Imaginemos dos trabajadores. Uno tiene 28 años, se desempeña en tareas administrativas y contables, y recibe la notificación de que su puesto será reestructurado mediante la implementación de un sistema de inteligencia artificial. El otro tiene 58, ocupa un rol funcionalmente idéntico, enfrenta la misma notificación y, en apariencia, las mismas opciones. Para el algoritmo de gestión empresarial, ambos son “desplazados por tecnología”.
Para las políticas públicas de reconversión laboral, ambos ingresan al mismo “pipeline” (proceso dividido en pasos secuenciales) de capacitación, reciben el mismo subsidio de transición y se les ofrecen idénticos cursos de digitalización. Pero la trayectoria que seguirán a partir de ese día no será simétrica. El joven tendrá, estadísticamente, más años por delante para amortizar la inversión en un nuevo oficio, mayor plasticidad cognitiva para absorber entornos digitales y una probabilidad estructuralmente más alta de reincorporarse al mercado laboral en condiciones dignas.
El mayor, en cambio, se topará con un techo invisible: cursos que no logra completar, búsquedas que se alargan, desaliento que se acumula mes a mes y, con frecuencia, una salida definitiva del mercado de trabajo que rara vez se revierte. Esta asimetría no es anecdótica. No es un caso de mala gestión individual. Es estructural. Y es la pieza que falta, de manera sistemática, en el debate público sobre el futuro del trabajo.
Durante los últimos años, el discurso dominante sobre la automatización y la inteligencia artificial se ha centrado obsesivamente en dos variables: la velocidad de adopción tecnológica y la capacidad institucional para reentrenar a la fuerza laboral. Se asume, tácitamente y a menudo de forma acrítica, que si los Estados invierten lo suficiente en programas de reconversión, el shock tecnológico se absorberá de manera ordenada.
La ecuación parece lineal: más tecnología exige más capacitación; más capacitación garantiza menos desempleo estructural.
Un nuevo documento de trabajo de Eduardo Levy Yeyati, publicado por la Escuela de Gobierno de la Universidad Torcuato Di Tella, y titulado “Too Old to Adjust” (Demasiado viejo para adaptarse) desafía esa suposición con una precisión incómoda y matemáticamente formalizada: la composición etaria de la fuerza laboral desplazada cambia por sí sola el costo social de la transición, incluso si la capacidad de reconversión se mantiene absolutamente idéntica.
El autor lo denomina “efecto composición demográfica”. No se trata de que las instituciones fallen por ineficiencia. Se trata de que el material humano que deben procesar envejece. Y envejecer, en un mercado laboral sometido a aceleración tecnológica, tiene un precio que los modelos tradicionales ignoran.
Para entender por qué, hay que mirar dentro de la “caja negra” del ajuste laboral. Cuando la automatización avanza sobre tareas rutinarias, los trabajadores desplazados entran en un “pipeline” de reconversión. Éste tiene una capacidad finita: cupos en cursos, instructores disponibles, subsidios de desempleo, tiempo de orientación profesional y psicológica. Lo que ocurre dentro de ese embudo no es homogéneo. Los trabajadores mayores enfrentan lo que el modelo formaliza como “hazard (peligro) de desaliento”: una probabilidad más alta de abandonar la búsqueda activa de empleo a medida que se prolonga la transición.
Además, sus tasas de finalización de programas de capacitación son estructuralmente menores. No por falta de voluntad, ni por resistencia al cambio, sino por un cálculo económico y biológico implícito: con menos años restantes en la vida laboral, el retorno de la inversión en un nuevo oficio cae por debajo del umbral que justifica el costo emocional, familiar y financiero del reentrenamiento. La literatura económica lo ha documentado sobradamente. Trabajadores desplazados por encima de los 55 años enfrentan tasas de reempleo entre 20 y 30 puntos porcentuales inferiores a las de los trabajadores en edad prime, y la duración mediana del desempleo se duplica. El modelo de Levy Yeyati toma esa evidencia empírica y la integra en un marco dinámico que muestra cómo ese deterioro individual se traduce en un fracaso agregado cuando la adopción es rápida.
