El primer peldaño roto: cómo la IA erosiona la forma en que los empleados junior se convierten en expertos

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

El "primer peldaño roto" describe lo que ocurre cuando la IA absorbe la investigación de primeros borradores, el código rutinario, el análisis básico y el trabajo de resumir que antes hacían los empleados de nivel inicial. Ese trabajo nunca fue solo producción barata que se delegaba. Era la forma en que los juniors desarrollaban criterio, mediante la repetición, la corrección y la exposición a cómo piensan las personas con experiencia. Cuando la IA elimina esas repeticiones, no solo reduce una línea de contratación: elimina un mecanismo de formación que nadie ha reemplazado todavía.

Esta no es una historia cerrada. Los datos de contratación de nivel inicial son genuinamente discutidos, y una lectura justa debe sostener dos cosas a la vez: algo real le está pasando a los trabajadores jóvenes en roles expuestos a la IA, y el panorama es más confuso y más concentrado de lo que sugieren los titulares sobre "la desaparición de los empleos de nivel inicial".

Lo que enseñaba realmente el trabajo de base

Durante décadas, los dos primeros años de un empleo de conocimiento funcionaron como un aprendizaje poco glamuroso. Un analista junior armaba el primer borrador de un modelo para que un analista sénior lo corrigiera, y la corrección era la lección. Una asociada de primer año resumía jurisprudencia para que un socio le dijera qué se le había escapado, y la distancia entre el resumen y la lectura del socio era la educación. Un ingeniero junior escribía código repetitivo y ejecutaba pruebas unitarias, no porque el código lo necesitara, sino porque escribir mal y que le revisen el código es como los ingenieros aprenden a escribir bien.

Nada de esto parecía formación en un organigrama. Parecía trabajo de centro de costos: mano de obra barata haciendo tareas que ningún sénior quería hacer. Pero el resultado era un efecto secundario. El verdadero producto era un junior que, dieciocho meses después, había interiorizado miles de pequeñas correcciones hasta convertirlas en algo cercano al instinto. Los economistas lo llaman conocimiento tácito: un saber hacer que no se puede escribir del todo, solo adquirir haciendo la tarea mal las veces suficientes para notar el patrón. El economista del MIT David Autor y Neil Thompson, en su artículo de 2025 sobre la experticia, construyen un marco justo en torno a esto: el efecto de la automatización depende de si elimina las tareas rutinarias que forman experticia o las tareas especializadas que la utilizan, y ambos casos tienen efectos opuestos sobre los salarios y el empleo.

Los AI agents y los AI copilots hacen hoy directamente buena parte de ese trabajo rutinario que genera correcciones: redactan el memorando, escriben el código repetitivo, resumen la transcripción y señalan los errores evidentes antes de que una persona vea siquiera un borrador. Es una ganancia de capacidad genuina. También es, sin quererlo, la eliminación del mecanismo exacto que convertía a una persona de 22 años en una de 30 en quien se puede confiar para tomar decisiones de criterio.

¿Se está desplomando realmente la contratación de nivel inicial? Lo que muestra la evidencia

Tres fuentes de datos independientes apuntan en la misma dirección, aunque no con la misma magnitud, y conviene ser precisos sobre lo que mide cada una.

El informe State of Talent 2026 de SignalFire, elaborado con datos de contratación de miles de empresas tecnológicas grandes y respaldadas por capital de riesgo, encontró que la contratación de nivel inicial y de recién graduados en los grandes empleadores tecnológicos cayó cerca de un 65% respecto de 2019, y alrededor de un 76% en las startups en etapa temprana. El informe nombra el mecanismo directamente: los doce a dieciocho meses que un ingeniero junior solía pasar "escribiendo código repetitivo, ejecutando pruebas unitarias y haciendo depuración rutinaria" hoy los resuelven los asistentes de programación, así que las empresas dejaron de contratar para la tarea en lugar de para la persona.

La evidencia académica más rigurosa viene del Digital Economy Lab de Stanford. En un análisis de agosto de 2026 con datos de nómina de ADP que abarca a millones de trabajadores, los economistas Erik Brynjolfsson, Bharat Chandar y Ruyu Chen encontraron que el empleo de los trabajadores de 22 a 25 años en ocupaciones altamente expuestas a la IA se sitúa cerca de un 19% por debajo de donde estaría si hubiera seguido el empleo de trabajadores de edades similares en ocupaciones menos expuestas. Esa brecha se ha ampliado, del 15% en julio de 2025 al 19% un año después, señal de que parece una tendencia en aceleración y no un ajuste puntual.

