Impacto de los LLM en el Mercado Laboral de China: Primas Salariales sobre el Desplazamiento

Cuando los investigadores de inteligencia artificial discuten los impactos en el mercado laboral, suelen basarse en datos de Estados Unidos y otras economías occidentales. Esto crea un punto ciego fundamental: ¿qué sucede cuando las herramientas de IA construidas principalmente con datos en inglés se encuentran con mercados laborales con estructuras, normas culturales y marcos institucionales muy diferentes?

China, la segunda economía más grande del mundo con 1.400 millones de personas y una dinámica de mercado laboral única, proporciona un caso de prueba crítico. Si el impacto de la IA en el trabajo sigue patrones universales, deberíamos ver efectos similares en diversas economías. Si los impactos varían según el contexto, entonces las estrategias de fuerza laboral únicas para todos fracasarán, y las organizaciones necesitarán enfoques específicos del mercado.

Una nueva investigación que adapta el influyente marco de exposición de Eloundou a los datos ocupacionales chinos revela patrones sorprendentes que desafían tanto la teoría de la automatización convencional como las suposiciones sobre el impacto universal de la IA. Los hallazgos sugieren que los grandes modelos de lenguaje pueden afectar el trabajo a través de mecanismos fundamentalmente diferentes a las olas tecnológicas anteriores, con profundas implicaciones sobre cómo las organizaciones globales deberían pensar en la adopción de la IA.

Comprensión del marco de Eloundou y la adaptación china

El marco de exposición de Eloundou, desarrollado por investigadores de OpenAI y colaboradores académicos, proporciona una metodología sistemática para evaluar qué ocupaciones enfrentan la mayor exposición a las capacidades de los grandes modelos de lenguaje. El marco analiza el contenido de las tareas ocupacionales, identificando el trabajo que los LLM pueden potencialmente aumentar o automatizar basándose en capacidades como la generación de texto, la síntesis de información, el reconocimiento de patrones y la recuperación de conocimientos.

La aplicación de este marco al mercado laboral de Estados Unidos produjo hallazgos influyentes sobre qué ocupaciones enfrentan una alta exposición a la IA. Sin embargo, las definiciones de ocupaciones, las composiciones de tareas y las estructuras del mercado laboral difieren sustancialmente entre países. Un "analista financiero" en EE. UU. puede realizar diferentes tareas y operar bajo diferentes restricciones organizacionales que su contraparte china.

Chen, Ge, Xie, Xu y Yang (2025) adaptaron la metodología de Eloundou para el sistema de clasificación ocupacional y los datos del mercado laboral de China. Esto requirió más que una simple traducción: exigió un mapeo cuidadoso del contenido de las tareas, ajustando las diferencias en cómo se organiza, regula y compensa el trabajo en las dos economías.

Luego, los investigadores examinaron las correlaciones entre la exposición ocupacional a los LLM y dos resultados clave del mercado laboral: los niveles salariales y las primas de experiencia (el aumento de las ganancias asociado con años adicionales de experiencia). Si los LLM desplazan principalmente a los trabajadores, esperaríamos correlaciones negativas: una mayor exposición predice salarios más bajos y primas de experiencia comprimidas. Si los LLM aumentan a los trabajadores, podríamos ver correlaciones positivas.

Los datos revelaron patrones sorprendentes: una mayor exposición a los LLM se correlacionó positivamente con los niveles salariales y las primas de experiencia. Esto se mantuvo en múltiples especificaciones y verificaciones de robustez, lo que sugiere que, al menos en el período observable, la exposición a la IA en China se asocia con ventajas salariales en lugar de desplazamiento.

La hipótesis de la rutinización y por qué falla para los LLM

Para comprender por qué estos hallazgos son importantes, debemos revisar el marco dominante que ha dado forma a la investigación sobre tecnología y trabajo durante décadas: la hipótesis de la rutinización.

Esta influyente teoría, desarrollada por economistas que estudian la informatización y la automatización, sostiene que la tecnología afecta principalmente las tareas rutinarias, el trabajo que sigue patrones predecibles y basados en reglas que pueden codificarse en software. El trabajo cognitivo rutinario (entrada de datos, contabilidad básica, análisis simple) y el trabajo manual rutinario (tareas de línea de montaje, fabricación estándar) enfrentan un alto riesgo de automatización. El trabajo no rutinario que requiere juicio, creatividad o resolución de problemas complejos permanece protegido.

