Who paid the piper?
¿Quién paga el pato?
Dos preguntas, una misma transición: de qué vivirán los humanos desplazados por la inteligencia artificial y de dónde saldrá el dinero para sostenerlos.
¿De qué vivirán los humanos desplazados por la IA?
La inteligencia artificial no está destruyendo el trabajo de la misma forma en que lo ha hecho la automatización industrial del pasado. Lo está haciendo de un modo más silencioso, más rápido y más transversal: no elimina fábricas enteras, sino que congela la contratación, colapsa los puestos de entrada y transforma las tareas de millones de personas al mismo tiempo. El World Economic Forum estima que para 2030 se destruirán 92 millones de empleos y se crearán 170 millones, con un saldo neto positivo de 78 millones. El problema es que quienes pierden no son quienes ganan: la transición es brutalmente desigual.
La pregunta «¿de qué vivirán?» no tiene una sola respuesta. Hay al menos seis respuestas en debate simultáneo: renta básica, reskilling, semana de cuatro días, impuesto a la IA, fondos soberanos de riqueza y nuevas economías del cuidado y la creatividad. Ninguna es suficiente por sí sola. La combinación de varias, con voluntad política y tiempo, puede ser la diferencia entre una transición gestionada y una crisis social de alcance histórico.
1 La escala del problema: ¿cuánto trabajo está en riesgo?
El debate sobre las cifras es tan importante como las cifras mismas, porque las estimaciones varían enormemente según la metodología utilizada.
1.1 Las grandes estimaciones
|
Fuente |
Estimación |
Horizonte |
|
92M destruidos / 170M creados |
2025-2030 |
|
|
60-70% de tareas automatizables, equiv. a 300M empleos |
Antes de 2030 |
|
|
300M de empleos con tareas automatizables |
2025-2030 |
|
|
80% de trabajadores con ≥10% tareas expuestas |
Inmediato |
|
|
Solo 9% de empleos en alto riesgo de automatización total |
Horizonte estructural |
|
|
40% de empleos globales expuestos |
Inmediato-medio plazo |
|
|
50-55% de empleos en EE.UU. serán rediseñados |
Próximos 2-3 años |
|
|
47% de empleos en EE.UU. con alto riesgo |
20 años |
La divergencia entre el 9% de la OCDE y el 47% de Oxford no es una contradicción: miden cosas distintas. Oxford pregunta si un empleo completo puede automatizarse. La OCDE pregunta si las tareas de ese empleo se pueden automatizar. La respuesta real está en medio: la IA no elimina la mayoría de los empleos, pero transforma profundamente lo que se hace dentro de ellos.
1.2 La trampa del «saldo neto positivo»
Que se creen 170 millones de empleos y se destruyan 92 millones suena a buena noticia. No lo es automáticamente. Según el análisis de la Universidad de Yale, el impacto más severo de la IA no se está manifestando como despidos masivos visibles, sino como un «gran congelamiento»: las empresas no contratan a las personas que se van, absorben más productividad del mismo equipo existente y cierran el acceso de entrada al mercado laboral.
Los datos lo confirman: los trabajadores de entre 22 y 25 años en roles expuestos a IA han sufrido una caída del 16% en empleo desde 2022. Las empresas que adoptan IA han reducido la contratación de personal junior un 13%. El problema no es el desempleo masivo de hoy; es el bloqueo sistémico de las carreras del mañana.
1.3 ¿Qué está pasando ya en 2025-2026?
Los casos reales muestran un patrón claro: las empresas no «despiden por IA», sino que reorganizan estratégicamente eliminando los roles que la IA puede absorber.
• Salesforce eliminó 4.000 puestos de atención al cliente tras implementar agentes de IA que gestionan la mitad de las interacciones.
• IBM eliminó 200 roles de RRHH al automatizar consultas rutinarias con su sistema “AskHR”.
• Amazon acumula más de 30.000 despidos desde octubre de 2025, combinando reorganización con inversión masiva en centros de datos para IA.
• Microsoft suma 15.000 despidos en 2025 y 8.750 en 2026.
• Meta planea recortar 8.000 puestos adicionales sin cubrir 6.000 vacantes existentes.
• En el primer trimestre de 2026, 95.000 empleos tecnológicos fueron eliminados, con el 76% concentrado en EE.UU.å
Un análisis de Substack de febrero de 2026 estima que la IA destruyó entre 200.000 y 300.000 empleos en EE.UU. en 2025, cuatro a seis veces más de lo que los empleadores reconocen oficialmente, porque el canal principal no son despidos sino la decisión silenciosa de no reponer a quien renuncia.
2 ¿Quiénes pierden primero? Los perfiles más vulnerables
No todo el mundo está igual de expuesto. El desplazamiento sigue una lógica de tareas, no de sectores completos.
2.1 Los más vulnerables
Trabajadores cognitivos de nivel medio son el grupo de mayor riesgo inmediato. Incluyen asistentes legales junior, analistas financieros básicos, redactores de informes estandarizados, personal administrativo y trabajadores de centros de llamadas. Sus tareas son altamente estructuradas, basadas en conocimiento combinable y con estándares de calidad evaluables: exactamente el dominio en el que los modelos de lenguaje son excelentes. Goldman Sachs identifica los servicios legales y el soporte administrativo como las industrias más afectadas.
Los más jóvenes sufren un impacto especial. Entre los trabajadores de 20 a 30 años en roles expuestos a IA, el desempleo ha aumentado en casi 3 puntos porcentuales desde principios de 2025. El CEO de Anthropic, Dario Amodei, advirtió en 2025 que la IA podría eliminar el 50% de los empleos de entrada de cuello blanco en cinco años.
Los países en desarrollo enfrentan una trampa específica. El FMI advierte que la IA podría ampliar permanentemente la brecha entre economías avanzadas y en desarrollo: los robots y la IA erosionan la ventaja comparativa del trabajo barato antes de que esos países puedan ascender hacia mayor valor añadido. El PNUD (Programa de las Naciones Unidas para el Desarrollo) lo llama «la próxima gran divergencia».
