Inteligencia Artificial y Mercados Laborales en Centroamérica: La Doble Trampa de la Exposición y la Exclusión

Resumen

La inteligencia artificial generativa llega a Centroamérica sobre una matriz de informalidad, heterogeneidad productiva e inserción internacional basada en servicios subcontratados. Este artículo examina si los marcos teóricos diseñados para economías avanzadas capturan adecuadamente ese choque. Mediante una revisión estructurada de quince fuentes verificadas, se articula el enfoque basado en tareas con el estructuralismo latinoamericano en cuatro ejes analíticos. La evidencia sugiere una doble trampa: entre 26% y 38% del empleo regional está expuesto, las contrataciones júnior en ocupaciones expuestas caen cerca de 25% en economías avanzadas y 17 millones de trabajadores con potencial de aumentación carecen de computadora. Costa Rica (56,0 puntos en el ILIA 2026) contrasta con Honduras (26,2). Sin capacidades de absorción, la adopción tenderá a polarizar antes que a converger.

Abstract

Generative artificial intelligence reaches Central America through a matrix of informality, productive heterogeneity, and international integration based on outsourced services. This article examines whether theoretical frameworks designed for advanced economies adequately capture that shock. Through a structured review of fifteen verified sources, it combines the task-based approach with Latin American structuralism across four analytical axes. The evidence suggests a double trap: between 26% and 38% of regional employment is exposed, junior hiring in exposed occupations falls by roughly 25% in advanced economies, and 17 million workers with augmentation potential lack access to a computer. Costa Rica (56.0 points in the 2026 ILIA) contrasts sharply with Honduras (26.2). Without absorptive capacity, adoption is likely to polarize rather than converge.

Palabras clave: inteligencia artificial generativa; mercados laborales; capacidad de absorción; heterogeneidad estructural; Centroamérica.

Keywords: generative artificial intelligence; labor markets; absorptive capacity; structural heterogeneity; Central America.

Códigos JEL: J23, J24, O14, O33, O54.

Introducción

La inteligencia artificial generativa se ha difundido con rapidez inédita en los mercados de trabajo cognitivo, y la literatura de frontera ha desarrollado instrumentos rigurosos para medir sus efectos sobre tareas, salarios y productividad (Acemoglu & Restrepo, 2019; Brynjolfsson et al., 2025). Sin embargo, esos instrumentos fueron calibrados en economías con mercados formales, infraestructura digital extendida y empresas capaces de reorganizarse en torno a la nueva tecnología. Centroamérica no comparte esas condiciones de manera uniforme. Su estructura productiva combina enclaves exportadores de servicios con un vasto tejido de MiPyMEs informales, y su desigualdad, con un Gini regional entre 0,450 y 0,472, supera en 14 puntos al promedio de la OCDE (Arenas de Mesa, 2026).

Este desacople entre Norte y Sur no es un problema de grado, sino de mecanismo. Mientras en el Norte el debate gira sobre el balance entre desplazamiento y reinstalación de tareas, en la periferia la pregunta relevante es quién captura la reinstalación y quién absorbe el desplazamiento (Cimoli & Porcile, 2014; Korinek & Stiglitz, 2021). Por tanto, este artículo sostiene que los trabajadores centroamericanos enfrentan una doble trampa: la exposición a la sustitución en los servicios transables que sostuvieron su inserción internacional y, simultáneamente, la exclusión de las ganancias de productividad por déficits de capacidad de absorción, cómputo y capital humano avanzado (Cohen & Levinthal, 1990; CEPAL & CENIA, 2026).

El análisis se organiza en cuatro ejes. El primero examina el quiebre del nearshoring tradicional y la ruptura del escalón júnior. El segundo documenta el desfase formativo y la fragmentación subregional de capacidades en inteligencia artificial. El tercero analiza la adopción corporativa pasiva y la economía de las tecnologías mediocres. El cuarto aborda la divergencia centro-periferia y sus implicaciones distributivas.

