Cómo la IA provocó la crisis financiera de 2028: el momento Citrini y su crítica

El domingo 22 de febrero, James van Geelen, fundador de la consultora de inversiones Citrini Research, publicó en su hilo de Substack un relato de anticipación económica. 

Parodiando un memo económico escrito en el año 2028, prevé una adopción generalizada de las herramientas de IA, esbozando, para Estados Unidos y luego para el mundo, una crisis generalizada del empleo causada por una crisis de la inteligencia.

Sin embargo, a diferencia de los análisis habituales, James van Geelen relaciona esta crisis con otros indicadores macroeconómicos para escribir el escenario de una crisis generalizada.

A partir de una perturbación del mercado laboral, que descalifica a gran parte de los trabajadores de cuello blanco, la crisis se convierte en financiera al disminuir los ingresos de estos trabajadores, lo que los incapacita para pagar las hipotecas suscritas o las anualidades de los seguros de vida. Paralelamente, el Estado se ve afectado por la disminución de sus ingresos procedentes de las cotizaciones sociales, ya que los salarios se ven reducidos, en un momento en que su ayuda es más necesaria que nunca para el creciente número de desempleados. Presa de una especie de inercia regulatoria, el Estado no logra proponer una política redistributiva para los beneficios de las empresas de IA, únicas ganadoras de la dinámica económica general.

El artículo se basa en la posibilidad de que la IA sustituya a los trabajadores calificados, en lugar de ayudarlos. Esta posibilidad separaría a la IA de otras grandes rupturas tecnológicas de los dos últimos siglos, permitiendo un proceso económico sin precedentes.

A diferencia de los ciclos de «destrucción creativa», en los que la desaparición de algunos puestos de trabajo va acompañada de la creación de otros nuevos, la IA hace posible un círculo vicioso en el que la destrucción solo trae más destrucción. Fragilizadas por la caída del consumo que conlleva la disminución de los ingresos de los trabajadores —a los que la IA desplaza hacia empleos menos calificados—, las empresas no tienen más remedio que invertir más en IA para estabilizar su situación, lo que desencadena una nueva ola de despidos.

La posibilidad de que la IA sustituya a los trabajadores es la hipótesis fundamental de este artículo; también es su principal limitación. Como escribe Frank Flight, que ha elaborado para Citadel Securities una crítica de este texto cuyos comentarios reproducimos a continuación: «Para que la IA tenga un impacto negativo duradero en la demanda, la economía debe experimentar una aceleración significativa de su adopción, una sustitución casi total de la mano de obra, ninguna respuesta presupuestaria, una absorción insignificante de las inversiones y una expansión ilimitada de la potencia de cálculo». Todos estos elementos permiten matizar la previsión de Citrini.

Macro Memo: Las consecuencias de una inteligencia sin límites

Es 30 de junio de 2028. Esta mañana, la tasa de desempleo se situó en el 10,2 %, lo que supone un aumento inesperado del 0,3 %. Las bolsas han caído un 2 % tras el anuncio de esta cifra, lo que eleva la caída acumulada del S&P al 38 % con respecto a su máximo de octubre de 2026.

Los operadores se han vuelto prácticamente insensibles a este fenómeno. Sin embargo, hace seis meses, una cifra así habría desencadenado un cortocircuito.

En Estados Unidos, los mecanismos de corte son un sistema establecido en 1988, a petición del Congreso estadounidense tras la caída de octubre de 1987. A partir de un determinado porcentaje de caída del precio de las acciones, permiten bloquear toda negociación sobre las mismas.

Solo han hecho falta dos años para pasar de una situación «controlada» y «sectorial» a una economía que ya no se parece a aquella en la que crecimos. El Macro Memo de este trimestre es nuestro intento de reconstruir la secuencia, un análisis retrospectivo de la economía anterior a la crisis.

En octubre de 2026, la euforia era palpable. El S&P 500 rondaba los 8.000 puntos y el Nasdaq superaba los 30.000. La primera ola de despidos debida a la obsolescencia humana comenzó a principios de 2026, y estos despidos tuvieron exactamente el efecto deseado. Los márgenes se ampliaron, los beneficios superaron las previsiones y las acciones se recuperaron. Los beneficios récord de las empresas se reinvirtieron en IA.

Frank Flight Si nos fijamos en el caso de Estados Unidos, la ola de despidos que se esperaba que trajera consigo la IA tarda en manifestarse por el momento. Según los datos de la Reserva Federal de San Luis, el uso de la IA en el ámbito profesional se está estabilizando en lugar de aumentar, lo que no hace presagiar una sustitución inminente de muchos trabajadores. Del mismo modo, a pesar del discurso actual sobre la destrucción de empleo, las ofertas de trabajo para ingenieros de software están aumentando rápidamente en el país, con un incremento del 11 % con respecto al año anterior.

Los indicadores clave seguían siendo excelentes. El PIB nominal registraba un crecimiento anualizado constante de entre el 5 % y el 9 %. La productividad estaba en auge. La producción real por hora aumentaba a un ritmo nunca visto desde la década de 1950, gracias a agentes de IA que no duermen, no toman días de descanso por enfermedad y no necesitan seguridad social ni mutua.

Los propietarios de estas capacidades de cálculo se habían hecho inmensamente ricos a medida que desaparecían los costos de mano de obra. Al mismo tiempo, el crecimiento de los salarios reales se había desplomado. A pesar del orgullo de la administración por la productividad récord, los trabajadores de cuello blanco habían perdido sus puestos de trabajo en favor de las máquinas y se habían visto obligados a aceptar puestos menos remunerados.

Cuando empezaron a aparecer fisuras en la economía de consumo, los expertos económicos popularizaron la expresión «PIB fantasma»: una producción que aparece en las cuentas nacionales pero que nunca circula en la economía real.

En todos los aspectos, la IA superaba las expectativas. Y el mercado estaba totalmente orientado a la IA. El único problema era la economía.

Debería haber quedado claro desde el principio que un solo clúster de GPU en Dakota del Norte que generaba la producción anteriormente atribuida a 10.000 empleos de cuello blanco en el centro de Manhattan era más una pandemia económica que una panacea económica. La velocidad de circulación del dinero se había estabilizado. Pero la economía de consumo centrada en el ser humano, que representaba el 70 % del PIB en ese momento, se había derrumbado.

Probablemente nos habríamos dado cuenta antes si simplemente hubiéramos preguntado cuánto dinero gastan las máquinas en bienes no esenciales. (Una pista: cero).

Las capacidades de la IA mejoraron, las empresas necesitaban menos trabajadores, aumentaron los despidos de ejecutivos, los trabajadores desplazados gastaron menos, la presión sobre los márgenes empujó a las empresas a invertir más en IA, las capacidades de la IA mejoraron… Todo ello en un bucle de retroalimentación negativa y sin freno natural.

Esta espiral fue la del desplazamiento de la inteligencia humana.

Los trabajadores de cuello blanco vieron comprometida estructuralmente su capacidad de obtener ingresos: sus gastos disminuyeron en consecuencia. Dado que sus ingresos constituían la base del mercado hipotecario de 13 billones de dólares, obligaron a los suscriptores a replantearse si las hipotecas de primera categoría seguían siendo rentables.

Sin un verdadero ciclo de impagos, los últimos 17 años han beneficiado a las empresas privadas que ofrecen contratos de software, respaldadas por fondos de capital riesgo que asumían que sus ingresos anuales recurrentes se mantendrían estables. La primera ola de impagos debida a la perturbación de la IA a mediados de 2027 puso en tela de juicio esta hipótesis.

Esto habría sido manejable si la perturbación se hubiera limitado al software, pero no fue el caso. A finales de 2027, amenazaba todos los modelos económicos basados en la intermediación: muchas empresas fundadas en la monetización de las interacciones entre humanos se derrumbaron.

El sistema resultó ser una larga cadena de apuestas correlacionadas sobre el crecimiento de la productividad de los trabajadores de cuello blanco. La crisis de noviembre de 2027 no hizo más que acelerar todos los bucles de retroalimentación negativa ya existentes.

Llevamos casi un año esperando que «las malas noticias sean buenas noticias».

El gobierno está empezando a estudiar propuestas, pero la confianza del público en su capacidad para poner en marcha un plan de rescate se ha mermado. Las respuestas políticas siempre han ido por detrás de la realidad económica, pero la falta de un plan global amenaza ahora con acelerar la espiral deflacionista.

Cómo empezó todo

A finales de 2025, las herramientas de codificación agencial dieron un salto adelante en términos de capacidades.