2.2 Los más protegidos
Los empleos que resisten mejor comparten características que son esencialmente difíciles de codificar:
|
Característica |
Ejemplos de empleos protegidos |
|
Interacción emocional profunda |
Psicoterapeutas, trabajadores sociales, enfermeros de cuidados |
|
Juicio complejo con consecuencias |
Médicos en urgencias, abogados senior, jueces |
|
Manipulación física en entornos no estructurados |
Fontaneros, electricistas, enfermeras de planta |
|
Presencia y confianza humana |
Maestros, consejeros espirituales, cuidadores de mayores |
|
Creatividad estratégica de alto nivel |
Directores de arte, estrategas de marca, directivos |
Forbes identifica a los enfermeros anestesistas y los médicos de urgencias como los empleos con menor riesgo de automatización en 2026. Carnegie Endowment añade a terapeutas, jueces, trabajadores de construcción y servicios de alimentación como relativamente seguros a corto plazo.
3 Tipología del impacto: cuatro destinos posibles para un empleo
BCG (2026) ofrece el marco analítico más claro para entender qué le pasa a un empleo concreto cuando la IA entra:
• Amplificados (6%): La IA potencia al trabajador y la demanda crece. El empleo no solo sobrevive, sino que se expande. Ejemplo: ingenieros de software que diseñan con IA.
• Reequilibrados (14%): La IA asume tareas rutinarias, el trabajador se orienta hacia funciones de mayor valor. La plantilla se mantiene pero las exigencias suben. Ejemplo: analistas financieros que pasan de datos a estrategia.
• Sustituidos (12%): La IA reemplaza directamente funciones nucleares y la demanda no crece. Hay pérdida neta de empleos. Ejemplo: agentes de call center básico.
• Habilitados (23%): La IA se integra como herramienta en el día a día pero no redefine el núcleo del trabajo. Ejemplo: médicos y maestros que usan IA de apoyo.
• Sin cambio significativo (45%): Empleos que la IA actual no alcanza de forma relevante.
La conclusión central de BCG: la IA rediseñará más empleos de los que destruirá, pero la velocidad del rediseño supera la capacidad de adaptación de muchos trabajadores.
4 ¿De qué pueden vivir? Las seis respuestas en debate
4.1 Renta Básica Universal (RBU)
La propuesta más radical y debatida: dar dinero a todos los ciudadanos, incondicionalmente, independientemente de si trabajan o no.
Lo que dicen los experimentos:
|
Experimento |
País |
Diseño |
Resultado clave |
|
EE.UU. (Texas, Illinois) |
1.000$/mes, 3 años, 1.000 personas |
Reducción de horas trabajadas: solo 1,3-1,4h/semana. Mejoras en estrés y seguridad alimentaria. |
|
|
Finlandia |
560€/mes, 2.000 desempleados |
Bienestar mejorado, empleo no disminuyó significativamente. |
|
|
Kenya |
12 años, transferencias incondicionales |
Mejoras en educación, salud, inversión local. Criminalidad no aumentó. |
|
|
Alemania |
1.200€/mes, 122 personas, 3 años |
Trabajaron las mismas horas, más satisfacción laboral, más ahorro y donaciones. |
|
|
Islas Marshall |
200$/trimestre, permanente y universal |
Primera RBU nacional permanente del mundo (2025). |
|
|
Brasil |
Transferencias a extrema pobreza |
−8% hospitalizaciones, −14% mortalidad, gasto en salud +50%. |
El patrón que emerge: una revisión sistemática de 2020 encontró que el 93% de los experimentos no mostraron reducción significativa del trabajo. En 2025, 27 pilotos americanos analizados mostraron cero descenso en empleo. La gente no deja de trabajar si recibe dinero; lo usa para trabajar mejor o con más libertad.
El problema: dar 1.000$/mes a cada adulto estadounidense costaría aproximadamente 3,9 billones de dólares anuales, más del 60% del gasto federal actual. La viabilidad fiscal sin una reforma fiscal profunda es cuestionable en países grandes (las opciones para movilizar esa recaudación se desarrollan en el segundo bloque de este artículo).
Quién la apoya: Sam Altman (OpenAI), Elon Musk, Bill Gates (condicionalmente). La propia OpenAI ha pedido un fondo público de riqueza que distribuya dinero a los ciudadanos, una propuesta cuya mecánica fiscal se analiza en detalle más adelante.
4.2 Reskilling (recualificación) y upskilling (mejorar las competencias): ¿funciona realmente?
La respuesta más obvia al desplazamiento es la reconversión laboral: formar a los trabajadores desplazados para los empleos nuevos. Suena razonable. Los datos matan el optimismo fácil.
MIT Technology Review señala que las decenas de miles de millones invertidos por EE.UU. en programas de reconversión vocacional en décadas pasadas han dado resultados muy por debajo de lo esperado. Los trabajadores adultos no aprenden a la misma velocidad. Los empleos nuevos que crea la IA exigen credenciales altas: el 77% de los nuevos roles en IA requieren un máster y el 18% un doctorado. Un operador de call center de 50 años no se convierte en especialista en machine learning en seis meses.
Los modelos que más funcionan:
• Singapur – SkillsFuture: desde 2015, subsidio de 500 SGD por ciudadano mayor de 25 años para formación, aumentado a 4.000 SGD en 2025, canjeable en más de 24.000 cursos certificados. Vinculado a política industrial: IA, economía verde y servicios de cuidado.
• Francia – Compte Personnel de Formation (CPF): cuenta personal de formación acumulable a lo largo de toda la carrera laboral.
• Alemania – Kurzarbeit: sistema de trabajo reducido con subsidio gubernamental, adaptable para usar el tiempo liberado en formación durante la transición.
• Dinamarca – Flexicurity: mercado laboral flexible + red de seguridad robusta (seguro de desempleo de hasta el 90% del salario previo) + políticas activas de empleo. Considerado el modelo más completo de transición justa.