1. Arquitectura Teórica

El punto de partida es el enfoque basado en tareas. Acemoglu y Restrepo (2018) modelan la producción como un continuo de tareas en el que la automatización desplaza trabajo y la creación de nuevas tareas lo reinstala. El equilibrio entre ambas fuerzas no es automático: en Estados Unidos, el desplazamiento se aceleró a 0,7% anual entre 1987 y 2017, mientras la reinstalación cayó a 0,35%, reduciendo el contenido laboral neto de la producción en cerca de 10% (Acemoglu & Restrepo, 2019). El riesgo mayor no proviene de tecnologías transformadoras, sino de tecnologías mediocres (so-so technologies), suficientemente rentables para sustituir trabajadores pero incapaces de generar ganancias de productividad que financien nuevas tareas. Ese sesgo se amplifica cuando el sistema tributario grava el trabajo entre 25% y 30% y el capital por debajo de 5% (Acemoglu & Restrepo, 2020). Acemoglu et al. (2026) refinan esta lógica con una taxonomía de cinco tipos de innovación, donde solo la creación de nuevas tareas resulta inequívocamente favorable al trabajador.

Korinek y Stiglitz (2021) trasladan esta dinámica al plano internacional. Cuando las economías avanzadas adoptan progreso técnico ahorrador de trabajo, el precio relativo del factor abundante en el Sur se deprime y sus términos de intercambio se deterioran. Además, los modelos de inteligencia artificial combinan costos fijos elevados con costos marginales cercanos a cero, lo que favorece mercados donde el ganador se lleva todo y erosiona el crecimiento basado en exportaciones intensivas en mano de obra barata.

En el plano microeconómico, Brynjolfsson et al. (2025) documentan que un asistente generativo eleva la productividad de agentes de atención al cliente en 14%, con ganancias de hasta 34% entre los menos calificados. Esa misma propiedad niveladora, sin embargo, reduce el valor del aprendizaje en el puesto. Lambert y Schindler (2026) muestran que, en ocupaciones expuestas simultáneamente al trabajo remoto y a la inteligencia artificial generativa, las contrataciones júnior cayeron alrededor de 25% después de 2022 en cuatro economías avanzadas. La escalera formativa se rompe en su primer peldaño.

Estas fuerzas operan, además, sobre estructuras heterogéneas. Cohen y Levinthal (1990) establecen que absorber tecnología externa exige conocimiento previo y esfuerzo interno de I+D, y que la compra de equipo externo desalienta la I+D propia. Crespi et al. (2016) confirman ese patrón en los servicios latinoamericanos, donde la I+D interna representa menos del 10% del gasto innovador. Cimoli y Porcile (2014) formalizan cómo, sin políticas que cierren la brecha tecnológica, los choques de innovación en el centro empujan el empleo periférico hacia la informalidad. Castellacci y Natera (2016) documentan que esa trayectoria divide al propio istmo: Costa Rica aprovecha la inversión extranjera y la innovación, mientras El Salvador, Guatemala y Honduras exhiben coeficientes negativos en esos canales.

2. Eje Analítico 1: El Quiebre del Nearshoring Tradicional, la Exposición Ocupacional y la Ruptura del Escalón Júnior

Durante la última década, la inserción centroamericana en los servicios transables descansó sobre el arbitraje salarial: una fuerza laboral joven, en la zona horaria norteamericana, ofrecía centros de contacto, procesamiento administrativo y desarrollo de software a costos competitivos. La inteligencia artificial generativa altera esa ecuación porque actúa precisamente sobre las tareas cognitivas codificables que este modelo exportaba.