Aquí entra un concepto clave que el paper formaliza con elegancia técnica pero que tiene una traducción social brutal: la supermodularidad. En términos accesibles, significa que los efectos no se suman; se potencian. Una adopción rápida de inteligencia artificial en una población joven genera un pico de desempleo temporal que, con capacidad de reconversión adecuada, se resuelve en meses. Esa misma velocidad aplicada en una población envejecida no solo no se resuelve, sino que colapsa. La congestión en el sistema de capacitación expone a los mayores a un tiempo de espera más largo. Ese tiempo de espera prolongado aumenta su exposición al desaliento. El desaliento acumulado reduce aún más las tasas de finalización. La reducción en la finalización engrosa la masa de salida definitiva del mercado laboral.
Rápido más viejo no es la suma aritmética de rápido y viejo. Es una dinámica multiplicativa de exclusión. La velocidad tecnológica y el envejecimiento poblacional interactúan de manera que el daño total supera ampliamente la suma de sus partes. Es lo que el modelo denomina supermodularidad en la incidencia de la salida permanente: cuanto más rápido avanza la adopción, más desproporcionadamente recaen los costos irreversibles sobre los trabajadores de mayor edad.
¿Qué implica esto para la política económica y la gestión pública? Que la “velocidad socialmente óptima” de adopción tecnológica no es un número fijo, ni un estándar universal. Es una variable demográfica. El modelo demuestra que, para un planificador social que internaliza los costos de transición, la tasa ideal de automatización aumenta monótonamente con la proporción de trabajadores jóvenes en el grupo desplazado. Economías con estructuras etarias más jóvenes pueden absorber oleadas tecnológicas más intensas sin generar daños irreversibles en el tejido social. Economías envejecidas, en cambio, deben calibrar el ritmo. No se trata de frenar el progreso ni de proteger puestos de trabajo obsoletos por nostalgia. Se trata de sincronizar la velocidad del cambio con la capacidad real de absorción humana.
Los datos calibrados con estándares de la Organización para la Cooperación y el Desarrollo Económicos (OCDE) son elocuentes. En un escenario promedio de envejecimiento, la velocidad óptima de adopción cae significativamente cuando la participación de trabajadores mayores en el pool desplazado supera ciertos umbrales. La brecha no es marginal. Es la diferencia entre una transición turbulenta pero recuperable y una fractura estructural del mercado laboral que deja cientos de miles de personas en la inactividad permanente. Y aquí surge una paradoj: los países que más necesitan automatizar para compensar la escasez de mano de obra -precisamente por su envejecimiento demográfico- son los que menos pueden tolerar la velocidad a la que el mercado suele impulsarla. La necesidad tecnológica choca contra la fragilidad social.
El debate público a veces se confunde con titulares que sugieren que la inteligencia artificial generativa está desplazando preferentemente a trabajadores jóvenes y junior. Efectivamente, algunos estudios descriptivos recientes en Estados Unidos muestran que la brecha de desempleo entre menores de 30 años y trabajadores con experiencia se ha ampliado levemente en los primeros años de difusión de la IA. Pero el modelo de Levy Yeyati aclara por qué ambos fenómenos pueden coexistir sin contradecirse: el flujo inicial de desplazamiento puede estar sesgado hacia los jóvenes porque las tareas que la IA sustituye primero son las de menor experiencia y mayor estandarización. Sin embargo, el stock terminal de salida permanente -los que no vuelven al mercado laboral en el mediano y largo plazo- sigue siendo predominantemente mayor.
La inteligencia artificial puede golpear primero a los jóvenes en términos de flujo inmediato, pero el daño irreversible recae en los mayores. La condición de ajuste condicional, es decir, la probabilidad de reconectarse una vez desplazado, permanece drásticamente más difícil para los trabajadores de más de 55 años. El modelo incorpora esta dinámica en una extensión formal que permite que la composición del flujo rote a lo largo del tiempo, demostrando que incluso si la IA desplaza primero a los jóvenes, la arquitectura de reconversión sigue castigando desproporcionadamente a los mayores. Dos hechos pueden ser verdaderos simultáneamente: el impacto inicial es joven; el costo permanente es viejo. Ignorar esta distinción lleva a políticas ciegas frente a la realidad del mercado.
Si el diagnóstico es claro, el tratamiento choca contra una pared presupuestaria que el modelo identifica como la “trampa fiscal del envejecimiento”. El informe demuestra que el retorno marginal de la inversión en reconversión aumenta con el envejecimiento poblacional. Es decir: cada peso adicional destinado a programas activos de mercado laboral en una economía envejecida genera un beneficio social mayor que en una economía joven, precisamente porque previene salidas definitivas que tienen un costo altísimo en términos de bienestar, salud pública y cohesión social.