El FMI (2026) subraya que en EE.UU., las regiones con mayor adopción de nuevas habilidades vieron el empleo crecer un 1,3% por cada punto porcentual de aumento en ofertas que exigen habilidades nuevas. El reskilling funciona cuando está ligado a una demanda real, no cuando es formación genérica.
4.3 Semana de cuatro días: repartir el trabajo que queda
Si la IA aumenta la productividad, una respuesta es reducir las horas de trabajo manteniendo los salarios, distribuyendo así la productividad entre más personas y tiempo libre.
Los datos de Islandia, el caso más documentado: el país nórdico lleva seis años con semana laboral de cuatro días (36 horas). El 86% de los trabajadores ya opera bajo este modelo. Resultados: +1,4% de ingresos en las organizaciones participantes, −57% de probabilidad de renuncia, −65% de días de enfermedad. La productividad no cayó.
OpenAI recomienda explícitamente explorar la semana de cuatro días como mecanismo para distribuir las ganancias de eficiencia de la IA, siempre que la productividad no disminuya.
El argumento tiene lógica directa: si una empresa necesita 20% menos horas humanas gracias a la IA, puede despedir al 20% de la plantilla o puede mantenerla trabajando 20% menos horas. La segunda opción distribuye la ganancia en vez de concentrarla.
4.4 Impuesto a los robots y a la IA
Si la IA sustituye trabajo humano, y ese trabajo generaba impuestos que financiaban el Estado de bienestar, hay un problema fiscal estructural. Las propuestas principales —desde el impuesto de Bill Gates a los robots hasta la tasa Zucman sobre grandes fortunas, pasando por recargos en el impuesto de sociedades vinculados a la intensidad de robotización— se examinan en detalle en el segundo bloque de este artículo, junto con sus estimaciones de recaudación y sus obstáculos políticos.
La controversia: la Federación Internacional de Robótica argumenta que gravar herramientas de producción reduciría la competitividad y el empleo a largo plazo. El debate no está resuelto, y ningún país grande ha implementado aún un impuesto específico a la IA, aunque varios lo están estudiando.
4.5 Fondos soberanos y dividendo de la IA
Una variante del impuesto es no solo recaudar, sino invertir en activos que generen un retorno distribuido entre todos los ciudadanos. El modelo inspirador es el Alaska Permanent Fund: el estado de Alaska invierte los ingresos del petróleo en un fondo que paga un dividendo anual a todos sus residentes (entre 1.000 y 2.000 dólares al año).
OpenAI propone un fondo público de riqueza financiado con los beneficios fiscales generados por la IA, que distribuya dinero a los ciudadanos dándoles «una participación en el crecimiento económico impulsado por la IA». La idea es que si la IA genera riqueza que antes generaban los trabajadores, esa riqueza debe volver a la sociedad de alguna forma. El diseño concreto de un fondo así —royalties sobre datos de entrenamiento, magnitudes recaudatorias y precedentes internacionales como Noruega— se desarrolla en el bloque siguiente.
4.6 La economía del cuidado, la creatividad y el propósito
Más allá de los mecanismos de compensación económica, hay una pregunta de fondo: ¿qué trabajo humano tiene valor intrínseco que la IA no puede replicar?
La respuesta más consistente apunta a tres grandes ámbitos:
La economía del cuidado: el envejecimiento de la población crea una demanda estructural que la IA no puede satisfacer. Cuidar a un anciano, acompañar en el duelo, criar a un niño o atender a alguien en una crisis de salud mental son actividades que requieren presencia humana real. La OIT calcula que invertir el 2% del PIB en el sector de cuidados generaría entre un 1,2% y un 3,2% más de empleo total, dependiendo del país. En China equivaldría a 24 millones de empleos nuevos; en India, a 11 millones.
La creatividad y el juicio estratégico: el SEPE español analiza la paradoja de que la IA generativa puede estar «re-humanizando» el trabajo: al eliminar las tareas mecánicas, libera a diseñadores, escritores y asesores para hacer aquello que solo los humanos hacen bien: conceptualizar, relacionarse, imbuir de sentido y ética. El «valor Premium» de lo humano puede crecer precisamente porque la IA hace todo lo demás.
La economía de la experiencia: JP Morgan Private Bank señala que a medida que los trabajadores del conocimiento pasan menos tiempo en tareas repetitivas, la demanda de actividades de ocio, experiencias culturales y servicios personales puede aumentar significativamente. El turismo, la gastronomía, el deporte, las artes y el bienestar son sectores que tienden a crecer con la prosperidad y que son difíciles de automatizar completamente.
5 Respuestas de gobiernos y organismos internacionales
5.1 La Unión Europea
El EU AI Act es la primera regulación integral de IA del mundo. Clasifica los sistemas de IA por niveles de riesgo y establece obligaciones estrictas para los de alto riesgo, incluyendo expresamente los sistemas de selección de empleo (el software de cribado de CVs es considerado «alto riesgo» y sujeto a auditoría). Sin embargo, el AI Act es principalmente una regulación de transparencia y seguridad, no una política de empleo. La dimensión laboral sigue siendo responsabilidad de los Estados miembro.
5.2 Organismos internacionales
FMI (2026): llama a políticas «proactivas y comprehensivas» que preparen a la fuerza laboral, mejoren la movilidad, amplíen la protección social y mantengan los mercados competitivos. El trabajo, señala, «aporta dignidad y propósito a la vida de las personas», lo que hace esta transición especialmente consecuente.
OIT: advierte que el impacto no será uniforme y que los países con mayor inversión en educación, infraestructura digital y políticas laborales activas capturarán los beneficios; los que no lo hagan enfrentarán desigualdad y desempleo estructural.
PNUD: alerta sobre «la próxima gran divergencia»: países como Afganistán o Papúa Nueva Guinea pueden quedar completamente excluidos de la nueva economía de la IA.