Gmyrek et al. (2024) estiman, con microdatos laborales de entre 16 y 18 países, que entre 26% y 38% del empleo latinoamericano está expuesto. La composición importa más que el agregado: entre 2% y 5% enfrenta automatización directa, entre 8% y 14% presenta potencial de aumentación, y entre 14% y 21% queda en una zona incierta cuyo desenlace dependerá de la dirección del cambio técnico. El riesgo tampoco es neutral. Las mujeres, sobrerrepresentadas en funciones administrativas, duplican el riesgo de automatización de los hombres, y unos 17 millones de trabajadores con perfil aumentable carecen de computadora en su empleo. La aumentación presupone una infraestructura que buena parte de la región no posee.

En los centros de servicios (BPO), la lógica de corto plazo favorece la adopción. Brynjolfsson et al. (2025) muestran que los agentes asistidos reducen cada interacción en 3,75 minutos y alcanzan en dos meses el desempeño que antes requería entre ocho y diez. Pero ese mismo aumento de productividad en los núcleos corporativos reduce el volumen de tareas rutinarias que conviene subcontratar hacia la periferia, debilitando la base del arbitraje (Korinek & Stiglitz, 2021).

El efecto más persistente recae sobre las trayectorias de carrera. La correlación de 0,77 entre viabilidad del trabajo remoto y exposición a la inteligencia artificial generativa revela que las ocupaciones exportadas a distancia son también las más automatizables (Lambert & Schindler, 2026). Cuando un profesional sénior asistido ejecuta la codificación base y la documentación que antes delegaba en novatos, la demanda júnior se contrae y los salarios de entrada ceden 6,3% en firmas expuestas. La demanda se desplaza hacia la ingeniería de inteligencia artificial y las operaciones de aprendizaje automático (MLOps), que exigen criterio arquitectónico y gobernanza de datos, competencias que se adquirían ascendiendo por los peldaños que hoy desaparecen. El mercado reclama especialistas mientras clausura el mecanismo que los formaba. Costa Rica, con la mayor concentración centroamericana de habilidades en inteligencia artificial (0,74%), está mejor posicionada, pero aun allí el estrechamiento del primer peldaño amenaza la reposición del talento (CEPAL & CENIA, 2026).

3. Eje Analítico 2: El Desfase Estructural de la Oferta Formativa y las Brechas de Capacidades en el ILIA

Mientras la demanda global se desplaza hacia la arquitectura e integración de modelos, la oferta centroamericana de capital humano e infraestructura exhibe rezagos profundos. El Índice Latinoamericano de Inteligencia Artificial (ILIA) evalúa factores habilitantes, investigación, desarrollo y adopción (I+D+A), y gobernanza sobre cien puntos (CEPAL & CENIA, 2025, 2026). Frente al promedio regional de 44,5 puntos en 2026 y a los países Pioneros —Chile (71,4), Brasil (68,4) y Uruguay (67,0)—, el istmo se divide en tres velocidades que reflejan sus asimetrías históricas (Castellacci & Natera, 2016).

En la primera velocidad destaca Costa Rica (56,0 puntos en 2026; 53,83 en 2025), quinto lugar regional y único país centroamericano entre los Adoptantes líderes por su gobernanza (80,5), habilitantes (50,5) e I+D+A (45,0). En la segunda velocidad figuran Panamá (39,3; 38,95 en 2025) y El Salvador (37,9; 32,04 en 2025). En la tercera, como Exploradores, quedan Guatemala (29,0; 28,44 en 2025) y Honduras (26,2; 27,39 en 2025), mientras Nicaragua carece de medición (Tabla 1).

Tabla 1. Puntajes subregionales en el ILIA 2026

Fuente: CEPAL y CENIA (2026).

El desglose revela la paradoja panameña: regulación avanzada sin base productiva. Panamá alcanza 100 puntos en regulación de datos personales, pero cae a 8,0 en formación profesional en inteligencia artificial y es último en sofisticación productiva, con 20,2 puntos (CEPAL & CENIA, 2026). La infraestructura normativa y digital no genera valor agregado sin capital humano capaz de absorberla (Cohen & Levinthal, 1990).

