Economista · El estudioso de la escasez: de la fábrica de alfileres de Adam Smith a la sala de decisiones del banco central, al que se le sigue pidiendo predecir lo que ningún modelo capta del todo.
Los economistas están inusualmente expuestos a la IA por su propia admisión: el trabajo consiste en leer, programar, estimar y escribir, exactamente las tareas que los grandes modelos de lenguaje manejan mejor. Las encuestas a la profesión y su propia investigación sobre automatización sitúan a la economía muy por encima de la ocupación promedio en exposición, y los economistas en activo ya se apoyan a diario en la IA para código, búsqueda bibliográfica y primeros borradores.
Pero exposición no es reemplazo. Las partes del trabajo que llevan su valor —elegir la pregunta, juzgar si la variación es realmente exógena, y respaldar el consejo cuando un gobernador o ministro actúa sobre él— son tareas de criterio y responsabilidad que los sistemas actuales asisten en lugar de realizar. El pronóstico realista es una profesión que se reduce en el extremo rutinario mientras su trabajo de criterio sénior, si acaso, gana influencia.
Una parte sustancial de la jornada laboral —preparación de datos, estimación rutinaria, producción de gráficos, revisión bibliográfica, prosa de primer borrador, pronósticos de corto plazo— ya es automatizable, y buena parte ya está automatizada en la práctica. Lo que resiste es el núcleo por el que un cliente realmente paga: plantear preguntas, juzgar afirmaciones causales, integrar los modelos con la realidad institucional, y responsabilizarse del consejo. Aproximadamente un tercio del trabajo es hoy tarea de máquina; el criterio responsable por encima de eso no lo es.
Puntuado por tareas, no por título. Más bajo es más seguro.
Empleos que la IA no puede quitar →Decidir qué vale la pena medir —qué política, qué margen, qué comparación— es el paso previo a que cualquier herramienta entre en acción, y aquel en el que triunfan o fracasan programas de investigación y decisiones de política enteros.
Las crisis son precisamente los momentos en que las relaciones ajustadas fallan; tanto 2008 como la pandemia recompensaron a los economistas capaces de razonar más allá de sus modelos mientras los modelos estaban equivocados.
Los comités que fijan tipos, los responsables de las cuentas presupuestarias y los testigos expertos responden con su nombre por sus juicios; ninguna institución delega todavía un voto, un costeo fiscal o un testimonio jurado en un modelo.
Un consejo solo importa si un ministro, una junta o el público lo creen; construir esa confianza —en informes, testimonios y lenguaje sencillo— es un trabajo relacional al que la automatización no llega.
Saber cómo se construyen los datos, cómo se desarrolló realmente la última crisis, y qué se le escapa a una estadística dada en un país dado es conocimiento tácito que los modelos consumen pero no crean.
Dar formato a resultados, redactar secciones estándar y producir paquetes de gráficos comunes —una fracción real de las horas de los economistas junior— ya se maneja de principio a fin con scripts y asistentes de IA.
Combinar conjuntos de datos, estandarizar variables y ejecutar regresiones bien especificadas está cada vez más automatizado; los asistentes de codificación con IA ya escriben Stata, R y Python utilizables exactamente para estas tareas.
Los grandes modelos de lenguaje resumen working papers, sacan a la luz literatura relacionada y producen prosa de primer borrador competente, comprimiendo tareas que consumían semanas de tiempo de ayudantes de investigación.
El nowcasting del PIB y la inflación a partir de datos de alta frecuencia ya es en gran medida un problema de aprendizaje automático, y los bancos centrales ejecutan tales modelos de forma rutinaria; el papel humano se ha desplazado hacia interpretarlos y anularlos.
La unidad de evidencia se está desplazando de encuestas de mil personas a poblaciones enteras de registros fiscales, transacciones e imágenes satelitales: el enfoque que el equipo Opportunity Insights de Raj Chetty usó para mapear la movilidad estadounidense a partir de datos anonimizados del IRS, ahora se extiende por agencias estadísticas de todo el mundo.
La programación, la revisión bibliográfica y la redacción se están trasladando a herramientas de IA, vaciando el aprendizaje tradicional de ayudante de investigación; el campo debate activamente cómo aprenderá la próxima generación el criterio de oficio cuando el trabajo rutinario que lo enseñaba está automatizado.
Siguiendo el manifiesto de Alvin Roth sobre el economista del diseño, el diseño de mercados pasó del papel a la producción: los algoritmos de intercambio de riñones, las subastas de espectro y los mercados de publicidad en línea son construidos y operados por economistas, desplazando el prestigio de explicar economías hacia construirlas.
