Compensación y equidad en la era de la IA: ¿cuánto se le paga a la persona cuyos agentes hacen el trabajo de cinco?

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

La compensación y la equidad en la era de la IA es la pregunta sin resolver de cuánto pagar a alguien cuyos agentes de IA le permiten producir lo que antes requería a cuatro o cinco personas. Todavía no hay una respuesta definitiva. La lógica de pagar por producción se rompe cuando una herramienta aporta la mayor parte del apalancamiento, y el registro histórico sobre quién se queda con las ganancias de productividad no es alentador para el trabajador.

Esto no es un vacío normativo que un marco de compensación más ingenioso resuelva en silencio. Es un debate vivo, que se libra hoy mismo en los comités de compensación, entre dos posturas que no pueden ser del todo ciertas a la vez: pagar por la producción, porque eso es lo que recibe el negocio, o pagar por el juicio que hay detrás de la producción, porque los agentes se alquilan y el juicio no. La mayoría de las empresas lo responde por accidente, según lo que hagan sus bandas salariales actuales.

Por qué la lógica de pagar por producción se rompe cuando la herramienta aporta el apalancamiento

La lógica de pagar por producción descansa en un supuesto que nadie tuvo que decir en voz alta: la producción era, en su mayor parte, función de la persona. Se suponía que un representante que cerraba el triple de acuerdos que un colega promedio era el triple de hábil. Un analista que producía cinco modelos por semana en lugar de uno valía, por la misma lógica, aproximadamente cinco veces más. La producción era un buen indicador de la contribución individual porque, durante la mayor parte del siglo pasado, eso era más o menos cierto.

La fórmula antigua: el pago seguía a la producción marginal

La teoría de la compensación llama a esto pagar por producto marginal: el valor adicional que aporta al negocio la siguiente hora de un trabajador. Funcionaba razonablemente bien cuando las herramientas disponibles para dos personas en el mismo puesto eran intercambiables. Si a ambas se les daba una laptop y un CRM, la brecha de producción entre ellas sí se debía a algo propio: juicio, esfuerzo, técnica.

Qué cambia cuando el apalancamiento se alquila y no se gana

Los agentes de IA rompen ese indicador sin hacer ruido. Un representante de soporte que trabaja junto a un agente que redacta respuestas y escala solo los casos difíciles puede cerrar cinco veces más tickets que un colega sin asistencia, no porque sea cinco veces mejor, sino porque está alquilando cinco veces más herramienta. La lógica de pagar por producción, aplicada de forma ingenua, termina premiando a quien consiguió primero el mejor conjunto de agentes, lo que se parece más a una decisión de asignación de equipos que a una señal de desempeño. Es la misma brecha de medición que se explora en cómo medir la contribución individual en el trabajo aumentado con IA: cuando una herramienta infla la producción bruta, esta deja de ser un sustituto fiable de la persona que está detrás.

Nada de esto significa que la producción deje de importar. Significa que la pregunta honesta pasó de "cuánto produjo esta persona" a "cuánto de eso vino del juicio y cuánto del apalancamiento que le dio la empresa", y la mayoría de los sistemas de desempeño nunca se diseñaron para separarlos.

La respuesta histórica: las ganancias impulsadas por el capital rara vez llegaron al trabajador

Cada vez que una empresa se ha enfrentado a una versión de esta pregunta, ya fuera con una máquina o con un software, hay un patrón documentado de lo que ocurre con el dinero. Por defecto, no fluye hacia el trabajador en proporción a la productividad ganada.

La brecha entre productividad y pago

Economistas del Banco de la Reserva Federal de St. Louis compararon la productividad laboral de Estados Unidos con los salarios reales desde principios de la década de 1970 y encontraron una brecha acumulada de cerca del 70% a finales de 2022, usando los precios al consumidor para ajustar los salarios. La brecha se reduce de forma considerable con otra medida de precios, y vale la pena decirlo con claridad: su tamaño depende de la metodología, y los economistas discrepan sobre qué medida responde a qué pregunta. Lo que no cambia con ninguna medida es la dirección: el pago no ha seguido el ritmo de la producción por hora durante aproximadamente medio siglo. Un análisis independiente y no partidista del Congressional Research Service llega al mismo lugar: la productividad y el pago se movieron juntos hasta la década de 1970 y se separaron después, con una participación decreciente del trabajo en el ingreso nacional como gran parte de la explicación.

