Los desarrolladores junior son la cohorte que más debería beneficiarse de la inteligencia artificial generativa: aprenden más rápido, resuelven más con menos fricción, acortan la distancia con quienes tienen más experiencia. Y son, al mismo tiempo, la cohorte que muchas empresas están dejando de contratar.

La paradoja es difícil de mirar sin incomodidad. En cualquier teoría laboral razonable, esos dos vectores deberían apuntar en la misma dirección. Si una herramienta amplifica más a quienes están entrando al oficio, uno esperaría que el mercado demandara más de esas personas, no menos. Si el copiloto reduce la curva de aprendizaje, ¿por qué cerrar justo la puerta de entrada?

Entonces la pregunta no es solamente si la IA va a reemplazar trabajo. Esa pregunta, formulada así, es demasiado gruesa. La pregunta más precisa es otra: ¿será que las empresas se equivocan al no contratar juniors?

La cohorte que más gana

La evidencia disponible no dice que la IA generativa ayude a todos por igual. Dice que, en varios contextos, ayuda más a quienes parten desde más abajo en la curva de experiencia.

Brynjolfsson, Li y Raymond, en Generative AI at Work (2023), estudiaron el despliegue real de un asistente de IA en una operación de soporte al cliente. El dato venía de miles de trabajadores usando una herramienta en producción, no de un experimento de laboratorio ni de una encuesta de opinión. El resultado promedio fue importante, pero el diferencial fue más importante todavía. La productividad subió 14% en promedio, pero para trabajadores novatos o de baja habilidad subió 34%, con efecto mínimo para los más experimentados.

El mecanismo que proponen los autores explica ese diferencial. La IA no solo acelera una tarea: captura patrones de los mejores trabajadores y los vuelve disponibles para quienes todavía están aprendiendo. En ese contexto, un agente con dos meses de experiencia y acceso a IA podía rendir como uno con más de seis meses sin IA. Incluso durante caídas técnicas del sistema, los trabajadores previamente expuestos conservaban parte de la mejora, señal de que no era puro soporte en tiempo real: algo de aprendizaje quedaba.

Noy y Zhang, en Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence (2023), encontraron un patrón compatible en tareas profesionales de escritura. Con ChatGPT, la desigualdad inicial de desempeño se comprimía: quienes habían rendido peor en la primera tarea mejoraban más en la segunda. No conviene sobreextender estos estudios —uno es soporte al cliente, otro escritura profesional corta, ninguno es desarrollo de software en una empresa real—, pero juntos apuntan a una inversión del patrón clásico. La IA generativa no parece ser, por defecto, una herramienta que solo premia al experto. También puede distribuir parte del conocimiento práctico que antes se acumulaba lentamente.

Esa era, de hecho, una de las intuiciones optimistas de la era del copiloto. Si un junior curioso, crítico y con agencia puede apoyarse en una herramienta que le muestra caminos, patrones y alternativas, tal vez pueda producir impacto antes. Tal vez el seniority deje de estar tan atado al calendario. Tal vez el escalón de entrada se vuelva más fértil, no menos.

Pero el mercado está haciendo otra cosa.

Schumpeter y la promesa de la destrucción creativa

Joseph Schumpeter escribió en Capitalism, Socialism and Democracy (1942) que el capitalismo nunca puede ser estacionario. Para él, el capitalismo no cambia de vez en cuando: es, por naturaleza, un método de cambio económico. Su formulación más famosa es la destrucción creativa: el proceso que destruye estructuras viejas y crea estructuras nuevas desde adentro.

La frase suele usarse como consuelo. Sí, una tecnología destruye empleos, pero crea otros. Sí, una industria se contrae, pero otra aparece. Sí, algunos oficios mueren, pero otros nacen. En su versión más blanda, Schumpeter se convierte en una forma elegante de decir “ya va a pasar”.