Los bancos centrales dirigen hoy las economías en parte mediante el discurso —orientación futura, gráficos de abanico, ruedas de prensa— y las redes sociales han hecho de la explicación pública una habilidad central; la profesión promueve cada vez más a economistas que saben mantener la atención de una sala, no solo de una regresión.
Diseñar subastas, precios y reglas de mercado dentro de empresas tecnológicas, una trayectoria profesional que apenas existía antes del trabajo de subastas publicitarias de Google bajo Hal Varian y que hoy es uno de los destinos más grandes para los nuevos doctores en economía.
Dirigir unidades de nudge —un rol inventado cuando el Behavioural Insights Team del Reino Unido se fundó dentro del Cabinet Office en 2010 y que desde entonces han copiado decenas de gobiernos— aplicando economía conductual y ensayos a cartas fiscales, pensiones y salud pública.
Fijar precios al carbono, modelar escenarios de transición y someter a pruebas de estrés a los sistemas financieros frente al riesgo climático, una especialidad coronada por el Nobel de 2018 a William Nordhaus y hoy demandada por bancos centrales, aseguradoras y ministerios por igual.
Construir sistemas de nowcasting y paneles de política a partir de datos de pagos, ofertas de empleo y feeds satelitales: el rol fronterizo entre econometría y aprendizaje automático para el que las agencias estadísticas y las fintech contratan más rápido.
La lectura honesta de la evidencia es que la economía es una profesión de alta exposición y alto criterio: se puede automatizar más de sus tareas diarias que en la mayoría de los campos, y más de su valor reside en el residuo que no se puede. La capa rutinaria —limpiar, programar, redactar, pronósticos estándar— se está absorbiendo rápido, y los puestos de nivel de entrada construidos sobre esa capa se adelgazarán.
Lo que se expande es la influencia de la capa de criterio. Un economista con asistencia de IA puede probar más especificaciones, leer más literatura y producir más escenarios de los que un equipo entero podía hace una década, pero la elección de la pregunta, el veredicto causal y el consejo siguen llevando un nombre humano. Las instituciones que arriesgan decisiones en análisis económico no muestran movimiento alguno hacia eliminar ese nombre.
El precedente que vale la pena recordar es que los economistas ya han absorbido su propia automatización antes: el ordenador electrónico borró a los oficinistas calculadores de la profesión e hizo de la econometría una industria; el software de regresión barato democratizó la estimación y elevó la prima de saber qué estimar. La IA es el mismo intercambio a mayor escala: menos manos en los datos, más peso en el criterio.
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
Asesora a los clientes, redacta los documentos que los vinculan, y defiende su caso cuando llega a juicio, cargando con responsabilidad legal personal si el consejo resulta erróneo.
Resistente a la IA 58 💊El experto en medicamentos detrás de cada receta — desde las primeras tiendas de fármacos de Bagdad y el mortero del boticario hasta la morfina, la artemisinina y la farmacia moderna.
Resistente a la IA 58 🛰️Diseña, analiza y certifica los aviones, cohetes y naves espaciales que se elevan del suelo, trabajando con márgenes de seguridad que no dejan margen a la improvisación.
Resistente a la IA 74 🦾Diseña las máquinas que perciben, deciden y actúan en el mundo físico, donde el problema difícil nunca fue la inteligencia sino el mundo mismo.
Resistente a la IA 65 ⚛️Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 🔌Diseña y fabrica los transistores que hay dentro de cada ordenador, teléfono y arma, con máquinas tan precisas que solo unas pocas fábricas en la Tierra pueden operarlas.
Resistente a la IA 60La persona que crea la empresa: detecta el hueco, asume el riesgo y responde por la nómina, desde los financieros de caravanas asirios hasta los fundadores respaldados por capital de riesgo.
Resistente a la IA 88 💹El negociador que valora empresas y mueve capital — un oficio que va de la Florencia de los Medici a los pitch decks de hoy, pagado por la confianza cuando cambian de manos miles de millones.
Resistente a la IA 42 🧾El guardián de los libros: heredero de un oficio tan antiguo que inventó la propia escritura, negociando ahora con el software construido para automatizarlo.
Resistente a la IA 35 📣El profesional que crea la demanda — de las paredes pintadas de Pompeya y el memorando del "brand man" de P&G de 1931 a los feeds gobernados por subastas de la era digital.
Resistente a la IA 38 🗺️Decide qué debe construir la empresa a continuación, y por qué, convirtiendo necesidades de clientes, objetivos de negocio y límites técnicos en un plan compartido que nadie más termina de poseer del todo.
Resistente a la IA 50