Un desarrollador competente que trabajara con Claude Code o Codex podía ahora reproducir las funcionalidades básicas de un producto SaaS de gama media en pocas semanas, no de forma perfecta ni tratando todos los casos particulares, pero sí lo suficientemente bien como para que el director de informática encargado de examinar una renovación anual de 500.000 dólares se planteara la siguiente pregunta: «¿y si lo construimos nosotros mismos?».

SaaS significa «software as a service» (software como servicio). Se trata de un software suministrado a través de la nube y accesible mediante suscripción por parte de la empresa, sin que esta disponga de un soporte físico del mismo.

Los ejercicios financieros suelen coincidir con los años naturales, por lo que los gastos de las empresas para 2026 se fijaron en el cuarto trimestre de 2025, cuando la «IA agencial» todavía era una palabra de moda. La siguiente revisión semestral fue la primera oportunidad para que los equipos de aprovisionamiento tomaran decisiones con visibilidad sobre lo que estos sistemas podían realmente hacer. Algunos vieron cómo sus propios equipos internos desarrollaban en pocas semanas prototipos que reproducían contratos SaaS de seis cifras.

Ese verano, hablamos con un responsable de compras de una empresa incluida en la lista Fortune 500. Nos contó una de sus negociaciones presupuestarias con los proveedores de SaaS. Estos esperaban seguir la misma estrategia que el año anterior: un aumento anual de los precios del 5 %, y el argumento estándar: «su equipo depende de nosotros».

El responsable de compras les dijo que estaba en negociaciones con OpenAI para que sus «ingenieros desplegados sobre el terreno» utilizaran herramientas de IA con el fin de sustituir por completo a esos proveedores. Como resultado, consiguió que se renovara el contrato con ellos con un descuento del 30 %.

Para este responsable, fue un buen resultado. Los programas SaaS longtail, como Monday.com, Zapier y Asana, habían corrido una suerte mucho peor.

Los inversores esperaban, o incluso deseaban, que estos programas se vieran gravemente afectados. Quizás representaban un tercio del gasto en la pila, pero estaban claramente expuestos. Los sistemas de registro, por el contrario, se suponía que estaban a salvo de cualquier perturbación.

Solo con el informe del tercer trimestre de 2026 de ServiceNow se hizo más claro un mecanismo de reflexividad.

En octubre de 2026, un artículo de Bloomberg titula: «El crecimiento del valor contractual anual neto de Servicenow se ralentiza del 23 % al 14 %; la empresa anuncia una reducción del 15 % de su plantilla y un programa de eficiencia estructural». Las acciones caen un 18 %».

El SaaS no había muerto por ello. Aún había que analizar la relación costo-beneficio de la explotación y el soporte de los desarrollos internos de las empresas. Pero, en cualquier caso, ese desarrollo interno se había convertido en una opción: se tuvo en cuenta en las negociaciones tarifarias.

Y lo que es quizás más importante, el panorama competitivo había cambiado. La IA había facilitado el desarrollo y la implementación de nuevas funcionalidades, lo que había provocado la desaparición de la diferenciación. Los actores existentes se enzarzaron en una carrera por bajar los precios, en una lucha encarnizada entre ellos y con los nuevos competidores que iban apareciendo. Animados por los considerables avances en la codificación de agentes y sin ninguna estructura de costos heredada que proteger, estos últimos ganaron parte de mercado de forma agresiva.

La naturaleza interconectada de estos sistemas tampoco se tuvo plenamente en cuenta antes de este artículo de Bloomberg.

ServiceNow vendía licencias. Cuando los clientes de Service Now incluidos en la lista Fortune 500 redujeron su plantilla gracias a los avances en IA, cancelaron parte de sus licencias. Estas reducciones, que aumentaban sus márgenes, destruían mecánicamente la base de ingresos de ServiceNow: la empresa que vendía soluciones de automatización de flujos de trabajo se vio afectada por una mejor automatización de esos mismos flujos. Su respuesta fue reducir su plantilla y utilizar los ahorros obtenidos para financiar la misma tecnología que la estaba afectando.

ServiceNow no podía haber hecho otra cosa. Su caso confirmaba una regla general: las empresas más amenazadas por la IA eran las que más la habían adoptado.

Esto parece obvio en retrospectiva, pero realmente no lo era en ese momento, al menos para mí. El modelo histórico de disrupción dictaba que los actores establecidos se resistían a las nuevas tecnologías, perdían parte de mercado frente a los nuevos participantes más ágiles y morían lentamente. Eso es lo que le había pasado a Kodak, a Blockbuster, a BlackBerry.

Lo que ocurrió en 2026 fue diferente: los actores establecidos no se resistieron porque no no podían permitírselo.

Con acciones que bajaban entre un 40 % y un 60 % y consejos de administración que exigían respuestas, las empresas amenazadas por la IA hicieron lo único que podían hacer: redujeron su plantilla, reinvirtieron el ahorro obtenido en herramientas de IA y utilizaron estas herramientas para mantener su producción a un menor costo.

La respuesta individual de cada empresa era racional. El resultado colectivo fue catastrófico.

Cada dólar ahorrado en plantilla se reinvirtió en capacidades de IA que hicieron posible la siguiente oleada de recortes de empleo.

El software fue solo el comienzo de una nueva secuencia. Lo que los inversores pasaron por alto mientras debatían si las múltiples empresas de SaaS habían tocado fondo era que ese bucle reflexivo ya se había escapado del sector del software. La misma lógica que justificaba la reducción de plantilla de ServiceNow se aplicaba a todas las empresas con una estructura de costos relacionada con los trabajadores de cuello blanco.

Cuando el mundo se volvió un mundo sin fricciones

A principios de 2027, el uso de modelos de lenguaje (LLM) se había convertido en la norma. La gente utilizaba agentes de IA sin siquiera saber que trabajaban con IA, del mismo modo que las personas que nunca habían aprendido lo que era la «computación en la nube» utilizaban los servicios de streaming. Los seres humanos consideraban la IA de la misma manera que la función de autocompletar o la revisión ortográfica: una simple función que ahora podía ofrecer su teléfono.

El agente de compras de código abierto de Qwen fue el catalizador del uso de la IA para las decisiones de los consumidores. En pocas semanas, todos los principales asistentes de IA habían integrado una función de compra por agente. Gracias a la destilación de modelos, estos agentes podían funcionar en teléfonos y computadoras portátiles, y no solo en instancias en la nube, lo que reducía considerablemente el costo marginal de la inferencia.

Qwen es una familia de grandes modelos de lenguaje desarrollados por Alibaba Cloud, una empresa china de computación en la nube. La destilación de modelos, por su parte, es una técnica de aprendizaje automático mediante transferencia de conocimientos: un modelo pequeño, por ejemplo, de lenguaje, se entrena en uno más grande.

Lo que debería haber preocupado más a los inversores es que estos agentes no esperaban a que se les dijera qué hacer. Funcionaban en segundo plano según las preferencias del usuario. El comercio dejó de ser una serie de decisiones humanas independientes para convertirse en un proceso de optimización continuo, que funcionaba las 24 horas del día, los 7 días de la semana, en nombre de cada consumidor conectado. En marzo de 2027, el individuo medio en Estados Unidos consumía 400.000 tokens al día, es decir, 10 veces más que a finales de 2026.

El siguiente eslabón de la cadena ya se estaba rompiendo.

La intermediación

En los últimos 50 años, la economía estadounidense ha construido una gigantesca capa de extracción de rentas sobre los límites humanos: las cosas llevan tiempo, la paciencia se agota, la familiaridad con una marca determinada sustituye al interés por la búsqueda, y la mayoría de la gente está dispuesta a aceptar un mal precio para evitar tener que hacer más clics. Miles de millones de dólares de valor empresarial dependían de la persistencia de estas limitaciones.

Al principio, las cosas eran bastante sencillas: los agentes eliminaban cualquier fricción.

Mientras las suscripciones y las afiliaciones se renovaban pasivamente a pesar de meses de inactividad, o los precios de lanzamiento se duplicaban insidiosamente tras el periodo de prueba, cada uno de estos elementos se convertía en una «situación de secuestro» que los agentes de compra podían ahora negociar. Como resultado, el valor medio de la vida útil de un cliente —el indicador en el que se basaba toda la economía de las suscripciones— había disminuido significativamente.

Los agentes consumidores comenzaron a cambiar el funcionamiento de casi todas las transacciones de consumo.

Los humanos no tenían tiempo para comparar precios en cinco plataformas competidoras antes de comprar una caja de barritas de proteína. Las máquinas, en cambio, sí podían.

Las plataformas de reserva de viajes fueron las primeras víctimas de este fenómeno, porque eran las más sencillas. En el cuarto trimestre de 2026, los agentes de IA podían establecer un itinerario completo —vuelos, hoteles, transporte terrestre, optimización de descuentos por fidelidad, restricciones presupuestarias, reembolsos— más rápido y a menor costo que cualquier plataforma.