Lo que los datos no muestran

Leído con cuidado, el estudio de Stanford es más preciso, y más limitado, que los titulares que lo citan. Los investigadores son explícitos en que no encuentran evidencia de "un desplazamiento laboral generalizado en toda la economía asociado a la IA". El efecto se concentra en ocupaciones específicas y altamente expuestas a la IA, entre ellas el desarrollo de software y la atención al cliente, y no en el mercado laboral en general. El mecanismo es una menor contratación de trabajadores jóvenes, no una ola de despidos. Los trabajadores mayores y con más experiencia en las mismas ocupaciones no ven la misma caída, y donde la IA complementa en lugar de sustituir las tareas humanas, el empleo de los más jóvenes se mantiene estable o incluso sube.

La dirección de LinkedIn ha señalado el mismo patrón desde otro ángulo. En un artículo de opinión de mayo de 2025 en The New York Times muy comentado, Aneesh Raman, chief economic opportunity officer de LinkedIn, escribió que ve "cómo se rompe el primer peldaño de la escalera profesional", y apuntó a programadores junior cuyo trabajo de depuración se ha trasladado a herramientas de IA y a paralegales de primer año que ven cómo la revisión de documentos pasa a flujos asistidos por IA. Los propios datos laborales de LinkedIn muestran que la contratación general sigue más de un 20% por debajo de los niveles de diciembre de 2019, un mercado laboral más lento en general que dificulta aislar el efecto específico de la IA de la debilidad macroeconómica ordinaria. Parte de lo que parece una historia de IA es también una historia de congelamiento de contrataciones, y desenredar ambas con claridad sigue siendo una pregunta abierta.

El resumen honesto: algo específico y real está ocurriendo con la contratación de trabajadores jóvenes en un conjunto definido de roles expuestos a la IA, la tendencia parece ampliarse en lugar de estabilizarse, y no se ha convertido en un colapso generalizado en todo el mercado laboral. Planifique en función de la primera afirmación. Mantenga el escepticismo ante la segunda.

El problema de la transferencia del conocimiento tácito

Aun si las cifras de contratación se estabilizan, queda un segundo problema, más silencioso: qué ocurre con la calidad de los empleos de nivel inicial que sí siguen existiendo, una vez que las tareas que contienen quedan vaciadas.

El filósofo Michael Polanyi lo describió así: "podemos saber más de lo que podemos decir". El juicio experto a menudo es imposible de articular del todo como una regla. Un suscriptor sénior puede mirar un expediente de crédito y sentir que algo no cuadra antes de poder explicar por qué. Un socio puede leer el memorando de un junior y saber que es endeble antes de identificar el argumento que falta. Ese instinto es el residuo comprimido de miles de correcciones anteriores, en su mayoría olvidadas como recuerdos explícitos y retenidas solo como reconocimiento de patrones. Ese residuo no se puede descargar. Se acumula, a través de las tareas específicas y tediosas que hoy la IA hace más rápido y mejor.

Eso crea un problema de diseño real, no solo un problema de contratación. Un junior que sí es contratado pero cuyo trabajo entero consiste en revisar y aprobar borradores generados por IA, sin producir nunca un mal primer borrador propio, se pierde el paso en que la corrección se interioriza. Revisar el trabajo de otra persona enseña a detectar errores. Enseña mucho menos sobre el razonamiento que evita el error desde el principio, el que solo se construye luchando con la tarea uno mismo. Esta es una razón por la que el diseño del onboarding debe reconstruirse a propósito hoy: la antigua práctica por defecto, darles el trabajo de base y que ya aprenderán, no sobrevive cuando ya no queda trabajo de base que asignar.

Lo que los juniors aprendían, lo que hace ahora la IA y cómo reemplazar ese aprendizaje

El patrón en cada fila es el mismo: el aprendizaje nunca estuvo en producir el entregable. Estuvo en la distancia entre el primer intento de un junior y la corrección de un experto. Si la IA cierra esa distancia al hacer ella misma el primer intento, la solución es reabrirla de forma deliberada, como un ejercicio diseñado y no como un subproducto accidental de asignar trabajo barato.

