El auge de la inteligencia artificial podría reducir la demanda de millones de empleos estadounidenses, pero un nuevo pronóstico sugiere que coincidirá con una creación de empleo aún mayor, siempre que los trabajadores puedan moverse entre ellos.

Según un informe del McKinsey Global Institute publicado el 29 de septiembre de 2026, la IA y la automatización podrían reducir la demanda de alrededor de 36 millones de empleos en EE. UU. para 2035, mientras que el crecimiento en otras partes de la economía crea aproximadamente 41 millones de nuevos puestos — una diferencia neta de cerca de cinco millones. La dificultad, según la división de investigación de McKinsey & Company, es que las personas que pierden su trabajo y los empleos que se crean podrían no alinearse de manera precisa.

Las matemáticas funcionan. La logística es otra historia.

Los 36 millones de empleos que enfrentan una menor demanda representan casi el 21% de las horas laborales existentes en Estados Unidos. En el otro lado del balance, McKinsey proyecta de 40 a 41 millones de nuevos puestos, atribuyendo la mayor parte de ese crecimiento a una expansión económica más amplia y a la actividad en toda la cadena de valor de la IA.

No todos los afectados tendrán que empezar de cero. De los 36 millones de empleos con demanda reducida, unos 25 millones de trabajadores probablemente permanezcan en ocupaciones relacionadas, aunque con tareas diarias diferentes. Los aproximadamente 11 millones de trabajadores restantes — alrededor del 6.5 al 7% de la fuerza laboral — podrían necesitar trasladarse a ocupaciones completamente nuevas, porque ajustar sus roles actuales no será suficiente. La estimación de McKinsey para ese grupo abarca un rango amplio: entre 6 y 16 millones de trabajadores.

Un ritmo que el mercado laboral estadounidense nunca ha sostenido

Para absorber los cambios de carrera requeridos, McKinsey estima que EE. UU. necesitaría aproximadamente 770,000 transiciones ocupacionales por año. En este contexto, una transición significa cambiar de campo, no solo de empleador — y el horizonte de 2035 deja aproximadamente una década para lograrlo. El promedio histórico es de 215,000, lo que significa que la movilidad laboral tendría que operar a unas 3.6 veces su tasa anual habitual.

La firma plantea el desafío como uno de alineación de habilidades más que de escasez de empleos. El informe describe esta transformación como potencialmente la más grande y sostenida de la historia laboral de EE. UU.

Quiénes están expuestos y quiénes contratan

McKinsey encuentra que los trabajadores de bajos salarios y las personas sin título universitario son las más vulnerables al desplazamiento. Los sectores señalados como más afectados incluyen administración de oficinas, comercio minorista, ventas y transporte categorías que se encuentran entre los empleos más comunes de la economía estadounidense, lo cual explica en parte por qué las cifras de exposición alcanzan las decenas de millones.

En el lado del crecimiento, el informe espera los mayores aumentos de empleo en salud, servicios profesionales y técnicos, y construcción. Las proyecciones también consideran la presión demográfica, y McKinsey señala el envejecimiento de la población y las tasas más bajas de inmigración como fuerzas que moldean la oferta laboral junto con el cambio tecnológico.

Lo que esto significa para empleadores, inversionistas y responsables de políticas

Vale la pena tener en cuenta el rango de la propia estimación de McKinsey: un mundo en el que 6 millones de personas necesitan nuevas carreras se ve muy diferente a uno en el que las necesitan 16 millones, tanto para los presupuestos públicos como para las empresas privadas de capacitación.

La métrica a observar es la tasa anual de cambio ocupacional. Si comienza a subir desde el promedio histórico de 215,000 hacia las 770,000 que McKinsey dice que se necesitan, la transición está funcionando. Si se mantiene plana mientras la automatización se expande, la ganancia neta de empleos sobre el papel podría no sentirse como una ganancia para los trabajadores que quedan atrás.

Fuente: CryptoBriefing