Qué predice el marco de la experiencia para la IA

Una lente más específica viene de los economistas del MIT David Autor y Neil Thompson, cuya investigación de 2025 sobre la experiencia (expertise) ofrece un mecanismo y no una cifra única. La automatización tiene dos efectos salariales opuestos según lo que elimine. Si quita la parte rutinaria de un puesto y deja el juicio experto, el puesto restante se vuelve más difícil de cubrir: entre 1980 y 2018, el empleo de tenedores de libros cayó cerca de un tercio mientras que los salarios reales por hora de quienes permanecieron subieron casi un 40%, porque lo que quedaba exigía más juicio. Si quita, en cambio, la parte experta y difícil de aprender, ocurre lo contrario: cuando la automatización absorbió las tareas más especializadas de los empleados de inventario, el puesto se volvió lo bastante fácil como para que el empleo más que se duplicara mientras los salarios reales caían cerca de un 13%.

A cuál de los dos se parece un despliegue de IA es una decisión de diseño que la mayoría de las empresas toma sin proponérselo, y predice el resultado salarial mejor que cualquier intención declarada de "recompensar la producción impulsada por IA". Un agente que absorbe el 80% tedioso de un puesto y deja el 20% difícil justifica un pago más alto por persona restante. Un agente que absorbe la parte diferenciadora y deja la supervisión justifica lo contrario. Pocas empresas se han preguntado cuál de los dos es su propio despliegue.

Pregunta salarial, lógica antigua y qué cambia con el apalancamiento de la IA

Equidad percibida, confianza y por qué no es una métrica blanda

Toda pregunta mecánica de las anteriores acaba chocando con una psicológica: si la persona que hace el trabajo cree que le pagan con justicia, sin importar lo que diga la hoja de cálculo. No es una variable menor. Es uno de los factores de confianza y rotación medidos con más fiabilidad en la investigación sobre compensación, y la IA lo agudiza.

Qué pasa cuando los empleados creen que les pagan de menos

La teoría de la equidad, el marco que J. Stacey Adams propuso a principios de la década de 1960, sostiene que las personas juzgan la justicia comparando su relación entre aportes (esfuerzo, habilidad, tiempo) y resultados (pago, reconocimiento, crecimiento) con la relación de una persona de referencia. Cuando la comparación se siente desbalanceada, las personas reducen el esfuerzo, piden un aumento, restan valor a la comparación o se van.

Los datos actuales lo respaldan. El Fair Pay Impact Report 2025 de Payscale encontró que la mayoría de los trabajadores cree que le pagan de menos incluso cuando en realidad cobran igual o por encima del mercado, y que los empleados que creen que les pagan de menos tienen un 45% más de probabilidades de estar buscando empleo dentro de seis meses que quienes sienten que les pagan con justicia, sin importar sus ingresos reales. Una encuesta independiente de Salary.com de 2026 halló que los trabajadores que califican su pago como injusto tienen más de cinco veces más probabilidades de reportar una caída en la confianza hacia su empleador (36.4%) que quienes sienten que les pagan con justicia (6.6%). La confianza sigue a la equidad percibida mucho más de cerca que a la compensación real, que es precisamente la razón por la que cultura y retención de empleados trata la percepción del pago como una palanca de retención por derecho propio, y no solo como una partida de gasto.

La arruga de la IA: compararse con una máquina

La teoría de la equidad suponía que el punto de referencia era otra persona. El apalancamiento de la IA lo complica: un empleado cuya producción se triplicó gracias a un conjunto de agentes tiene que juzgar si su pago debe reflejar la producción triplicada, la habilidad sin cambios que hay debajo o una mezcla no declarada. Si no se aborda, esa ambigüedad se convierte en resentimiento (la empresa se queda con toda la ganancia) en un extremo, o en la sensación de estar sobrepagado en el otro, y ambos erosionan el tipo de confianza laboral que generar confianza en el lugar de trabajo considera un requisito previo para casi todo lo demás que un equipo hace bien.