El marco de rutinización explicó con éxito muchos patrones del mercado laboral durante la era de la informatización. Los trabajos de habilidades medias que involucraban un contenido rutinario sustancial (operarios de fabricación, oficinistas, personal administrativo) experimentaron un desplazamiento significativo y un estancamiento salarial. Mientras tanto, el trabajo cognitivo de alta habilidad y el trabajo de servicios de baja habilidad que requerían interacción humana permanecieron relativamente aislados.

Este marco dio forma a cómo las organizaciones y los formuladores de políticas pensaban sobre la IA. La suposición: la IA seguiría el mismo patrón, automatizando el trabajo rutinario mientras dejaba las tareas cognitivas no rutinarias a los humanos. Las estrategias de fuerza laboral enfatizaron el traslado de trabajadores rutinarios desplazados a roles no rutinarios.

Pero la investigación de China, junto con hallazgos complementarios de los mercados laborales occidentales, sugiere que los grandes modelos de lenguaje operan a través de diferentes mecanismos. La exposición a los LLM se correlaciona más fuertemente con la intensidad del procesamiento de la información que con la rutinización de las tareas. Las ocupaciones que implican una síntesis de información sustancial, recuperación de conocimientos, comunicación escrita y toma de decisiones bajo incertidumbre muestran la mayor exposición, independientemente de si sus tareas son rutinarias o no rutinarias.

Esta diferencia fundamental requiere repensar las estrategias de fuerza laboral basadas en suposiciones de rutinización. Las organizaciones no pueden simplemente identificar tareas rutinarias para la automatización y tareas no rutinarias para los trabajadores humanos. En cambio, deben evaluar qué trabajo implica el procesamiento de información que los LLM pueden mejorar y cómo reestructurar los roles en torno a este potencial de aumento.

Teoría del aprendizaje basada en la entropía: un nuevo marco para el impacto de la IA

La investigación introduce un marco conceptual para comprender cómo los LLM afectan el trabajo que difiere fundamentalmente de los modelos de automatización de tareas. Basándose en la teoría de la información, los autores proponen una perspectiva de aprendizaje basada en la entropía.

En este marco, el trabajo implica el procesamiento de información caracterizada por diferentes grados de incertidumbre (entropía). Los trabajadores deben adquirir, sintetizar y aplicar conocimientos para navegar por esta incertidumbre y tomar decisiones efectivas. La automatización tradicional reduce la incertidumbre estandarizando procesos y aplicando reglas. Los LLM, por el contrario, ayudan a los trabajadores a navegar por la incertidumbre existente de manera más efectiva a través de una recuperación de información mejorada, reconocimiento de patrones y síntesis de conocimientos.

Considere un analista de la cadena de suministro que se enfrenta a un evento de interrupción. El enfoque de automatización rutinaria intentaría codificar reglas de respuesta: si ocurre X, haga Y. Esto funciona para interrupciones predecibles, pero falla cuando se enfrenta a situaciones novedosas con alta incertidumbre. Un analista aumentado con LLM, sin embargo, puede sintetizar rápidamente información de diversas fuentes (noticias, comunicaciones de proveedores, patrones históricos, datos de la industria) para formar un juicio específico de la situación bajo incertidumbre.

Esta distinción sugiere que los LLM impactan el trabajo amplificando las capacidades de procesamiento de información humana en lugar de reemplazar por completo el juicio humano. Los trabajadores en ocupaciones intensivas en información obtienen ventajas de productividad al aprovechar la IA como una herramienta de aumento cognitivo, mientras que los trabajadores en ocupaciones con menores requisitos de procesamiento de información ven impactos menores, independientemente de la rutinización de las tareas.

La correlación positiva entre la exposición a los LLM y las primas de experiencia observadas en la investigación apoya esta teoría. Si los LLM simplemente automatizaran tareas, esperaríamos que la experiencia importara menos: los novatos con herramientas de IA podrían replicar el rendimiento experto. En cambio, los datos sugieren que los trabajadores experimentados se benefician más del aumento de la IA porque poseen modelos mentales superiores, reconocimiento de patrones y marcos de juicio que los LLM amplifican.