Las renovaciones de seguros, cuyo modelo se basaba íntegramente en la inercia de los asegurados, se reformaron. Los agentes que renegociaban su cobertura cada año desmantelaron el 15-20 % de las primas que las aseguradoras obtenían de las renovaciones pasivas.

El asesoramiento financiero, la preparación de declaraciones fiscales, el trabajo jurídico rutinario: todas las categorías en las que la propuesta de valor del proveedor de servicios se resumía en la fórmula «le ayudaré a navegar por esta complejidad que le resulta aburrida» se han visto alteradas. A los agentes no los desanima nada.

Incluso los ámbitos que creíamos protegidos por el valor de las relaciones humanas han resultado ser frágiles.

El sector inmobiliario, en el que los compradores toleraban desde hacía décadas comisiones del 5 al 6 % debido a la asimetría de información entre el agente y el consumidor, se derrumbó cuando los agentes de IA, equipados con acceso a los servicios de listado múltiple y décadas de datos transaccionales, pudieron reproducir instantáneamente la base de conocimientos. Un artículo publicado en marzo de 2027 por el lado vendedor encontró un nombre para este fenómeno: «violencia de agente a agente». Por otro lado, la comisión mediana del lado del comprador en las grandes metrópolis había pasado del 2,5-3 % a menos del 1 %, y una parte cada vez mayor de las transacciones se cerraban sin ningún agente humano del lado del comprador.

Habíamos sobreestimado el valor de las «relaciones humanas». Resulta que lo que la gente llamaba «relaciones» a menudo no era más que una fricción con una cara amable.

Y eso fue solo el comienzo de las perturbaciones para la capa de intermediación.

Las empresas prósperas habían gastado miles de millones para explotar eficazmente las peculiaridades del comportamiento de los consumidores y la psicología humana. Esas peculiaridades, ahora, ya no importaban.

Las máquinas optimizadas para el precio y la adecuación no se preocupan por tu aplicación favorita o los sitios web que sueles visitar desde hace cuatro años, ni sienten el atractivo de una experiencia de pago bien diseñada. No se cansan y no aceptan la opción más fácil o la elección por defecto: «siempre pido aquí».

La difusión de estas máquinas había destruido así un tipo particular de barrera: la intermediación habitual. DoorDash era el ejemplo perfecto.

DoorDash es una empresa estadounidense especializada en la entrega de comida a domicilio. Es líder en el mercado estadounidense desde 2019, tras superar a Uber Eats en noviembre de 2018.

Los agentes de codificación habían reducido los costos de entrada para el lanzamiento de una aplicación de entrega a domicilio. Un desarrollador competente podía desplegar un competidor funcional en pocas semanas —y decenas lo hicieron—, atrayendo a los conductores lejos de DoorDash y Uber Eats y reembolsándoles entre el 90 y el 95 % de los gastos de entrega. Los paneles de control multiaplicaciones permitían a los trabajadores autónomos realizar un seguimiento de los pedidos entrantes de 20 o 30 plataformas a la vez, por lo que ya no eran cautivos de una sola, como ocurría antes. El mercado se fragmentó de la noche a la mañana y los márgenes se redujeron casi a cero.

Los agentes de IA aceleraron la destrucción por ambos lados: permitieron que los competidores crecieran y luego los utilizaron.

DoorDash había prosperado con un modelo sencillo: «Tienes hambre, eres perezoso: aquí tienes una aplicación en tu pantalla de inicio para ti».

Pero un agente no tiene pantalla de inicio.

Consulta DoorDash, Uber Eats, la página web de un restaurante y otras 20 opciones para poder elegir cada vez los gastos más bajos y la entrega más rápida. La fidelidad habitual a una aplicación, que es la base misma del modelo económico de las plataformas, simplemente no existe para una máquina.

Este fenómeno era extrañamente poético: tal vez fuera el único ejemplo en el que los agentes prestaban un servicio a los cuellos blancos que pronto serían desplazados. Cuando estos se convirtieron en repartidores, al menos la mitad de sus ingresos no iban a parar a Uber y DoorDash. Por supuesto, este servicio prestado por la tecnología no duró mucho, ya que los vehículos autónomos se multiplicaron.

Una vez que los agentes controlaron la transacción, se fueron en busca de oportunidades más grandes.

Dado que solo hay un número limitado de comparaciones de precios y agregaciones que realizar, la mejor manera de ahorrar dinero al usuario de forma repetida, especialmente cuando los agentes comenzaron a realizar transacciones entre ellos, era eliminar las comisiones. En el comercio entre máquinas, las comisiones de intercambio del 2 al 3 % de las tarjetas bancarias se convirtieron en un objetivo obvio.

Los agentes comenzaron a buscar opciones más rápidas y menos costosas que las tarjetas. La mayoría optó por utilizar stablecoins a través de Solana o Ethereum L2, donde la liquidación era casi instantánea y el costo de la transacción se medía en fracciones de centavo.

El 29 de abril de 2027, el titular de un artículo de Bloomberg decía: «Mastercard, primer trimestre de 2027: los ingresos netos aumentan un 6 % interanual. El crecimiento del volumen de compras se ralentiza hasta el 3,4 % interanual, frente al 5,9 % del trimestre anterior. La dirección señala «la optimización de los precios por parte de los agentes» y «la presión en las categorías no esenciales».

El informe del primer trimestre de 2027 de Mastercard marcó un punto de no retorno.

El comercio por agente había pasado de ser una historia de productos a una historia de fontanería. Al día siguiente, las acciones de la empresa cayeron un 9 %. Visa corrió la misma suerte, pero redujo sus pérdidas después de que los analistas destacaran su posición más sólida en la infraestructura de las stablecoins.

El comercio por parte de agentes que eludían las comisiones de intercambio representaba un riesgo mucho mayor para los bancos centrados en las tarjetas, así como para las empresas cuya única actividad era la emisión de dichas tarjetas. Estas cobraron la mayor parte de estas comisiones, del 2 al 3 %, y construyeron segmentos comerciales enteros en torno a programas de fidelización.

American Express fue la más afectada, ya que sufrió tanto los efectos negativos de la reducción de su personal administrativo, que redujo su clientela, y de la elusión de las comisiones de intercambio por parte de los agentes, lo que destruyó su modelo de ingresos. Las acciones de Synchrony, Capital One y Discover también cayeron más de un 10 % en las semanas siguientes.

Sus ventajas competitivas se basaban en las fricciones, y estas estaban desapareciendo.

Del riesgo sectorial al riesgo sistémico

Hasta 2026, los mercados consideraron el impacto negativo de la IA como un fenómeno sectorial. Los sectores del software y la consultoría se vieron muy afectados, la economía de los pagos y los peajes se vio sacudida, pero la economía en su conjunto parecía estar bien. El mercado laboral, aunque en declive, no estaba en caída libre.

La opinión general era que la destrucción creativa formaba parte de cualquier ciclo de innovación tecnológica. Sería dolorosa en algunos aspectos, pero las ventajas netas globales de la IA compensarían las desventajas.

Nuestra nota macroeconómica de enero de 2027 afirmaba que este modelo era erróneo. 

La economía estadounidense es una economía de servicios terciarios. Los trabajadores de cuello blanco representaban el 50 % del empleo y generaban alrededor del 75 % del gasto en consumo no esencial. Las empresas y los puestos de trabajo que la IA destruía no solo tenían una débil relación con la economía estadounidense: eran la economía estadounidense.

Hay un argumento que se repite mucho: «La innovación tecnológica destruye puestos de trabajo, pero luego crea aún más». Este argumento es popular y convincente porque ha sido relevante durante dos siglos. Aunque no pudiéramos imaginar cuáles serían los empleos del mañana, seguramente se materializarían.

Los cajeros automáticos hicieron que las sucursales bancarias fueran menos costosas de operar, lo que llevó a los bancos a abrir más sucursales y provocó un aumento de los empleos de ventanilla durante los siguientes 20 años. Internet ha revolucionado las agencias de viajes, las páginas amarillas y el comercio minorista tradicional, pero a cambio ha inventado industrias completamente nuevas que han creado nuevos puestos de trabajo.

Sin embargo, cada nuevo puesto de trabajo necesitaba un ser humano para desempeñarlo.

La IA es ahora una inteligencia general que mejora en las mismas tareas en las que los humanos podrían ser reasignados. Los programadores que pierden su trabajo debido a la IA no pueden simplemente pasar a la «gestión de la IA»: la IA ya es capaz de hacerlo.

Hoy en día, los agentes de IA gestionan tareas de investigación y desarrollo que duran varias semanas. Este crecimiento exponencial ha cambiado radicalmente nuestra concepción de lo que era posible, a pesar de que cada año los profesores de Wharton intentaban adaptar los datos a una nueva curva sigmoidea.