Pero esa lectura pierde la condición que hacía tolerable el ciclo. La destrucción creativa no era aceptable porque no doliera. Dolía. Era aceptable —política, social y económicamente— porque la creación de nuevas ocupaciones y nuevas empresas absorbía, en escala comparable, parte de lo que la destrucción dejaba atrás.

La simetría nunca fue perfecta. Había trabajadores desplazados, regiones golpeadas, generaciones atrapadas entre dos regímenes productivos. Pero el relato macro descansaba sobre una compensación: el sistema destruía una forma de trabajo y, con el tiempo, producía otra capaz de contratar multitudes.

La IA generativa tensiona esa promesa en un punto específico. Porque si la cohorte de entrada es la que más se beneficia de la herramienta, Schumpeter nos haría esperar una reasignación: juniors tomando tareas que antes requerían más experiencia, empresas nuevas absorbiendo talento joven, nuevas formas de trabajo abriendo la base de la pirámide. Esa sería la salida elegante.

El problema es que, hasta ahora, no aparece.

La puerta cerrada

Brynjolfsson, Chandar y Chen, en Canaries in the Coal Mine? (2025), miran datos administrativos de ADP en Estados Unidos y encuentran una caída de casi 20% en el empleo de desarrolladores de software de 22 a 25 años entre el pico de fines de 2022 y septiembre de 2025. En las mismas ocupaciones expuestas, las cohortes mayores no muestran el mismo patrón; de hecho, siguen creciendo.

Los autores son cuidadosos con la causalidad. No dicen “la IA causó todo esto” como si el mercado de software no hubiera atravesado también tasas altas, corrección pospandemia y ajuste de valuaciones. Lo que dicen es más preciso: el patrón es consistente con la hipótesis de que la IA generativa empezó a afectar el empleo de entrada en ocupaciones expuestas.

Hosseini y Lichtinger, en Generative AI as Seniority-Biased Technological Change (2026), un working paper revisado en mayo de 2026, se acercan al problema desde otra vía: datos de currículums y avisos laborales de Revelio/LinkedIn, con adopción de GenAI medida por avisos explícitos para roles integradores. Su hallazgo más importante no es que el empleo junior caiga en firmas adoptantes, sino la forma de esa caída.

No cae principalmente por despidos. Cae porque se deja de contratar.

En esa descomposición de flujos, las firmas que adoptan GenAI reducen la contratación junior en alrededor de un 80% respecto del promedio previo, mientras las separaciones también bajan. La imagen no es la de una ola de despidos sino la de una puerta que deja de abrirse. Y eso importa porque las estadísticas laborales suelen mirar mejor el empleo que existe que el empleo que nunca llegó a existir.

El reporte The AI Index Report 2026 de Stanford HAI recoge el mismo patrón y lo enmarca: el headcount de desarrolladores jóvenes en Estados Unidos cae desde 2022 mientras el de cohortes mayores crece. El mismo reporte resume el momento con una frase útil: la IA está escalando más rápido que los sistemas que la rodean pueden adaptarse.

Acá empieza la incomodidad real. La evidencia de productividad dice que los juniors podrían beneficiarse mucho. La evidencia laboral dice que las empresas los están incorporando menos. Lo que la teoría prometía como canal compensador no se está materializando.

Donde el marco se quiebra

La simetría schumpeteriana se rompe en dos lugares.

Primero, la destrucción no cae sobre “el trabajo” en abstracto. Cae con precisión sobre el escalón de entrada. Lo que se ve, al menos todavía, no es una sustitución homogénea de programadores por máquinas, sino una diferencia por cohorte: las tareas codificables, verificables, rutinarias pero cognitivamente exigentes —las que históricamente justificaban parte del headcount junior— son exactamente las que la IA puede absorber primero. Hosseini y Lichtinger miran también el canal inverso —que las firmas reasignen a puestos junior tareas que antes requerían más experiencia, porque la GenAI amplifica su productividad— y no encuentran evidencia de esa reasignación en la ventana observada.