Un analista financiero experimentado con un profundo conocimiento del dominio puede aprovechar los LLM para procesar una cantidad mucho mayor de información y generar conocimientos más sofisticados que un novato con las mismas herramientas. El LLM actúa como un multiplicador de productividad aplicado a la experiencia existente en lugar de un sustituto de la experiencia.

Comparación de los patrones del mercado laboral de China y EE. UU.

Una de las contribuciones más importantes del estudio proviene de la comparación entre mercados. ¿Los impactos de los LLM siguen patrones universales o varían según el contexto institucional?

La evidencia sugiere una sustancial similitud en las ocupaciones que muestran una alta exposición, aunque con importantes diferencias en cómo se manifiesta la exposición. Tanto los mercados laborales chinos como los estadounidenses muestran una fuerte exposición a los LLM en ocupaciones profesionales como analistas, consultores, investigadores y especialistas, roles que implican un procesamiento de información sustancial, comunicación escrita y trabajo del conocimiento.

Ambos mercados muestran correlaciones positivas entre la exposición y las ganancias a corto plazo, lo que sugiere que los efectos de aumento dominan actualmente los efectos de desplazamiento en diferentes contextos institucionales. Este patrón se mantiene a pesar de las distintas regulaciones laborales, los sistemas de seguridad social y las características de la fuerza laboral de China.

Sin embargo, los detalles de implementación varían significativamente entre mercados. El mercado laboral de China presenta diferentes requisitos de licencias ocupacionales, trayectorias educativas y estructuras organizacionales de las empresas que afectan la forma en que se implementan las herramientas de IA. Las organizaciones chinas a menudo tienen diferentes flujos de información, jerarquías de decisión y requisitos de informes en comparación con sus contrapartes estadounidenses.

Para las organizaciones globales que operan en ambos mercados, esto crea oportunidades y desafíos. La dinámica subyacente (los LLM crean ventajas de productividad en el trabajo intensivo en información) parece universal. Pero los flujos de trabajo específicos, las configuraciones de herramientas y los cambios organizacionales necesarios para capturar estas ventajas deben adaptarse al contexto local.

Un fabricante multinacional descubrió esto a través de la experiencia. Implementaron herramientas de planificación de IA similares para operaciones de la cadena de suministro en instalaciones de EE. UU. y China. Después de 18 meses, los resultados divergieron: las operaciones de EE. UU. vieron automatización de tareas y reducción de personal, mientras que las operaciones chinas vieron ganancias de productividad y crecimiento salarial sin desplazamiento.

La investigación reveló que las instalaciones chinas tenían diferentes flujos de información, jerarquías de decisión y requisitos de informes regulatorios que hacían que la síntesis de información fuera más valiosa que la automatización de tareas. La empresa adaptó su estrategia global de IA para personalizarla regionalmente, centrándose en la automatización en EE. UU. y el apoyo a la decisión en China, mejorando tanto la productividad como la retención en todas las regiones.

Conclusión clave: Tanto los mercados laborales chinos como los estadounidenses muestran correlaciones salariales positivas con la exposición a los LLM en ocupaciones intensivas en información, con patrones notablemente similares que sugieren dinámicas de aumento universal. Los roles profesionales y de trabajadores de la información muestran los efectos más fuertes, mientras que el trabajo cognitivo rutinario y la mano de obra manual muestran una correlación mínima.

Primas de experiencia y amplificación de habilidades

Uno de los hallazgos más sorprendentes del estudio se refiere a las primas de experiencia, el aumento salarial asociado con años adicionales de experiencia en una ocupación. La teoría tradicional de la automatización predice que la tecnología debería comprimir las primas de experiencia al permitir que los novatos igualen rápidamente el rendimiento experto a través de la asistencia de herramientas.

Los datos de China muestran lo contrario: las ocupaciones con mayor exposición a los LLM se correlacionan con primas de experiencia más grandes. Los trabajadores con más experiencia en ocupaciones expuestas a la IA ven mayores ventajas salariales en relación con los trabajadores menos experimentados que en ocupaciones con menor exposición a la IA.

