Anthropic ha publicado un metaanálisis exhaustivo que concluye que los programas de capacitación laboral ofrecen retornos económicos estadísticamente significativos pero modestos, resultados que llegan en un momento en que responsables de políticas públicas de todo el mundo buscan cómo abordar un posible desplazamiento laboral impulsado por la IA, y cuando proyecciones de organizaciones como Goldman Sachs y el World Economic Forum estiman que la IA generativa podría exponer a cientos de millones de empleos a cambios importantes en la próxima década.

El informe, coautoría del investigador independiente David Roodman y Maxim Massenkoff de Anthropic, utiliza una metodología acelerada por IA en la que el modelo Claude de Anthropic extrajo la mayor parte de los datos subyacentes y generó todo el código analítico. El estudio se basa en 56 ensayos controlados aleatorizados realizados en Estados Unidos desde la década de 1970, complementados con evidencia experimental de Europa, y constituye una de las evaluaciones más sistemáticas hasta la fecha de iniciativas de capacitación impulsadas por gobiernos y organizaciones sin fines de lucro. El informe completo está disponible en formato PDF.

Resultados medidos, pero limitados

En promedio, los programas analizados produjeron efectos positivos, pero contenidos. Por cada persona a la que se ofreció un cupo de capacitación, el empleo aumentó aproximadamente entre dos y tres puntos porcentuales, mientras que los ingresos anuales subieron cerca de $1,000. Estas ganancias se midieron frente a un costo promedio por participante de alrededor de $13,000. Desde una perspectiva fiscal, los gobiernos recuperaron más de la mitad de ese gasto mediante mayores ingresos tributarios y menores pagos de beneficios públicos, lo que significa que las intervenciones aproximadamente se compensaron en términos generales. Históricamente, Estados Unidos ha destinado menos a programas activos del mercado laboral como proporción del PIB que la mayoría de sus pares de la OCDE, una brecha que sitúa los modestos retornos documentados aquí en un contexto más amplio de infraestructura laboral comparativamente subfinanciada, administrada principalmente a través de la Workforce Innovation and Opportunity Act.

Los hallazgos forman parte de la agenda más amplia de Anthropic en investigación económica, que monitorea la adopción de IA en ocupaciones e industrias. Aunque la capacitación laboral sigue ocupando de manera consistente el primer lugar entre las respuestas de política pública al desempleo tecnológico en encuestas al público y a expertos, los autores advierten que el desempeño histórico indica que los diseños actuales de estos programas probablemente se quedarían cortos si la automatización avanzada desplazara a trabajadores a gran escala.

Programas sectoriales y el problema de replicación

Una excepción notable a los promedios modestos proviene de un pequeño grupo de "programas sectoriales": iniciativas que trabajan de forma estrecha con empleadores de industrias de alta demanda para seleccionar candidatos, desarrollar planes de estudio específicos para cada ocupación y ubicar directamente a los graduados en puestos de trabajo. Programas como Year Up y Per Scholas han elevado los ingresos de los participantes a múltiplos del promedio, funcionando en la práctica como intermediarios del mercado laboral que conectan talento desaprovechado con empleadores comprometidos con canales de contratación sostenidos. Los resultados de Year Up fueron corroborados de forma independiente en un ensayo controlado aleatorizado de varios años realizado por la firma de investigación MDRC, una de las evaluaciones de este tipo más grandes en desarrollo laboral.

Sin embargo, el informe subraya que replicar estos éxitos ha resultado excepcionalmente difícil. Las copias de alta fidelidad de los modelos líderes con frecuencia han fracasado en nuevas ubicaciones, lo que indica que su eficacia depende de condiciones delicadas y específicas del contexto: relaciones locales profundas, procesos de admisión altamente selectivos que filtran a más del 80 por ciento de los solicitantes y capacidades organizacionales desarrolladas durante años de operación.

Desajuste con escenarios de desplazamiento por IA

Como la mayoría de los programas estudiados se dirigieron a personas de bajos ingresos o con empleo marginal, en lugar de profesionales de oficina de mediana carrera que podrían requerir períodos prolongados de recualificación, los autores concluyen que la infraestructura actual de capacitación no se ajusta bien a un escenario de desplazamiento generalizado impulsado por IA. Este desajuste es especialmente relevante dado que los modelos de lenguaje grandes están demostrando cada vez más capacidades en tareas como escritura, programación, análisis legal y atención al cliente, ocupaciones que los programas laborales tradicionales nunca fueron diseñados para abordar.

Su recomendación central es invertir ahora en demostrar, evaluar y escalar los modelos de programa más prometedores antes de que surja una crisis a gran escala. En concreto, proponen expandir rápidamente un programa sectorial líder para una cohorte de trabajadores bien definida, mientras se hace un seguimiento riguroso de los resultados de empleo e ingresos. El Economic Futures Research Fund de Anthropic está posicionado para respaldar este tipo de investigaciones, en reflejo de un consenso emergente de que comprender los límites de los enfoques actuales de capacitación es esencial para prepararse para una era de automatización rápida.