5.3 Las grandes tecnológicas
El movimiento más interesante es que las propias compañías que desarrollan la IA están empezando a proponer respuestas sociales a sus propias disrupciones: OpenAI ha publicado un documento de política industrial con propuestas concretas (fondo de riqueza, semana de cuatro días, métricas de impacto laboral con umbrales automáticos de protección social), Bill Gates ha llamado a reformas fiscales estructurales para trasladar la carga del trabajo al capital automatizado, y los sindicatos de escritores, actores y periodistas han negociado ya cláusulas de protección ante la IA en sus contratos colectivos.
6 Escenarios de futuro: tres mundos posibles
6.1 Escenario optimista — Transición gestionada y distribución amplia
La IA genera un crecimiento económico enorme (McKinsey estima +16% de PIB global acumulado para 2030), que se grava adecuadamente y se redistribuye mediante fondos soberanos, renta básica parcial y expansión masiva de los servicios públicos. Los trabajos destruidos son compensados por la expansión de la economía del cuidado, la salud, la educación y la creatividad. La semana laboral se reduce gradualmente. El trabajo se desacopla parcialmente de la supervivencia.
Condiciones necesarias: coordinación fiscal global (impuesto mínimo a la IA), voluntad política de redistribución, sistemas educativos reformados, protección social ampliada.
6.2 Escenario pesimista — Concentración sin precedentes
La productividad de la IA se concentra en los propietarios del capital y en los trabajadores altamente cualificados. Los estados no logran reformar sus sistemas fiscales. El desempleo estructural crece silenciosamente (no como paro registrado, sino como informalidad, precariedad y desconexión laboral). La brecha entre países ricos y pobres se amplía. El PNUD llama a este escenario «trampa de dependencia tecnológica».
Señales de alerta actuales: concentración creciente de beneficios en pocas compañías, reticencia de gobiernos a gravar el capital, débil coordinación internacional, infraestructura digital inexistente en 2/3 del mundo.
6.3 Escenario intermedio — Transición desigual con ganadores y perdedores
El escenario más probable según la mayoría de los analistas. Algunos países (los que inviertan en educación, protección social e infraestructura digital) navegarán la transición con éxito. Otros quedarán rezagados. Dentro de cada país, habrá ganadores (trabajadores cualificados, propietarios de capital, sectores aumentados por la IA) y perdedores (trabajadores de baja cualificación, países en desarrollo, personas mayores con dificultades para reconvertirse). La desigualdad intranacional e internacional aumenta antes de, eventualmente, poder reducirse.
7 Mapa de soluciones: viabilidad vs. impacto
Las soluciones de mayor viabilidad e impacto combinado son las apuestas más pragmáticas: el modelo de flexicurity danés y la semana de cuatro días combinada con redistribución de productividad. La Renta Básica Universal tiene el mayor impacto potencial pero su viabilidad fiscal a gran escala sigue siendo el principal obstáculo. El impuesto a robots tiene tracción política creciente pero enfrenta fuerte resistencia del sector tecnológico.
8 Conclusiones: lo que sabemos, lo que no y lo que puede hacerse
Lo que sabemos con certeza
• El desplazamiento ya está ocurriendo, pero de forma silenciosa: no como despidos masivos sino como congelamiento de contratación y reducción de acceso para los jóvenes.
• El saldo neto de empleos puede ser positivo, pero la distribución de esos empleos nuevos no es automática: requiere inversión activa en formación, movilidad y protección social.
• La RBU no desincentiva el trabajo: los experimentos lo demuestran con consistencia creciente. El miedo al “efecto pereza” es el principal obstáculo político, no la evidencia empírica.
• La IA amplifica las desigualdades existentes si no se interviene: entre cualificados y no cualificados, entre países ricos y pobres, entre jóvenes y adultos, entre hombres y mujeres.
•Las soluciones requieren combinación: ninguna medida aislada es suficiente. La respuesta eficaz combina formación continua, protección social reforzada, redistribución fiscal y rediseño del tiempo de trabajo.
Lo que aún no sabemos
• Cuánto tardará la IA en alcanzar las tareas físicas complejas (cuidado presencial, construcción, hostelería).
• Si los nuevos empleos generados por la IA absorberán a los trabajadores de mediana edad desplazados o solo a los jóvenes que entren al mercado laboral.
• Si los sistemas fiscales nacionales pueden reformarse con suficiente rapidez antes de que la erosión de la base imponible del trabajo cree una crisis del Estado de bienestar.
Las apuestas con más respaldo empírico
|
Medida |
Evidencia |
Prioridad |
|
Expandir protección social (desempleo, formación) |
Alta |
Urgente |
|
Programas de reskilling vinculados a demanda real (modelo Singapur/Dinamarca) |
Media-alta |
Urgente |
|
Explorar semana de cuatro días como distribución de productividad |
Alta (Islandia) |
A corto plazo |
|
Crear fondos soberanos financiados por beneficios de la IA |
Media |
A medio plazo |
|
Debate serio sobre RBU con diseño fiscal viable |
Alta (experimentos) |
A medio plazo |
|
Invertir masivamente en economía del cuidado |
Alta (OIT, ITUC) |
Urgente |
|
Reformar fiscalidad del capital para compensar pérdida del trabajo |
Media |
A medio plazo |
Epílogo: el trabajo como propósito, no solo como supervivencia
La pregunta “¿de qué vivirán?” asume que vivir requiere trabajo. Quizás la pregunta más profunda es otra: si las máquinas pueden producir casi todo lo que necesitamos, ¿cuál es el papel del trabajo humano?
El economista John Maynard Keynes predijo en 1930 que para el año 2030 trabajaríamos 15 horas a la semana gracias a la productividad tecnológica. Nunca sucedió, no porque la tecnología fallara, sino porque el trabajo se convirtió en mucho más que producción: es identidad, estructura, relación y propósito.
Lo que la IA nos fuerza a hacer, si queremos hacerlo bien, es separar el sustento del empleo, y rediseñar el trabajo para que sea aquello que los humanos hacen mejor: cuidar, crear, enseñar, conectar, razonar en contextos complejos y acompañar a otros en los momentos que importan. No es utopía si se diseña con políticas reales. Pero tampoco es automático. Es, en el pleno sentido de la palabra, una decisión política.