Pero aquí reside la contradicción estructural: el mismo envejecimiento que eleva el valor social de la capacitación está comprimiendo el espacio fiscal para financiarla. Pensiones, salud y cuidados de largo plazo ya consumen una proporción creciente del producto bruto en los países de la OCDE. Las proyecciones oficiales indican que este gasto aumentará más de 6 puntos porcentuales del PIB para 2060. En el momento exacto en que los sistemas de reconversión son más valiosos, los presupuestos públicos están más estrangulados. Esta distorsión no es un fallo de mercado; es un fallo de diseño institucional que confunde envejecimiento pasivo con adaptación activa, y que deja a los trabajadores mayores atrapados entre la necesidad de reconvertirse y la falta de recursos públicos para hacerlo.
Durante décadas, medimos el éxito tecnológico por la velocidad de difusión: cuántas empresas adoptan inteligencia artificial, cuántos robots se instalan por trimestre, cuántas tareas se automatizan, cuánto crece la productividad nominal. Es una métrica de oferta, no de absorción. Es un indicador que mira hacia las pantallas y las patentes, pero no hacia las colas en las oficinas de empleo ni hacia los talleres de reconversión vacíos.
El documento propone, implícitamente pero con fuerza normativa, un cambio de lente: el progreso no debería evaluarse por cuán rápido cambia la tecnología, sino qué tan bien logra una sociedad integrar ese cambio sin dejar segmentos enteros en la orilla.
La “capacidad de absorción” debería convertirse en un indicador tan relevante como la productividad total de los factores. Y para medirla, hay que incorporar la edad como variable central, no como variable de control. Esto implica reformas concretas y difíciles. Primero, diferenciar los programas de reconversión por cohorte etaria. Un curso de seis meses para un trabajador de 35 años no es funcionalmente equivalente a uno para uno de 58. Los mayores requieren acompañamiento psicológico, subsidios de transición más largos, modalidades híbridas que combinen experiencia previa con habilidades técnicas nuevas, y vínculos institucionales con empleadores dispuestos a valorar la trayectoria acumulada. Segundo, calibrar los incentivos a la adopción tecnológica. Si un gobierno subsidia la automatización sin condicionarla a planes de transición etariamente diferenciados, está externalizando el costo social hacia los trabajadores más vulnerables y el sistema de protección social. Tercero, blindar los presupuestos de capacitación activa. No como gasto corriente susceptible de recortes en tiempos de ajuste, sino como inversión en estabilidad macroeconómica y cohesión territorial.
Podría argumentarse que este es un problema de economías avanzadas, de Europa o Japón, con ratios de dependencia superiores al 50% y mercados laborales altamente institucionalizados. Pero Argentina y América Latina no están exentas de esta dinámica. La transición demográfica avanza, aunque a ritmos distintos, y la exposición a la automatización en sectores administrativos, logísticos, comerciales y de servicios rutinarios es alta y creciente.
Ignorar la variable edad es asumir que el mercado se autorregulará cuando, históricamente, los ajustes tecnológicos sin anclaje social generan fracturas que tardan décadas en cerrarse. La experiencia de las reformas estructurales de los 90 en la región mostró que los costos de transición no se distribuyen linealmente. Se concentran geográfica y etariamente. Y se eternizan en forma de inactividad, informalidad y deserción educativa intergeneracional. Pretender que un trabajador de 58 años y uno de 28 tienen la misma capacidad de ajuste ante la misma oleada tecnológica no es optimismo tecnológico; es negligencia analítica. La inteligencia artificial no discrimina por edad. Pero el mercado laboral, las instituciones de reconversión, la biología del aprendizaje y la estructura de incentivos fiscales, sí.