Este patrón aparece tanto en los datos del mercado laboral chino como en el occidental, lo que sugiere un fenómeno robusto. Implica que los LLM amplifican la experiencia existente en lugar de sustituirla: los trabajadores experimentados aprovechan las herramientas de IA de manera más efectiva que los novatos, lo que aumenta sus ventajas de productividad.

Esto tiene implicaciones críticas para la estrategia de talento. Las organizaciones deben invertir en retener y desarrollar trabajadores experimentados en ocupaciones expuestas a la IA, no solo centrarse en los trabajadores más jóvenes que se supone que son más expertos en tecnología. Las ventajas de productividad de combinar una profunda experiencia en el dominio con el aumento de la IA superan las ventajas de la fluidez digital por sí sola.

También sugiere que las preocupaciones sobre la IA que "mercantiliza" el conocimiento experto pueden ser exageradas a corto y mediano plazo. Si bien los LLM hacen que el conocimiento sea más accesible, transformar ese conocimiento en una acción efectiva en entornos complejos aún requiere una experiencia que los LLM amplifican en lugar de reemplazar.

Una empresa de consultoría que probó herramientas de IA en diferentes niveles de experiencia observó esta dinámica directamente. Los consultores junior que usaban herramientas de IA producían un trabajo mejor que sin herramientas, pero los socios experimentados que usaban las mismas herramientas generaban ganancias de productividad desproporcionadamente mayores. Los modelos mentales más profundos, el reconocimiento de patrones y los marcos de juicio de los socios les permitieron aprovechar las capacidades de la IA de manera más efectiva.

Implicaciones estratégicas para organizaciones globales

Para las organizaciones que operan en múltiples mercados, estos hallazgos sugieren varias prioridades estratégicas.

Primero, realizar un análisis de exposición específico del mercado en lugar de aplicar marcos basados en EE. UU. universalmente. Si bien los patrones centrales pueden ser similares, las definiciones ocupacionales, las composiciones de tareas y las estructuras organizacionales varían. Utilizar el análisis de exposición para identificar qué roles en cada mercado enfrentan el mayor impacto de la IA y diseñar estrategias apropiadas para el mercado.

Segundo, reconocer que el impacto de los LLM puede diferir de los patrones de automatización tradicionales moldeados por la teoría de la rutinización. Centrar la planificación de la fuerza laboral en la intensidad del procesamiento de la información en lugar de solo la rutinización de las tareas. Identificar roles donde la síntesis de información, la recuperación de conocimientos y la toma de decisiones bajo incertidumbre representan el trabajo central, y priorizar estos para la inversión en aumento de IA.

Tercero, invertir en estrategias de amplificación de la experiencia. En lugar de asumir que la IA iguala el campo de juego entre novatos y expertos, reconocer que los trabajadores experimentados pueden aprovechar las herramientas de IA de manera más efectiva. Priorizar la retención y el desarrollo de personal experimentado en ocupaciones expuestas a la IA, y diseñar herramientas que amplifiquen la experiencia en lugar de simplemente automatizar tareas de nivel de novato.

Cuarto, personalizar los enfoques de implementación según el contexto del mercado manteniendo una visión estratégica consistente. La dinámica subyacente (los LLM crean ventajas de productividad a través del aumento del procesamiento de la información) parece universal, pero los flujos de trabajo específicos, las configuraciones de herramientas y los cambios organizacionales deben adaptarse localmente.

Quinto, cambiar el enfoque de la capacitación de la automatización de tareas al procesamiento de información y el juicio. Si el impacto de los LLM opera a través de una síntesis mejorada y un apoyo a la decisión en lugar de la pura sustitución de tareas, la capacitación debe enfatizar cómo aprovechar eficazmente la IA para el trabajo del conocimiento, no solo qué tareas delegar a la automatización.