¿De dónde saldrán los fondos? La economía política de financiar el futuro del trabajo
Cada propuesta para proteger a los trabajadores desplazados por la IA tiene un precio. Este segundo bloque identifica quién lo paga, cuánto recauda cada mecanismo y por qué es tan difícil implementarlos.
La pregunta de financiación es la más difícil del debate sobre el futuro del trabajo. No porque falten fuentes de dinero: la IA está generando riqueza en cantidades históricas. El problema es que esa riqueza se acumula en el capital —en los propietarios de empresas y activos digitales— mientras los sistemas fiscales del mundo están diseñados para recaudar principalmente del trabajo. Si la IA destruye trabajo y no se reforma la fiscalidad, el Estado perderá ingresos exactamente cuando más los necesite.
La solución no es única: hay al menos seis grandes mecanismos de financiación identificados, cada uno con su lógica, su potencial recaudatorio y sus obstáculos políticos. Combinados de forma inteligente, podrían generar más de un billón de dólares anuales en ingresos adicionales globales, suficiente para financiar simultáneamente el reskilling masivo, la expansión de la protección social, los fondos soberanos y, con el tiempo, alguna forma de renta básica.
1 El problema de fondo: la arquitectura fiscal está diseñada para un mundo que desaparece
1.1 Los Estados dependen del trabajo para financiarse
Toda la arquitectura financiera del Estado moderno reposa sobre una suposición: que la mayoría de las personas trabajan y que ese trabajo genera impuestos. Un documento de trabajo de RAND de 2025 encontró que el 84% de los ingresos federales de EE.UU. está vinculado al trabajo: no solo el IRPF y las cotizaciones a la seguridad social, sino también el IVA y los impuestos locales sobre la propiedad que fluyen del hecho de que la gente tiene empleos y gasta dinero.
A nivel global, los impuestos sobre el trabajo representan en promedio más de la mitad de los ingresos gubernamentales de los países desarrollados. La cuña fiscal sobre el trabajo en la OCDE es del 34,9% — la suma de IRPF y cotizaciones sociales como porcentaje del coste laboral total.
Por contraste:
• El impuesto de sociedades promedia el 20,2% en la OCDE, pero solo sobre los beneficios después de deducciones.
• Apple y Google pagan en torno al 15,6% de tasa efectiva global, muy por debajo de lo que paga cualquier trabajador asalariado.
• El capital en ganancias puede diferirse indefinidamente y desviarse jurisdiccionalmente.
• Los impuestos sobre el trabajo solo representan el 12% de los ingresos federales en forma de impuesto corporativo.
1.2 Qué pasa cuando un robot reemplaza a 40 personas
El mecanismo de erosión fiscal es brutalmente simple. Cuando una empresa reemplaza a 40 trabajadores humanos con un sistema de IA, pierde 2,4 millones de dólares en costes de nómina. Pero el Estado también pierde el equivalente en recaudación fiscal. El sistema de IA no paga IRPF. No cotiza a la Seguridad Social. No financia los colegios locales a través del impuesto sobre la propiedad que habría pagado la hipoteca de esos 40 trabajadores.
La escala del problema es:
• Inmediata y local: 800 despidos atribuibles a IA en Carolina del Sur en 2025 generaron 700.000 dólares menos en recaudación escolar.
• Sistémica: JP Morgan estima 1 millón de empleos desplazados por IA al año durante la próxima década en EE.UU. — cinco veces más rápido que la globalización en su pico.
• Agravada por la política fiscal: En julio de 2025, el Congreso de EE.UU. aprobó la restauración permanente de la amortización acelerada del 100% para equipos empresariales. Resultado: gastar 10 millones en un sistema de IA tiene ventajas fiscales que gastar 10 millones en salarios no tiene. El código fiscal hace que la máquina sea la opción más barata no solo porque es más productiva, sino porque el Estado la subsidia.
2 Las seis fuentes de financiación: quién paga, cuánto y cómo
Fuente 1 — Impuesto mínimo global corporativo ampliado (Pilar II)
Qué es: el acuerdo BEPS Pilar II de la OCDE establece que las multinacionales con más de 750 millones de euros de facturación paguen un mínimo del 15% de impuesto de sociedades en cualquier jurisdicción donde operen, cerrando los paraísos fiscales.
Cuánto recauda al 15%: la OCDE estima 155.000-192.000 millones de dólares adicionales al año. Más de 140 países están comprometidos.
Cuánto recaudaría si se sube al 25%: elevar la tasa al 25% capturaría al menos 400.000 millones anuales adicionales. Es una estimación conservadora, porque la mayoría de los países ya tienen tasas en el rango 15-25%, lo que significa que el incremento afectaría directamente a las empresas que hoy usan jurisdicciones de bajo coste.
Por qué importa para la IA: las grandes empresas de IA son exactamente el perfil que Pilar II está diseñado para capturar: multinacionales que generan ingresos globalmente pero pagan impuestos principalmente en uno o dos países. Sin una tasa corporativa más alta, los beneficios extraordinarios de la automatización irán a parar a accionistas en pocas jurisdicciones sin tributar en las comunidades donde despiden trabajadores.
Obstáculo: EE.UU. no ha ratificado Pilar II a nivel doméstico. Mientras el país con mayor concentración de empresas de IA no participe plenamente, el acuerdo tiene agujeros significativos.
Fuente 2 — Impuesto mínimo sobre grandes fortunas (Tasa Zucman)
Qué es: una propuesta de Gabriel Zucman —economista de la Universidad de California, elaborada para la presidencia del G20 en Brasil en 2024— de establecer un impuesto mínimo global del 2% sobre el patrimonio neto de los billonarios (>1.000 millones de dólares).