¿Deben las habilidades de IA llevar una prima salarial y qué tan rápido se desvanece?

Aparte de la equidad hay una pregunta más acotada y más medible: si trabajar con IA tiene hoy una prima salarial real y qué tan duradera es.

La prima es real y se mueve rápido

El Global AI Jobs Barometer 2025 de PwC, que se apoya en cerca de mil millones de ofertas de empleo en 24 países, encontró que los puestos que exigen habilidades de IA tienen una prima salarial del 56% frente a puestos comparables, más del doble de la prima del 25% que el mismo análisis encontró un año antes. Lightcast, con un método más conservador sobre 1.3 mil millones de ofertas, la ubicó más cerca del 28%, o unos $18,000 al año, y del 43% para ofertas que exigen dos o más habilidades de IA. Los dos miden cosas distintas (PwC mira lo que pagan los puestos con habilidades de IA; Lightcast, lo que anuncian los empleadores), lo que explica parte de la diferencia, pero ambos apuntan en la misma dirección: real y en crecimiento.

Por qué las primas como esta rara vez duran

Una prima que más que se duplicó en doce meses es inusual, y esa velocidad corta en ambos sentidos. Las primas tan grandes suelen aparecer al principio de una curva de adopción, cuando una habilidad es genuinamente escasa, y tienden a comprimirse cuando se vuelve un requisito básico, el patrón que se vio con más de una ola de habilidades técnicas de moda en las últimas dos décadas. Nadie ha publicado todavía datos sólidos sobre su desgaste, ya que la propia prima apenas lleva un año midiéndose a escala. Trate las cifras del 56% o del 28% como una instantánea de un mercado que sigue en su fase de escasez, no como una característica duradera, y construya una política que pueda ajustarse a la baja sin una renegociación dolorosa cuando eso ocurra.

Compresión salarial entre juniors con IA y seniors con experiencia

Dentro de un mismo equipo aparece un problema más enredado: qué pasa con la brecha salarial entre un junior cuyo conjunto de agentes se aproxima a la producción de un senior y el colega senior que construyó ese mismo juicio de la manera lenta, a lo largo de años.

El escenario de compresión

Si un asociado de dos años que domina la orquestación de agentes de IA produce un trabajo comparable en volumen y pulido al de un veterano de diez años, la escalera salarial basada en la experiencia empieza a parecer arbitraria a ambos, por razones opuestas. El junior ve una producción equivalente y se pregunta por qué el pago no lo es. El senior ve que la producción asistida por IA se mide con la misma vara que su juicio, ganado con más esfuerzo, y se pregunta para qué fueron los años. Es la misma tensión que se explora desde el ángulo de la escalera profesional en trayectorias profesionales en la era de la IA: lo que significa "senior" se vuelve más difícil de definir cuando resulta más fácil aparentarlo en la superficie.

Por qué esto podría ser temporal, o podría no serlo

Un argumento lo trata como un artefacto transitorio: la producción asistida por IA se parece en la superficie a la producción experta, pero la brecha de juicio (saber cuándo la IA se equivoca, cuándo el borrador pulido esconde un supuesto erróneo) no ha desaparecido, solo se ha vuelto menos visible. Desde esa perspectiva, la compresión es un fallo de medición que la evaluación acabará corrigiendo. El contraargumento: si la IA sigue cerrando la brecha de producción visible más rápido de lo que la evaluación puede alcanzar, el mercado paga por lo que puede observar, y los años de juicio tácito dejan de tener una prima, como describe el primer peldaño roto que ocurre con los puestos de nivel inicial que antes formaban ese juicio. Nadie tiene todavía datos longitudinales suficientes para decir qué futuro se acerca más a lo correcto.

Cómo se ve una política honesta

La tarea práctica no es encontrar una fórmula correcta. Es construir una política que exponga sus supuestos en voz alta, para que los empleados puedan ver el razonamiento incluso donde discrepen, y revisarla sin que parezca una promesa rota cuando la evidencia cambie.

