Inteligencia artificial y mercado laboral: El shock de empleo por IA sigue siendo leve, pero la presión a nivel ocupacional se está volviendo difícil de ignorar

Visión general

Morgan Stanley utiliza datos actualizados hasta la primera mitad de 2026 para evaluar el impacto de la IA en el mercado laboral estadounidense. La conclusión es que el shock general sigue siendo relativamente pequeño y muestra un patrón de “micro más fuerte que macro”: la evidencia a nivel de ocupaciones y trabajadores continúa fortaleciéndose, mientras que los datos agregados de empleo sectorial y vacantes laborales siguen siendo mixtos. La tasa de desempleo de las ocupaciones con alta exposición a la IA continúa aumentando, mientras que los demás grupos de exposición se mantienen en términos generales estables; este cambio es más pronunciado tras controlar la sensibilidad cíclica ocupacional.

Perspectivas principales

Primero, la tasa de desempleo ajustada cíclicamente para las ocupaciones con alta exposición a la IA se sitúa ahora aproximadamente 0.5 puntos porcentuales por encima del nivel implícito por las relaciones históricas, y la significancia estadística ha aumentado hasta el nivel de confianza del 90%. Segundo, el empeoramiento del desempleo proviene tanto de una disminución de las tasas de reempleo como de un aumento de los despidos desde 2025, mientras que los cambios en la participación laboral entre los grupos de exposición a la IA no muestran diferencias evidentes. Tercero, los trabajadores de 22 a 27 años están en la primera línea del ajuste, con una divergencia especialmente clara de las tasas de desempleo en ocupaciones de alta exposición. Cuarto, la IA está acelerando la reorganización de las tareas laborales, pero la proporción de trabajadores de alta exposición que reportan cambios de tareas disminuyó en la primera mitad de 2026, lo que puede reflejar ruido de corto plazo o una desaceleración en la implementación de la IA. Quinto, los datos de empleo a nivel sectorial y de vacantes laborales aún no bastan para respaldar una narrativa de sustitución generalizada, e incluso los sectores de exposición media han tenido recientemente un mejor desempeño que los de exposición baja y alta.

Marco de análisis

El informe construye un marco de seguimiento de la disrupción laboral por IA, integrando microdatos de la encuesta de hogares CPS, estadísticas de flujos de trabajadores, indicadores de reasignación de tareas, empleo asalariado sectorial, vacantes laborales y texto de conferencias de resultados empresariales. El estudio agrupa ocupaciones e industrias según su exposición a la IA y utiliza regresiones para controlar la sensibilidad cíclica histórica de los distintos grupos; emplea principalmente la medida de exposición a la IA propuesta por Felten et al. en 2021, además de realizar comprobaciones de robustez con medidas alternativas del equipo de investigación temática de Morgan Stanley.

Notas metodológicas

• Marco de monitoreo integradoAI Labor Disruption Tracker

  Identificar de forma cruzada los cambios de empleo relacionados con la IA mediante múltiples tipos de indicadores del mercado laboral

  El marco abarca tasas de desempleo, flujos de trabajadores, cambios de tareas, empleo sectorial, vacantes laborales y texto corporativo para comparar señales en los niveles micro y macro.

• Medición de exposiciónFelten et al. (2021) AI Exposure Measure

  Clasificar las ocupaciones en grupos de exposición baja, media y alta según el grado en que se ven afectadas por las capacidades de la IA

  Esta medida se utiliza para los resultados principales del informe, complementada con medidas alternativas de exposición del equipo de investigación temática de Morgan Stanley para realizar comprobaciones de robustez.

• Análisis econométricoCyclically Adjusted Residual Analysis

  Controlar la relación cíclica histórica entre cada grupo de exposición y el mercado laboral general

  El estudio realiza regresiones de la tasa de desempleo de cada grupo de exposición sobre la tasa general de desempleo y analiza los residuos para medir el grado en que el desempleo real se desvía de la relación cíclica normal.

• Procesamiento de series temporales12-Month Moving Average

  Suavizar la estacionalidad y el ruido de alta frecuencia en los datos CPS sin ajuste estacional

  Dado que los datos CPS relevantes no están ajustados estacionalmente, el informe utiliza promedios móviles de 12 meses para observar cambios sostenidos entre distintos grupos de exposición a la IA.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Mercado laboral estadounidense

  Objeto central de observación macroeconómica para la disrupción por IA

  Fortalezas

  El impacto general sobre el empleo sigue siendo pequeño, el empleo sectorial no ha mostrado una caída amplia y la participación laboral no ha presentado divergencia sistemática entre los grupos de exposición.

  Debilidades

  La tasa de desempleo en las ocupaciones con alta exposición a la IA continúa aumentando, el reempleo se ha vuelto más difícil y la tasa de despidos sigue elevada frente a los niveles anteriores a 2025.

  Comparación

  Las señales de disrupción a nivel ocupacional y de trabajadores son claramente más fuertes que las señales macro reflejadas en el empleo asalariado sectorial y las vacantes laborales.

  Riesgos

  Si la debilidad a nivel ocupacional continúa extendiéndose, podría elevar la tasa general de desempleo y aumentar el riesgo de desempleo de larga duración.