Dos cuellos de botella regionales acentúan este desfase. Primero, Brasil concentra el 87,7% de las GPU y el 92% del supercómputo regional, mientras América Latina capta solo el 1,12% del capital de riesgo mundial en IA (CEPAL & CENIA, 2025, 2026). Segundo, la pirámide formativa está invertida: la alfabetización básica duplica a la formación profesional y cuadruplica al talento especializado, y 11 de 19 países carecen de doctorados en el área (CEPAL & CENIA, 2025). Así, aunque el mercado exige competencias en generación aumentada por recuperación (RAG), agentes y MLOps, las universidades siguen graduando perfiles en programación monolítica y análisis descriptivo ya automatizables (Lambert & Schindler, 2026).

4. Eje Analítico 3: La Economía de las Tecnologías Mediocres y la Adopción Corporativa Pasiva

Las fricciones de oferta convergen con una distorsión simétrica en la demanda del sector corporativo tradicional —banca, comercio minorista, telecomunicaciones y logística—, cuya modernización prioriza la compra llave en mano sobre el desarrollo interno. Con más de 27.000 firmas bajo el modelo de Crépon, Duguet y Mairesse, Crespi et al. (2016) muestran que en servicios tradicionales la I+D interna es una fracción mínima del gasto innovador —2,2% en Perú, 7,4% en Uruguay, 9,3% en Colombia y 9,7% en Chile—, frente a un 80% a 95% destinado a adquirir maquinaria y licencias externas. Además, aunque innovar eleva significativamente la productividad laboral en servicios —con elasticidades de 0,737 en Chile, 0,258 en Colombia y 1,177 en Uruguay—, solo entre 0,7% y 5,1% de estas firmas recibe subsidio público, frente al 12,0% a 24,5% en la manufactura.

Esta dependencia de soluciones empaquetadas debilita el aprendizaje organizacional. Cohen y Levinthal (1990) prueban que la capacidad de absorción exige I+D previa y que comprar tecnología incorporada en equipos externos (EQUIPTECH) reduce la intensidad de I+D propia (β = −0,484 en GLS y β = −0,574 en Tobit). A escala macroeconómica, Castellacci y Natera (2016) confirman mediante modelos VECM que en Centroamérica solo Costa Rica articuló sinergias positivas entre servicios (β = 0,019), inversión extranjera (β = 0,728) e innovación (β = 0,065), mientras la débil absorción arroja coeficientes negativos de inversión extranjera en El Salvador (β = −0,264) y Honduras (β = −0,147), y de innovación en Guatemala (β = −0,795).

Bajo esta matriz institucional, la adopción corporativa tiende hacia lo que Acemoglu y Restrepo (2019, 2020) denominan tecnologías mediocres (so-so technologies) e inteligencia artificial del tipo equivocado. Las firmas adquieren licencias cerradas que desplazan personal administrativo —materializando el 2% a 5% de automatización directa estimado por Gmyrek et al. (2024)—, pero subinvierten en la gobernanza e infraestructura de datos necesaria para lograr saltos de productividad que creen nuevas tareas (Acemoglu et al., 2026), sesgo reforzado por tributos que gravan más al trabajo que al capital (Acemoglu & Restrepo, 2020). Al tratar la IA como un insumo importado (Korinek & Stiglitz, 2021) y subvalorar la ingeniería de integración local —sistemas RAG, agentes y MLOps—, las firmas deprimen los salarios técnicos y empujan al talento hacia el empleo remoto externo (Lambert & Schindler, 2026; CEPAL & CENIA, 2026).