Cuánto recaudaría: un mínimo del 2% sobre el patrimonio de aproximadamente 3.000 billonarios globales generaría 200.000-250.000 millones de dólares al año. Ampliarlo a los «centi-millonarios» (>100 millones) añadiría otros 100.000-140.000 millones más. En total: hasta 390.000 millones anuales de solo 3.000-30.000 contribuyentes.
Por qué ahora es más urgente: la riqueza de los billonarios creció un promedio del 7,1% anual en términos reales entre 1987 y 2024, más del doble que el crecimiento económico general. Para 2030, el patrimonio total de los billonarios alcanzará los 25 billones de dólares — el 20% del PIB mundial. La IA acelerará esa concentración: los principales beneficiarios de la automatización son los propietarios de las empresas que la despliegan.
Cómo se implementaría sin un tratado multilateral: Zucman propone que cada país pueda implementarlo unilateralmente como un «impuesto adicional de seguridad»: si un billonario paga menos del 2% de su patrimonio en impuestos en su país de residencia, el país de origen cobra la diferencia. Similar al mecanismo de Pilar II.
Obstáculo: resistencia política extrema de los propios afectados, que tienen recursos para lobbying y movilidad geográfica. Francia intentó un impuesto sobre la riqueza (ISF) durante años y lo eliminó en 2018 alegando fuga de capitales.
Fuente 3 — Impuesto sobre servicios digitales (DST)
Qué es: un impuesto sobre los ingresos (no los beneficios) de plataformas digitales que obtienen valor de los usuarios en un país: publicidad dirigida, intermediación, venta de datos. Lo aplican sobre los ingresos brutos, no sobre los beneficios, lo que dificulta la evasión mediante ingeniería fiscal.
Casos reales y recaudación:
|
País |
Tasa |
Recaudación reciente |
|
2% sobre ingresos digitales |
£944M (1.270M$) en 2025-26 |
|
|
3% (subiendo al 5% desde 2025) |
800M€ al año; con el 5%: +500M€ |
|
|
IRPF plataformas digitales |
28.600M pesos (1.400M$) en 2024 |
Potencial global: si todos los países de la OCDE aplicaran una DST del 3% sobre ingresos de servicios digitales globales (estimados en varios billones), la recaudación potencial acumulada podría superar los 100.000-200.000 millones anuales.
Obstáculo: EE.UU. presiona activamente contra las DST de otros países, argumentando que discriminan a sus empresas tecnológicas. Bajo la administración Trump, se amenazó con aranceles de represalia a Francia y otros países que las aplicaran.
Fuente 4 — Impuesto a los robots y a la IA (Robot Tax / AI-Hours Levy)
Qué es: un impuesto sobre el valor económico del trabajo humano que la IA desplaza. En su versión más sofisticada —propuesta por el economista Sami Mahroum en Korea Times (2026)— funciona como un gravamen sobre «AI-hours»: el tiempo computacional consumido por sistemas de IA al reemplazar funciones laborales.
Cómo se calcularía:
• Se miden las horas computacionales (AI-hours) del sistema de IA.
• Se convierte ese tiempo al equivalente salarial humano desplazado.
• Se aplica una tasa diferenciada según el tipo de uso:
5% si es augmentation (el humano sigue siendo el decisor principal).
15% si es substitution (la IA ejecuta el flujo completo sin intervención humana regular).
Ejemplo numérico concreto (Korea Times, 2026):
• Un despacho de abogados reemplaza 25 paralegales (salario ~65.000$/año, $32,50/hora).
• El sistema de IA consume 50.000 AI-hours al año.
• Valor imponible: 50.000 × $32,50 = 1.625.000 dólares.
• Impuesto al 15%: 243.750 dólares anuales de ese solo despacho.
Extrapolado a sectores como servicios legales, análisis financiero, diagnóstico médico, atención al cliente y back-office corporativo, el potencial recaudatorio podría alcanzar decenas a cientos de miles de millones anuales solo en EE.UU.
Qué ya existe: el economista del MIT Arnaud Costinot calcula que el impuesto óptimo a los robots debería estar entre el 1% y el 3,7% de su valor, suficiente para reducir la desigualdad sin frenar la innovación. Ningún país grande lo ha implementado aún, aunque Corea del Sur eliminó en 2017 los incentivos fiscales a la inversión en automatización que destruye empleo —un enfoque más suave pero en la misma dirección.
Obstáculo: definir qué es «sustitución» vs. «augmentación» es técnicamente complejo. Las empresas tienen incentivos para declarar toda automatización como «augmentation». Requiere una agencia de supervisión técnica.
Fuente 5 — Fondos soberanos de riqueza de la IA
El modelo existente más relevante: Alaska Permanent Fund
Desde 1976, el estado de Alaska deposita el 25% de los ingresos de arrendamientos y regalías de petróleo y gas en un fondo soberano. Ese fondo invierte en activos globales y paga un dividendo anual a cada ciudadano residente, incluidos los niños. El dividendo de 2025 fue de 1.000 dólares por persona. Efecto medible: reduce la pobreza en Alaska entre un 20% y un 40% sin afectar significativamente la participación laboral.
El modelo nórdico: Fondo Soberano de Noruega
El fondo soberano de Noruega, con 2,2 billones de dólares en activos, generó 247.000 millones de dólares de beneficios en 2025. Ya es el mayor inversor institucional del mundo en acciones de IA y tecnología. El modelo: recursos naturales → fondo soberano → inversión global → dividendo colectivo.
La propuesta de trasladar este modelo a la IA:
El Urban Institute (marzo 2026) propone un National AI Permanent Fund: las empresas de IA pagarían royalties al Estado por entrenar sus modelos sobre el conocimiento colectivo de la humanidad —publicaciones, datos, obras culturales—, del mismo modo que las compañías petrolíferas pagan royalties por extraer un recurso del suelo público. Ese fondo pagaría un dividendo universal a todos los ciudadanos.
OpenAI propone explícitamente en su documento de política de abril de 2026 la creación de un fondo de riqueza pública financiado por las propias empresas de IA, que distribuya dividendos a los ciudadanos como “participación en el crecimiento económico impulsado por la IA”.