El problema de la cantera sénior: qué ocurre en cinco a diez años

Esta es la parte que la mayoría de la cobertura sobre IA y empleo omite, porque es un pronóstico y no una medición, y los pronósticos merecen más cautela de la que dan los titulares. Pero el mecanismo es bastante claro: los ingenieros, analistas y asociados sénior de hoy fueron formados en su mayoría por el trabajo de base de nivel inicial de ayer. Si ese trabajo de base se ha adelgazado de verdad para la cohorte contratada entre 2024 y 2026, quienes habrían sido los depositarios del criterio a comienzos de la década de 2030 no están acumulando las repeticiones que antes los producían.

El informe de SignalFire lo nombra directamente y lo llama un "riesgo sistémico" que surge "cuando toda una industria deja de invertir en el talento de inicio de carrera", y advierte de una posible brecha de liderazgo dentro de cinco a diez años. Es una afirmación de una firma de capital de riesgo con su propio incentivo para que las empresas de su cartera sigan contratando talento junior, así que trátela como una hipótesis, no como un hecho. Pero la lógica de fondo no depende de quién la diga: la experticia tarda años en construirse, ese tiempo hoy no está contabilizado una vez que se automatizan las tareas que la construían, y ningún mecanismo sustituto probado opera aún a escala. Una organización que vacía su cantera junior durante tres años seguidos sin reemplazar de forma deliberada el ciclo de aprendizaje está apostando por su banca de 2032 sin haberlo valorado, probablemente. La misma lógica explica por qué la estrategia de talento de IA ahora debe incluir una decisión genuina de construir o comprar sobre la propia experticia, y no solo aritmética de plantilla: comprar talento sénior de una reserva que se reduce, o formarlo internamente con un aprendizaje rediseñado. Lo que una empresa le debe a los juniors que sí contrata, dado que el viejo trato de formar sin proponérselo ya no se sostiene, es justo el tipo de pregunta que el contrato social de la IA en el trabajo pide a los empleadores responder con honestidad y no por omisión.

¿Puede la IA también transferir conocimiento tácito? La evidencia en contra

El panorama no es puramente sustractivo, y un artículo justo debe decirlo. Hay evidencia real de que, desplegada de cierta manera, la IA puede acortar la distancia entre un novato y un experto en lugar de simplemente quitarle al novato sus repeticiones de práctica.

El ejemplo más claro es un estudio a gran escala de los economistas Erik Brynjolfsson, Danielle Li y Lindsey Raymond, publicado en el Quarterly Journal of Economics, sobre más de 5,000 agentes de atención al cliente a quienes se dio un asistente de IA generativa. La productividad promedio subió un 14%, pero la ganancia fue desigual: los agentes novatos y de menor cualificación mejoraron un 34%, mientras que los más experimentados apenas variaron. La explicación importa: la herramienta había aprendido los patrones de los mejores agentes de la empresa y ofrecía esa experticia destilada a todos los demás en tiempo real, y funcionaba menos como un atajo para saltarse la curva de aprendizaje y más como un coach de pie junto al hombro del novato.

Esa distinción, la IA como mecanismo de transferencia de conocimiento frente a la IA como mecanismo de eliminación de tareas, es sobre todo una decisión de diseño, no un hecho sobre la tecnología. Una herramienta que muestra "así lo redactaría alguien de alto desempeño" enseña. Una herramienta que simplemente responde al cliente directamente no. La mayoría de las empresas opta por defecto por la segunda opción, más rápida, porque es la que aparece en una métrica de productividad el próximo trimestre. David Autor plantea un argumento afín y más optimista en su artículo de 2024 del NBER, en el que sostiene que la verdadera oportunidad de la IA es extender el apoyo a la decisión de nivel experto a trabajadores sin credenciales formales, en medicina, derecho y oficios especializados, y democratizar así una versión de la experticia que antes requería años de aprendizaje para ganarse. Lo plantea como lo que es posible, no como una predicción de lo que las empresas decidirán construir.

Qué pueden hacer realmente los líderes

Ninguna de las soluciones siguientes es exótica. Son sustitutos deliberados de un mecanismo de aprendizaje que antes ocurría automáticamente como efecto secundario de la mano de obra humana costosa, y que ahora debe diseñarse a propósito.

Trate la práctica deliberada como una partida del presupuesto, no como un lujo

La investigación del psicólogo Anders Ericsson sobre la experticia encontró que las horas brutas de trabajo no construyen habilidad; la práctica estructurada con retroalimentación rápida y específica sí. Antes de la IA, el trabajo de base de los juniors entregaba ambas cosas por accidente. Ahora los líderes deben reconstruir esas repeticiones a propósito: dar a los juniors una tarea que la IA podría hacer, dejarlos intentarla primero sin ayuda y luego comparar. Cuesta tiempo que antes era gratuito. Presupuéstelo como cualquier otra inversión en capacidades, porque lo es.