5. Eje Analítico 4: La Paradoja de las MiPyMEs, el Falso Amortiguador Digital y la Trampa de la Informalidad

Fuera del enclave corporativo, la difusión tecnológica choca con la heterogeneidad estructural: cuando el cambio técnico se restringe a un estrato moderno reducido, la brecha productiva interna se amplía (Cimoli & Porcile, 2014). El ILIA 2026 cuantifica esta fractura por escala empresarial: mientras el 27,6% de las grandes firmas latinoamericanas adopta inteligencia artificial, la proporción baja a 12,8% en las medianas y cae a 6,8% en las pequeñas empresas (CEPAL & CENIA, 2026). Pese al costo marginal casi nulo de los modelos (Korinek & Stiglitz, 2021), las MiPyMEs carecen de datos estructurados y capacidad de absorción (Cohen & Levinthal, 1990), mientras los bajos salarios informales desincentivan invertir en tecnología (Acemoglu & Restrepo, 2018).

Esta asimetría desmiente que la brecha digital opere como un amortiguador (buffer) frente al desplazamiento. Gmyrek et al. (2024) demuestran que el rezago de conectividad no frena la automatización sustitutiva (2% a 5% del empleo), pues los puestos vulnerables —en banca, finanzas, seguros y administración pública— ya están digitalizados, exponiendo a las mujeres al doble de riesgo que a los hombres (5,5% frente a 1,6% en Colombia). En cambio, la brecha digital actúa como cuello de botella (bottleneck) sobre el potencial de aumentación (8% a 14% del empleo): el 44% de las mujeres y el 50% de los hombres en ocupaciones aumentables carecen de computadora laboral, bloqueando a 17 millones de trabajadores regionales —diez millones de hombres y siete millones de mujeres—.

Sin seguro de desempleo universal, el ajuste recae sobre la informalidad. Cuando la brecha tecnológica y la restricción externa contraen el empleo moderno, los desplazados y los jóvenes excluidos del escalón júnior caen en la informalidad de subsistencia, deprimiendo los ingresos medios (Cimoli & Porcile, 2014). Arenas de Mesa (2026) dimensiona el costo distributivo: el Gini latinoamericano (0,450 a 0,472) supera en más de 14 puntos al de la OCDE (0,322), y el decil más rico concentra el 34,2% del ingreso frente al 1,7% del más pobre; además, el 29,1% de la pobreza multidimensional obedece a carencias en empleo y pensiones, y el 28,4% a vivienda y servicios (11% por falta de internet). Entre 2021 y 2024, cinco países —incluidos Costa Rica y Honduras— redujeron su Gini en 0,9% anual y 0,6 puntos porcentuales provinieron del salario formal, canal que la contracción algorítmica del empleo formal amenaza con revertir.

6. Conclusiones y Lineamientos de Política Pública

Los cuatro ejes analizados muestran que el riesgo de la inteligencia artificial en Centroamérica no es la sustitución total del trabajo, sino una modernización polarizante que configura una doble trampa: desplazamiento en servicios transables y ruptura del escalón júnior, junto con exclusión de las MiPyMEs y de los trabajadores desconectados (Cimoli & Porcile, 2014; Korinek & Stiglitz, 2021; Gmyrek et al., 2024; Lambert & Schindler, 2026). Revertirla exige trascender la gobernanza declarativa: aunque el 85% de los países latinoamericanos tiene estrategia nacional de IA, solo Brasil y Colombia le asignan presupuesto público (CEPAL & CENIA, 2026).

De ello derivan cuatro lineamientos: primero, cofinanciar programas de aprendizaje dual y residencias de ingeniería que reconviertan las posiciones júnior hacia la auditoría algorítmica y el diseño arquitectónico (Acemoglu et al., 2026; Lambert & Schindler, 2026); segundo, crear consorcios centroamericanos de cómputo compartido y reformar los currículos universitarios hacia MLOps, arquitecturas RAG y gobernanza de datos (CEPAL & CENIA, 2025, 2026); tercero, corregir las distorsiones tributarias que subsidian tecnologías mediocres y vincular los incentivos productivos a la I+D interna en servicios (Cohen & Levinthal, 1990; Crespi et al., 2016; Acemoglu & Restrepo, 2020); y cuarto, articular extensionismo tecnológico y equipamiento digital para MiPyMEs con protección social y reconversión laboral con enfoque de género (Gmyrek et al., 2024; Arenas de Mesa, 2026). La falta de paneles administrativos de firmas en el istmo limita hoy la identificación causal local y abre una agenda futura de investigación.