Frank Flight La difusión tecnológica siempre ha seguido una curva en forma de S, o curva sigmoidea, cuyo crecimiento es lento al principio, rápido después y se estabiliza finalmente en un nivel superior.

La adopción temprana de una nueva tecnología es lenta y costosa. A medida que el crecimiento se acelera a medida que los costos disminuyen y se desarrollan infraestructuras complementarias, se produce una saturación y los adoptantes marginales son menos productivos o menos rentables, lo que provoca una ralentización del crecimiento.

A pesar de ello, los mercados suelen extrapolar la fase de aceleración de forma lineal. La historia demuestra más bien que el ritmo de adopción se estabiliza, ya que la integración organizativa es costosa, surgen regulaciones y los rendimientos marginales disminuyen en el despliegue económico. El riesgo de sustitución disminuye con un ritmo de adopción más lento.

Los agentes de IA escriben la gran mayoría del código. Los más eficaces son mucho más inteligentes, en casi todos los ámbitos, que casi todos los seres humanos. Y cada vez son más baratos.

La IA ha creado nuevos puestos de trabajo: ingenieros de prompt, investigadores de seguridad de IA o técnicos de infraestructura. Los seres humanos siguen estando en el circuito, coordinando al más alto nivel o dirigiendo según sus preferencias. Sin embargo, por cada nuevo puesto creado por la IA, decenas de otros se han quedado obsoletos. Los nuevos puestos se remuneran a una fracción de lo que ganaban los antiguos.

En octubre de 2026, Bloomberg titulaba: «JOLTS: en Estados Unidos, las ofertas de empleo caen por debajo de los 5,5 millones; la ratio de desempleados por cada oferta de empleo sube a alrededor de 1,7, su nivel más alto desde agosto de 2020».

La Job Openings and Labor Turnover Survey es una encuesta realizada por la Oficina de Estadísticas Laborales de Estados Unidos para ayudar a medir los puestos vacantes.

La tasa de contratación había sido anémica durante todo el año, pero las cifras de empleo de octubre de 2026 proporcionaron datos definitivos. Las ofertas de empleo cayeron por debajo de los 5,5 millones, lo que supone un descenso del 15 % interanual.

Frank Flight Hasta la fecha, hay pocos indicios de que la IA esté alterando los datos del mercado laboral. De hecho, los componentes prospectivos del seguimiento del mercado laboral han mejorado: la construcción de centros de datos de IA parece estar impulsando la recuperación de la contratación en el sector de la construcción.

En diciembre de 2026, el metabuscador de empleo Indeed publicó una nota informativa: «Las ofertas de empleo caen en picado en los sectores del software, las finanzas y la consultoría a medida que se generalizan las iniciativas de productividad».

Las ofertas de empleo para los trabajadores de oficina se desplomaban, mientras que las de los trabajadores de cuello azul se mantenían relativamente estables, en sectores como la construcción, la salud o el comercio. Las pérdidas afectaban a los puestos de trabajo que consisten en redactar memorandos, aprobar presupuestos y garantizar el buen funcionamiento de los niveles intermedios de la economía. Sin embargo, el crecimiento de los salarios reales en ambos grupos había sido negativo durante la mayor parte del año y seguía disminuyendo.

El mercado bursátil seguía preocupándose menos por la JOLTS que por el anuncio de que toda la capacidad de producción de turbinas de GE Vernova había sido adquirida por diferentes compradores hasta 2040; evolucionó lateralmente, dividido entre las noticias macroeconómicas negativas y los titulares positivos sobre las infraestructuras de IA.

Este punto sobre las infraestructuras energéticas de la IA —muy consumidora de electricidad— puede ser uno de los puntos de partida para criticar el escenario de un círculo vicioso, tal y como se esboza en esta nota, en el que cada ola de despidos, al reforzar las herramientas de IA, prepara una nueva oleada.

Frank Flight Es bien sabido que el entrenamiento y la inferencia requieren una gran capacidad en semiconductores, centros de datos y energía. La sustitución de los empleos de cuello blanco requeriría una intensidad de cálculo superior en varios órdenes de magnitud al nivel actual de uso. Si la automatización se desarrolla rápidamente, la demanda de cálculo aumenta por definición, lo que hace que su costo marginal se dispare. Si el costo marginal de la computación supera el costo marginal del trabajo humano para determinadas tareas, no habrá sustitución, lo que creará una frontera económica natural.

Esta dinámica contrasta fuertemente con los discursos que suponen una reproducción «sin fricciones» de la inteligencia, como el de este texto. Aunque los algoritmos mejoren de forma recursiva, el despliegue económico sigue estando limitado por el capital físico, la disponibilidad de energía, las autorizaciones reglamentarias y los cambios organizativos.

El mercado de bonos, siempre más inteligente que el mercado de valores, o al menos menos romántico, ha comenzado a integrar la caída del consumo en sus precios. El rendimiento a 10 años comenzó a bajar, pasando del 4,3 % al 3,2 % en los cuatro meses siguientes. Sin embargo, la tasa de desempleo global no se disparó. 

Algunos, sin embargo, no comprendieron el fenómeno que se escondía tras esta aparente estabilidad.

En una recesión normal, la causa acaba corrigiéndose por sí sola. El exceso de construcción provoca una ralentización de la construcción, lo que conduce a una bajada de las tasas, lo que a su vez conduce a nuevas construcciones. El exceso de existencias provoca una reducción de las mismas, lo que conduce a una reposición. El mecanismo cíclico contiene en sí mismo los gérmenes de la recuperación.

La causa del ciclo no era en sí misma cíclica

La IA ha mejorado y se ha abaratado. 

Las empresas han despedido a empleados y luego han utilizado el ahorro conseguido para comprar más capacidad de IA, lo que les ha permitido despedir a más empleados. 

Los trabajadores despedidos redujeron sus gastos. 

Las empresas que venden productos a los consumidores vieron cómo bajaban sus ventas, se debilitaron e invirtieron más en IA para proteger sus márgenes.

Una vez más, la IA ha mejorado y se ha abaratado.

Ya hemos expuesto este fenómeno: el de un bucle de retroalimentación sin freno natural.

Frank Flight La automatización basada en la IA es un choque de productividad. Estos, en general, son choques de oferta positivos: reducen los costos marginales, aumentan la producción potencial y los ingresos reales. Son aislados, deflacionistas y favorecen el crecimiento a medio plazo. Históricamente, todos los grandes avances tecnológicos —el vapor, la electrificación, el motor de combustión interna, la informática— han seguido este patrón. El contraargumento de este texto sugiere que la IA es una innovación tecnológica diferente a las anteriores, ya que sustituye directamente los ingresos del trabajo, lo que elimina la demanda global.

Intuitivamente, cabría esperar que la disminución de la demanda global ralentizara el desarrollo de la IA. No ha sido así, ya que no se trataba de gastos de inversión como los que requieren los hyperscalers, sino de una sustitución de gastos de explotación. Ahora, una empresa que hasta ahora gastaba 100 millones de dólares al año en sus empleados y 5 millones de dólares en IA, gastaba 70 millones de dólares en sus empleados y 20 millones de dólares en IA.

Las inversiones en IA se multiplicaron, pero esto se tradujo en una reducción de los costos operativos totales. El presupuesto de IA de cada empresa aumentó, mientras que sus gastos generales disminuyeron.

La ironía de la situación era que el complejo de infraestructuras de IA seguía funcionando incluso cuando la economía que perturbaba comenzaba a deteriorarse. Nvidia seguía registrando beneficios récord. TSMC seguía funcionando a más del 95 % de su capacidad. Los hiperescaladores seguían gastando entre 150.000 y 200.000 millones de dólares al trimestre en inversiones para centros de datos. Las economías que seguían estrictamente esta tendencia, como Taiwán y Corea, registraron un rendimiento excepcional.

La India experimentó el fenómeno contrario. El sector de los servicios informáticos del país exportaba más de 200.000 millones de dólares al año, lo que constituía la mayor contribución al superávit corriente de la India y compensaba su persistente déficit comercial.

El conjunto del modelo se basaba en una única propuesta de valor: los desarrolladores indios costaban una fracción del precio de sus homólogos estadounidenses. Sin embargo, cuando el costo marginal de un agente de codificación de IA se desplomó hasta alcanzar, en esencia, el costo de la electricidad, TCS, Infosys y Wipro vieron cómo se aceleraban las cancelaciones de contratos. Como consecuencia, la rupia cayó un 18 % frente al dólar en cuatro meses, mientras que el superávit de servicios que había afianzado las cuentas exteriores de la India se evaporaba.