Cuánto podría generar: el mercado de infraestructura empresarial de IA alcanzará los 200.000 millones de dólares globalmente en 2028. Una regalía del 5-10% sobre ese valor generaría entre 10.000 y 20.000 millones anuales en fase inicial —modesto, pero escalable con el crecimiento del sector.
Fuente 6 — Impuesto al carbono con dividendo ciudadano + tasas sobre datos
Impuesto al carbono con devolución directa:
Varios países (Canadá, Suecia, Suiza) aplican impuestos al carbono cuya recaudación se devuelve directamente a los ciudadanos como un cheque o dividendo igual para todos. El principio es el mismo que el del fondo de Alaska: un recurso común (la atmósfera) genera ingresos que se reparten entre todos.
En EE.UU., la propuesta del Citizens Climate Lobby plantea una tasa inicial de 15 dólares por tonelada de CO₂, que sube 10 dólares cada año. A tasas moderadas (50-100 dólares/tonelada), la recaudación alcanzaría entre 100.000 y 300.000 millones anuales, todo devuelto como dividendo mensual igual para todos los adultos.
Tasa sobre datos personales:
La IA se entrena con datos que los usuarios generan gratuitamente: búsquedas, conversaciones, interacciones, compras. Esos datos tienen un valor económico enorme —son la materia prima de los modelos. Algunos economistas proponen gravar el uso comercial de datos personales y devolver una parte a sus generadores (los ciudadanos). Aún no existe ningún país que lo haya implementado a escala, pero el debate está avanzando en la UE.
3 ¿Cuánto se necesita y cuánto se podría recaudar?
La tabla siguiente consolida las estimaciones de coste de cada medida y las compara con el potencial de cada fuente de financiación:
|
Medida |
Coste anual estimado |
Fuente de financiación más adecuada |
|
~$2,4 billones |
Combinación amplia |
|
|
~$3,9 billones |
Requiere reforma fiscal completa |
|
|
~$170.000M/año (EE.UU.) |
Royalties IA + Pilar II |
|
|
~$500.000M/año (global) |
Cotizaciones empresas + presupuesto público |
|
|
~$2 billones/año (global) |
Inversión pública + impuestos progresivos |
|
|
Seguro de desempleo ampliado |
~$100.000-300.000M/año |
Cotizaciones reformadas |
|
Fuente |
Recaudación anual estimada |
|
$400.000M - $600.000M |
|
|
$200.000M - $340.000M |
|
|
$80.000M - $200.000M |
|
|
$50.000M - $200.000M |
|
|
$30.000M - $150.000M |
|
|
$40.000M - $200.000M |
|
|
TOTAL potencial combinado |
$800.000M - $1,7 billones/año |
Un paquete fiscal completo que combine todas estas fuentes podría generar entre 800.000 millones y 1,7 billones de dólares anuales a nivel global. Para contexto: el programa de defensa de EE.UU. cuesta ~900.000 millones al año. La ayuda oficial al desarrollo global suma ~230.000 millones. Estamos hablando de sumas manejables dentro del sistema fiscal internacional, si hay voluntad política.
4 Cómo se financia específicamente cada medida
La semana de cuatro días: coste cero directo para el Estado
Esta es la medida más inusual: no requiere financiación pública directa. Si la IA aumenta la productividad un 20%, una empresa puede elegir: despedir al 20% de su plantilla, o mantenerla trabajando un 20% menos horas. En el segundo caso, el “coste” lo asumen los propietarios de la empresa en forma de menor acumulación de beneficios, pero los trabajadores mantienen sus ingresos y el Estado mantiene su recaudación. El caso de Islandia, desarrollado en el primer bloque, lo confirma: la productividad por hora aumentó, las empresas no perdieron ingresos y el Estado no perdió recaudación.
El reskilling: modelo de co-financiación tripartita
El modelo más robusto, basado en la experiencia de Singapur y Dinamarca ya descrita en el primer bloque, es la co-financiación entre tres actores:
|
Actor |
Contribución |
Ejemplo |
|
Estado |
Subsidio directo a la formación, 50-90% del coste |
|
|
Empresa |
Levy (cotización) obligatoria al fondo de formación + cofinanciación directa |
|
|
Trabajador |
Tiempo y esfuerzo; coste residual |
Crédito personal (CPF en Francia, SkillsFuture en Singapur) |
El SDL de Singapur es un ejemplo concreto: las empresas pagan una cotización mensual sobre la nómina que va a un fondo gestionado por el Estado, que luego financia la formación tanto de empleados actuales como de desempleados. Alemania tiene un sistema equivalente con el Kurzarbeit, donde el Estado subsidia hasta el 100% de los costes de formación durante períodos de transición.
El coste para el Estado del reskilling es, en buena parte, autofinanciado: un trabajador que pasa de un empleo destruido por IA a uno nuevo sigue pagando impuestos, sigue cotizando a la seguridad social, deja de recibir prestaciones de desempleo. El ahorro en prestaciones pasivas financia parcialmente el coste de la formación activa.
La economía del cuidado: inversión pública que se autofinancia
La OIT y la CSIT señalan que invertir en la economía del cuidado es una de las pocas políticas con un multiplicador fiscal positivo claro: cada puesto de trabajo en cuidados crea empleo, genera recaudación fiscal, reduce el gasto en desempleo y, en el caso de los cuidados de salud, reduce el gasto sanitario a largo plazo. Un inversor de cuidados crea más empleos por euro gastado que cualquier inversión en infraestructuras físicas.
La fuente más natural de financiación son los impuestos progresivos sobre la renta y el patrimonio: se grava más a quien más se beneficia de la automatización (propietarios de capital y trabajadores altamente cualificados) y se usa ese dinero para crear empleos de cuidado que la IA no puede reemplazar.
5 El mapa del problema político: ¿por qué es tan difícil?
Las tres barreras principales
Barrera 1 — Deslocalización del capital: si un país sube unilateralmente los impuestos al capital o a las empresas de IA, esas empresas pueden redomiciliarse en otro país. Esta amenaza —real aunque frecuentemente exagerada— explica la necesidad de coordinación internacional. Es exactamente lo que intenta resolver Pilar II.