El modelo de Levy Yeyati no pide detener la innovación. Pide humanizar su ritmo. Pide reconocer que el envejecimiento no es un telón de fondo pasivo sobre el cual se despliega el futuro, sino una variable activa que determina si la automatización será un motor de prosperidad compartida o un mecanismo de exclusión silenciosa. En la era de la aceleración, la pregunta ya no es solo qué tan rápido podemos avanzar. Es a quiénes dejamos atrás en el intento. Y, sobre todo, si estamos dispuestos a ajustar el paso, a rediseñar los “pipelines” de reconversión y a proteger los presupuestos de transición para que nadie tenga que quedarse mirando cómo el futuro pasa sin él. Porque el progreso que no se absorbe, no progresa. Solo desplaza. Y el costo de ese desplazamiento, cuando no se mide, se paga en silencio, en las estadísticas de inactividad permanente y en los hogares que dejan de creer que el trabajo digno es un derecho renovable.
La edad importa. Y mientras no la pongamos en el centro del diseño de políticas, seguiremos confundiendo velocidad con avance, y automatización con futuro.
La paradoja fiscal: cuando más se necesita, menos se puede
Según proyecciones de la OCDE, el gasto público relacionado con el envejecimiento (pensiones, salud, cuidados de largo plazo) aumentará más de 6 puntos porcentuales del PIB para 2060.
Ironía estructural: justo cuando el retorno social de invertir en reconversión laboral es máximo (por el envejecimiento del pool desplazado), el espacio fiscal para financiar esos programas está más comprimido. El modelo lo llama “paradoja fiscal”: los países que más necesitan proteger sus presupuestos de capacitación activa son los que más presión tienen para recortarlos.
Argentina envejece, la IA avanza: ¿estamos preparados para la transición?
El debate sobre inteligencia artificial y empleo suele llegar a Argentina con un retraso de una década. Pero la demografía no espera. Mientras la región discute productividad y competitividad, una variable silenciosa redefine las reglas del juego: la estructura etaria de la fuerza laboral. Y según los modelos más recientes, esa variable determina si la automatización será una palanca de desarrollo o un acelerador de exclusión.
Argentina atraviesa una transición demográfica acelerada. La proporción de adultos mayores crece, la tasa de natalidad se estabiliza en niveles bajos y la ventana demográfica de oportunidad comienza a cerrarse. Al mismo tiempo, la adopción de tecnologías de automatización e inteligencia artificial avanza en sectores clave: logística, atención al cliente, administración, servicios financieros y manufactura ligera. El cruce de estas dos tendencias no es casual.
Es estructural. Y plantea una pregunta incómoda que rara vez se formula en los foros de política económica: ¿tenemos la capacidad institucional para absorber el shock tecnológico en una fuerza laboral que envejece?
Los datos regionales y globales pintan un escenario complejo. En economías con estructuras etarias envejecidas, los trabajadores desplazados por tecnología enfrentan tasas de reempleo significativamente menores y duraciones de desempleo más prolongadas.
Los programas de reconversión, diseñados a menudo para un trabajador promedio que no existe, fallan en captar las necesidades reales de los mayores: requieren más tiempo, acompañamiento personalizado, subsidios de transición extendidos y vínculos con empleadores que valoren la experiencia acumulada.
En Argentina, donde la informalidad laboral ronda el 35% y los sistemas de protección social están fragmentados, el costo de una salida permanente del mercado no recae solo en el individuo. Se traslada a las familias, a los municipios y al sistema de salud pública.
El modelo de Levy Yeyati ofrece una advertencia clara: en contextos de envejecimiento, la velocidad de adopción tecnológica debe calibrarse con la capacidad real de absorción. No se trata de frenar la innovación, sino de evitar que el mercado imponga un ritmo que las instituciones no pueden sostener. Argentina necesita, urgentemente, tres ejes de acción. Primero, mapear la exposición sectorial a la automatización cruzada con la composición etaria del empleo. Segundo, rediseñar los programas de capacitación activa con cohortes diferenciadas, reconociendo que un curso de 60 horas no resuelve la transición de un trabajador de 55 años. Tercero, blindar presupuestariamente la capacitación laboral como política de Estado, no como variable de ajuste coyuntural.
El futuro del trabajo no se decide en los servidores de las tecnológicas. Se decide en las aulas de reconversión, en los subsidios de transición y en la voluntad política de medir el progreso por quién se integra, no solo por qué se automatiza. Si Argentina ignora la variable edad, pagará el costo en inactividad crónica y fractura social. Si la incorpora, podrá convertir la automatización en una herramienta de renovación productiva inclusiva. El tiempo, como la demografía, no se negocia. Solo se gestiona.