Infosys y TCS son empresas indias proveedoras de servicios informáticos, mientras que Wipro es una multinacional con sede también en la India.

En el primer trimestre de 2028, el FMI inició «conversaciones preliminares» con Nueva Delhi.

El motor que provocó la perturbación mejoraba cada trimestre, lo que significaba que la perturbación se aceleraba cada trimestre. Ante esta situación, el mercado laboral no tenía ningún contrapeso natural.

En Estados Unidos, ya no nos preguntábamos cómo iba a estallar la burbuja en el ámbito de las infraestructuras de IA. Nos preguntábamos qué pasaría con una economía basada en el crédito al consumo cuando los consumidores fueran sustituidos por máquinas.

El gran desplazamiento de la inteligencia

En 2027, la situación macroeconómica se hizo evidente. 

El mecanismo de transmisión de los últimos 12 meses, marcados por acontecimientos dispares pero claramente negativos, se hizo evidente.

No era necesario sumergirse en los datos de la Oficina de Estadísticas Laborales. Bastaba con asistir a una cena con amigos.

Los trabajadores de cuello blanco desplazados no se quedaron de brazos cruzados. Revisaron sus ambiciones a la baja. Muchos aceptaron empleos menos remunerados en el sector servicios y la economía colaborativa, lo que aumentó la oferta de mano de obra en estos segmentos y comprimió los salarios.

Una de nuestras amigas era jefa de producto sénior en Salesforce en 2025. 

Tenía un título, seguro médico, plan de ahorro para la jubilación 401(k) y 180.000 dólares al año. Perdió su trabajo en la tercera ola de despidos. Tras seis meses de búsqueda, empezó a conducir para Uber. Sus ingresos se redujeron a 45.000 dólares.

Lo importante no es esta historia individual, sino lo que permite comprender un cálculo matemático: basta con duplicar este caso en unos cientos de miles de ejemplares, los trabajadores de todas las grandes metrópolis.

La mano de obra sobrecalificada que ha invadido el sector servicios y la economía de los pequeños trabajos ha hecho bajar los salarios de los trabajadores existentes que ya estaban en dificultades. Las perturbaciones específicas de algunos sectores se han convertido en una compresión salarial a escala de la economía.

Frank Flight Para pintar un panorama menos sombrío, hay que recordar que la economía comprende una amplia gama de tareas —físicas, relacionales, normativas, de supervisión— cuya automatización es costosa. Incluso la automatización cognitiva se enfrenta a fricciones de coordinación, restricciones de responsabilidad y obstáculos de confianza. Parece más probable que la IA complemente, en lugar de sustituir, a la mano de obra en muchos ámbitos. Históricamente, las revoluciones tecnológicas han modificado la composición de las tareas en lugar de eliminar la mano de obra como factor de producción.

Para producir un impacto negativo en la demanda lo suficientemente importante como para superar la expansión de la producción, hay que suponer una automatización casi total de la mano de obra económicamente relevante, combinada con respuestas redistributivas extremadamente débiles. Para enmarcar correctamente este debate, basta con preguntarse si la llegada de Microsoft Office ha sido un complemento o un sustituto para los empleados de oficina: si, a priori, se temía que el software fuera a sustituir a los empleados, a posteriori parece claro que solo los complementa.

La reserva de trabajadores centrados en el ser humano ha sufrido una nueva corrección, que se produce en el momento de redactar estas líneas. Los vehículos autónomos y sin conductor se abren paso en la economía de los pequeños trabajos que ha absorbido la primera oleada de trabajadores desplazados.

En febrero de 2027, estaba claro que los profesionales que aún conservaban su empleo se esforzaban como si fueran los siguientes en la lista. Trabajaban el doble, principalmente con la ayuda de la IA, para no ser despedidos, ya que sus esperanzas de ascenso o aumento salarial habían desaparecido. Las tasas de ahorro aumentaron y el gasto disminuyó.

Frank Flight La variable crítica en el desplazamiento de la IA es la elasticidad de sustitución entre el capital de IA y el trabajo. Si esta elasticidad es extremadamente alta, es decir, si las empresas pueden sustituir casi todo el trabajo humano por sistemas automatizados a un costo relativamente estable, entonces la parte de los ingresos del trabajo podría desplomarse. En un mundo así, los ingresos del capital aumentan considerablemente, mientras que los ingresos salariales se contraen.

Incluso en este caso, la demanda global no se desploma automáticamente. Los ingresos del capital tienen una propensión marginal al consumo inferior a la de los ingresos salariales, pero su velocidad de circulación no es nula. Los beneficios pueden reinvertirse, distribuirse, gravarse o gastarse. Para que la demanda disminuya de forma estructural, sería necesario que los mecanismos de redistribución fallaran de forma persistente y que, al mismo tiempo, se agotaran las oportunidades de inversión.

Lo más peligroso de este fenómeno era una especie de desfase. 

Las personas con altos ingresos utilizaron sus mayores ahorros medios para mantener una apariencia de normalidad durante dos o tres trimestres. Así, los datos concretos no confirmaron el problema hasta que ya era evidente en la economía real.

Luego llegó la publicación que rompió la ilusión.

En el tercer trimestre de 2027, el Departamento de Trabajo de los Estados Unidos declaró: «Las solicitudes iniciales de subsidio por desempleo en Estados Unidos ascienden a 487.000, el nivel más alto desde abril de 2020».

ADP y Equifax confirmaron posteriormente que la gran mayoría de las nuevas solicitudes procedían de trabajadores de cuello blanco. A la semana siguiente, el S& P cayó 6 %.

Equifax es una empresa de evaluación de la solvencia crediticia, que determina la capacidad de una persona o empresa para obtener préstamos. ADP es una empresa estadounidense proveedora de software de recursos humanos en la nube.

Los factores macroeconómicos negativos comenzaron a tomar el control.

En una recesión normal, las pérdidas de empleo se distribuyen ampliamente. Los trabajadores manuales y los ejecutivos comparten el dolor de manera casi proporcional a la participación de cada segmento en el empleo. El impacto en el consumo también se distribuye ampliamente y aparece rápidamente en los datos, ya que los trabajadores con bajos ingresos tienen una mayor propensión al consumo.

En la teoría keynesiana, la propensión al consumo se refiere a la parte de los ingresos que se destina al consumo. En su Teoría general del empleo, el interés y el dinero, Keynes propone como «ley psicológica fundamental» que «por término medio, y en la mayoría de los casos, los hombres tienden a aumentar su consumo a medida que aumentan sus ingresos, pero no en una cantidad tan grande como el aumento de los ingresos». ¹

En este ciclo, las pérdidas de empleo se han concentrado en los deciles superiores de la distribución de la renta. Representan una parte relativamente pequeña del empleo total, pero generan una parte desproporcionada del gasto en consumo.

El 10 % de las rentas más altas representan más del 50 % de todo el gasto en consumo en Estados Unidos. El 20 % más rico representa alrededor del 65 %. Son estas personas las que compran casas, coches, se permiten vacaciones, comidas en restaurantes, pueden pagar la matrícula de colegios privados o renovar sus hogares. Constituyen la base de la demanda de toda la economía de bienes de consumo discrecionales.

Cuando estos trabajadores perdieron sus empleos o aceptaron una reducción salarial del 50 % para ocupar los puestos disponibles, el impacto en el consumo fue enorme en comparación con el número de empleos perdidos. Una disminución del 2 % en el empleo de los trabajadores de cuello blanco se tradujo en una disminución del 3 al 4 % en el gasto en bienes de consumo discrecionales.

A diferencia de las pérdidas de empleo de los obreros, que suelen tener un impacto inmediato —una vez despedidos de la fábrica, dejan de gastar a partir de la semana siguiente—, las pérdidas de empleo de los trabajadores de cuello blanco tienen un impacto diferido pero más profundo, ya que estos trabajadores disponen de ahorros que les permiten mantener su gasto durante unos meses antes de que se note el cambio de comportamiento.

En el segundo trimestre de 2027, la economía estaba en recesión. Como siempre, la Oficina Nacional de Investigación Económica no fechó oficialmente el inicio de la recesión hasta varios meses después, pero los datos eran inequívocos: el PIB real llevaba dos trimestres consecutivos disminuyendo.

Sin embargo, todavía no se trataba de una «crisis financiera».

Una cadena de apuestas correlacionadas

Mientras que el crédito privado había pasado de menos de 1 billón de dólares en 2015 a más de 2,5 billones en 2026, una parte importante de ese capital se había invertido en transacciones relacionadas con software y tecnología, muchas de las cuales consistían en adquisiciones apalancadas de empresas de SaaS a valoraciones que suponían un crecimiento ininterrumpido de los ingresos, del orden del 15 % anual.

