datos (ETL): el conjunto que recoge los avisos, los ordena y los guarda. Nuestro “calendario de cosecha” es cuándo encendimos cada pieza de esa tubería.
• Denominador: la base sobre la que se calcula un porcentaje. Sin una base estable no hay porcentaje que se pueda comparar con otro. Es la razón por la que no podemos decir “la IA quitó empleos”.
• Modelo de lenguaje (LLM): el tipo de programa que hay detrás de ChatGPT. Le das un texto y él sigue escribiendo, palabra por palabra, lo que le parece que va después.
• API: el enchufe por el que un programa le pide algo a otro. “Ensamblar servicios” es conectarse por ese enchufe a modelos que otra empresa ya entrenó, en vez de entrenar el propio.
• Aprendizaje de máquina: la rama de la inteligencia artificial que entrena programas con datos, en vez de escribirles las reglas una por una.
• Salario publicado vs. estimado: el publicado lo escribió la empresa en el aviso. El estimado lo calcula un modelo leyendo el texto, y redondea a cifras cerradas. En este artículo solo se usan los publicados.
• SWE-bench: un examen estándar de programación con el que se le pone nota a los modelos de IA.
• METR: el laboratorio independiente que mide cuánto se demoran las IA en terminar tareas largas. Es el que hizo, en julio de 2025, el ensayo de los 16 desarrolladores que resultaron 19% más lentos con IA.
• Ensayo con asignación al azar: el experimento en el que se sortea quién usa la herramienta y quién no, para que la diferencia no venga de a quién le tocó.

Fuentes externas citadas (todas verificadas el 9 de agosto de 2026)

1. AI 2027, escenario publicado el 3 de abril de 2025. ai-2027.com/es
2. Autoevaluación de los autores, 12 de febrero de 2026. blog.aifutures.org
3. Crítica de titotal a los modelos de calendario, junio de 2025. lesswrong.com
4. Respuesta de los autores a titotal, diciembre de 2025. lesswrong.com
5. FutureSearch, balance a seis meses; publicado el 19 de octubre de 2025 y actualizado el 30 de marzo de 2026. futuresearch.ai
6. METR, ensayo con asignación al azar con desarrolladores experimentados, 10 de julio de 2025. metr.org
7. S&P 500 en 2026, al 7 de agosto de 2026. chartrow.com
8. Nvidia por debajo del mercado, Motley Fool, 12 de julio de 2026. fool.com
9. Movimiento anti-IA contra los centros de datos, Time, 19 de febrero de 2026. time.com
10. Predicciones de Kokotajlo en 2021, evaluadas. asteriskmag.substack.com
11. Tendencias de contratación en ingeniería 2026, blog de una empresa de contratación técnica. standout.work
12. “The Class of 2026 is struggling to find jobs — and it’s not because of AI”, The Stanford Review, 9 de abril de 2026. stanfordreview.org