Segundo, la creación que debería compensar no emplea multitudes. En el artículo 014, No hay vacaciones después de la transformación digital, señalé el caso de los AI-native: Cursor superando los 500 millones de dólares de ARR con menos de 50 empleados; Midjourney acercándose a 600 millones con alrededor de 40. El SaaS tradicional medía productividad en cientos de miles de dólares por empleado. Estas empresas la miden en millones.

Eso es extraordinario como arquitectura empresarial. Pero es pésimo como mecanismo de absorción laboral.

Una empresa que opera a una escala enorme con 40 o 50 personas puede crear muchísimo valor y muy pocos puestos. Puede destruir incumbentes, cambiar expectativas de productividad, forzar a organizaciones tradicionales a achicarse o congelar contrataciones. Pero no puede absorber a la cohorte desplazada porque su modelo operativo no contempla empleo masivo.

Schumpeter, leído con cuidado, no estaba ciego a esta posibilidad. En el capítulo sobre la obsolescencia de la función emprendedora, anticipa que en la fase madura del capitalismo la innovación podía volverse rutina: “innovation itself is being reduced to routine”. El progreso técnico, decía, pasaría a ser trabajo de “teams of trained specialists”. No hace falta forzar demasiado la imagen para verla hoy: pequeños equipos altamente entrenados, rodeados de agentes, produciendo a una escala que antes requería organizaciones mucho más grandes.

La destrucción creativa sigue siendo una buena categoría para nombrar el fenómeno. Pero su mecanismo de consuelo está fallando. No porque no haya creación, sino porque la creación no contrata a la escala necesaria para absorber lo que desplaza o deja de abrir.

El contrato de aprendizaje

El punto más delicado no es solo macroeconómico. Es formativo.

Durante décadas, el contrato implícito del junior fue imperfecto pero comprensible. La empresa pagaba por una persona que todavía no podía operar con autonomía plena. A cambio, esa persona hacía tareas pequeñas, repetitivas, revisables, muchas veces poco glamorosas: corregir bugs acotados, escribir tests, limpiar datos, documentar, adaptar pantallas, revisar casos simples, mantener partes del sistema que alguien con más experiencia podía supervisar.

Esa fricción era parte del aprendizaje. Tenía poco de romántica: a veces era tediosa, mal pagada o mal mentoreada. Pero la persona aprendía algo que no se podía comprar: criterio. Aprendía el oficio haciendo tareas que la organización necesitaba de todos modos.

Si la IA absorbe justo esas tareas, el contrato cambia. Hosseini y Lichtinger lo formulan con dureza: si la GenAI elimina las tareas rutinarias que los juniors ofrecían como “pago” por su entrenamiento en el trabajo, el contrato implícito de aprendizaje puede romperse. La empresa pierde el incentivo económico para formar a quien todavía no rinde como senior.

Y no estamos esperando a que esa sustitución sea completa para actuar. Estamos operando sobre expectativas. El caso de IBM es ilustrativo: en mayo de 2023, Arvind Krishna dijo a Bloomberg que la compañía pausaría contrataciones en funciones no orientadas al cliente porque veía posible que alrededor del 30% de esos roles fueran reemplazados por IA y automatización en un plazo de cinco años. Lo importante no era solo la cifra. Era el timing. La automatización efectiva todavía no había ocurrido; la decisión de contratación sí.

Ese es el corazón del ajuste forward-looking. No esperamos a que la herramienta reemplace de manera perfecta. Si creemos que en dos años necesitaremos menos puestos de entrada, dejamos de abrirlos hoy. Desde el punto de vista financiero, puede ser racional. Desde el punto de vista del sistema de formación del oficio, puede ser un error grave.

Porque el senior de 2031 no aparece por generación espontánea. Alguien lo tuvo que contratar junior en 2026.

La posible equivocación

Entonces, ¿nos estamos equivocando?