Estas hipótesis perdieron su relevancia en algún momento entre la primera demostración de codificación agencial y la gran crisis del software del primer trimestre de 2026. Sin embargo, los gestores no parecían darse cuenta de que habían quedado obsoletas.

Mientras que muchas empresas SaaS que cotizaban en bolsa se negociaban a 5 u 8 veces su beneficio antes de intereses, impuestos, depreciación y amortización, las empresas de software respaldadas por fondos de capital riesgo figuraban en los balances con valores ficticios: estos reflejaban una valoración de la empresa realizada en el momento de la adquisición, ahora caduca. Los gestores revisaron gradualmente las calificaciones a la baja, del 100 % al 92 % y luego al 85 %, cuando las comparaciones públicas indicaban un 50 %.

En abril de 2027, Moody’s Investor Service declaró: «Moody’s rebaja 18.000 millones de dólares de deuda de software respaldada por fondos privados de 14 emisores, alegando una perturbación de los ingresos debido a la competencia de la IA. Se trata de la mayor rebaja que afecta a un sector desde la del sector energético en 2015».

Todo el mundo recuerda lo que sucedió después. Los veteranos del sector ya habían visto un escenario similar tras la rebaja que afectó al sector energético en 2015.

Las empresas de SaaS comenzaron a incumplir el pago de sus préstamos en el tercer trimestre de 2027. Las empresas de capital riesgo en servicios de información y consultoría les siguieron. Se reestructuraron varias adquisiciones apalancadas por valor de miles de millones de dólares de conocidas empresas de SaaS.

La adquisición apalancada, o leveraged buy-out, es una operación financiera que permite la adquisición de una empresa mediante el endeudamiento.

Zendesk fue el mejor ejemplo de ello.

En septiembre de 2027, se podía leer en el Financial Times: «Zedensk no cumple sus compromisos con respecto a su deuda, ya que la automatización del servicio de atención al cliente basada en la inteligencia artificial ha reducido sus ingresos anuales recurrentes. Una línea de crédito directo de 5000 millones de dólares valorada en 58 céntimos por dólar. Se trata del mayor impago de crédito privado en la historia del software».

Zedensk es una empresa de desarrollo de software fundada en 2007. Ofrece a las empresas software de atención al cliente accesible a través de la nube.

En 2022, Hellman & Friedman y Permira privatizaron Zendesk por 10.200 millones de dólares. El montaje financiero incluía 5.000 millones de dólares en préstamos directos, la mayor línea de crédito respaldada por ingresos anuales recurrentes de la historia en ese momento, liderada por Blackstone con Apollo, Blue Owl y HPS en el grupo de prestamistas. El préstamo se estructuró explícitamente en torno a la hipótesis de que los ingresos anuales recurrentes de Zendesk seguirían siendo, como su nombre indica, recurrentes. Aunque la empresa se había adquirido mediante deuda a aproximadamente 25 veces su beneficio antes de intereses, impuestos, depreciación y amortización, esta adquisición solo tenía sentido si se cumplía esta hipótesis.

Sin embargo, a mediados de 2027, las condiciones ya no se cumplían.

Desde hacía casi un año, los agentes de IA gestionaban de forma autónoma el servicio de atención al cliente de las empresas que antes recurrían a Zendesk. La categoría en la que se había posicionado la empresa Zendesk —la emisión de tickets, el enrutamiento y la gestión de las interacciones humanas— había sido ocupada por sistemas que resolvían los problemas sin generar tickets.

Mientras que el mayor préstamo garantizado por ingresos recurrentes anuales de la historia se convirtió en el mayor impago de crédito privado de la historia, todos los servicios de crédito se hicieron la misma pregunta: ¿quién más se enfrenta a dificultades estructurales disfrazadas de dificultades coyunturales?

Sin embargo, la situación no era inextricable. El crédito privado no es el sector bancario de 2008: toda su arquitectura se diseñó explícitamente para evitar las ventas forzadas. Los fondos de inversión son de capital fijo. Los socios comanditarios se comprometen por un periodo de siete a diez años. No hay depositantes que gestionar, ni repo lines. Los gestores podían conservar los activos depreciados, tratarlos a lo largo del tiempo y esperar su recuperación.

Este proceso era doloroso, pero manejable. El sistema estaba diseñado para adaptarse, no para romperse.

Los directivos de Blackstone, KKR y Apollo informaron de una exposición de software del 7 al 13 % de los activos. Esta podía controlarse. Todas las notas de los analistas para los bancos de inversión y todas las cuentas de Fintwit decían lo mismo: el crédito privado dispone de capital permanente. Podía absorber pérdidas que, de otro modo, habrían hecho estallar un banco especializado en apalancamiento.

Fintwit es una plataforma de IA que ofrece asesoramiento en análisis bursátil.

«Capital permanente»: esta expresión aparecía en todos los comunicados de resultados y en todas las cartas a los inversores, todos ellos destinados a tranquilizar. Se convirtió en un mantra. Y, como la mayoría de los mantras, nadie prestaba atención a los detalles.

Esto es lo que realmente significaba.

Durante la década anterior, los grandes gestores de activos alternativos habían adquirido compañías de seguros de vida y las habían convertido en instrumentos de financiación. Apollo compró Athene. Brookfield compró American Equity. KKR compró Global Atlantic.

La lógica era elegante: las rentas vitalicias proporcionaban una base de pasivo estable y a largo plazo. Los gestores las invertían en el crédito privado que habían creado y cobraban dos veces, por un diferencial de tasas en la parte de seguros y por comisiones de gestión en la parte de gestión de activos. Se trataba de una máquina de movimiento perpetuo que funcionaba a la perfección.

Sin embargo, esta máquina solo podía funcionar con una condición: el crédito privado debía ser de buena calidad.

Las pérdidas afectaron a los balances diseñados para mantener activos ilíquidos frente a obligaciones a largo plazo. El «capital permanente» que se suponía que hacía que el sistema fuera resistente no era un pool abstracto de dinero institucional e inversores sofisticados que asumían riesgos sofisticados. Se trataba de los ahorros de los hogares estadounidenses normales, estructurados en forma de rentas invertidas en los mismos programas informáticos y tecnologías respaldados por fondos privados que ahora estaban en mora. El capital bloqueado que no se podía utilizar era el dinero de quienes habían contratado un seguro de vida, y las normas son un poco diferentes en este ámbito.

En comparación con el sistema bancario, los legisladores en materia de seguros habían sido dóciles, incluso complacientes. Sin embargo, la situación supuso una señal de alarma para ellos.

Ya preocupados por la concentración de créditos privados en las aseguradoras, comenzaron a degradar el uso de estos activos en operaciones de capital riesgo. Esto obligó a las aseguradoras a recaudar capital o vender activos, lo que no era posible en buenas condiciones en un mercado que ya se estaba estancando.

En noviembre de 2027, se podía leer en un artículo de Reuters: «En Nueva York, las autoridades del estado de Iowa están tomando medidas para reforzar la regulación de determinados créditos privados en poder de las aseguradoras de vida. Las directrices de la Asociación Nacional de Comisionados de Seguros deberían aumentar los factores de riesgo de capital y desencadenar un examen adicional de la Oficina de Valoración de Valores».

Cuando Moody’s consideró la solidez financiera de Athene bajo una luz desfavorable, las acciones de Apollo cayeron un 22 % en dos sesiones. Brookfield, KKR y otros siguieron su ejemplo.

La situación no hizo más que complicarse a partir de ahí. 

Estas empresas no solo habían creado una máquina de movimiento perpetuo: habían establecido una elaborada arquitectura offshore diseñada para maximizar los rendimientos mediante el arbitraje regulatorio.

La aseguradora estadounidense suscribió la renta y luego cedió el riesgo a una compañía de reaseguros afiliada en las Bermudas o las Islas Caimán, que también le pertenecía, creada para aprovechar una normativa más flexible que permitía mantener menos capital para los mismos activos. Esta filial recaudó capital externo a través de special purpose vehicle offshore, una nueva capa de contrapartes que invirtieron junto con las aseguradoras en créditos privados emitidos por la rama de gestión de activos de la misma empresa matriz.

Las agencias de calificación crediticia, algunas de las cuales pertenecían a sociedades de capital riesgo, tampoco eran un modelo de transparencia, lo que no sorprendía a prácticamente nadie. La compleja red formada por las diferentes sociedades, vinculadas a diferentes balances, era de una opacidad asombrosa. Cuando los préstamos subyacentes entraron en mora, era imposible responder a la pregunta de quién soportaba realmente la pérdida.

La crisis de noviembre de 2027 marcó el paso de una percepción de una desaceleración cíclica potencialmente banal a algo mucho más inquietante. 