Aplicaciones prácticas y próximos pasos

Basándose en estos hallazgos, aquí hay acciones concretas para diferentes roles organizacionales:

Para líderes de estrategia global: Evaluar si las estrategias de adopción de IA deben variar por geografía en función de las estructuras del mercado laboral local, los entornos regulatorios y los flujos de información. Encargar un análisis de exposición específico del mercado para las regiones clave en lugar de asumir patrones universales. Asignar recursos para la personalización regional de los enfoques de implementación de IA.

Para líderes de compensación en multinacionales: Monitorear si las primas salariales para las ocupaciones expuestas a la IA surgen en diferentes mercados con variaciones de tiempo y magnitud. Ajustar las estrategias de compensación por mercado para retener el talento donde se materializan las primas, mientras se evita pagar en exceso en mercados donde la presión competitiva sigue siendo baja. Rastrear las tendencias de las primas de experiencia para informar las estrategias de retención.

Para líderes de desarrollo de talento: Rediseñar los programas de capacitación para centrarse en el procesamiento de información, el juicio y la toma de decisiones aumentada por IA en lugar de solo la automatización de tareas. Enfatizar cómo los trabajadores experimentados pueden aprovechar la IA para aumentar su experiencia. Medir la efectividad de la capacitación a través de la calidad de la síntesis de información y los resultados de las decisiones en lugar de solo las métricas de finalización de tareas.

Para líderes de planificación de la fuerza laboral: Actualizar los modelos de pronóstico laboral para distinguir entre los impactos del procesamiento de información y los patrones de automatización tradicionales. Probar las predicciones de desplazamiento basadas en la rutinización contra los resultados reales de la adopción de LLM y ajustar los modelos cuando las predicciones fallen. Construir modelos específicos del mercado en lugar de aplicar suposiciones universales.

Para líderes de desarrollo de productos y herramientas: Diseñar sistemas de asistencia de IA que se centren en la síntesis de información, la extracción de conocimientos y el apoyo a la decisión en lugar de la pura automatización de tareas. Crear funciones de amplificación de la experiencia que ayuden a los usuarios expertos a aprovechar la IA de manera más efectiva. Crear configuraciones de herramientas regionales que se adapten a los flujos de información locales y los patrones organizacionales.

Limitaciones importantes y límites de la investigación

Si bien esta investigación proporciona valiosas perspectivas entre mercados, varias limitaciones importantes merecen atención.

El estudio documenta correlaciones entre la exposición ocupacional a los LLM y los resultados del mercado laboral, pero no puede establecer definitivamente la causalidad. Otros factores (demanda de habilidades, crecimiento de la industria, restricciones de la oferta laboral) pueden explicar algunas relaciones observadas. El análisis a nivel ocupacional puede no capturar una variación sustancial en cómo la IA impacta a diferentes trabajadores dentro de la misma ocupación.

La teoría del procesamiento de información basada en la entropía, aunque conceptualmente convincente, sigue siendo principalmente teórica. La validación empírica de los mecanismos específicos a través de los cuales el procesamiento de información impulsa el impacto de los LLM requiere investigación adicional. La teoría puede resultar más aplicable a algunas ocupaciones que a otras.

La investigación examina patrones a relativamente corto plazo después de la introducción inicial de los LLM. Las dinámicas a largo plazo pueden diferir a medida que las organizaciones completan los rediseños de los flujos de trabajo, a medida que avanzan las capacidades de la IA y a medida que la adopción se vuelve universal en lugar de diferenciadora. Las correlaciones salariales positivas observadas pueden representar efectos de transición en lugar de un equilibrio permanente.

Las comparaciones entre mercados enfrentan desafíos debido a las diferencias de datos, las discrepancias en la clasificación ocupacional y los factores institucionales que complican la comparación directa. Si bien la investigación se esfuerza por garantizar comparaciones apropiadas, algunas diferencias observadas pueden reflejar problemas de medición en lugar de variaciones genuinas del mercado.

Por lo tanto, las organizaciones deben tratar estos hallazgos como aportes a la estrategia en lugar de predicciones definitivas. Monitorear las tendencias salariales y de empleo a lo largo del tiempo, combinar el análisis de exposición cuantitativo con la investigación cualitativa sobre cómo cambia realmente el trabajo y mantener la flexibilidad para adaptarse a medida que madura la adopción de la IA y surgen patrones a largo plazo.