La respuesta honesta es incómoda: podemos estar acertando localmente y equivocándonos sistémicamente.

Podemos estar acertando localmente si miramos el próximo presupuesto, la productividad inmediata y la presión por hacer más con menos. Si una tarea antes asignada a un junior ahora la resuelve un senior con copiloto en diez minutos, abrir una posición de entrada parece ineficiente. Si el mercado premia márgenes, velocidad y revenue por empleado, contratar menos juniors parece disciplina operativa.

Pero podemos estar equivocándonos sistémicamente si estamos liquidando el mecanismo por el cual se reproduce el oficio. Una organización que solo contrata seniors compra criterio ya formado, pero no lo produce. Durante un tiempo eso funciona. Podés vivir de un mercado que otros formaron. Podés subir la vara de contratación y decir que solo querés gente con experiencia. Podés apoyarte en herramientas para comprimir el trabajo. Pero si muchas empresas hacen lo mismo al mismo tiempo, el sistema se queda sin base.

También podemos estar equivocándonos técnicamente. La frontera de la IA no es lisa; es dentada. El mismo reporte de Stanford HAI que documenta avances extraordinarios muestra modelos capaces de ganar una medalla de oro en la Olimpíada Internacional de Matemática y, al mismo tiempo, fallar en algo tan simple como leer relojes analógicos. En software, algunos estudios encuentran mejoras importantes; otros muestran que desarrolladores experimentados pueden ser más lentos con IA en ciertos contextos, o que usar IA para aprender puede producir penalidades de aprendizaje.

Eso no significa que la herramienta sea humo. Significa que su capacidad efectiva no coincide siempre con la expectativa ejecutiva. Y si sobreestimamos lo que la IA puede automatizar en el corto plazo, el congelamiento junior puede ser una decisión tomada antes de que la realidad la justifique.

La paradoja queda abierta. Si Schumpeter tenía razón sobre la fase madura del capitalismo, esta ola puede crear empresas más poderosas y menos empleadoras. Si las empresas están sobreestimando la capacidad inmediata de la IA, el mercado puede descubrir tarde que eliminó demasiado rápido su propio pipeline de aprendizaje. En ambos casos, el error no se ve de inmediato. Se ve años después, cuando buscás seniors y descubrís que nadie hizo el trabajo lento de formar a quienes tenían que volverse seniors.

Estamos en t = 0 de un ciclo cuyo otro lado todavía no se ve. Las empresas que no contratan juniors están apostando a que ese otro lado necesitará menos gente de entrada, menos aprendizaje formal y menos pirámide. Tal vez tengan razón. Tal vez estén leyendo antes que todos una función de producción nueva.

O tal vez estén confundiendo eficiencia con descapitalización.

Los puntos, decía Steve Jobs, solo se conectan mirando hacia atrás. El problema es que las decisiones de contratación se toman mirando hacia adelante. Y en esa distancia entre lo que creemos que la IA va a poder hacer y lo que efectivamente puede hacer, nos estamos jugando el primer empleo de una generación y la continuidad práctica del oficio.

Lecturas recomendadas

  • Erik Brynjolfsson, Bharat Chandar y Ruyu Chen. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.
  • Erik Brynjolfsson, Danielle Li y Lindsey R. Raymond. (2023). Generative AI at Work.
  • Brody Ford. (2023). IBM to Pause Hiring for Jobs That AI Could Do. Bloomberg. https://www.bloomberg.com/news/articles/2023-05-01/ibm-to-pause-hiring-for-back-office-jobs-that-ai-could-kill
  • Seyed M. Hosseini y Guy Lichtinger. (2026). Generative AI as Seniority-Biased Technological Change.
  • Shakked Noy y Whitney Zhang. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence.
  • Joseph Schumpeter. (1942). Capitalism, Socialism and Democracy.
  • Stanford HAI. (2026). The AI Index Report 2026.