En la reunión de emergencia, el presidente de la Reserva Federal, Kevin Warsh, señaló el problema: «Una cadena de apuestas correlacionadas sobre el crecimiento de la productividad de los trabajadores de cuello blanco».

Nunca son las pérdidas en sí mismas las que provocan la crisis, sino el reconocimiento de esas pérdidas. Y hay otro ámbito financiero, mucho más amplio y mucho más importante, en el que tememos tener que afrontarlas.

La cuestión de las hipotecas

En junio de 2028, el Zillow Home Value cayó un 11 % interanual en San Francisco, un 9 % en Seattle y un 8 % en Austin.

El Zillow Home Value es un índice de precios inmobiliarios. Zillow es una empresa estadounidense de anuncios inmobiliarios, creada en 2006.

Esta no es la única noticia preocupante. El mes pasado, la Asociación Hipotecaria Nacional Federal informó de un aumento de los impagos tempranos en los códigos postales con una alta concentración de hipotecas jumbo, es decir, las zonas donde viven prestatarios con una calificación crediticia superior a 780 y que suelen estar «a salvo».

El mercado hipotecario residencial estadounidense representa alrededor de 13 billones de dólares. La suscripción de una hipoteca se basa en la hipótesis fundamental de que el prestatario mantendrá su empleo y su nivel de ingresos actual durante toda la duración del préstamo. En el caso de la mayoría de las hipotecas, esta duración es de 30 años.

La crisis del empleo entre los trabajadores de cuello blanco ha puesto en tela de juicio esta hipótesis al modificar de forma duradera las previsiones de ingresos. Ahora debemos plantearnos una pregunta que parecía absurda hace solo tres años: ¿son rentables las hipotecas de primera categoría?

Todas las crisis hipotecarias anteriores en la historia de Estados Unidos han sido provocadas por uno de los tres factores siguientes: el exceso especulativo por conceder préstamos a personas que no podían permitirse comprar una vivienda, como en 2008; las perturbaciones de las tasas de interés por una subida de las tasas que hacía inasequibles las hipotecas de tipo variable, como a principios de la década de 1980; o las perturbaciones económicas localizadas con el colapso de un solo sector en una sola región, como el petróleo en Texas en la década de 1980 o el automóvil en Michigan en 2009.

Ninguno de estos escenarios es relevante aquí. Los prestatarios en cuestión no corren ningún riesgo. Tienen una puntuación FICO de 780. Han pagado un anticipo del 20 %. Tienen un historial crediticio impecable, empleos estables e ingresos que han sido verificados y documentados en el momento de la suscripción. Son los prestatarios que todos los modelos de riesgo del sistema financiero consideran la base de la calidad crediticia.

La puntuación FICO es una calificación crediticia introducida en 1989 por Fair, Isaac and Company, una empresa de análisis de datos. Una puntuación alta califica a un prestatario como fiable, no susceptible de incurrir en impago.

En 2008, los préstamos eran malos desde el momento en que se concedieron. En 2028, la situación es inversa. El mundo simplemente ha cambiado después de la suscripción de los mismos. La gente pidió préstamos apostando por un futuro en el que ya no puede creer.

En 2027, detectamos los primeros signos de una tensión invisible: retiradas de las líneas de crédito hipotecario, retiradas de los planes 401(k) y aumento de las deudas de las tarjetas de crédito, mientras que los reembolsos hipotecarios continuaban sin cambios. Con la pérdida de puestos de trabajo, la congelación de las contrataciones y la reducción de las primas, estos hogares privilegiados vieron cómo se duplicaba su ratio de endeudamiento.

Estos hogares aún podían pagar su hipoteca, pero solo eliminando todos los gastos discrecionales, recurriendo a sus ahorros y posponiendo cualquier mantenimiento o mejora de su vivienda. Técnicamente, estaban al día en el pago de su hipoteca, pero un solo golpe adicional los habría sumido en una crisis.

La evolución de las capacidades de la IA sugería que ese golpe iba a producirse. Entonces vimos cómo empezaban a aumentar los impagos en San Francisco, Seattle, Manhattan y Austin, aunque la media nacional se mantenía dentro de los niveles históricos.

Ahora nos encontramos en la fase más aguda. La caída de los precios inmobiliarios es manejable cuando el comprador marginal goza de buena salud. En este caso, el comprador marginal se enfrenta a la misma caída de ingresos.

Aunque la preocupación va en aumento, todavía no nos encontramos en una crisis hipotecaria propiamente dicha. Los impagos han aumentado, pero siguen estando muy por debajo de los niveles de 2008. Es la trayectoria la que constituye la verdadera amenaza.

La espiral de desplazamiento de la inteligencia cuenta ahora con dos aceleradores financieros del declive de la economía real.

El desplazamiento de la mano de obra, las preocupaciones hipotecarias y las turbulencias en los mercados privados: cada uno de estos fenómenos refuerza a los demás. Las herramientas políticas tradicionales —bajadas de tasas, flexibilización cuantitativa— pueden actuar sobre el motor financiero, pero no sobre el motor de la economía real, ya que este último no se alimenta de condiciones financieras estrictas. Se alimenta de la IA, que hace que la inteligencia humana sea menos escasa y menos valiosa.

Reducir las tasas a cero y comprar en el mercado todos los títulos respaldados por hipotecas, como todas las deudas de las empresas compradas con apalancamiento y en mora, no cambiará el hecho de que un agente Claude pueda hacer el trabajo de un jefe de producto con un salario anual de 180.000 dólares por 200 dólares al mes.

Si estos temores se materializan, el mercado hipotecario se derrumbará en la segunda mitad de este año. En este escenario, cabría esperar que la caída actual de las acciones acabara rivalizando con la de la crisis financiera mundial de 2008 (57 % entre el pico y el mínimo). Esto haría retroceder el S& P 500 a unos 3.500 puntos, un nivel que no hemos visto desde el mes anterior al lanzamiento de ChatGPT en noviembre de 2022.

Está claro que las hipótesis de ingresos que sustentan los 13 billones de dólares en hipotecas residenciales se ven comprometidas estructuralmente. Lo que no está claro es si la política puede intervenir antes de que el mercado hipotecario sea plenamente consciente de lo que esto significa. Somos optimistas, pero no podemos ignorar las razones para no serlo.

La carrera contrarreloj

El primer bucle de retroalimentación negativa se produjo en la economía real: las capacidades de la IA mejoran, los salarios disminuyen, el gasto se ralentiza, los márgenes se reducen, las empresas compran más capacidades, las capacidades de la IA mejoran.

Este ciclo ha repercutido en el sector financiero: la disminución de los ingresos ha afectado a las hipotecas, las pérdidas bancarias han restringido el crédito, el efecto riqueza se ha desplomado y el bucle de retroalimentación se ha acelerado. Ambos fenómenos se han visto agravados por una respuesta política insuficiente por parte de un gobierno que parece desorientado.

El sistema no fue diseñado para hacer frente a una crisis como esta. Los ingresos del gobierno federal provienen principalmente de un impuesto sobre el tiempo de trabajo. La gente trabaja, las empresas les pagan y el gobierno recauda una parte de esos ingresos. Los impuestos sobre la renta de las personas físicas y las cotizaciones sociales constituyen la mayor parte de los ingresos en condiciones normales.

En el primer trimestre de este año, los ingresos federales fueron un 12 % inferiores a las previsiones de referencia de la Oficina Presupuestaria del Congreso. Los ingresos procedentes de las cotizaciones sociales están disminuyendo porque hay menos personas empleadas con los niveles salariales anteriores. Los ingresos procedentes del impuesto sobre la renta están disminuyendo porque los ingresos percibidos son estructuralmente más bajos. La productividad está aumentando, pero las ganancias benefician al capital y a la informática, y no a la mano de obra.

La participación del trabajo en el PIB ha pasado del 64 % en 1974 al 56 % en 2024, lo que supone un descenso constante a lo largo de cuatro décadas debido a la globalización, la automatización y la erosión constante del poder de negociación de los trabajadores. En los cuatro años transcurridos desde el inicio de la mejora exponencial de la IA, esta participación ha caído al 46 %. Se trata de la mayor caída jamás registrada.

Frank Flight Cabe recordar que, durante el siglo pasado, las sucesivas oleadas de cambios tecnológicos no provocaron un crecimiento exponencial desenfrenado ni dejaron obsoleta la mano de obra. Por el contrario, solo bastaron para mantener el crecimiento tendencial a largo plazo de las economías avanzadas en cerca del 2 %. Desde esta perspectiva, la IA es quizás, como mucho, suficiente para compensar las fuerzas seculares actuales que son el envejecimiento de la población, el cambio climático y la desglobalización, que ejercen una presión a la baja sobre el crecimiento potencial y la productividad.

