Habilidades complementarias frente a habilidades sustituibles por la máquina

Qué es

Cuando aparece una tecnología nueva, la pregunta económica relevante casi nunca es "¿destruye empleo?" sino "¿qué tareas deja sin dueño humano y qué tareas vuelve más valiosas?". Esa distinción —tareas, no ocupaciones— es el corazón del enfoque moderno del cambio tecnológico, y separa dos categorías que se comportan de manera opuesta frente a la misma máquina.

Una habilidad es sustituible cuando la máquina puede ejecutar la tarea a un costo menor y con calidad comparable. Ahí la tecnología actúa como oferta adicional del mismo servicio: al aumentar la cantidad disponible, el precio (el salario asociado a esa tarea) cae. Una habilidad es complementaria cuando su valor aumenta porque la máquina existe: la productividad marginal de quien la posee sube, y con ella su remuneración. La frontera no pasa entre trabajos "manuales" e "intelectuales", sino entre tareas cuyo procedimiento puede escribirse y tareas cuyo procedimiento no.

El marco canónico es el de Autor, Levy y Murnane (2003), que clasificó las tareas en rutinarias y no rutinarias, cognitivas y manuales. Su hallazgo —que la computarización sustituía tareas rutinarias (aunque fueran cognitivas y bien pagadas, como calcular planillas) y complementaba tareas no rutinarias (resolver problemas mal definidos, persuadir, coordinar)— explicó la llamada polarización del empleo: crecimiento en los extremos alto y bajo de la distribución salarial, vaciamiento en el medio (Goos y Manning, 2007; Autor y Dorn, 2013). El mecanismo profundo ya lo había nombrado Polanyi (1966) en lo que Autor (2015) rebautizó como la paradoja de Polanyi: "sabemos más de lo que podemos decir". Lo que no se puede explicitar no se puede programar.

La inteligencia artificial generativa desordenó parcialmente ese mapa. A diferencia de la computarización clásica, no requiere que la regla se escriba: la infiere de ejemplos. Por eso alcanza tareas no rutinarias —redactar, resumir, traducir, escribir código— que el marco de 2003 daba por seguras, y la evidencia temprana muestra que el efecto es mayor sobre los trabajadores menos experimentados de una ocupación, comprimiendo la brecha en vez de ensancharla (Brynjolfsson, Li y Raymond, 2025; Noy y Zhang, 2023). Pero el marco no se cae: se desplaza. Lo que la máquina no hace es hacerse cargo. Acemoglu y Restrepo (2019) lo formalizan como una carrera entre dos fuerzas: el efecto desplazamiento (la máquina toma la tarea) y el efecto restablecimiento (aparecen tareas nuevas donde el humano tiene ventaja comparativa). Las tareas nuevas que la IA genera son, en su mayoría, de supervisión: verificar, editar, decidir qué se publica y responder por ello.

De ahí que la habilidad complementaria por excelencia hoy sea el juicio crítico: distinguir una salida plausible de una correcta. Un modelo de lenguaje produce texto estadísticamente verosímil, no texto verdadero; puede citar una fuente que no existe con la misma fluidez con que cita una real. Quien no sabe evaluar, no puede usar la herramienta —solo puede transmitir su salida, y transmitir es precisamente la tarea que la máquina ya hace gratis.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 11 de septiembre de 2026, Carolina Pérez Echeverría llevó la discusión al terreno que importa: cuál es la habilidad que la IA vuelve más cara, no cuál vuelve más barata. Citando al World Economic Forum, situó el pensamiento crítico como la habilidad número uno de la era de la inteligencia artificial, con un argumento operativo: los modelos alucinan cada vez menos, pero siguen inventando, así que el trabajo humano consiste en buscar y verificar fuentes y aportar criterio propio. Su formulación fue categórica: "la responsabilidad del uso de inteligencia artificial es indelegable… si yo copio y pego, ahí sí me vuelvo reemplazable". Es la definición de sustituibilidad en una frase: copiar y pegar es exactamente la tarea que la máquina ejecuta a costo cero.

La misma idea aplicada a la formación produjo su segunda tesis: qué debe enseñar la educación cuando la máquina ya responde. Deja de tener sentido memorizar datos que se buscan en internet; lo que hay que enseñar es cómo se usa la información que la IA entrega —verificarla, exponerla, debatir en público, defender posiciones—. "No es importante que se sepan algo de memoria… lo que sí es importante, cómo utilizan la información". Traducido al marco de Autor: el sistema educativo estaba produciendo en masa una habilidad que acaba de volverse abundante, y subinvirtiendo en las que se volvieron escasas.

La tercera aparición ofreció la metáfora que ordena todo: la IA como copiloto y la responsabilidad indelegable. La herramienta aumenta capacidades —ayuda a investigar, a ser más creativo y más productivo— pero el piloto sigue siendo la persona: "la inteligencia artificial es mi copiloto… pero el piloto soy yo, yo soy responsable del uso de ella". La metáfora es económicamente precisa: un copiloto es un insumo complementario, no un sustituto, y su existencia eleva el valor de quien ocupa el asiento izquierdo. La responsabilidad no es un adorno ético: es la tarea que no se puede exportar a un sistema que no responde por sus errores, y por eso mismo es el activo que conserva precio.

Relación con otros conceptos

La distinción se apoya en la ventaja comparativa de Ricardo: no importa que la máquina sea mejor que el humano en términos absolutos en una tarea, sino en qué tarea es relativamente mejor cada uno. También en la teoría del capital humano (Becker, Mincer), con un matiz incómodo: si el retorno de una habilidad depende de qué sustituto exista, la inversión educativa es una apuesta sobre tecnología futura, no una compra segura. Se conecta con el cambio técnico sesgado hacia las habilidades, con la polarización del empleo y con la productividad marginal del trabajo, que es el canal por el que un complemento se convierte en salario más alto. Y en la parte de responsabilidad, con el problema de agencia y el riesgo moral: delegar la ejecución sin poder verificar el resultado es justamente la situación que la teoría de contratos estudia, y su remedio —monitoreo y responsabilidad residual en quien decide— es lo que Pérez Echeverría llamó indelegable.

Fuentes y lecturas

• Autor, D., Levy, F. y Murnane, R. (2003), The Skill Content of Recent Technological Change: An Empirical Exploration, Quarterly Journal of Economics 118(4).
• Autor, D. (2015), Why Are There Still So Many Jobs? The History and Future of Workplace Automation, Journal of Economic Perspectives 29(3).
• Acemoglu, D. y Restrepo, P. (2019), Automation and New Tasks: How Technology Displaces and Reinstates Labor, Journal of Economic Perspectives 33(2).
• Brynjolfsson, E., Li, D. y Raymond, L. (2025), Generative AI at Work, Quarterly Journal of Economics 140(2).
• Goos, M. y Manning, A. (2007), Lousy and Lovely Jobs: The Rising Polarization of Work in Britain, Review of Economics and Statistics 89(1).