7. Referencias Bibliográficas

Acemoglu, D., Autor, D., & Johnson, S. (2026). Building Pro-Worker Artificial Intelligence: Can AI Democratize Opportunity? (NBER Working Paper No. 34854). National Bureau of Economic Research. https://doi.org/10.3386/w34854

Acemoglu, D., & Restrepo, P. (2018). The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 108(6), 1488–1542. https://doi.org/10.1257/aer.20160696

Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3

Acemoglu, D., & Restrepo, P. (2020). The wrong kind of AI? Artificial intelligence and the future of labour demand. Cambridge Journal of Regions, Economy and Society, 13(1), 25–35. https://doi.org/10.1093/cjres/rsz022

Arenas de Mesa, A. (2026, 16 de junio). Desigualdad e inclusión digital: Desafíos y oportunidades para el desarrollo social inclusivo en América Latina y el Caribe [Presentación en panel de alto nivel]. Comisión Económica para América Latina y el Caribe (CEPAL), Santiago de Chile.

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae043

Castellacci, F., & Natera, J. M. (2016). Innovation, Absorptive Capacity and Growth Heterogeneity: Development Paths in Latin America 1970–2010. Structural Change and Economic Dynamics, 37, 27–42. https://doi.org/10.1016/j.strueco.2016.03.002

Comisión Económica para América Latina y el Caribe [CEPAL], & Centro Nacional de Inteligencia Artificial [CENIA]. (2025). Índice Latinoamericano de Inteligencia Artificial 2025: Inteligencia Artificial en América Latina y el Caribe: de la adopción a la transformación (ILIA 2025) (LC/TS.2025/68). Naciones Unidas; CEPAL.

Comisión Económica para América Latina y el Caribe [CEPAL], & Centro Nacional de Inteligencia Artificial [CENIA]. (2026). Índice Latinoamericano de Inteligencia Artificial 2026: Una hoja de ruta para la transformación regional (ILIA 2026) (LC/TS.2026/97). Naciones Unidas; CEPAL.

Cimoli, M., & Porcile, G. (2014). Technology, structural change and BOP-constrained growth: A structuralist toolbox. Cambridge Journal of Economics, 38(1), 215–237. https://doi.org/10.1093/cje/bet020

Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128–152. https://doi.org/10.2307/2393553

Crespi, G., Tacsir, E., & Vargas, F. (2016). Innovation and Productivity in Services: Empirical Evidence from Latin America. En M. Grazzi & C. Pietrobelli (Eds.), Firm Innovation and Productivity in Latin America and the Caribbean: The Engine of Economic Development (pp. 73–102). Palgrave Macmillan; Inter-American Development Bank. https://doi.org/10.1057/978-1-349-58151-1_3

Gmyrek, P., Winkler, H., & Garganta, S. (2024). Buffer or Bottleneck? Employment Exposure to Generative AI and the Digital Divide in Latin America (Policy Research Working Paper No. 10863 / ILO Working Paper No. 121). World Bank; International Labour Organization. https://doi.org/10.1596/1813-9450-10863

Korinek, A., & Stiglitz, J. E. (2021). Artificial Intelligence, Globalization, and Strategies for Economic Development (NBER Working Paper No. 28453). National Bureau of Economic Research. https://doi.org/10.3386/w28453

Lambert, P. J., & Schindler, Y. (2026). The Broken Ladder: AI, Remote Work, and Early-Career Hiring (SSRN Working Paper No. 6787638). SSRN Electronic Journal. https://doi.org/10.2139/ssrn.6787638