Barrera 2 — Lobby tecnológico: las empresas de IA tienen los recursos e incentivos para oponerse activamente a cualquier impuesto específico sobre la automatización. La Federación Internacional de Robótica argumenta que gravar los robots “destruiría competitividad y empleo”. Ese argumento tiene algo de verdad a corto plazo y es muy conveniente para quienes lo hacen. No es un argumento para no actuar; es un argumento para diseñar bien el impuesto.
Barrera 3 — Complejidad técnica de definición: ¿qué es un “robot” gravable? ¿Cómo se distingue la IA que crea valor de la que destruye empleo? ¿Cómo se auditan los “AI-hours”? Estas preguntas no tienen respuestas imposibles, pero sí requieren capacidad regulatoria que muchos países no tienen todavía.
Por qué la presión política crecerá de todas formas
El análisis de Yale Budget Lab (mayo 2026) muestra que EE.UU. enfrenta un dilema: puede usar la productividad de la IA para reducir la deuda de 39 billones, o puede usar esa productividad para financiar la protección de los trabajadores desplazados. Pero no puede hacer las dos cosas al mismo tiempo sin reformar la fiscalidad del capital.
Ese dilema —entre deuda, austeridad y protección social— es explosivo políticamente. Cuando las comunidades afectadas por la automatización voten en masa, la presión para actuar aumentará independientemente del lobby tecnológico. En EE.UU., dos tercios de los trabajadores ya quieren que el gobierno actúe sobre la IA para prevenir la pérdida de empleo. Esa demanda política es la energía que puede mover la maquinaria legislativa.
6 ¿Qué puede hacerse sin coordinación internacional?
No toda la financiación requiere acuerdos globales. Hay un menú de medidas que cada país puede tomar unilateralmente:
|
Medida |
Acción inmediata posible |
Sin coordinación global |
|
DST / tasa servicios digitales |
Sí |
Sí (ya lo hacen UK, Francia, España, México) |
|
Eliminación de incentivos fiscales a la automatización |
Sí |
Sí |
|
Fondo soberano con recursos naturales/datos |
Sí (modelo Alaska) |
Sí |
|
Recargo en impuesto de sociedades por desplazamiento laboral |
Sí |
Sí |
|
Reforma cotizaciones sociales: extender a rentas del capital |
Sí |
Sí |
|
Impuesto mínimo global 15% |
Parcialmente en vigor |
No (requiere acuerdo multilateral) |
|
Tasa Zucman billonarios |
Puede aplicarse unilateralmente |
Parcialmente |
|
Impuesto AI-hours |
Posible unilateralmente |
Sí, pero con riesgo de arbitraje |
El camino más corto pasa por:
1. Implementar o ampliar la DST nacional.
2. Eliminar los incentivos fiscales que hacen la automatización artificialmente más barata que el empleo humano.
3. Crear un fondo soberano con parte de esa recaudación.
4. Usar el fondo para financiar reskilling y expandir la protección social durante la transición.
7 El argumento más poderoso: la IA fue construida con recursos públicos
Hay una lógica subyacente que da fuerza moral a todos estos mecanismos: los modelos de IA han sido entrenados sobre décadas de conocimiento humano generado colectivamente — publicaciones científicas financiadas con fondos públicos, datos de internet generados por millones de usuarios, lenguaje y cultura acumulados por la humanidad durante siglos.
Sam Altman, CEO de OpenAI, lo ha reconocido explícitamente: los sistemas de IA se entrenan con “la experiencia colectiva, el conocimiento y los aprendizajes de la humanidad”. Si ese conocimiento colectivo es la materia prima de la IA, y la IA genera riqueza extraordinaria, entonces esa riqueza tiene un componente de propiedad colectiva que justifica su redistribución.
Es el mismo argumento que legitima los royalties del petróleo en Alaska: el subsuelo pertenece a todos los ciudadanos. Si se extrae valor de él, una parte regresa a todos. En la era de la IA, el “subsuelo” es el conocimiento humano acumulado, los datos, la infraestructura digital pública. La pregunta no es si redistribuir; es cuánto y cómo.
Conclusión: el dinero existe. Falta la voluntad política de movilizarlo
Las fuentes de financiación están identificadas. Las estimaciones de recaudación son grandes. Los precedentes existen —Alaska, Noruega, Pilar II, las DST de varios países. La evidencia empírica de que los programas de renta garantizada no desincentivan el trabajo es sólida.
Lo que falta es una coalición política suficientemente fuerte para hacer frente al interés de quienes se benefician del statu quo: empresas tecnológicas con recursos para lobbying y propietarios de capital que prefieren que la riqueza de la IA permanezca concentrada.
La historia de las grandes reformas fiscales —la creación del IRPF progresivo, el Estado del bienestar europeo después de la Segunda Guerra Mundial, el acuerdo de Pilar II— sugiere que las transformaciones fiscales de esta magnitud no llegan por el convencimiento gradual. Llegan cuando la presión política de quienes pierden se vuelve insostenible para quienes gobiernan.
Esa presión está aumentando. La pregunta es si llegará a tiempo.
Texto elaborado en mayo de 2026. Fuentes principales: World Economic Forum, McKinsey Global Institute, Goldman Sachs Research, BCG, MIT Sloan, FMI, PNUD, OIT, Carnegie Endowment for International Peace, Harvard Business Review, Yale School of Management, Business Insider, Bloomberg, El País, Infobae, Gabriel Zucman / G20 Report, OCDE (Pilar II), Urban Institute, Korea Times / Project Syndicate, Hard Reset Media / RAND, agisocialcontract.org, Alaska Permanent Fund Division, Norway NBIM, Citizens Climate Lobby, ITUC/CSI, InnoEnergy, EY Tax Alerts, Real Instituto Elcano, Law360 y Yale Budget Lab / Fortune.
Comentarios
Publicar un comentario