Preguntas que responder antes de fijar una política

Indique por escrito si sus bandas salariales recompensan la producción, el juicio o una mezcla explícita, porque la mayoría de las empresas nunca lo ha decidido realmente. Revise si un despliegue de IA concreto se parece al patrón de los tenedores de libros (se elimina el trabajo rutinario y se intensifica el juicio) o al de los empleados de inventario (se elimina el trabajo experto y el puesto se vuelve un commodity), ya que los dos exigen ajustes opuestos. Decida, antes de que alguien pregunte en una reunión uno a uno, si una prima por habilidades de IA es una parte genuina de su filosofía o un ajuste temporal para igualar el mercado, y diga cuál de las dos es. Esto pertenece a la misma conversación que la gestión del desempeño cuando la IA hace el trabajo, ya que evaluar exige definir primero, y debería apoyarse en las habilidades complementarias a la IA que su empresa haya decidido realmente recompensar, y no en las que más suenan en el mercado laboral.

Qué no prometer a los empleados

No prometa que el pago seguirá a la producción individual de forma uno a uno, porque ese vínculo es justo lo que se está rompiendo. No prometa que una prima por habilidades de IA es permanente, porque las primas de este tamaño tienden a comprimirse cuando la habilidad deja de ser escasa. No trate la equidad como algo secundario frente a las cifras "reales": los datos anteriores muestran que la equidad percibida predice la confianza y la rotación con más fiabilidad que la mayoría de las métricas de producción. Y no lo trate como una casilla de DEI separada de la estrategia central de compensación: la compresión salarial y la inflación de la producción impulsada por IA se reparten de forma desigual entre puestos y antigüedades, y una política que las ignore terminará saliendo a la luz como una queja de equidad de todos modos.

Nada de esto produce una fórmula que entregar a un comité de compensación para darla por terminada. Produce una postura defendible: atenta a la evidencia, honesta sobre lo que todavía no se sabe y construida para revisarse cuando lleguen mejores datos. La compensación es solo una pieza de la pregunta más amplia que intenta responder qué es el futuro del trabajo, y en esta pieza en concreto, que siga sin resolverse puede ser el lugar más honesto donde quedarse este año.

Datos clave

• La brecha acumulada entre la productividad laboral de Estados Unidos y los salarios reales (deflactor de precios al consumidor) alcanzó cerca del 70% a finales de 2022, aunque su tamaño depende mucho del índice de precios que ajuste los salarios. Fuente: Federal Reserve Bank of St. Louis, FRED Blog, 2023
• La automatización que elimina tareas rutinarias tiende a subir los salarios y a reducir la plantilla (tenedores de libros: empleo en baja cerca de un tercio, salarios reales en alza casi 40%, 1980-2018); la que elimina tareas expertas tiende a hacer lo contrario (empleados de inventario: empleo más que duplicado, salarios reales en baja cerca de 13%). Fuente: Autor and Thompson, "Expertise," NBER, 2025
• Los puestos que exigen habilidades de IA tuvieron una prima salarial del 56%, más del doble de la prima del 25% registrada un año antes, sobre cerca de mil millones de ofertas de empleo en 24 países. Fuente: PwC 2025 Global AI Jobs Barometer, reported by Open Data Science
• Un análisis independiente de 1.3 mil millones de ofertas de empleo halló una prima salarial por habilidades de IA más conservadora, del 28% (unos $18,000 al año), que sube al 43% con dos o más habilidades de IA. Fuente: Lightcast, "Beyond the Buzz," via PR Newswire, 2025
• Los empleados que creen que les pagan de menos, incluso al nivel del mercado o por encima, tienen un 45% más de probabilidades de estar buscando empleo dentro de seis meses que quienes sienten que les pagan con justicia. Fuente: Payscale, 2025 Fair Pay Impact Report
• Los empleados que califican su pago como injusto tienen más de cinco veces más probabilidades de reportar una caída en la confianza (36.4%) que quienes sienten que les pagan con justicia (6.6%). Fuente: Salary.com research, August 2026, via GlobeNewswire