La producción sigue ahí. Pero ya no pasa por los hogares para volver a las empresas, lo que significa que tampoco pasa por el Servicio de Impuestos Internos. El flujo circular se ha roto, y el gobierno debería intervenir para remediarlo.

Como en cada recesión, los gastos aumentan a medida que disminuyen los ingresos. La diferencia esta vez es que la presión sobre los gastos no es cíclica. Los estabilizadores automáticos se diseñaron para las pérdidas de empleo temporales, y no para desplazamientos estructurales. El sistema paga prestaciones partiendo del principio de que los trabajadores serán recontratados: esto no será el caso para muchos de ellos, al menos no con un salario similar al que percibían anteriormente.

La Imagen 8 propone un modelo económico en el que la mayoría de los hogares viven de las prestaciones del Estado, financiadas con impuestos a las empresas. Estas, en gran medida automatizadas, ya no tendrían las mismas necesidades de personal, lo que permitiría a una parte significativa de la población trabajar poco o nada.

Frank Flight Sin embargo, la historia demuestra que las ganancias de productividad no se traducen automáticamente en una reducción de la mano de obra o en un colapso de la demanda, ya que modifican la composición de la demanda, aumentan los ingresos reales y generan nuevas industrias.

En un ensayo de 1930, ² John Maynard Keynes predijo que el crecimiento de la productividad sería tan fuerte que, a principios del siglo XXI, la semana laboral se reduciría a 15 horas. Si bien tenía razón en cuanto al crecimiento de la productividad, se equivocó profundamente en cuanto a las implicaciones para el mercado laboral. En lugar de trabajar mucho menos, las sociedades consumieron mucho más, ya que el aumento de la productividad redujo los costos y amplió la frontera del consumo. De hecho, las preferencias se orientaron hacia bienes de mejor calidad, nuevos servicios y formas de gasto antes inimaginables. Si bien el ocio aumentó ligeramente, fueron sobre todo las aspiraciones materiales las que se multiplicaron.

Durante la pandemia de Covid, el gobierno aceptó libremente déficits del 15 %, pero se entendía que esta medida sería temporal. Las personas que hoy necesitan el apoyo del gobierno no se han visto afectadas por una pandemia de la que se recuperarán. Han sido sustituidas por una tecnología que no deja de mejorar. En consecuencia, el gobierno debe transferir más dinero a los hogares justo cuando recauda menos dinero de ellos en forma de impuestos.

Estados Unidos no incurrirá en impago. Imprime el dinero que gasta, el mismo dinero que utiliza para reembolsar a los prestamistas. Pero esta tensión se ha manifestado en otros ámbitos. Los bonos municipales muestran signos preocupantes de dispersión en su rendimiento desde principios de año. Los estados sin impuestos sobre la renta están saliendo bien parados, pero los bonos municipales generales emitidos por los estados que dependen de los impuestos sobre la renta —en su mayoría estados demócratas— han comenzado a incorporar cierto riesgo de impago. Los políticos comprendieron rápidamente la situación y el debate sobre los beneficiarios del plan de rescate se cristalizó en torno a las divisiones partidistas.

Hay que reconocer el mérito de la administración por haber comprendido rápidamente la naturaleza estructural de la crisis y haber comenzado a examinar propuestas bipartidistas para lo que denomina la «Ley de Economía de Transición»: un marco para las transferencias directas a los trabajadores desplazados, financiado mediante una combinación de gasto deficitario y un impuesto propuesto sobre los cálculos de inferencia de la IA.

La propuesta más radical sobre la mesa va aún más lejos. La «Ley de prosperidad compartida de la IA» establecería un derecho público sobre los rendimientos de la propia infraestructura de inteligencia artificial, a medio camino entre un fondo soberano y un canon sobre la producción generada por la IA, cuyos dividendos financiarían las transferencias a los hogares. Los grupos de presión del sector privado han inundado los medios de comunicación con advertencias: una medida de este tipo supondría una pendiente resbaladiza hacia otras medidas más perjudiciales.

Los debates políticos que siguieron fueron tristemente predecibles, exacerbados por las gesticulaciones y la política de la cuerda floja.

La derecha califica las transferencias y la redistribución de marxismo y advierte que gravar el cálculo informático daría ventaja a China.

La izquierda advierte que un impuesto elaborado con la ayuda de los actores actuales se convierte en otra forma de captura regulatoria.

Los halcones presupuestarios destacan los déficits insostenibles.

Las palomas señalan la austeridad prematura impuesta tras la crisis financiera mundial como un ejemplo a no seguir.

La brecha no hace más que ampliarse a medida que se acercan las elecciones presidenciales de este año. Mientras los políticos discuten, el tejido social se deshilacha más rápido de lo que avanza el proceso legislativo.

El movimiento Occupy Silicon Valley es emblemático de un descontento más generalizado. El mes pasado, los manifestantes bloquearon las entradas de las oficinas de Anthropic y OpenAI en San Francisco durante tres semanas consecutivas. Su número no deja de crecer y las protestas han atraído más atención de los medios de comunicación que los datos sobre el desempleo que las motivaron.

Es difícil imaginar que el público pueda odiar a alguien más de lo que odió a los banqueros tras la crisis financiera mundial. Sin embargo, los laboratorios de IA están a punto de conseguirlo y, desde el punto de vista de las masas, con buenas razones. Sus fundadores y primeros inversores han acumulado riqueza a un ritmo que hace que la Edad Dorada parezca una época de moderación. Las ganancias derivadas del aumento de la productividad, que han beneficiado casi en su totalidad a los propietarios de las computadoras y a los accionistas de los laboratorios que los explotaban, han amplificado las desigualdades en Estados Unidos hasta niveles sin precedentes.

Cada bando tiene su propio enemigo, pero el verdadero adversario es el tiempo.

La inteligencia ya no es un recurso escaso

Las capacidades de la IA evolucionan más rápido de lo que las instituciones pueden adaptarse. 

La respuesta política sigue el ritmo de la ideología, no el de la realidad. Si el gobierno no logra ponerse de acuerdo rápidamente sobre la naturaleza del problema, el bucle de retroalimentación escribirá el próximo capítulo en su lugar.

A lo largo de la historia económica moderna, la inteligencia humana ha sido un recurso escaso. El capital era abundante o, al menos, reproducible. Los recursos naturales eran limitados, pero sustituibles. La tecnología avanzaba lo suficientemente lento como para que los seres humanos pudieran adaptarse.

La inteligencia, es decir, la capacidad de analizar, decidir, crear, persuadir y coordinar, era lo único que no se podía reproducir a gran escala.

La inteligencia humana obtenía su valor intrínseco de su escasez. Todas las instituciones de nuestra economía, desde el mercado laboral hasta el mercado hipotecario, pasando por el código fiscal, se diseñaron para un mundo en el que esta hipótesis era válida.

Hoy asistimos al fin de ese mundo. La inteligencia artificial es ahora un sustituto competente y en rápida mejora de la inteligencia humana en un número cada vez mayor de tareas.

El sistema financiero, optimizado durante décadas para un mundo en el que la inteligencia humana era escasa, se está reevaluando. Esta reevaluación es dolorosa, caótica y está lejos de haber terminado, pero no es sinónimo de colapso.

La economía puede encontrar un nuevo equilibrio. Lograrlo es una de las pocas tareas que quedan por hacer y que solo los humanos pueden realizar. Debemos hacerlo bien.

Es la primera vez en la historia que el activo más productivo de la economía ha creado menos puestos de trabajo, en lugar de más. Ningún marco es adecuado, ya que ninguno ha sido diseñado para un mundo en el que los recursos escasos se han vuelto abundantes. Por lo tanto, debemos crear nuevos marcos. La única pregunta que importa es si los construiremos a tiempo.

Sin embargo, usted no está leyendo este artículo en junio de 2028. 

Lo está leyendo en febrero de 2026.

Los mercados están cerca de sus máximos históricos. Los bucles de retroalimentación negativa aún no han comenzado.

Estamos seguros de que algunos de estos escenarios no se harán realidad.

Estamos igualmente seguros de que la inteligencia artificial seguirá acelerándose. La prima otorgada a la inteligencia humana disminuirá.

Como inversores, todavía tenemos tiempo para evaluar en qué medida nuestras carteras se basan en hipótesis que no sobrevivirán a la década.

Como sociedad, todavía tenemos tiempo para ser proactivos.

El canario sigue vivo.

Desde finales del siglo XIX, los canarios se han utilizado habitualmente en las minas de carbón como sistema de alerta; más sensibles a los gases tóxicos que los mineros, advertían, mostrando signos de angustia, de que las condiciones ya no eran seguras.