• Temática de inteligencia artificial

  Una temática estructural en la que coexisten las ganancias de productividad y la sustitución laboral

  Fortalezas

  La discusión corporativa sigue centrándose principalmente en la productividad y la mejora de la eficiencia de los procesos, y la reestructuración de tareas laborales indica que la IA está entrando gradualmente en los procesos de producción.

  Debilidades

  Los costes sociales de la sustitución laboral empiezan a aparecer en ocupaciones de alta exposición y grupos juveniles, lo que puede aumentar la atención regulatoria y política.

  Comparación

  La evidencia de cambios de tareas es relativamente sólida, pero los datos de empleo total sectorial y de vacantes laborales aún no han validado una sustitución a gran escala.

  Riesgos

  Si las reducciones de empleo derivadas de la adopción de IA ocurren más rápido que la creación de nuevos puestos, las valoraciones temáticas podrían enfrentar riesgos sociales, regulatorios y del lado de la demanda.

Datos clave

• Impacto máximo sobre la tasa general de desempleoAproximadamente 15 puntos básicosUna estimación aproximada a junio de 2026, superior a cerca de 10 puntos básicos en diciembre de 2025; parte de la diferencia aún puede estar causada por factores no relacionados con la IA.
• Aumento anormal del desempleo en ocupaciones con alta exposición a la IAAproximadamente 0.5 puntos porcentualesEn relación con el nivel normal previsto por las condiciones generales del mercado laboral y las relaciones cíclicas históricas.
• Participación del empleo de las ocupaciones con alta exposición a la IAAproximadamente 30%Se utiliza para convertir el desempleo anormal dentro del grupo ocupacional en un impacto sobre la tasa general de desempleo.
• Significancia estadísticaNivel de confianza del 90%En la primera mitad de 2026, los residuos de desempleo de las ocupaciones de alta exposición habían superado el rango de dos errores estándar; anteriormente solo eran significativos al nivel de confianza del 68%.
• Grupo de edad clave afectadoDe 22 a 27 añosLa divergencia de la tasa de desempleo entre los trabajadores jóvenes de ocupaciones con alta exposición a la IA es significativamente mayor que para la fuerza laboral total.
• Período de observación de datosHasta la primera mitad de 2026El informe se publicó el 3 de agosto de 2026.

Impacto e implicaciones

La evidencia actual aún no respalda la opinión de que la IA haya desencadenado un shock de desempleo generalizado en el mercado laboral estadounidense, pero sugiere que el ajuste estructural puede aparecer primero en las ocupaciones de alta exposición, entre los nuevos participantes del mercado laboral y en tareas laborales específicas. Si la divergencia a nivel ocupacional continúa ampliándose y se transmite gradualmente al empleo sectorial, la tasa general de desempleo y el crecimiento salarial podrían enfrentar una presión más visible; por el contrario, si las empresas siguen centrándose principalmente en la optimización de procesos y la mejora de productividad, el impacto positivo de la IA sobre la eficiencia de producción podría surgir antes de una sustitución laboral a gran escala. Las decisiones actuales de inversión y política no deberían basarse únicamente en datos sectoriales agregados, sino también seguir indicadores más granulares a nivel ocupacional y de flujos de trabajadores.

Riesgos

• Existe un problema de variables omitidas: la política monetaria, los aranceles, la política migratoria y la normalización de las contrataciones posteriores a la pandemia pueden causar divergencia entre ocupaciones.
• Los 15 puntos básicos estimados por el informe son un impacto máximo, no un efecto puro de la IA identificado causalmente.
• Los datos a nivel sectorial son ruidosos; los sectores de exposición media han mostrado un desempeño relativamente sólido, lo que no respalda una relación monotónica entre la exposición a la IA y el deterioro del empleo.
• La muestra de jóvenes sin educación universitaria en ocupaciones de alta exposición es relativamente pequeña y las estimaciones relacionadas presentan una menor relación señal-ruido.
• Los indicadores de cambio de tareas no pueden distinguir entre el efecto de aumento de capacidades y el efecto de sustitución de la IA sobre los trabajadores.
• La disminución de las vacantes laborales precede al lanzamiento de ChatGPT y no puede atribuirse simplemente a la IA generativa.

Aspectos que vigilar

• Si los residuos de desempleo ajustados cíclicamente para las ocupaciones con alta exposición a la IA continúan ampliándose y siguen siendo estadísticamente significativos.
• Los cambios en la tasa de reempleo, la duración del desempleo y la tasa de despidos de los trabajadores desempleados en ocupaciones de alta exposición.
• La divergencia de la tasa de desempleo entre los trabajadores de 22 a 27 años de distintos grupos educativos.
• Si el crecimiento del empleo en los sectores con alta exposición a la IA se debilita aún más en relación con las tendencias históricas.
• Si las vacantes laborales pasan de una normalización posterior a la pandemia a una disminución sistemática relacionada con el grado de exposición a la IA.
• Los cambios en el lenguaje de las conferencias de resultados empresariales relacionados con la mejora de productividad, la sustitución laboral y la creación de empleo.
• Si el ritmo de los cambios de tareas en las ocupaciones de alta exposición se reacelera o continúa desacelerándose.