Convierta la revisión de resultados de IA en un ejercicio de formación, no solo en un filtro de calidad

La mayoría de las empresas ya hace que los juniors revisen borradores generados por IA antes de entregarlos. Pocas tratan esa revisión como instructiva. La solución es de procedimiento: que el junior escriba, con sus propias palabras, qué cambiaría y por qué, antes de que intervenga un revisor con experiencia, y luego comparar ambas versiones. La diferencia es la lección, la misma que enseñaba una edición con bolígrafo rojo, solo que trasladada. Las herramientas de workflow que registran quién revisó qué y por qué convierten esto en un registro de formación consultable en lugar de un hilo de Slack perdido, y sirven además como defensa contra el tipo de resultado sin revisar y sin fundamento que aparece después como workslop.

Rote a los juniors por distintas tareas en lugar de una sola cola

Cuando todo el trabajo de un junior pasa a ser supervisar un único workflow de IA, gana profundidad en un circuito estrecho y ninguna exposición a los juicios adyacentes que un trabajo más desordenado y menos automatizado ofrecía gratis. Una rotación deliberada, tres meses en apoyo a la investigación, tres en revisión de análisis, tres acompañando llamadas con clientes, reconstruye esa amplitud a propósito.

Rediseñe la mentoría en torno a la explicación, no a la asignación

El antiguo modelo de mentoría solía funcionar por proximidad: un junior se sentaba cerca de un sénior, lo veía trabajar y absorbía las normas de forma pasiva. El trabajo remoto y cada vez más mediado por la IA ha adelgazado ese canal, sobre todo a medida que más equipos operan como equipos humano-agente dentro de lo que algunos llaman la frontier firm. La solución es hacer de la mentoría un acto explícito de narrar el juicio: que los sénior expliquen a los juniors por qué descartaron una recomendación de la IA, y no solo que lo hicieron. Esto solo funciona donde los empleados junior se sienten seguros de admitir confusión frente a un sénior, una cuestión de seguridad psicológica tanto como de formación, y donde los errores se tratan como información, la diferencia entre una cultura de culpa y una cultura de aprendizaje.

Nada de esto exige frenar la adopción de la IA. Exige aceptar que el antiguo aprendizaje funcionaba con un subproducto de la ineficiencia, y que una vez que la ineficiencia desaparece, el aprendizaje debe reconstruirse como un sistema deliberado propio, dentro del plan de gestión del cambio de IA que ya despliegue workflows agénticos y una cultura más AI-native en el resto de la organización. Si se omite ese paso, la brecha no se anuncia. Simplemente se acumula en silencio como deuda cultural de IA que aparece años después, en una banca de liderazgo que no está.

Datos clave

• La contratación de nivel inicial y de recién graduados en las grandes tecnológicas cayó cerca de un 65% respecto de 2019, y alrededor de un 76% en las startups en etapa temprana. Fuente: SignalFire State of Talent Report, 2026
• El empleo de los trabajadores de 22-25 años en ocupaciones altamente expuestas a la IA se sitúa cerca de un 19% por debajo de donde estaría de otro modo, frente a una brecha del 15% un año antes, impulsado por una menor contratación y no por más despidos. Fuente: Stanford Digital Economy Lab, "Canaries in the Coal Mine," agosto de 2026
• La contratación general en EE. UU. sigue más de un 20% por debajo de los niveles de diciembre de 2019, un contexto más amplio del mercado laboral que complica aislar un efecto específico de la IA. Fuente: LinkedIn Economic Graph Workforce Report, enero de 2026
• El acceso a un asistente de IA generativa elevó la productividad de los agentes de atención al cliente un 14% en promedio, y un 34% en los agentes novatos, al mostrar los patrones de los mejores. Fuente: Brynjolfsson, Li y Raymond, "Generative AI at Work," NBER / Quarterly Journal of Economics
• El efecto de la IA sobre la experticia depende de si automatiza las tareas rutinarias que forman el criterio o las tareas especializadas que lo utilizan, con efectos opuestos sobre los salarios y el empleo. Fuente: Autor y Thompson, "Expertise," NBER, 2025